Mit der Zunahme von Remote- und hybriden Arbeitsmodellen und einer immer komplexeren Technologielandschaft wird es wichtiger denn je, die digitale Mitarbeitererfahrung zu managen. Doch wie lässt sich die digitale Mitarbeitererfahrung messen? Eine der gängigsten Methoden sind Umfragen – etwa Umfragen nach einem Incident oder jährliche Umfragen zur Kundenzufriedenheit. Für sich allein genommen können diese Umfragen jedoch reaktiv, zeitverzögert und in ihrem Umfang begrenzt sein. Gibt es eine Möglichkeit, die Digital Experience konsistent und automatisch zu messen und dabei breitere IT-Funktionen abzudecken?  

Die Antwort lautet: Ja! Mit dem Release Ivanti Neurons Workspace 2022.2 führen wir den Digital Experience Score ein – kurz DEX Score. Wir beginnen mit einer kuratierten Auswahl von Indikatoren, die die Digital Experience beeinflussen, speisen sie in unsere proprietäre Scoring-Engine ein und generieren einen DEX Score zwischen 0 und 100.

Betrachten wir zunächst die Eingaben für unsere Scoring-Engine: die Indikatoren. Indikatoren können beispielsweise Metriken wie Festplattenspeicher, boolesche Kennzeichen wie Virenschutz und Ereignisse wie der Zeitpunkt eines Scans sein. Wir möchten ein Scoring-System, das die umfassende Digital Experience über zentrale Aspekte von IT-Funktionen hinweg repräsentiert. Deshalb haben wir Indikatoren aus Service Management, Anwendungen, Geräten und Sicherheit ausgewählt.  

Natürlich können wir bei unserer Scoring-Engine nicht allzu viel von unserem Erfolgsrezept preisgeben. Was ich jedoch sagen kann: Wir nutzen ein hybrides Modell – das heißt, wir setzen mehr als eine statistische Methode und mehr als eine Machine-Learning-Technik ein, um den Score zu berechnen. 

Unsere Scoring-Engine erfordert nicht, dass Systemadministratoren den Schwellenwert dafür, ob ein Indikator gut oder schlecht ist, manuell anpassen. Bei einigen der qualitativen Geräteindikatoren wie Festplattenspeicher analysieren wir frühere Messwerte und leiten mithilfe statistischer Modelle ab, welcher Verhaltensbereich normal ist. Sobald wir diesen normalen Bereich kennen, können wir berechnen, wie stark ein neuer Datenpunkt vom normalen Verhalten abweicht oder ihm ähnelt. Diese Quantifizierung von Normalität gegenüber Unregelmäßigkeit steht im Zentrum unserer Scoring-Engine.  

Doch wie sieht es mit textbasierten Indikatoren wie Incident-Betreff und -Beschreibung aus? Wie identifizieren wir die darin enthaltene Stimmung und wandeln sie in eine qualitative Messgröße um? Wir haben uns entschieden, eine Sentiment-Analyse auf offene Incidents anzuwenden, die mit einem Gerät verknüpft sind. Unser Modell für die Sentiment-Analyse ist ein tiefes neuronales Netz, das Incident-Texte in positive, negative und neutrale Stimmungen klassifiziert. Das Modell ist vortrainiert, sodass für Kunden kein zusätzliches Training erforderlich ist.  

Abschließend analysieren wir die Indikatoren nicht nur einzeln. Stattdessen nutzen wir einen Data-Mining-Algorithmus, der die Wechselwirkungen zwischen diesen Indikatoren auf elegante Weise berücksichtigt. Das bedeutet: Auch wenn einzelne Indikatoren schwanken und Ausschläge zeigen oder allein betrachtet wenig aussagekräftig sind, zeigen sie gemeinsam, wie stark das Verhalten eines Geräts vom Normalzustand abweicht. Ein weiterer Vorteil dieses Data-Mining-Algorithmus besteht darin, dass er ermittelt, welche Indikatoren zum anormalen Verhalten beitragen. So können wir sie als potenzielle Probleme sichtbar machen.  

Ohne anspruchsvolle Data-Science-Begriffe ausgedrückt: Wir vergleichen und korrelieren Indikatoren im Zeitverlauf und untereinander und verdichten sie anschließend zu einem einzigen, ganzheitlichen Score. Ohne manuelles Machine-Learning-Training und ohne Festlegung von Schwellenwerten – sind Sie bereit für beispiellose Einblicke in die Digital Experience über IT-Funktionen hinweg?