Con l’espansione della forza lavoro da remoto e ibrida e un panorama tecnologico sempre più complesso, gestire l’esperienza digitale dei dipendenti è più importante che mai. Ma come si misura l’esperienza digitale dei dipendenti? Uno dei metodi più comuni consiste nell’utilizzare sondaggi, ad esempio sondaggi post-incident o survey annuali sulla soddisfazione dei clienti. Tuttavia, da soli, questi sondaggi possono essere reattivi, arrivare in ritardo e avere un ambito limitato. Esiste un modo per misurare l’esperienza digitale in modo costante e automatico, coprendo le funzioni IT in senso più ampio?

La risposta è sì! Nella release 2022.2 di Ivanti Neurons Workspace, presentiamo il Digital Experience Score (in breve DEX Score). Partiamo da un set curato di indicatori che influiscono sulle esperienze digitali, li inseriamo nel nostro motore di scoring proprietario e generiamo un DEX Score compreso tra 0 e 100.

Esaminiamo innanzitutto gli input del nostro motore di scoring: gli indicatori. Gli indicatori possono essere, ad esempio, metriche come lo spazio di archiviazione su disco rigido, flag booleani come la protezione antivirus ed eventi come l’esecuzione di una scansione. Vogliamo un sistema di scoring che rappresenti la ricca esperienza digitale nei principali ambiti delle funzioni IT; per questo abbiamo selezionato indicatori relativi a service management, applicazioni, dispositivi e sicurezza.

Naturalmente, per quanto riguarda il nostro motore di scoring non possiamo svelare troppi dettagli proprietari, ma possiamo dire che utilizziamo un modello ibrido: questo significa che impieghiamo più di una tecnica statistica e di machine learning per calcolare il punteggio.

Il nostro motore di scoring non richiede agli amministratori di sistema di regolare manualmente la soglia che determina se un indicatore è positivo o negativo. Per alcuni indicatori quantitativi del dispositivo, come lo spazio di archiviazione su disco rigido, analizziamo le letture precedenti e deduciamo l’intervallo di comportamento normale utilizzando modelli statistici. Una volta noto l’intervallo di normalità, possiamo calcolare quanto un nuovo punto dati sia diverso o simile rispetto al comportamento normale. Questa idea di quantificare normalità e irregolarità è alla base del nostro motore di scoring.

Ma cosa succede con gli indicatori testuali, come l’oggetto e la descrizione degli incident? Come identifichiamo l’emozione latente e la convertiamo in una misurazione qualitativa? Abbiamo deciso di applicare l’analisi del sentiment agli incident aperti collegati a un dispositivo. Il nostro modello di analisi del sentiment è una rete neurale profonda che classifica i testi degli incident in sentiment positivi, negativi e neutri. Il modello è pre-addestrato, quindi non è richiesto alcun addestramento aggiuntivo da parte dei clienti.

Infine, non analizziamo gli indicatori solo singolarmente; utilizziamo invece un algoritmo di data mining che tiene conto in modo efficace delle interazioni tra questi indicatori. Ciò significa che, anche se i singoli indicatori possono fluttuare e presentare picchi, o non dire molto se considerati da soli, insieme ci indicano quanto il comportamento di un dispositivo si discosta dalla norma. Un altro vantaggio di questo algoritmo di data mining è che individua quali indicatori contribuiscono al comportamento anomalo, permettendoci di evidenziarli come potenziali problemi.

Senza ricorrere a termini sofisticati della data science, ciò che facciamo è confrontare e correlare gli indicatori nel tempo e tra loro, quindi condensare il tutto in un unico punteggio olistico. Senza addestramento manuale del machine learning e senza impostazione di soglie, siete pronti a ottenere insight senza precedenti sull’esperienza digitale nell’ambito delle funzioni IT?