År 2018 befäste vi våra positioner – IT Service Management (ITSM) och IT-tjänster fortsätter sin verksamhet, trots ständiga diskussioner om hur länge de kommer att överleva i den digitala revolutionens tidevarv. Faktum är att efterfrågan på supporttjänster ökar – i Rapporten om teknisk support och Löneberättelsen (Help Desk Institute) för 2017 anges att 55% av supporttjänsterna rapporterade en ökning av antalet ärenden under det föregående året.
Å andra sidan noterade många företag en minskning av antalet kontakter med supporten förra året (15%) jämfört med 2016 (10%). Den avgörande faktorn bakom minskningen av antal ärenden var självbetjäningsstöd. Trots detta rapporterar HDI också att kostnaden per ärende förra året ökade till 25 USD jämfört med 18 USD 2016. Detta är inte något som de flesta IT-tjänster strävar efter. Lyckligtvis kan automatisering baserad på analys och maskininlärning förbättra processer och produktiviteten hos supporttjänsten genom att minska antalet fel och öka kvaliteten och hastigheten. Ibland går detta bortom mänskliga möjligheter, och maskininlärning och analys är grunden för en intelligent, tillmötesgående och operativ IT-support.
I den här artikeln diskuteras mer ingående hur maskininlärning kan lösa många problem som supporten och ITSM står inför, relaterat till volym och kostnad för ärenden, samt hur man kan skapa en snabbare och mer automatiserad supporttjänst som anställda kommer att uppskatta.
Effektiv ITSM genom maskininlärning och analys
Min favoritdefinition av maskininlärning ges av företaget :
«Maskininlärning lär datorer att göra det som är naturligt för människor och djur – att lära sig av egna erfarenheter. Algoritmer för maskininlärning använder beräkningsmetoder för att lära sig information direkt från data, utan att förlita sig på en förutbestämd ekvation som modell. Algoritmer förbättrar adaptivt sin egen effektivitet i takt med att antalet urval som finns tillgängliga för studier ökar».
De möjligheter som anges nedan är tillgängliga för vissa ITSM-verktyg baserade på maskininlärning och big data-analys:
- Stöd via bot. Virtuella agenter och chattbotar kan automatiskt föreslå nyheter, artiklar, tjänster och supportalternativ från datakataloger och offentliga förfrågningar. Detta stöd dygnet runt i form av föreslagna utbildningsprogram för slutanvändare hjälper till att lösa frågor betydligt snabbare. De viktigaste fördelarna med boten är en förbättrad användargränssnitt och färre inkommande förfrågningar.
- Smarta nyheter och meddelanden. Dessa verktyg gör det möjligt att i förväg informera användare om potentiella problem. Dessutom kan IT-specialister rekommendera alternativa lösningar på problem med hjälp av personliga meddelanden som ger slutanvändare relevant och användbar information om de problem de kan stöta på, samt tips om hur de kan undvika dem. Informerade användare uppskattar aktiv IT-support, och antalet inkommande förfrågningar minskar.
- Smart sökning. När slutanvändare söker information eller tjänster kan ett kontextberoende system för kunskapshantering ge rekommendationer, artiklar och länkar. Slutanvändare tenderar ofta att hoppa över vissa resultat till förmån för andra. Dessa klick och antal visningar inkluderar kriterierna för "viktnings" vid omindexering av innehåll över tid, så sökmöjligheterna justeras dynamiskt. Eftersom slutanvändare ger feedback i form av "gilla/ogilla" påverkar detta också rankningen av det innehåll som de och andra användare kan hitta. Från ett fördelsperspektiv kan slutanvändare snabbt hitta svar och känna sig helt trygga, medan supportagenter har möjlighet att hantera fler ärenden och uppnå fler serviceavtal (SLA).
- Analys av populära ämnen. Här identifierar analysmöjligheterna mönster för strukturerade och ostrukturerade datakällor. Informationen om populära ämnen visas grafiskt i form av en värmekarta, där storleken på segmenten motsvarar frekvensen av specifika ämnen eller grupper av nyckelord som efterfrågas av användare. Återkommande incidenter upptäckas omedelbart, grupperas och löses tillsammans. Analysen av populära ämnen identifierar även incidentkluster med gemensamma orsaker och minskar avsevärt tiden för att identifiera och lösa det grundläggande problemet. Tekniken kan också automatiskt skapa artiklar i kunskapsbasen baserat på liknande interaktioner eller liknande problem. Att söka efter trender i alla data ökar IT-avdelningens aktivitet, förhindrar återupprepning av incidenter och ökar därmed slutanvändarnas nöjdhet samtidigt som IT-kostnaderna sänks.
- Smart ansökningar. Slutanvändare förväntar sig att skicka en förfrågan ska vara lika enkelt som att skriva ett tweet, nämligen ett kort meddelande på ett naturligt språk som beskriver problemet eller begäran och som kan skickas via e-post. Eller till och med bara bifoga ett foto av felet och skicka det från en mobil enhet. Registrering av smarta förfrågningar påskyndar processen för att skapa ärenden genom att automatiskt fylla i alla fält baserat på det som slutanvändaren skrivit eller en skanning av en bild som bearbetats med hjälp av optisk teckenigenkänning (OCR). Genom att använda en uppsättning observationsdata klassificerar teknologin automatiskt och adresserar förfrågningarna till de relevanta supportagenterna. Agenter kan vidarebefordra ärenden till olika supportgrupper och kan skriva över automatiskt ifyllda fält om maskininlärningsmodellen inte visade sig vara optimal för det aktuella fallet. Systemet lär sig av nya mönster, vilket gör att det kan hantera uppkommande problem bättre i framtiden. Allt detta innebär att slutanvändare enkelt och snabbt kan öppna ärenden, vilket leder till ökad nöjdhet vid användning av arbetsverktyg. Denna funktion minskar också mängden manuellt arbete och fel, och hjälper till att förkorta tid och kostnader för att lösa problem.
- Smart e-post. Detta verktyg påminner om smarta förfrågningar. Slutanvändaren kan skicka ett mejl till supporten och beskriva problemet på naturligt språk. Supportverktyget skapar en förfrågan baserat på innehållet i e-posten och svarar automatiskt slutanvändaren med länkar till föreslagna lösningar. Slutanvändarna är nöjda eftersom det är enkelt och bekvämt att öppna ärenden och förfrågningar, medan IT-agenterna får mindre manuellt arbete.
- Smart förändringshantering. Maskininlärning stöder också modern analys och förändringshantering. Med tanke på det frekventa antalet förändringar som företag idag kräver, kan intelligenta system ge agenter eller förändringsledare rekommendationer för att optimera miljön och öka andelen framgångsrika förändringar i framtiden. Agenter kan beskriva nödvändiga förändringar på naturligt språk, och analysmöjligheterna kommer att kontrollera innehållet för påverkade konfigurationselement. Alla förändringar regleras, och automatiska indikatorer informerar förändringsledaren om det finns några problem med förändringen, såsom risk, planering i ett oplanerat fönster eller statusen "inte godkänd". Den stora fördelen med smart förändringshantering är kortare återbetalningstid med färre konfigurationer, inställningar och i slutändan lägre kostnader.
I slutändan transformerar maskininlärning och analys ITSM-system med hjälp av intelligenta antaganden och rekommendationer om problem med ärenden och förändringsprocesser som hjälper agenter och IT-supportgrupper att beskriva, diagnostisera, förutsäga och föreskriva vad som har hänt, vad som pågår och vad som kommer att hända. Slutanvändare får proaktiva, personliga och dynamiska analytiska bedömningar och snabba lösningar. Mycket görs automatiskt, det vill säga utan mänsklig inblandning. Och eftersom teknologin lär sig med tiden blir processerna bara bättre. Det är viktigt att notera att alla intelligenta funktioner som beskrivs i denna artikel redan är tillgängliga idag.
Källa: habr.com
