2018 saw us firmly established - IT Service Management (ITSM) and IT Services are still in business, sa kabila ng patuloy na pag-uusap tungkol sa kung gaano katagal sila makakaligtas sa digital revolution. Sa katunayan, ang pangangailangan para sa mga serbisyong teknikal na suporta ay lumalaki - sa Ulat ng Suporta sa Teknikal at Ulat ng Salary (Help Desk Institute) 2017 ulat ay nagpapahiwatig na 55% ng mga help desk ay nag-ulat ng pagtaas sa dami ng tiket sa nakaraang taon.
Sa kabilang banda, maraming kumpanya ang nakapansin ng pagbaba sa dami ng mga tawag sa teknikal na suporta noong nakaraang taon (15%) kumpara noong 2016 (10%). Ang pangunahing salik na nag-aambag sa pagbawas sa bilang ng mga kahilingan ay independiyenteng teknikal na suporta. Gayunpaman, iniulat din ng HDI na ang bayad sa aplikasyon ay tumaas sa $25 noong nakaraang taon, mula sa $18 noong 2016. Hindi ito ang sinisikap ng karamihan sa mga departamento ng IT. Sa kabutihang palad, ang automation na pinapagana ng analytics at machine learning ay maaaring mapabuti ang mga proseso ng help desk at pagiging produktibo sa pamamagitan ng pagbabawas ng mga error at pagpapabuti ng kalidad at bilis. Minsan ito ay lampas sa kakayahan ng tao, at ang machine learning at analytics ang pangunahing pundasyon para sa isang matalino, proactive at tumutugon na IT service desk.
Mas malapitan ng artikulong ito kung paano malulutas ng machine learning ang marami sa mga hamon sa help desk at ITSM na nauugnay sa dami at gastos ng ticket, at kung paano gumawa ng mas mabilis, mas automated na help desk na kinagigiliwang gamitin ng mga empleyado ng enterprise.
Epektibong ITSM sa pamamagitan ng machine learning at analytics
Ang paborito kong kahulugan ng machine learning ay mula sa kumpanya :
“Ang pag-aaral ng makina ay nagtuturo sa mga computer na gawin kung ano ang natural sa mga tao at hayop—matuto mula sa karanasan. Gumagamit ang mga machine learning algorithm ng mga computational na pamamaraan upang matuto ng impormasyon nang direkta mula sa data, nang hindi umaasa sa isang paunang natukoy na equation bilang isang modelo. Ang mga algorithm ay madaling nagpapabuti sa kanilang sariling pagganap habang ang bilang ng mga sample na magagamit para sa pag-aaral ay tumataas."
Available ang mga sumusunod na kakayahan para sa ilang tool sa ITSM batay sa machine learning at big data analytics:
- Suporta sa pamamagitan ng bot. Ang mga virtual na ahente at chatbot ay maaaring awtomatikong magmungkahi ng mga balita, artikulo, serbisyo, at mga alok ng suporta mula sa mga katalogo ng data at mga pampublikong kahilingan. Ang 24/7 na suportang ito sa anyo ng mga end-user na programa sa pagsasanay ay nakakatulong sa pagresolba ng mga isyu nang mas mabilis. Ang mga pangunahing benepisyo ng bot ay isang pinahusay na user interface at mas kaunting mga papasok na tawag.
- Matalinong balita at mga abiso. Ang mga tool na ito ay nagbibigay-daan sa mga user na maagap na maabisuhan ng mga potensyal na problema. Bilang karagdagan, ang mga propesyonal sa IT ay maaaring magrekomenda ng mga solusyon upang malutas ang mga isyu sa pamamagitan ng mga naka-personalize na notification na nagbibigay sa mga end user ng may-katuturan at naaaksyunan na impormasyon tungkol sa mga isyung maaaring makaharap nila, pati na rin ang mga tip sa kung paano maiiwasan ang mga ito. Mapapahalagahan ng mga may kaalamang user ang proactive na suporta sa IT at mababawasan ang bilang ng mga paparating na kahilingan.
- Matalinong paghahanap. Kapag naghanap ng impormasyon o mga serbisyo ang mga end user, maaaring magbigay ng mga rekomendasyon, artikulo, at link ang isang sistema ng pamamahala ng kaalaman sa konteksto. May posibilidad na laktawan ng mga end user ang ilang resulta pabor sa iba. Ang mga pag-click at view na ito ay kasama sa pamantayan ng "pagtimbang" kapag muling nag-index ng nilalaman sa paglipas ng panahon, kaya ang karanasan sa paghahanap ay dynamic na nababagay. Habang nagbibigay ng feedback ang mga end user sa anyo ng pagboto ng like/dislike, naiimpluwensyahan din nito ang ranking ng content na mahahanap nila at ng iba pang user. Sa mga tuntunin ng mga benepisyo, ang mga end user ay makakahanap ng mga sagot nang mabilis at makadama ng higit na kumpiyansa, at ang mga ahente ng help desk ay makakapangasiwa ng higit pang mga tiket at makakamit ang higit pang mga service level agreement (SLA).
- Analytics ng mga sikat na paksa. Dito, tinutukoy ng mga kakayahan ng analytics ang mga pattern sa mga structured at unstructured na data source. Ang impormasyon tungkol sa mga sikat na paksa ay graphic na ipinapakita sa anyo ng isang heat map, kung saan ang laki ng mga segment ay tumutugma sa dalas ng ilang partikular na paksa o pangkat ng mga keyword na hinihiling ng mga user. Ang mga paulit-ulit na insidente ay agad na matutukoy, magkakagrupo at malulutas nang sama-sama. Nakikita rin ng Analytics ang Trending na Paksa ng mga kumpol ng insidente na may karaniwang pinag-ugatan at makabuluhang binabawasan ang oras upang matukoy at malutas ang ugat na problema. Ang teknolohiya ay maaari ding awtomatikong lumikha ng mga artikulo sa base ng kaalaman batay sa mga katulad na pakikipag-ugnayan o katulad na mga isyu. Ang paghahanap ng mga uso sa anumang data ay nagpapataas ng aktibidad ng departamento ng IT, pinipigilan ang pag-ulit ng mga insidente at samakatuwid ay nagpapataas ng kasiyahan ng end-user habang binabawasan ang mga gastos sa IT.
- Mga matalinong aplikasyon. Inaasahan ng mga end user na ang pagsusumite ng ticket ay kasingdali ng pagsulat ng Tweet—isang maikli at natural na mensahe ng wika na naglalarawan ng isyu o kahilingan na maaaring ipadala sa pamamagitan ng email. O kahit na mag-attach lang ng larawan ng problema at ipadala ito mula sa iyong mobile device. Pinapabilis ng pagpaparehistro ng matalinong ticket ang proseso ng paggawa ng ticket sa pamamagitan ng awtomatikong paglalagay ng lahat ng mga field batay sa isinulat ng end user o isang pag-scan ng isang larawang naproseso gamit ang optical character recognition (OCR) software. Gamit ang isang set ng obserbasyonal na data, awtomatikong ikinakategorya at dinadala ng teknolohiya ang mga tiket sa naaangkop na mga ahente ng help desk. Ang mga ahente ay maaaring magpasa ng mga tiket sa iba't ibang mga team ng suporta at maaaring mag-overwrite ng mga awtomatikong na-populate na mga field kung ang modelo ng machine learning ay hindi optimal para sa isang partikular na kaso. Natututo ang system mula sa mga bagong pattern, na nagbibigay-daan dito upang mas mahusay na makayanan ang mga problema na lilitaw sa hinaharap. Ang lahat ng ito ay nangangahulugan na ang mga end user ay maaaring magbukas ng mga tiket nang mabilis at madali, na nagreresulta sa mas mataas na kasiyahan kapag gumagamit ng mga tool sa trabaho. Binabawasan din ng kakayahang ito ang manu-manong trabaho at pagkakamali at nakakatulong na bawasan ang oras at gastos sa pagpapahintulot.
- Smart email. Ang tool na ito ay katulad ng mga matalinong order. Ang end user ay maaaring magpadala ng email sa support team at ilarawan ang problema sa natural na wika. Ang help desk tool ay bumubuo ng isang tiket batay sa nilalaman ng email at awtomatikong tumutugon sa end user na may mga link sa mga iminungkahing solusyon. Ang mga end user ay nasisiyahan dahil ang pagbubukas ng mga tiket at mga kahilingan ay madali at maginhawa, at ang mga ahente ng IT ay may mas kaunting manu-manong gawaing dapat gawin.
- Matalinong pamamahala sa pagbabago. Sinusuportahan din ng machine learning ang advanced na analytics at pamamahala ng pagbabago. Dahil sa madalas na bilang ng mga pagbabago na hinihiling ng mga negosyo ngayon, ang mga matalinong sistema ay maaaring magbigay sa mga ahente ng pagbabago o mga tagapamahala ng mga mungkahi na naglalayong i-optimize ang kapaligiran at pataasin ang rate ng tagumpay ng mga pagbabago sa hinaharap. Maaaring ilarawan ng mga ahente ang mga kinakailangang pagbabago sa natural na wika, at susuriin ng mga kakayahan ng analytics ang nilalaman para sa mga apektadong item sa configuration. Ang lahat ng mga pagbabago ay kinokontrol, at ang mga awtomatikong tagapagpahiwatig ay nagsasabi sa manager ng pagbabago kung mayroong anumang mga problema sa pagbabago, tulad ng panganib, pag-iiskedyul sa isang hindi planadong window, o "hindi naaprubahan" na katayuan. Ang pangunahing pakinabang ng matalinong pamamahala sa pagbabago ay ang mas mabilis na oras sa pagpapahalaga na may mas kaunting mga pagsasaayos, pag-customize at sa huli ay mas kaunting pera na ginastos.
Sa huli, binabago ng machine learning at analytics ang mga system ng ITSM na may matatalinong pagpapalagay at rekomendasyon tungkol sa mga isyu sa tiket at ang proseso ng pagbabago na tumutulong sa mga ahente at IT support team na ilarawan, i-diagnose, mahulaan at italaga kung ano ang nangyari, kung ano ang nangyayari at kung ano ang mangyayari. Makakatanggap ang mga end user ng mga proactive, personalized at dynamic na insight at mabilis na solusyon. Sa kasong ito, maraming awtomatikong ginagawa, i.e. nang walang interbensyon ng tao. At habang natututo ang teknolohiya sa paglipas ng panahon, ang mga proseso ay lalo lamang gumaganda. Mahalagang tandaan na available na ngayon ang lahat ng matalinong feature na inilalarawan sa artikulong ito.
Pinagmulan: www.habr.com