Con la expansión del trabajo remoto e híbrido y un entorno tecnológico cada vez más complejo, gestionar la experiencia digital del empleado es más importante que nunca. Pero ¿cómo medimos la experiencia digital del empleado? Una de las formas más habituales es utilizar encuestas, por ejemplo, encuestas posteriores a incidentes o encuestas anuales de satisfacción del cliente. Sin embargo, estas encuestas, por sí solas, pueden ser reactivas, llegar con desfase temporal y tener un alcance limitado. ¿Existe alguna forma de medir de manera constante y automática la experiencia digital que abarque el conjunto de las funciones de TI?

La respuesta es sí. En la versión 2022.2 de Ivanti Neurons Workspace, presentamos Digital Experience Score (abreviado, DEX Score). Partimos de un conjunto seleccionado de indicadores que afectan a la experiencia digital, los introducimos en nuestro motor de puntuación propietario y generamos un DEX Score de 0 a 100.

Veamos primero la entrada de nuestro motor de puntuación: los indicadores. Los indicadores pueden ser, por ejemplo, métricas como el almacenamiento en disco duro, marcadores booleanos como la protección antivirus y eventos como el momento en que se realizó un análisis. Queremos un sistema de puntuación que represente la riqueza de la experiencia digital en aspectos clave de las funciones de TI, por lo que hemos seleccionado indicadores de gestión de servicios, aplicaciones, dispositivos y seguridad.

Evidentemente, en lo que respecta a nuestro motor de puntuación, no podemos desvelar demasiados detalles internos, pero sí puedo decir que utilizamos un modelo híbrido, es decir, empleamos más de una técnica estadística y de aprendizaje automático para calcular la puntuación.

Nuestro motor de puntuación no requiere que los administradores de sistemas ajusten manualmente el umbral que determina si un indicador es bueno o malo. En el caso de algunos indicadores cuantitativos de dispositivos, como el almacenamiento en disco duro, analizamos lecturas históricas e inferimos cuál es el rango normal de comportamiento mediante modelos estadísticos. Una vez que conocemos el rango normal, podemos calcular en qué medida un nuevo punto de datos difiere del comportamiento normal o se asemeja a él. Esta idea de cuantificar la normalidad frente a la irregularidad está en el núcleo de nuestro motor de puntuación.

Pero ¿qué ocurre con los indicadores textuales, como el asunto y la descripción de los incidentes? ¿Cómo identificamos la emoción latente y la convertimos en una medición cualitativa? Decidimos aplicar análisis de sentimiento a los incidentes abiertos vinculados a un dispositivo. Nuestro modelo de análisis de sentimiento es una red neuronal profunda que clasifica los textos de los incidentes en sentimientos positivos, negativos y neutros. El modelo está preentrenado, por lo que los clientes no necesitan realizar ningún entrenamiento adicional.

Por último, no analizamos los indicadores solo de forma individual; en su lugar, utilizamos un algoritmo de minería de datos que tiene en cuenta eficazmente las interacciones entre esos indicadores. Esto significa que, aunque los indicadores individuales puedan fluctuar y presentar picos, o no decir mucho por sí solos, en conjunto nos indican cuánto se desvía el comportamiento de un dispositivo respecto a lo normal. Otra ventaja de este algoritmo de minería de datos es que identifica qué indicadores contribuyen al comportamiento anómalo, de modo que los mostramos como posibles problemas.

Sin recurrir a términos sofisticados de ciencia de datos, lo que hacemos es comparar y correlacionar indicadores a lo largo del tiempo y entre sí, para después condensarlo todo en una puntuación única y global. Sin entrenamiento manual de aprendizaje automático ni configuración de umbrales, ¿está preparado para obtener visibilidad sin precedentes sobre la experiencia digital en todas las funciones de TI?