Управление ИТ-услугами (ITSM) стало еще эффективнее благодаря средствам машинного обучения

В этой статье более подробно рассматривается то, как машинное обучение может решить многие проблемы службы поддержки и ITSM, связанные с объемами и стоимостью заявок, и как создать более быструю и автоматизированную службу поддержки, которую с удовольствием будут использовать сотрудники предприятия.

Эффективное ITSM посредством машинного обучения и аналитики

Мое любимое определение машинного обучения дает компания MathWorks:

«Машинное обучение учит компьютеры делать то, что естественно для людей и животных — учиться на собственном опыте. Алгоритмы машинного обучения используют вычислительные методы для изучения информации непосредственно из данных, не полагаясь на заранее определенное уравнение в качестве модели. Алгоритмы адаптивно улучшают собственную эффективность по мере увеличения числа выборок, доступных для изучения». Приведенные ниже возможности доступны для некоторых инструментов ITSM, основанных на технологиях машинного обучения и аналитике больших данных:

• Поддержка через бота. Виртуальные агенты и чат-боты могут автоматически предлагать новости, статьи, услуги и предложения поддержки из каталогов данных и публичных запросов. Такая поддержка в режиме 24/7 в форме предлагаемых обучающих программ для конечных пользователей помогает решать вопросы значительно быстрее. Ключевыми преимуществами бота являются улучшенный пользовательский интерфейс и меньшее количество входящих обращений.
• Смарт новости и уведомления. Эти инструменты позволяют заблаговременно уведомлять пользователей о потенциальных проблемах. Кроме того, ИТ-специалисты могут порекомендовать обходные пути решения проблем с помощью персонализированных уведомлений, которые предоставляют конечным пользователям актуальную и полезную информацию о проблемах, с которыми они могут столкнуться, а также советы о том, как их избежать. Информированные пользователи высоко оценят активную ИТ-поддержку, и количество входящих обращений снизится.
• Смарт поиск. Когда конечные пользователи ищут информацию или услуги, контекстно-зависимая система управления знаниями может предоставлять рекомендации, статьи и ссылки. Конечные пользователи обычно пропускают часть результатов, предпочитая им другие. Эти клики и количество просмотров включаются в критерии «взвешивания» при повторной индексации контента с течением времени, поэтому возможности поиска динамически настраиваются. Поскольку конечные пользователи предоставляют обратную связь в форме голосования «лайк/дислайк», это также влияет на рейтинг контента, который они и другие пользователи могут найти. С точки зрения преимуществ, конечные пользователи могут быстро находить ответы и чувствовать себя вполне уверено, а агенты службы поддержки имеют возможность обработать больше заявок и достичь большего количества соглашений о качестве предоставляемых услуг (SLA).
• Аналитика популярных тем. Здесь аналитические возможности выявляют закономерности для структурированных и неструктурированных источников данных. Информация о популярных темах графически отображается в виде теплокарты, где размер сегментов соответствует частоте определенных тем или групп ключевых слов, востребованных пользователями. Повторяющиеся инциденты будут обнаружены мгновенно, сгруппированы и разрешены вместе. Аналитика популярных тем также обнаруживает инцидентные кластеры с общей первопричиной и значительно сокращает время на выявление и решение основной проблемы. Также технология может автоматически создавать статьи в базе знаний, основанные на похожих взаимодействиях или похожих проблемах. Поиск трендов в любых данных увеличивает активность ИТ-отдела, предотвращает повторение инцидентов и, следовательно, повышает удовлетворенность конечных пользователей при одновременном снижении затрат на ИТ.

Полный материал эксперта можно прочитать на Habr.