Optimiertes IT Service Management durch Predictive Analytics. München, Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015

Transkript

1 Optimiertes IT Service Management durch Predictive Analytics München, Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015

2 Agenda Herausforderungen im IT Service Management (ITSM) Predictive Advisor System im ITSM Bausteine zur Optimierung des ITSM Prozesses Ausblick

3 Ein Überblick IT SERVICE MANAGEMENT

4 IT Service Management (ITSM) mit ITIL v3 Service Strategy

5 Incident Management Problem Management Event Management Request Fulfilment IT Service Management - Service Operation Service Operation Ticketsystem

6 Incident Management Event Management Web Interface Benutzer Telefonanruf von Kunden Etc. Incident Identifikation Aufzeichnung Kategorisierung Priorisierung CMDB Workarounds Untersuchung & Diagnose Lösung & Wiederherstellung Incident Abschluss

7 Problem Management Service Desk Event Management Incident Management Proaktives Problem Management Lieferant Kunde Problem Identifikation Aufzeichnung Kategorisierung Priorisierung CMDB KEDB Untersuchung & Diagnose Lösung & Wiederherstellung CMDB KEDB Problem Abschluss RfC

8 Wo ist Optimierungspotential? PREDICTIVE ADIVISOR SYSTEM

9 Predictive Analytics Prozess Schritt 1 Modellbildung Schritt 2 Prognose Modellbildung Daten Prognosemodell Prognose

10 Predictive Analytics Prozess Schritt 1 Modellbildung Schritt 2 Prognose Modellbildung Daten Prognosemodell Prognose

11 Predictive Advisor System im ITSM PAS 0.1 Phase 1: Verstehen Wie viele Tickets gab es in einem bestimmten Zeitraum? Aus welcher Kategorie stammen die meisten Ticket? Wie lange ist die durchschnittliche Bearbeitungszeit eines Tickets? PAS 0.7 Phase 2: Vorhersagen Welche Begriffe werden häufig in den Tickets genannt? Wie viele Tickets werden morgen zum Thema xy voraussichtlich eingestellt werden? Wie wird sich die Anzahl der Tickets bis zum Ende des Jahres entwickeln? PAS 1.0 Phase 3: Verbessern Gab es ein ähnliches Ticket schon mal? Welche Lösung könnte die richtige sein? Zu welcher Kategorie gehört das Ticket? Mit welcher Priorität sollte das Ticket bearbeitet werden?

12 Phase 1: Klassisches Ticketreporting PAS 0.1 Phase 1: Verstehen Ex-post-Analysen zum Ticketverlauf Identifikation von Langläufern Auswertung des Feebacks von Lösungen Auflistung von offenen Tickets nach Priorität Anzahl der gelösten Tickets je Organisationseinheit PAS 0.7 Phase 2: Vorhersagen PAS 1.0 Phase 3: Verbessern

13 Phase 1: Klassisches Ticketreporting Kennzahl (KPI) Anzahl doppelter Incidents Incident-Lösung durch Fernzugriff Anzahl Eskalationen Anzahl der Incidents Durchschnittliche Antwortzeit Incident-Lösungszeit Erstlösungsrate Lösung innerhalb SLA Lösungsaufwand Incident Definition Anzahl wiederholt auftretender Incidents (mit bereits bekannten Lösungswegen) Anzahl der Incidents, die vom Service Desk aus gelöst wurden (d.h. ohne Durchführung von Arbeiten vor Ort beim Anwender) Anzahl von Eskalationen durch Incidents, die nicht in der vereinbarten Zeit gelöst werden konnten Anzahl der vom Service Desk bearbeiteten Incidents aufgeschlüsselt nach Kategorien Mittlere Zeitspanne von der Meldung eines Incidents bis zu einer ersten Antwort vom Service Desk Mittlere Lösungszeit eines Incidents aufgeschlüsselt nach Kategorien Anteil (in %) der Incidents, die vom Service Desk unmittelbar beim ersten Anruf gelöst werden können aufgeschlüsselt nach Kategorien Anteil (in %) von Incidents, die innerhalb der in den SLAs vereinbarten Lösungszeiten gelöst werden Mittlerer Arbeitsaufwand für die Lösung eines Incidents aufgeschlüsselt nach Kategorien

14 Bausteine zur Optimierung des IT Service Managements PREDICTIVE ANALYTICS

15 Phase 2 des PAS PAS 0.1 Phase 1: Verstehen PAS 0.7 Phase 2: Vorhersagen Welche Begriffe werden häufig in den Tickets genannt? Wie viele Tickets werden morgen zum Thema xy voraussichtlich eingestellt werden? Wie wird sich die Anzahl der Tickets bis zum Ende des Jahres entwickeln? PAS 1.0 Phase 3: Verbessern

16 Phase 2 des PAS PAS 0.1 Phase 1: Verstehen PAS 0.7 Phase 2: Vorhersagen Baustein 1: Verschlagwortung Baustein 2: Forecasting PAS 1.0 Phase 3: Verbessern

17 Exkurs Text Mining I Beispiel: Der Zugang zum W-Lan funktioniert nicht; keine Verbindungen möglich. Tokenization Der, Zugang, zum, W-Lan, funktioniert, nicht, keine, Verbindungen, möglich Filtern Zugang, W-Lan, funktioniert, nicht, keine, Verbindungen, möglich Stemming Zugang, W-Lan, funktionieren, nicht, keine, Verbindung, möglich INFOMOTION GmbH

18 Exkurs Text Mining II Keyword Selection z.b. W-Lan, Verbindung, Zusammenfassung von Begriffsgruppen Gruppe WLAN: W-Lan, Wlan, drahtloses Internet, Drahtlosnetzwerk Gruppe Verbindung: Verbindung, Connection Gruppe Zugang: Zugang, Zutritt Ergebnis: 1 Ticket -> Menge an Wörtern, oftmals auch dargestellt als Bag of Words T F T INFOMOTION GmbH

19 Baustein1 : Verschlagwortung ständig schnell Telefon nie Preis Internet gut Probleme teuer häufig verfügbar Köln Störung schlecht zuverlässig langsam

20 Baustein 2: Forecasting Planung Wetter Feiertage Ticketanzahl Stichtage Release

21 Baustein 2: Forecasting Allgemeines Polynom vom Grad n F(x) = a 0 +a 1 x+a 2 x 2 +.+a n x n Polynom 1. Grad (lineare Regression) F(x) = a 0 +a 1 x Model Bekannte Daten Zielsetzung: Optimalen Grad erkennen F(x) = a 0 +a 1 x+a 2 x

22 Baustein 2: Forecasting Übergenau/Wenig Robust (Kein Fehler im Bekannten, Hoher Fehler im Neuen) Wenig genau/sehr Robust (Fehler im Bekannten = Fehler im Neuen) Model Bekannte Daten Genaues robustes Model (Geringer Fehler im Bekannten und Neuen) Neue Daten

23 Baustein 2: Forecasting Qualität : Wie gut beschreibt ein Modell die bekannten Daten? Erreichbar durch Minimierung des Fehlers. Zuverlässigkeit : Wie gut beschreibt ein Modell die zukünftigen Daten? Erreichbar durch Maximierung der Robustheit. Risiko Bestes Modell Gesamt Risiko Fehler Unzuverlässigkeit Modell Komplexität

24 Ziel Phase 2 Kunde IT Service Management PAS Baustein 1: Verschlagwortung Baustein 2: Forecasting Benefit Effiziente Ressourcenplanung Frühzeitiges Erkennen von größeren Problemen Verbessertes Beschwerde-Management Frühzeitiges Erkennen von größeren Problemen

25 Predictive Advisor System im ITSM PAS 0.1 Phase 1: Verstehen PAS 0.7 Phase 2: Vorhersagen PAS 1.0 Phase 3: Verbessern Gab es ein ähnliches Ticket schon mal? Welche Lösung könnte die richtige sein? Zu welcher Kategorie gehört das Ticket? Mit welcher Priorität sollte das Ticket bearbeitet werden?

26 Predictive Advisor System im ITSM PAS 0.1 Phase 1: Verstehen Phase 2: Vorhersagen PAS 0.7 Phase 3: Verbessern Baustein 3: Automatische Kategorisierung Baustein 4: Automatische Priorisierung Baustein 5: Automatische Lösungsvorschläge PAS

27 Baustein 3 - Automatische Kategorisierung Nein Berechtigung Nein Nein Kategorie Berechtigung - Allgemein Alle Scannen Ja User Ja Kategorie Störung Drucker Ja Kategorie Berechtigung - User

28 Baustein 3 - Automatische Kategorisierung

29 Baustein 3 - Automatische Kategorisierung

30 Baustein 3 - Automatische Kategorisierung

31 Baustein 3 - Automatische Kategorisierung

32 Baustein 3 - Automatische Kategorisierung

33 Baustein 3 - Automatische Kategorisierung

34 Baustein 3 - Automatische Kategorisierung

35 Baustein 4 - Automatische Priorisierung SCHLÜSSELWÖRTER Kommen bestimmte Schlüsselwörter in meinem Ticket vor, z.b. Produktion? QUANTITATIVE ANALYSE Wurden in einer bestimmten Kategorie/zu einem bestimmten Thema zuletzt überdurchschnittlich viele Tickets eingestellt? SENTIMENT ANALYSE Welche Stimmung drückt der Tickettext aus?

36 Baustein 5 - Automatische Lösungsvorschläge Text-Mining Lösungsvorschlag Historische Ticketdaten Text-Mining Segmentierung Lösungen Geclusterte Tickets

37 Baustein 5 - Automatische Lösungsvorschläge

38 Baustein 5 - Automatische Lösungsvorschläge

39 Baustein 5 - Automatische Lösungsvorschläge

40 Baustein 5 - Automatische Lösungsvorschläge

41 Baustein 5 - Automatische Lösungsvorschläge

42 Baustein 5 - Automatische Lösungsvorschläge

43 Ziel Phase 3 Kunde IT Service Management Vorverarbeitung Ticket mit Text Mining Ticket Berechnete Kategorie Berechnete Priorisierung Lösungsvorschlag PAS Baustein 3: Automatische Kategorisierung Baustein 4: Automatische Priorisierung Baustein 5: Automatische Lösungsvorschläge Benefit Reduktion des manuellen Aufwands Schnellere und qualitativ bessere Bearbeitung der Tickets Verbesserung der Kundenbeziehung

44 Was ist noch möglich? AUSBLICK

45 Was ist noch möglich? Klassifikation Kategorisierung/Priorisierung Event-Detection Assoziation Warenkorbanalyse Ticketing-Analyse Segmentierung Problemcluster Regression Zeitreihenanalyse Ticket Forecast Social Network Analyse Ticketprognose Text Mining Verschlagwortung Ticketdeeskalation

46 Ihr Weg zum intelligenten Ticketsystem OPERATIV Verschlagwortung Forecasting TAKTISCH Automatische Kategorisierung Automatische Priorisierung Automatische Lösungsvorschläge STRATEGISCH Automatische Ticketdeeskalation effektivere Ressourcenplanung manuellen Aufwand reduzieren Kundenbeziehung verbessern

47 einfach umsetzbar in ihrer Umgebung PAS 0.1 Phase 1: Verstehen PAS 0.7 Phase 2: Vorhersagen? Phase 3: Verbessern PAS

48 Ihre Ansprechpartner DR. KATRIN ZAIß Master of Science Informatik Professional Consultant INFOMOTION GMBH GEREONSTR KÖLN T: +49 (0) F: +49 (0) Haben wir Ihre Neugierde geweckt oder Sie haben noch Fragen? Besuchen Sie uns am INFOMOTION Stand 58! KAY KASPERKOWITZ Diplom Informatiker Professional Consultant INFOMOTION GMBH GEREONSTR KÖLN T: +49 (0) F: +49 (0)