В 2018 году мы прочно закрепили свои позиции – службы управления ИТ-услугами (ITSM) и службы ИТ-услуг до сих пор продолжают свою деятельность, несмотря на непрекращающиеся разговоры о том, как долго они еще продержатся в пору цифровой революции. Действительно, спрос на службы техподдержки растет – в Отчете о технической поддержке и Отчете о зарплатах HDI (Help Desk Institute) за 2017 год указывается, что 55% служб технической поддержки отметили увеличение объема заявок за последний год.
С другой стороны, многие компании отметили снижение объема обращений в техподдержку в прошлом году (15%) по сравнению с 2016 годом (10%). Ключевым фактором, способствовавшим уменьшению количества заявок, оказалась самостоятельная техническая поддержка. Тем не менее, HDI также сообщает, что в прошлом году стоимость заявки выросла до 25 долларов США по сравнению с 18 долларами США в 2016 году. Это не то, к чему стремится большинство служб ИТ. К счастью, автоматизация, основанная на аналитике и машинном обучении, может улучшить процессы и производительность службы поддержки за счет уменьшения количества ошибок и повышения качества и скорости. Иногда это выходит за рамки человеческих возможностей, а машинное обучение и аналитика являются ключевой основой для интеллектуальной, располагающей и оперативной службы поддержки ИТ.
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.
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:
В конечном счете, машинное обучение и аналитика преобразуют системы ITSM с помощью интеллектуальных допущений и рекомендаций о проблемах с заявками и процессе изменений, которые помогают агентам и группам поддержки ИТ описывать, диагностировать, прогнозировать и предписывать, что произошло, что происходит и что произойдет. Конечные пользователи получают упреждающие, персональные и динамические аналитические оценки и быстрые решения. При этом многое делается автоматически, т.е. без участия человека. И поскольку технология учится с течением времени, процессы становятся только лучше. Важно отметить, что все интеллектуальные функции, описанные в этой статье, доступны уже сегодня.
С другой стороны, многие компании отметили снижение объема обращений в техподдержку в прошлом году (15%) по сравнению с 2016 годом (10%). Ключевым фактором, способствовавшим уменьшению количества заявок, оказалась самостоятельная техническая поддержка. Тем не менее, HDI также сообщает, что в прошлом году стоимость заявки выросла до 25 долларов США по сравнению с 18 долларами США в 2016 году. Это не то, к чему стремится большинство служб ИТ. К счастью, автоматизация, основанная на аналитике и машинном обучении, может улучшить процессы и производительность службы поддержки за счет уменьшения количества ошибок и повышения качества и скорости. Иногда это выходит за рамки человеческих возможностей, а машинное обучение и аналитика являются ключевой основой для интеллектуальной, располагающей и оперативной службы поддержки ИТ.
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.
- Смарт заявки. Конечные пользователи ожидают, что отправить заявку не сложнее, чем написать твит, а именно – короткое сообщение на естественном языке, описывающее проблему или запрос, которое может быть отправлено по электронной почте. Или даже просто прикрепить фотографию неполадки и отправить её с мобильного устройства. Регистрация смарт заявки ускоряет процесс создания обращения, автоматически заполняя все поля на основе того, что написал конечный пользователь или скана изображения, обработанного с помощью программы оптического распознавания символов (OCR). Используя набор данных наблюдений, технология автоматически классифицирует и адресует заявки соответствующим агентам службы поддержки. Агенты могут переадресовывать заявки различным группам поддержки и могут перезаписывать автоматически заполненные поля, если модель машинного обучения не оказалась оптимальной для данного случая. Система учится на новых шаблонах, что позволяет лучше справляться с возникающими проблемами в дальнейшем. Все это означает, что конечные пользователи могут легко и быстро открывать заявки, что приводит к повышению удовлетворенности при использовании рабочих инструментов. Эта возможность также уменьшает объем ручной работы и ошибки и помогает сократить время и затраты на разрешение.
- Smart email. Этот инструмент напоминает смарт заявки. Конечный пользователь может отправить письмо в службу поддержки и описать проблему на естественном языке. Инструмент службы поддержки создает заявку на основе содержимого электронной почты, а также автоматически отвечает конечному пользователю со ссылками на предлагаемые решения. Конечные пользователи остаются довольны, так как открывать заявки и запросы легко и удобно, а у ИТ-агентов меньше ручной работы.
- Смарт управление изменениями. Машинное обучение также поддерживает современную аналитику и управление изменениями. Учитывая частое количество изменений, которые сегодня требуются предприятиям, интеллектуальные системы могут предоставлять агентам или менеджерам по изменениям предложения, направленные на оптимизацию среды и увеличение процента успешных изменений в будущем. Агенты могут описывать необходимые изменения на естественном языке, а аналитические возможности будут проверять контент на наличие затронутых элементов конфигурации. Все изменения регламентируются, а автоматические индикаторы сообщают менеджеру изменений, есть ли какие-либо проблемы с изменением, такие как риск, планирование в незапланированном окне или статус «не утверждено». Ключевое преимущество смарт управления изменениями – это более быстрое время окупаемости с меньшим количеством конфигураций, настроек и, в конечном итоге, меньшими денежными затратами.
В конечном счете, машинное обучение и аналитика преобразуют системы ITSM с помощью интеллектуальных допущений и рекомендаций о проблемах с заявками и процессе изменений, которые помогают агентам и группам поддержки ИТ описывать, диагностировать, прогнозировать и предписывать, что произошло, что происходит и что произойдет. Конечные пользователи получают упреждающие, персональные и динамические аналитические оценки и быстрые решения. При этом многое делается автоматически, т.е. без участия человека. И поскольку технология учится с течением времени, процессы становятся только лучше. Важно отметить, что все интеллектуальные функции, описанные в этой статье, доступны уже сегодня.
