Skip to main content

KI gestütztes Inzidenzmanagement

Entlasten Sie Ihren Helpdesk!

Störungen im betrieblichen Ablauf führen schnell zu erheblichen Kosten und Umsatzverlusten für das Unternehmen, Frustration bei den Mitarbeitenden und ernsthaften Reputationsschäden bei Kunden und Partnern.

Wir helfen, die Prozesse im Inzidenzmanagement zu automatisieren und mit Einsatz von Künstlicher Intelligenz (KI) zu optimieren.

Ein effizientes CPI-Management ist grundlegender Teil der Operational Excellence.

Genau hier setzen wir an. Unsere smarten Lösungen werden individuell an Ihre Anforderungen und Systemumgebungen angepasst. Wir kombinieren langjährige Prozess- und Technologieerfahrung mit dem Einsatz innovativer KI- und Machine-Learning-Algorithmen. Für nachweisbare Verbesserungen im Change Problem Incident Management (CPI) unserer Kunden.

svg+xml;charset=utf

Vorteile der KI gestützten Automatisierung

Roter Meta Pfeil

Entlastung des First Level Supports

Roter Meta Pfeil

Auffinden bereits vorhandener Lösungen

Roter Meta Pfeil

Automatisches Erkennen der Störungsart

Roter Meta Pfeil

Priorisierbare Lösungssuche

Roter Meta Pfeil

Reduktion von Mehrfachbearbeitung

Roter Meta Pfeil

Ursachen Analyse (Root Cause Analysis)

Interesse an einer persönlichen Präsentation?

Wir freuen uns auf Ihre Nachricht.

Ihre Ansprechpartner
Agnes Haag

Agnes Haag

Agnes.Haag@metafinanz.de

Architektur und Lösungskomponenten

Unsere Lösung basiert auf verschiedenen Deep-Learning-Modellen, u.a. BERT, Sentence Transformers und dichtebasierten unsupervised Clustering Algorithmen, welche – unabhängig von der eingesetzten Ticketsprache – den semantischen Kontext einer Störungsbeschreibung sicher identifizieren und klassifizieren.

Durch Transfer Learning werden die vortrainierten Modelle an die Spezifika des Kunden – wie unternehmensspezifische Applikationsnamen und andere Konventionen – angepasst.

Die notwendigen KI Services werden durch eine REST-API bereitgestellt und können somit in beliebige Ticketsysteme, beispielsweise OTRS, Remedy oder ServiceNow, integriert und von diesen genutzt werden. Die REST-Services können sowohl On Premise als auch als SaaS bereitgestellt, weiterentwickelt und betrieben werden.

Unsupervised Learning

Basis unseres Ansatzes bildet das „maschinelle Verstehen“ der textlichen Beschreibungen gemeldeter Incidents. Dies geschieht durch kontextabhängige Verarbeitung und Transformation der Tickets in Word Embeddings und Vektordarstellungen.

Die textliche Analyse der Incidents erfolgt hierbei unter Anwendung von transformer-basierten Natural Language Processing (NLP-)Methoden auf Basis trainierter KI-Modelle, welche die kundenspezifischen Besonderheiten gelernt haben.

Die so ermittelten Vektor-Repräsentationen der einzelnen Tickets werden einerseits mittels dense based clusterings automatisch zu Störungs- oder Problemgruppen zusammengefasst sowie anderseits zum Auffinden ähnlicher Tickets mittels cosine similarity genutzt.

Übersichtliches Helpdesk Management

Datenvisualisierung macht die komplexen Szenarien verständlich und anschaulich. So können Helpdesk-Services schnell und gezielt gesteuert werden.

Anwendungsbeispiele

Mit diesem für die spezifische Organisation trainierten KI-Modell lassen sich unterschiedlichste Aufgaben automatisieren. Exemplarisch seien im Folgenden drei konkrete Anwendungsfälle beschrieben:

Welche Mitarbeiter-Gruppe hat die passende Kompetenz, den vorliegenden Störfall am effizientesten zu lösen?

Unsere „Best Matching Queue“-Lösung zielt darauf ab, die Zuteilung von Incidents zur Bearbeitung an die passende Support-Einheit („Queue“) zu optimieren. Dazu lernt die KI aus der Incident-Historie des Unternehmens, wo große Ähnlichkeiten liegen und welche Support-Einheit sie bearbeitet hat.

Diese Muster werden mit der automatisch erstellen Incident-Kategorisierung verbunden. Dadurch ist die KI in der Lage, für eine statistische Prognose abzuleiten, welche Support-Einheiten mit höchster Wahrscheinlichkeit einen neuen Incident am besten bearbeiten kann (best matching queue).

Über die Integration mit dem jeweiligen CPI-Tool kann das System eine direkte Zuteilung des Incidents – auch unter Vorgabe der SLAs – an die identifizierte Einheit veranlassen. Zudem kann es dem jeweiligen Bereich schon eine Empfehlung für weitere passende Support-Einheiten mitgeben. Über „Best Matching Queue“ ist eine deutliche Entlastung der eingesetzten First-Level Support Mitarbeiter durch Wegfall von repetitiven Aufgaben zur Ticket-Analyse und Klassifikation zu erzielen.

Lässt sich mittels „Best Matching Queue“ eine hinreichende Incident/Queue-Zuteilung bestimmen, erzielen Sie  weitere Effizienz-Gewinne über den Einsatz von Shift-Left-Ansätzen.

Die Integration von Shift-Left-Ansätzen erhöht den Anteil der Self-Service-Optionen. Ergänzend zur „Best Matching Queue“ kann den Störungsmeldenden einerseits sofort automatisiert Hilfe angeboten werden, um das konkrete Problem über einen Self-Service wie Chat-Bot oder FAQ eigenständig und direkt zu lösen. Anderseits werden auch den Support-Mitarbeitenden bereits bei Störungsmeldung passende Lösungsempfehlungen angezeigt.

Zur Verbesserung der Prognose- und Simulationsfähigkeit des bestehenden CPI-Prozesses oder der Abschätzung möglicher Folgen des aktuellen Workloads, lässt sich ein „digitaler Zwilling“ nutzen.

Ein Digitaler Zwilling (Digital Twin) erlernt auf Basis von KI das „Verhalten“ der aktuellen CPI-Organisation. Damit ist es möglich zu simulieren, wie sich das Verhalten der Organisation ändert, sobald sich definierte Einfluss-Parameter (SLAs, Incident-Verläufe, Mitarbeiter-Verfügbarkeiten usw.) verändern. Letztlich installieren Sie damit ein Frühwarnsystem – etwa um rechtzeitig über mögliches Verfehlen der SLAs gewarnt zu sein.

Gerne beantworten wir Ihre Fragen zum Zusammenspiel von Künstlicher Intelligenz und Automatisierung. 

Ihre Ansprechpartnerin
Agnes Haag

Agnes Haag

Agnes.Haag@metafinanz.de