Suggest relevant Open Change requests for an Incident (Relevante offene Change-Anforderungen für Incident vorschlagen)

  • Freigeben Version: Yokohama
  • Aktualisiert 6. Februar 2025
  • 5 Minuten Lesedauer

    • Empfehlen Sie mit dieser Vorlage ähnliche offene Change-Anforderungen, um die Untersuchungs- und Lösungsprozesse für Change-Anforderungen zu beschleunigen.

    Vorbereitungen

    Aktivieren Sie das Plugin „Predictive Intelligence for Incident“ (com.snc.incident.ml).

    Erforderliche Rolle: piwb_manager oder piwb_viewer

    Warum und wann dieser Vorgang ausgeführt wird

    Diese Anwendungsfallvorlage hilft Ihnen, Ihre ITSM-Lösungsquote beim ersten Anruf zu verbessern und die Zeit zur Untersuchung von Lösungsschritten für Change-Anforderungen zu reduzieren. Die Vorlage enthält auch einen Link zur Anwendung Predictive Intelligence und zur zugehörigen Dokumentation.

    Für den Anwendungsfall wird ein ähnlichkeitsbasiertes Vorhersagemodell verwendet, das eine offene Change-Anforderung mit in der Vergangenheit erfolgreich gelösten Change-Anforderungen vergleicht, um eine intelligentere Lösung zu gewährleisten. Ähnliche offene Changes werden in Agent Assist sowie über die zugehörige Suche im Incident-Formular angezeigt.
    Hinweis:
    Lassen Sie Geschäftskunden die Ergebnisse der Suche nach ähnlichen offenen Changes validieren. Kundenservice und Support ist bei Bedarf verfügbar, um Quellen für die Kontextsuche zu konfigurieren.

    Wenn bei der Anwendungsfallvorlage der Hinweis Vortrainiert angegeben ist, können Sie direkt zum Implementierungsabschnitt Modelle testen wechseln. Andernfalls erstellen Sie zunächst ein auf maschinellem Lernen basierendes Modell.

    Prozedur

    1. Wenn Sie dieses Verfahren direkt über das Modul Neues aus Vorlage erstellen des Produkts Predictive Intelligence-Workbench gestartet haben und durch Klicken auf den Link der Produktdokumentation hierher gelangt sind, können Sie diesen Schritt überspringen.
      Navigieren Sie andernfalls zu Predictive Intelligence-Workbench > Anwendungsfälle > Neues aus Vorlage erstellen.
    2. Wählen Sie die Vorlage Suggest relevant Open Change requests for an Incident (Relevante offene Change-Anforderungen für Incident vorschlagen) aus.
      Das Popup-Fenster Suggest relevant Open Change requests for an Incident (Relevante offene Change-Anforderungen für Incident vorschlagen) wird geöffnet und enthält einen Link zu diesem Verfahren sowie einen Link zum Platform-Produkt Predictive Intelligence und zur zugehörigen Dokumentation.
    3. Erstellen und trainieren Sie ein auf maschinellem Lernen basierendes Vorhersagemodell.
      Das Erstellen eines Modells umfasst Folgendes: Wortkorpus erstellen, Ähnlichkeitsvorhersageregel definieren, anfänglichen Trainingshäufigkeit festlegen und Aktualisierungshäufigkeit festlegen.
      1. Wortkorpus erstellen.

        Wählen Sie beim Erstellen eines Wortkorpus im Formular „Wortkorpusinhalt“ im Feld Tabelle „Incident“ [incidents] und „Change“ [change] aus und legen Sie den Zeitrahmen fest, der die aktuelle Verwendung von Wörtern im Feld Filter am besten beschreibt. Beispiel: Wenn Ihr IT-System vor sechs Monaten einer grundlegenden Änderung der Infrastruktur unterzogen wurde, verwenden Sie nur die Daten der letzten sechs Monate. Legen Sie im Feld Feldliste nur diejenigen Felder fest, welche die Wörter am besten erfassen: Beschreibung, Kurzbeschreibung und Details. Wenn Sie nur diese Felder festlegen, reicht das in der Regel aus, da zu erwarten ist, dass die Vorhersageregel Change-Anforderungen auf Grundlage der Kurzbeschreibung findet.

        Das Erstellen des Wortkorpus stellt eine Vorbereitung auf den nächsten Schritt dar, bei dem die Ähnlichkeitsvorhersageregel erstellt wird.

      2. Ähnlichkeitslösung erstellen und trainieren.
      3. Legen Sie zu Beginn dieser Modellerstellung die Bezeichnung der Definition der Ähnlichkeitslösung auf Ähnliche offene Change-Anforderungen fest.
      4. Legen Sie das Feld Trainingshäufigkeit auf Einmal ausführen fest.
        Sie können diese Konfiguration zurücksetzen, nachdem Sie diesen Anwendungsfall in ihre Geschäftsprozesse implementiert und seine Leistung im Predictive Intelligence-Workbench-Dashboard überwacht haben.
      5. Legen Sie das Feld Aktualisierungshäufigkeit auf Alle 15 Minuten fest.
        Mit dieser Einstellung wird die Häufigkeit festgelegt, mit der frühere Change-Anforderungen im Suchfenster aktualisiert werden.

        Verwenden Sie nach Möglichkeit und sofern zutreffend einen vorhandenen Wortkorpus, der für einen anderen Anwendungsfall erstellt wurde, um die Gesamtzahl der Wortkorpora zu reduzieren und die Verwaltung dieser Datensätze zu erleichtern. Wählen Sie im Feld Tabelle des Formulars „Ähnlichkeitsdefinition“ nur die Eingaben für die Ähnlichkeit aus, die bei der Vorhersage für Change-Anforderungen verfügbar sind. Gegebenenfalls können Sie im Feld Testtabelle mehrere Eingaben zum Vergleich auswählen. Am besten beginnen Sie mit ähnlichen Feldern für die Felder Tabelle und Testtabelle.

        Von den Bedingungen im Feld Filter hängt die Anzeige im Suchfenster für frühere gelöste Change-Anforderungen ab. Optimieren Sie durch Konfiguration der Filterbedingungen den Satz der gelösten Change-Anforderungen, in dem gesucht werden soll. Dies umfasst verschiedene Aspekte, z. B. Zeitrahmen, Standort, Kategorie, in der Change-Anforderungen relevant sind, usw.

      6. Klicken Sie auf Übermitteln und trainieren, um den Datensatz der Ähnlichkeitslösung zu erstellen und zu trainieren.
        Alternativ können Sie auf Absenden klicken, um den Datensatz der Ähnlichkeitslösung zu speichern und das Training zu einem späteren Zeitpunkt durchzuführen.
    4. Modell bewerten und optimieren.

      Wenn die Ähnlichkeitspunktzahl über 60 liegt, die beiden Incidents jedoch nicht ähnlich aussehen, können Sie ein anderes Modell und/oder einen anderen Wortkorpus erstellen, indem Sie Eingaben und Filter ändern. Beachten Sie, dass das Ändern der Lösungsdefinition Ihnen beim Erstellen einer neuen Lösung hilft, die vorherige Lösung dabei aber ungültig wird.

      Wenn Sie zur vorherigen Lösungsdefinition zurückkehren möchten, müssen Sie die Parameter zurücksetzen und die Lösung erneut trainieren. Versuchen Sie daher zuerst, ein neues Ähnlichkeitsmodell zu erstellen, bevor Sie einen neuen Wortkorpus erstellen.

      Wenn Sie die Punktzahl für Ihre Ähnlichkeitslösung anpassen möchten, lesen Sie bitte Schwellenwert für die Ähnlichkeitsbewertung aktualisieren.

    5. Sobald Sie ein zufriedenstellendes Modell haben, testen Sie die Vorhersage der Ähnlichkeitslösung.
      Sie können manuell Werte eingeben und die Werte der besten Ähnlichkeitsergebnisse auswählen.
    6. Sobald Sie das Verhalten getestet haben, können Sie das Layout der Anwender-Experience konfigurieren, um zugeordnete Ergebnisse und auf Grundlage der Ergebnisse durchgeführte Aktionen anzuzeigen.
      Sie können diese Ergebnisse und Aktionen über die Arbeitsbereich-Anwenderoberfläche für Agent Assist oder über die Now Platform für Kontextsuche konfigurieren. Konfigurieren Sie Aktionen und Suchkontext über Tabellenkonfiguration und Anwender-Experience sowie das Kartenlayout über Kontextsuche > Konfiguration der Suchergebnisanzeige.
    7. Integrieren Sie trainierte Modelle, indem Sie sie in die Produktion exportieren.
      Hinweis:
      Weitere Informationen über die Implementierung der Integration von trainierten Anwendungsfällen finden Sie unter Predictive Intelligence-Workbench – Integration und Anpassung.
    8. Überwachen Sie Ähnlichkeitsergebnisse, und stellen Sie sicher, dass Sie von den IT-Mitarbeitern nützliches Feedback erhalten.

      Die Experience des Basissystems von Predictive Intelligence beinhaltet einen integrierten Mechanismus für Feedback, über den sich feststellen lässt, ob die Ähnlichkeitsergebnisse nützlich sind. Schulen Sie die IT-Mitarbeiter, online und offline Feedback zu geben, damit diese Daten für zukünftige Berichte erfasst werden können. Da es sich um einen nicht überwachten Algorithmus handelt, müssen Sie möglicherweise regelmäßiges Feedback von den IT-Mitarbeitern einholen, um zu überprüfen, ob das Ähnlichkeitsmodell immer noch zufriedenstellende Ergebnisse liefert. Dieses Feedback ist die einzige Möglichkeit, um zu ermitteln, ob sich das Modell verschoben hat und erneut trainiert werden muss. Stellen Sie sicher, dass Ihre Implementierungs- und Integrationsstrategie sowie Ihr Change-Management-Prozess die Schulung von IT-Mitarbeitern bezüglich der Abgabe von Feedback zu Ähnlichkeitsergebnissen beinhaltet.

    9. Vermitteln Sie den Stakeholdern den Wert von Predictive Intelligence, indem Sie geschäftliche Leistungskennzahlen (Key Performance Indicators, KPIs) mit Metriken für maschinelles Lernen verknüpfen.

      Wählen Sie mindestens eine Leistungskennzahl (KPI) aus, die für die IT-Mitarbeiter Ihrer Meinung nach am nützlichsten ist. Erstellen Sie ein Performance Analytics-Dashboard, das den Trend dieser KPIs darstellt. Die „Likes“ bzw. „Gefällt-mir-Angaben“, die Sie über den Feedbackmechanismus von den IT-Mitarbeitern erhalten, helfen Ihnen, den Wert von Predictive Intelligence zu vermitteln.

      Informationen zum Dashboard „Predictive Intelligence-Workbench“ finden Sie unter ITSM-Dashboard „Predictive Intelligence-Workbench“.