Sztuczna InteligencjaTechnologia

IT Prediction Dashboards – Zastosowanie maszynowego uczenia w przewidywaniu satysfakcji IT

Andrzej Wawer

Sztuczna inteligencja jak i uczenie maszynowe zdobywa coraz większą popularność oraz zastosowanie w dzisiejszym biznesie. Firmy zaczynają angażować sztuczną inteligencję w celu poprawienia wydajności strategii biznesowej, pozostawania o krok przed konkurencją, jak i w celu poprawienia jakości obsługi. Raport Capgemini* pokazuje, że aż 75% firm, które zaimplementowały do swej działalności AI i ML uzyskały 10% wzrost satysfakcji z obsługi.

W wielu globalnych korporacjach coraz częściej pojawia się znaczący problem związany ze spadkiem satysfakcji użytkowników końcowych z pracy zespołów IT, które projektują wszystkie procesy informatyczne. Czym jest to spowodowane? Drastycznie spadającą jakością support’u, wadliwością i częstymi awariami serwerów czy tak naprawdę wypadkową szeregu prostych czynników? Odpowiedź na to pytanie nigdy nie jest oczywista, więc coraz częściej sięga się po rozwiązania niekonwencjonalne.

Żyjemy w czasach, gdy standardowe KPI (Key Performance Indicators) wyliczane miesięcznie, tygodniowo, bądź dziennie, na podstawie Hurtowni Danych stają się już niewystarczające. W dalszym ciągu firmy raportują w sposób, który nie uwypukla, a nawet nie zapobiega realnym problemom użytkowników i to w czasie rzeczywistym. Coraz częściej implementuje się procesy obliczania wskaźników wydajności w dużo większej częstotliwości np. w odstępach godzinnych, co jak najbardziej pomaga bieżącym monitorowaniu wyników pracy zespołów. Istnieje wtedy możliwość uruchamiania alertów i wysyłania wszelkich ostrzeżeń o przekroczeniu dopuszczalnych norm bezpośrednio do samych zainteresowanych, lecz czy jest to wystarczające?

Moim zdaniem to jest najprostsza i najbardziej niewdzięczna ścieżka walki z procesem. Tak naprawdę wciąż nie mamy pełnego obrazu sytuacji i tego co się tak naprawdę w danym momencie dzieje. Jako architekci rozwiązań IT chcemy poprawiać sam proces, a nie „polować” na poszczególne tickety. Tu z pomocą przychodzi rozwój technologii, czyli w tym wypadku algorytmy Machine Learning.

Analiza i estymacja w czasie rzeczywistym
Zazwyczaj ankiety sprawdzające satysfakcję z pracy IT „krążą” wśród pracowników korporacji co kwartał, bądź co pół roku. Głównym wyzwaniem w tym przypadku jest zobrazowanie realnego wpływu aktualnych wyników KPI i wszystkich dostępnych wskaźników na wyniki przyszłych ankiet. Jak w takim razie określić najbardziej istotne zagadnienia? Jak stopniowo polepszać wyniki, a w szczególności mitygować ryzyko ich pogorszenia?
Za pomocą Machine Learning taka estymacja jest jak najbardziej możliwa. Osoby decyzyjne chcą mieć wgląd do zarówno aktualnych wyników satysfakcji IT, jak i do ich prognozy na podstawie aktualnie napływających informacji. Algorytmy analizują opisy pojawiających się incydentów, możliwe jest określenie istotnych grup zdarzeń z ostatnich paru godzin i możliwość ich natychmiastowej eskalacji, bądź wyłapanie niepożądanych sytuacji w kontakcie z działem wsparcia. Taka reakcja natychmiast przynosi pożądany efekt czyli rozwiązanie problemu.

Dashboardy tworzone przez Promity są w stanie śledzić liczbę ticketów oraz stanu ich rozpatrzenia w czasie rzeczywistym. Manager ma wgląd, ile osób aktualnie pracuje na infolinii lub na firmowym czacie, dodatkowo może weryfikować do kogo przypisany jest ticket, który nie został obsłużony i spowodował eskalację problemu. Pozwala to firmie, zwłaszcza dużej, na bieżąco wychwytywać sytuacje kryzysowe i je rozwiązywać w najszybszym możliwym czasie.

Przykładowy dashboard zaprojektowany przez Promity

 

Hurra! Raporty, które wpływają na działalność firmy!
Machine Learning co raz częściej pojawia się w implementacji projektów typowo raportowych, gdyż pozwala na pokazanie rzeczy do tej pory uznawanych za niewykonalne i znajduje sporo zastosowań w realnych problemach w świecie IT. Pierwsze wyniki procesów, które implementujemy u naszych Klientów zaczynają przynosić spodziewane efekty, choć rozwiązanie dopiero stawia pierwsze kroki w biznesie i na bieżąco jest rozwijane. Śmiało mogę wysunąć konkluzję, iż już za kilka lat algorytmy maszynowego uczenia będą obecne w większości projektowanych dashboard’ów raportowych.

W przyszłości ludzie będą nadal korzystać z dashboardów, lecz te zmienią się w inteligentne narzędzia analityczne. Będą dostarczać osobom decyzyjnym nie tylko suche KPI, lecz przede wszystkim wartościowe insighty i rekomendacje w czasie rzeczywistym. Pokazane w formie inteligentnych alertów pozwolą pracownikom lepiej optymalizować procesy, jak i wdrażać strategię biznesową.

Andrzej Wawer – Lead ETL Developer prowadzący nasz zespół ETL z zakresu HealthCare. Jest certyfikowanym programistą Informatica PowerCenter z 4-letnim doświadczeniem w projektowaniu i rozwoju procesów ETL. Ma na koncie szereg projektów Business Intelligence z zakresu integracji i raportowania.

 

*) Forbes.com