ITSM Predictive Intelligence-Workbench-Dashboard

ITSM Predictive Intelligence-Workbench stellt das Dashboard „Predictive Intelligence für Incidents“ bereit, mit dem Sie den Nutzen von maschinellem Lernen zur Automatisierung Ihrer IT-Geschäftsprozesse messen können. Überwachen Sie Anwendungsfallmodelle und zeigen Sie zugehörige Statistiken an. Demonstrieren Sie mithilfe von Dashboard-Ansichten Stakeholdern den Geschäftsnutzen auf effektive Weise.

Mit automatisierten Kommentaren zu bestimmten ServiceNow® Performance Analytics-Indikatoren wissen Sie genau, in welcher Phase sich Ihre Modell-Workflows befinden. Kommentare werden zu den Indikatoren für Tatsächliche Netzautomatisierung angezeigt. Kommentare zu Modellphasen erfolgen u. a. dann, wenn das Modell integriert ist, wenn eine Integration entfernt wird, wenn ein vorhandenes Modell durch ein neues Modell ersetzt wird und wenn das erneute Schulen abgeschlossen ist.

Abbildung : 1. Registerkarte „Geschäftsnutzen“

Abbildung : 2. Registerkarte „Überwachungsmodelle“

Das Diagramm „Net-Automatisierungsschwellenwert“ können Sie auf der Registerkarte Überwachungsmodelle anzeigen. Dieser Schwellenwert ist eine Berechnung der Differenz zwischen der geschätzten Netzautomatisierung und den Eigenschaftswerten bei unterdurchschnittlicher Leistung. Schwellenwerte werden täglich berechnet, und Benachrichtigungen werden an Stakeholder gesendet, wenn Schwellenwerte nicht eingehalten wurden.

Zeigen Sie automatische Kommentare zum Indikator Tatsächliche Netzautomatisierung in verschiedenen Phasen der Modellüberwachung an. Ein Kommentar wird generiert, wenn eines der folgenden Modellkriterien vorliegt:

• Modell ist integriert
• Modellintegration wurde entfernt
• Vorhandenes Modell wird durch neues Modell ersetzt
• Kommentare zu Modellphasen erfolgen u. a. dann, wenn das Modell integriert ist, wenn eine Integration entfernt wird, wenn ein vorhandenes Modell durch ein neues Modell ersetzt wird und wenn das erneute Trainieren abgeschlossen ist.

Abbildung : 3. Registerkarte „Modellstatistiken“

Endbenutzer und Rollen

Endbenutzer und Ziel	Erforderliche Rolle	Vorteile
Prozessarchitekten, Prozessbesitzer oder Befürworter von maschinellem Lernen: Visualisieren Sie die Betriebs- und Automatisierungsmetrikleistung. Vermitteln Sie Stakeholdern den Wert von maschinellem Lernen, um die Automatisierungsfunktionen von Predictive Intelligence zu verbessern.	Predictive Intelligence-Workbench-Manager oder -Viewer [piwb_manager] [piwb_viewer]	Möglichkeit zur Messung des Werts der Nutzung von Predictive Intelligence zur Automatisierung von ITSM-Prozessen.

Indikatoren

Vorhersageabdeckung für Incident

Die Punktzahl für diesen Indikator wird nach der folgenden Formel berechnet: if ([[Anzahl der versuchten Vorhersagen basierend auf „Heute erstellt“ für Incident]] == 0) {0}else{[[Anzahl der angewendeten Vorhersagen basierend auf „Heute erstellt“ für Incident]]/[[Anzahl der versuchten Vorhersagen basierend auf „Heute erstellt“ für Incident]]* 100}.

Anzahl der voraussichtlichen Ergebnisse basierend auf dem endgültigen Wertdatum für den Incident

Die Anzahl der vorhergesagten Ergebnisse basiert auf dem endgültigen Wertdatum für einen Incident. Die Punktzahl wird täglich als Anzahl von Einheiten gemessen.

Netzautomatisierung für Incident

Die Punktzahl für diesen Indikator wird gemäß dieser Formel berechnet: [[Genauigkeit der Vorhersage für Incident]]*[[Vorhersageabdeckung für Incident]]/100.

Anzahl der angewendeten Vorhersagen, die auf „Heute erstellt“ für Incident basieren

Die Anzahl der angewendeten Vorhersagen, die auf „Heute erstellt“ für Incident basieren, wird täglich als Anzahl von Einheiten gemessen.

Anzahl der versuchten Vorhersagen, die auf „Heute erstellt“ für Incident basieren

Die Anzahl der versuchten Vorhersagen, die auf „Heute erstellt“ für Incident basieren, wird täglich als Anzahl von Einheiten gemessen.

Dieser Indikator dient dem Ziel, die Qualität von Vorhersagen zu maximieren.

Vorhersagegenauigkeit für Incident

Die Punktzahl für diesen Indikator wird nach der folgenden Formel berechnet: if ([[Anzahl der vorhergesagten Ergebnisse basierend auf dem endgültigen Wertdatum für Incident]] == 0) {0}else{[[Anzahl der erfolgreichen nicht übersprungenen Vorhersagen basierend auf dem endgültigen Wertdatum für Incident]]/[[Anzahl der vorhergesagten Ergebnisse basierend auf dem endgültigen Wertdatum für Incident]]*100}.

Geschätzte Netzautomatisierung

Geschätzte Nettoautomatisierung, täglich gemessen als Prozentsatz der Einheiten.

Anzahl der erfolgreichen, nicht übersprungenen Vorhersagen basierend auf dem endgültigen Wertdatum für den Incident

Die Anzahl der erfolgreichen Vorhersagen, die nicht basierend auf dem Daten des endgültigen Werts übersprungen werden, wird täglich als Anzahl von Einheiten gemessen. Dies ist die Anzahl der Datenquelle MLPredictorResults.FinalValueDate.Incident, die folgende Tabelle verwendet: ml_predictor_results.

Anzahl der Vorhersagen für Incidents

Die Anzahl der Vorhersagen für Incidents wird täglich als Anzahl von Einheiten gemessen. Dies ist die Anzahl der Datenquelle MLPredictorResults.CreatedToday.Incident, die folgende Tabelle verwendet: ml_predictor_results.

Aufgliederungen

Anwendungsfall.

Datenvisualisierungen

Titel	Typ	Quelltabelle	Beschreibung
Übersprungene Vorhersagen	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_predictor_results	% Geschätzte Genauigkeit. Geschätzte Genauigkeit, gemessen als Prozentsatz der Einheiten, basierend auf den Daten, für die das Modell trainiert wurde.
Übersprungene Vorhersagen	Liniendiagramm	sn_piwb_itsm_conte_dbv_ml_predictor_results	Übersprungene Vorhersagen (Anzahl). Anzahl von ___, aufgrund geringer Konfidenz.
Klassenverteilung - Trainingsdaten	Balkendiagramm	sn_piwb_itsm_conte_dbv_ml_classes	Übersprungene Vorhersagen (Zeile).
% Geschätzte Genauigkeit	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_solutions	Richtig vorhergesagt (Anzahl). Anzahl von ___ als Vergleich des anfangs vorhergesagten Werts mit dem endgültigen Datensatzwert.
Klassen, die aufgrund niedriger Verteilung ausgeschlossen wurden	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_excluded_classes	Richtig vorhergesagt (Zeile).
Klassenverteilung - Ist	Balkendiagramm	sn_piwb_itsm_conte_dbv_ml_predictor_results	Falsch vorhergesagt (Anzahl). Anzahl von ___ als Vergleich des anfangs vorhergesagten Werts mit dem endgültigen Datensatzwert.
Richtig vorhergesagt	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_predictor_results	Falsch vorhergesagt (Zeile).
Richtig vorhergesagt	Liniendiagramm	sn_piwb_itsm_conte_dbv_ml_predictor_results	Klassenverteilung - Trainingsdaten. Verteilung der Klassen in Daten, für die die Lösung trainiert wurde.
Falsch vorhergesagt	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_predictor_results	Klassenverteilung - Ist. Aktuelle Verteilung der Klassen in Live-Daten.
Falsch vorhergesagt	Liniendiagramm	sn_piwb_itsm_conte_dbv_ml_predictor_results	Vorhergesagte Klassen. Anzahl der Werte, die das Modell als Vorhersage zurückgeben kann.
Vorhersageklassen	Einzelne Punktzahl	sn_piwb_itsm_conte_dbv_ml_classes	Klassen ausgeschlossen aufgrund von. Anzahl der Werte, deren Konfidenz das Modell aufgrund von nicht ausreichenden Daten als zu niedrig einstufte, um eine Vorhersage zurückzugeben.

Hinweis:

In Bezug auf Quelltabellen basieren alle Indikatoren und Berichte auf neu hinzugefügten Datenbankansichten, für die Tabellen von ServiceNow Platform Predictive Intelligence mit Anwendungsfalltabellen der Predictive Intelligence-Workbench kombiniert werden. Mit diesen neuen Ansichten können Sie Platform-Daten nach Anwendungsfällen filtern, um ihre Auswirkungen auf die Metriken besser zu verstehen. Alle Datenbankansichten für diese Inhaltsanwendung haben das Präfix „sn_piwb_itsm_conte_dbv“.