--- sourceDocument: Xanadu IT Service Management sourceDocumentLink: https://www.servicenow.com/docs/r/de-DE/xanadu/it-service-management Release : - xanadu ft:locale : - de-DE ft:publication_title : - Xanadu IT Service Management ft:clusterId : - itsm bundleId : - itsm workflow : - Technology --- # ITSM Predictive Intelligence-Workbench-Dashboard # ITSM Predictive Intelligence-Workbench-Dashboard {#ariaid-title1} * Freigeben Version: Xanadu * * Aktualisiert 1. August 2024 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 4 Minuten Lesedauer 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. Wichtig: Ab Release Xanadu wird ITSM Predictive Intelligence-Workbench auf seine künftige Stilllegung vorbereitet. Ab Release Yokohama gilt es als veraltet und wird nicht mehr unterstützt. Um die neueste Experience für diese Funktionalität zu erhalten, müssen Sie das Plugin „Task Intelligence für ITSM" (com.snc.itsm_ml_task) installieren. Weitere Informationen finden Sie unter Weitere Informationen finden Sie im Artikel [Abkündigungsprozess \[KB0867184\]](https://support.servicenow.com/kb?id=kb_article_view&sysparm_article=KB0867184) in der Now Support Knowledge Base. 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. {#itsm-piwb-incidents-dashboard__ul_byc_342_g4b} Abbildung : 3. Registerkarte „Modellstatistiken" ## Endanwender und Rollen {#itsm-piwb-incidents-dashboard__section_upb_qj4_2fb} {#itsm-piwb-incidents-dashboard__table_ov2_tj4_2fb__entry__3} | Endanwender 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. | [ ] {#itsm-piwb-incidents-dashboard__table_ov2_tj4_2fb} ## Indikatoren {#itsm-piwb-incidents-dashboard__section_nm4_hk4_2fb} 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 {#itsm-piwb-incidents-dashboard__section_yfw_qk4_2fb} Anwendungsfall. ## Datenvisualisierungen {#itsm-piwb-incidents-dashboard__section_t5q_fl4_2fb} {#itsm-piwb-incidents-dashboard__table_xvt_hl4_2fb__entry__4} | Titel | Typ | Quelltabelle | Beschreibung | |-|-|-|-| | Übersprungene Vorhersagen | Einzelne Punktzahl ![Symbol 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 ![Symbol 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 ![Symbol einzelne Punktzahl]() | sn_piwb_itsm_conte_dbv_ml_excluded_classes | Richtig vorhergesagt (Zeile). | | Klassenverteilung - Ist-Wert | 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 ![Symbol 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 ![Symbol einzelne Punktzahl]() | sn_piwb_itsm_conte_dbv_ml_predictor_results | Klassenverteilung - Ist-Wert. 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 ![Symbol 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. | [ ] {#itsm-piwb-incidents-dashboard__table_xvt_hl4_2fb} 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".