I bot di self-healing si fanno carico della risoluzione dei problemi IT per aumentare la soddisfazione dei dipendenti

Mon, 17 Jun 2024 13:00:00 Z

Immagina un ambiente Everywhere Work in cui i problemi IT sembrano risolversi magicamente da soli prima ancora che gli utenti finali si accorgano che ci fossero stati problemi. Le stampanti ricominciano miracolosamente a funzionare. I problemi di accesso scompaiono. L’accesso alle applicazioni critiche è fluido.

Prima che qualcuno inizi a credere nelle fate madrine digitali, diamo il giusto merito all’ascesa dei bot di self-healing: strumenti intelligenti di iperautomazione che identificano e risolvono in modo proattivo le difficoltà IT dei dipendenti per migliorare la loro esperienza.

Queste difficoltà sono numerose, man mano che le reti diventano più complesse e sempre più dispositivi si connettono da un numero crescente di luoghi. Tuttavia, le automazioni dell’help desk, come i chatbot, non sono necessariamente una soluzione universale:

Secondo una ricerca Ivanti, le esperienze digitali insoddisfacenti sono fin troppo comuni: il 57% di professionisti IT, dirigenti e utenti segnala “seri attriti con le tecnologie di lavoro almeno una volta alla settimana”.
Il 61% afferma che le esperienze negative con le tecnologie di lavoro incidono sul morale.
Anche quando i dipendenti potevano ricorrere a un chatbot o a un’automazione efficace quanto l’intervento di una persona, il 58% continuava a preferire l’interazione umana.

Questo pone un dilemma ai team ITSM: come possono applicare lo shift left per gestire una mole crescente di incidenti e problemi e mantenere una buona digital employee experience (DEX), se alcuni utenti non apprezzano gli strumenti di remediation digitale?

I bot di automazione self-healing offrono una risposta. Quando i bot risolvono i problemi e non c’è alcuna criticità visibile di cui lamentarsi, i dipendenti possono semplicemente continuare a svolgere il proprio lavoro. Nel frattempo, il team IT può dedicarsi ad attività più strategiche e sfidanti.

I dipendenti che possono lavorare senza interruzioni sono più coinvolti, più produttivi e più positivi nel loro approccio. Questo influisce sul modo in cui servono i clienti, che a loro volta premiano il fornitore con fedeltà e fatturato.

Il mondo prima dei bot di self-healing

Prima dei bot di self-healing, il supporto IT seguiva un approccio reattivo. I dipendenti che incontravano problemi aprivano ticket all’help desk e potevano dover sopportare lunghi tempi di attesa prima di vedere una risoluzione. Questo approccio è all’origine di diversi problemi:

Aumento del volume di ticket: gli help desk si ritrovano sommersi da arretrati di ticket relativi a problemi comuni e ripetitivi.
Ritardi e frustrazione: i dipendenti sono costretti ad attendere con impazienza le risoluzioni mentre il loro lavoro e la loro produttività vengono interrotti.
Proattività limitata: i team IT non dispongono delle risorse necessarie per identificare e prevenire i problemi, rimanendo così intrappolati in una modalità reattiva.

Tutto questo evidenzia la necessità di un approccio più proattivo al supporto IT e della sua capacità di migliorare l’esperienza dei dipendenti. È qui che entrano in gioco i bot di self-healing.

Come i bot di self-healing stanno trasformando l’IT

Fin dai primi tempi della loro introduzione, i bot di self-healing sono migliorati grazie a diversi progressi chiave. Sfruttano automazione e machine learning per anticipare e affrontare i problemi IT dei dipendenti prima che si verifichino. Le loro funzionalità includono:

Monitoraggio in tempo reale: i bot di self-healing monitorano costantemente l’infrastruttura IT e l’attività degli utenti.
Analisi predittiva: analizzano i dati storici per identificare potenziali problemi e prevedere le esigenze degli utenti.
Prevenzione proattiva: attraverso il rilevamento dei problemi e l’analisi, i bot possono non solo identificare le criticità, ma anche intervenire per risolverle.
Protezione dalle minacce informatiche: garantiscono accesso sicuro e protezione dalle minacce informatiche senza compromettere la flessibilità dei dipendenti nel lavorare da sedi remote.
Escalation degli incidenti: per i problemi complessi che non possono risolvere autonomamente, possono eseguire l’escalation al team IT con dati pertinenti per una risoluzione più rapida.
Raccolta di dati e sentiment: i bot per sondaggi ITSM interattivi possono raccogliere dati qualitativi e valutazioni quantitative dei servizi da parte dei dipendenti.
Maggiore facilità d’uso: la configurazione e la gestione dei bot di self-healing sono diventate più semplici per i team IT.
Librerie di modelli: i modelli predefiniti aiutano a distribuire rapidamente i bot per problemi comuni.
Integrazione ITSM: l’integrazione fluida con i sistemi di ticketing di IT service management esistenti consente workflow più scorrevoli.

Il ROI dell’utilizzo dei bot

Una delle principali preoccupazioni legate a qualsiasi nuova tecnologia è il ritorno sull’investimento che si otterrà e il tempo necessario per realizzare quel valore. Quando si tratta di migliorare la soddisfazione dei dipendenti, i bot di self-healing offrono un percorso chiaro verso la creazione di valore:

Efficienza proattiva: i bot gestiscono i problemi di routine e riducono il volume di ticket e gli arretrati, liberando il team IT per attività più complesse e permettendo di valorizzarne al meglio le competenze.
Riduzione dei costi: togliere al team IT la gestione manuale dei problemi riduce i costi di processo.
Risoluzione accelerata: la gestione e la risoluzione degli incidenti diventano molto più rapide ora che sono automatizzate, e in gran parte invisibili.
DEX migliore: tempi di risoluzione più rapidi e problem-solving proattivo portano a dipendenti più soddisfatti.
Aumento della produttività: meno tempi di inattività dovuti a problemi IT si traducono in una maggiore produttività dei dipendenti.
Monitoraggio approfondito: la diagnostica completa dei bot può rilevare e segnalare all’IT problemi e modifiche non precedentemente riportati.
Insight basati sui dati: i bot di self-healing forniscono dati preziosi sul comportamento degli utenti e sullo stato dell’infrastruttura IT.

Implementare i bot nella tua organizzazione

Se stai valutando la distribuzione di bot di self-healing, ecco una roadmap di base per iniziare e, in ultima analisi, migliorare il coinvolgimento dei dipendenti.

Passaggio 1: analizza i dati per identificare i problemi “adatti ai bot”

Prima di mettere in campo i tuoi nuovi bot, è fondamentale individuare fin dall’inizio le attività che possono gestire. Perché? Per imparare, affinare le loro capacità e dimostrare il successo agli stakeholder o al management. Ecco come:

Esamina i dati dei ticket di supporto passati: utilizza strumenti di analisi e reporting per individuare i problemi più comuni e ripetitivi. Sono i tuoi “obiettivi a portata di mano”, ideali per le prime iniziative di automazione.
Identifica gli schemi ricorrenti: cerca problemi ricorrenti come difficoltà di login, richieste di reimpostazione delle password o richieste di configurazione software che si presentano frequentemente.
Scegli in base all’impatto potenziale: considera non solo la frequenza con cui si verificano i problemi, ma anche il loro impatto sull’efficienza degli utenti. Automatizzare la risoluzione di problemi diffusi ma semplici consente al personale umano di concentrarsi su sfide più complesse.

Passaggio 2: definisci le priorità selezionando le attività ottimali per i bot

Non tutti i problemi sono ugualmente adatti ai bot di self-healing. Gli “obiettivi a portata di mano” sono quei problemi IT che possono essere gestiti con maggiore successo dagli strumenti di automazione.

Punta sulle attività di routine: gli strumenti di automazione come i bot sono più efficaci con attività coerenti e ripetitive. Identifica attività con procedure lineari ed esiti definiti.
Valuta la complessità: i problemi complessi che richiedono un giudizio umano sfumato dovrebbero rimanere in carico al personale IT qualificato. Automatizza i problemi che presentano una serie chiara di passaggi e soluzioni.
Valuta l’impatto sulla DEX: assicurati che la distribuzione dei bot migliori davvero l’esperienza dei dipendenti. Scegli di automatizzare i problemi per cui risposte coerenti e accurate sono fondamentali.

Passaggio 3: esegui un programma pilota prima dell’implementazione completa

Il lancio del tuo primo strumento di distribuzione dei bot è una prova che ti consente di perfezionare l’approccio e individuare eventuali problemi prima di un’adozione su larga scala.

Inizia su piccola scala: seleziona un problema circoscritto e gestibile da automatizzare. L’obiettivo è favorire l’apprendimento e gli aggiustamenti, non creare fin da subito lo strumento definitivo.
Richiedi feedback agli utenti e al personale IT: raccogli attivamente opinioni sull’efficacia dello strumento. Questo feedback è fondamentale per identificare miglioramenti e garantire una transizione fluida.
Monitora gli indicatori importanti: monitora la velocità di risoluzione, la soddisfazione degli utenti e il volume di ticket gestito dallo strumento. Queste informazioni sono essenziali per valutare la fattibilità di un’automazione più ampia.

Passaggio 4: ottimizza, perfeziona, migliora, ripeti

Il tuo bot può essere eccellente fin dall’inizio, ma richiede comunque attenzione e aggiornamenti regolari per dare il meglio.

Comprendi le sue capacità di apprendimento: alcuni bot di self-healing basati sull’AI sono progettati per apprendere in base alle interazioni degli utenti. Monitora queste capacità e i relativi risultati.
Sfrutta il feedback degli utenti: le loro indicazioni sono estremamente preziose, quindi esamina costantemente questo feedback per individuare opportunità di miglioramento dei bot. Aggiorna le risposte, affina i processi decisionali e assicurati che continuino ad apprendere e a crescere nelle loro capacità.
Rivedi e adatta regolarmente: valuta continuamente l’impatto dello strumento sui tempi di risoluzione dei problemi, sulla soddisfazione degli utenti e sul carico di lavoro del team IT. Usa questi dati per perfezionare i bot ed estenderli alla gestione di attività aggiuntive.

Rendere il futuro dell’Everywhere Work più resiliente

I bot di self-healing rappresentano un importante passo avanti nell’aiutare i team IT a supportare Everywhere Work e l’obiettivo dello shift left, e possono essere uno strumento chiave per aumentare il coinvolgimento dei dipendenti. Risolvendo i problemi in modo proattivo, accelerando lo shift left e supportando una DEX fluida, possono avere un impatto in tutta l’organizzazione. È un contributo notevole da parte di questi lavoratori invisibili ma instancabili.

Con la continua evoluzione della tecnologia dei bot di self-healing, è lecito aspettarsi funzionalità ancora più avanzate e un’integrazione più profonda. Alla fine, contribuiranno a sbloccare un futuro in cui il supporto IT diventerà quasi invisibile: lungimirante e proattivo, ma discreto nel modo in cui abilita Everywhere Work.

Contenuti correlati

Leggi la storia di successo di SouthStar Bank

Misurare l’esperienza digitale con l’intelligenza artificiale

Thu, 21 Apr 2022 15:25:10 Z

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?

Ivanti Blog: Ivanti Neurons