Avec l’essor du télétravail et du travail hybride, et des environnements technologiques toujours plus complexes, il est plus important que jamais de gérer l’expérience numérique des collaborateurs. Mais comment mesurer cette expérience numérique ? L’une des méthodes les plus courantes consiste à utiliser des enquêtes, par exemple des enquêtes post-incident ou des enquêtes annuelles de satisfaction client. Mais, utilisées seules, ces enquêtes peuvent être réactives, tardives et limitées dans leur portée. Existe-t-il un moyen de mesurer l’expérience numérique de façon cohérente et automatique, sur un périmètre plus large des fonctions IT ?

La réponse est oui ! Dans la version Ivanti Neurons Workspace 2022.2, nous introduisons le Digital Experience Score (DEX Score, en abrégé). Nous partons d’un ensemble sélectionné d’indicateurs qui influent sur les expériences numériques, les intégrons à notre moteur de scoring propriétaire et générons un DEX Score compris entre 0 et 100.

Examinons d’abord les données d’entrée de notre moteur de scoring : les indicateurs. Les indicateurs peuvent être, par exemple, des métriques comme l’espace de stockage du disque dur, des indicateurs booléens comme la protection antivirus et des événements comme le moment où une analyse a eu lieu. Nous voulons un système de scoring représentatif de la richesse de l’expérience numérique dans les principaux domaines des fonctions IT ; nous avons donc sélectionné des indicateurs issus de la gestion des services, des applications, des appareils et de la sécurité.

Bien entendu, concernant notre moteur de scoring, nous ne pouvons pas dévoiler tous nos secrets, mais je peux dire que nous utilisons un modèle hybride, c’est-à-dire plusieurs techniques statistiques et d’apprentissage automatique pour calculer le score.

Notre moteur de scoring n’exige pas des administrateurs système qu’ils ajustent manuellement le seuil déterminant si un indicateur est bon ou mauvais. Pour certains indicateurs quantitatifs liés aux appareils, tels que l’espace de stockage du disque dur, nous analysons les relevés passés et déduisons, à l’aide de modèles statistiques, la plage normale de comportement. Une fois cette plage normale connue, nous pouvons calculer dans quelle mesure un nouveau point de données s’écarte du comportement normal ou s’en rapproche. Cette idée consistant à quantifier la normalité par rapport à l’irrégularité est au cœur de notre moteur de scoring.

Mais qu’en est-il des indicateurs textuels, comme l’objet et la description d’un incident ? Comment identifier l’émotion latente et la convertir en mesure qualitative ? Nous avons choisi d’appliquer l’analyse des sentiments aux incidents ouverts liés à un appareil. Notre modèle d’analyse des sentiments est un réseau neuronal profond qui classe les textes d’incident en sentiments positifs, négatifs et neutres. Le modèle est pré-entraîné ; les clients n’ont donc aucun entraînement supplémentaire à réaliser.

Enfin, nous n’analysons pas seulement les indicateurs individuellement ; nous utilisons plutôt un algorithme d’exploration de données qui prend en compte avec finesse les interactions entre ces indicateurs. Cela signifie que même si certains indicateurs individuels peuvent fluctuer et connaître des pics, ou ne pas fournir beaucoup d’informations seuls, leur combinaison nous indique dans quelle mesure le comportement d’un appareil s’écarte de la normale. Autre avantage de cet algorithme d’exploration de données : il identifie les indicateurs qui contribuent au comportement anormal, afin que nous puissions les faire remonter comme problèmes potentiels.

Sans employer de jargon de la science des données, nous comparons et corrélons les indicateurs dans le temps et entre eux, puis nous condensons ces informations en un score unique et global. Sans entraînement manuel de l’apprentissage automatique ni définition de seuils, êtes-vous prêt à obtenir une visibilité sans précédent sur l’expérience numérique à travers les fonctions IT ?