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.
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.
- 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.
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. |