Tableau de bord de Console Intelligence prédictive ITSM

Console Intelligence prédictive ITSM fournit le tableau de bord Intelligence prédictive pour Incidents pour vous permettre de mesurer la valeur de l'utilisation de l'apprentissage machine afin d'automatiser vos processus business informatiques. Surveillez les modèles de cas d'utilisation et affichez les statistiques associées. Démontrez efficacement la valeur commerciale de l'activité aux personnes concernées avec des vues de tableau de bord.

Important :

À partir de la Yokohama version, le Console Intelligence prédictive ITSM atteindra sa fin de vie (EOL) dans le cadre de son processus de dépréciation. Cette application sera complètement obsolète et ne sera plus déployée, améliorée ou prise en charge à partir de la Yokohama version. Pour obtenir l’expérience la plus récente de cette fonctionnalité, vous devez installer le module d’extension de l’application Intelligence des tâches pour ITSM (com.snc.itsm_ml_task). Pour plus d'informations, voir Intelligence des tâches pour ITSM

Pour en savoir plus, consultez l'article Processus de retrait [KB0867184] dans la Now Support Base de connaissances.

Grâce aux commentaires automatisés sur les indicateurs ServiceNow® Analyse des performances spécifiques, sachez exactement à quelle étape se trouvent vos workflows de modèle. Les commentaires apparaissent sur les indicateurs Automatisation nette réelle. Les commentaires relatifs aux étapes du modèle comprennent les étapes suivantes : lorsque le modèle est intégré, lorsqu'une intégration est supprimée, lorsqu'un modèle existant est remplacé par un nouveau modèle et lorsque la reformation est terminée.

Figure 1. Onglet Valeur commerciale

Figure 2. Onglet Modèles de surveillance

Vous pouvez afficher le graphique Seuil d'automatisation nette dans l'onglet Modèles de surveillance. Ce seuil est un calcul de la différence entre les valeurs estimées de l'automatisation nette et des propriétés de sous-performance. Les seuils sont calculés quotidiennement et des notifications sont envoyées aux personnes concernées lorsque des seuils sont atteints.

Affichez les commentaires automatiques sur l'indicateur Automatisation nette réelle à différentes étapes de la surveillance du modèle. Un commentaire est généré lorsqu'un des critères de modèle suivants existe :

• Le modèle est intégré
• L'intégration du modèle est supprimée
• Le modèle existant est remplacé par un nouveau modèle
• Le modèle intégré est reformé

Figure 3. Onglet Statistiques du modèle

Utilisateur final et rôles

Utilisateur final et objectif	Rôle requis	Avantages
Architecte de processus, propriétaire du processus ou amateur d'apprentissage machine : Visualisez les performances des mesures opérationnelles et d'automatisation​. Communiquez la valeur de l'apprentissage machine aux personnes concernées pour augmenter les options d'automatisation de l'intelligence prédictive.	Gestionnaire ou visualiseur de Console Intelligence prédictive [piwb_manager] [piwb_viewer]	Possibilité de mesurer la valeur de l'utilisation de Intelligence prédictive pour automatiser les processus ITSM.

Indicateurs

Couverture de prédiction pour l’incident

Le score de cet indicateur est calculé en fonction de la formule suivante : si ([[nombre de tentatives de prédictions basées sur Créé aujourd'hui pour incident]]==0){0}else{[[nombre de prédictions appliquées basées sur Créé aujourd'hui pour Incident]]/[[nombre de tentatives de prédictions basées sur Créé aujourd'hui pour Incident]]*100}.

Nombre de résultats prévus, basé sur la date de valeur finale pour l'incident

Le nombre de résultats prévus est basé sur la date de valeur finale pour un incident. Le score est mesuré quotidiennement en unité #.

Automatisation nette pour l’incident

Le score de cet indicateur est calculé en fonction de la formule suivante : [[précision de prédiction pour l'incident]]*[[couverture de prédiction pour l'incident]]/100.

Nombre de prédictions appliquées, basé sur Créé aujourd'hui pour l’incident

Nombre de prédictions appliquées, basé sur Créé aujourd'hui pour l'incident, mesuré quotidiennement en unité #.

Nombre de tentatives de prédictions, basé sur Créé aujourd'hui pour l’incident

Nombre de tentatives de prédictions, basé sur Créé aujourd'hui pour l'incident, mesuré quotidiennement en unité #.

L’objectif de cet indicateur est de maximiser la qualité des prédictions.

Précision des prédictions pour l’incident

Le score de cet indicateur est calculé en fonction de la formule suivante : si ([[nombre de résultats prédits basé sur la date de valeur finale pour l'incident]]==0){0}else{[[nombre de prédictions réussies et non ignorées basé sur la date de valeur finale pour l'incident]]/[[nombre de résultats prédits basée sur la date de valeur finale pour l'incident]]*100}.

Automatisation nette estimée

Automatisation nette estimée mesurée quotidiennement en unité %.

Nombre de prédictions réussies non ignorées, basé sur la date de valeur finale pour l'incident

Le nombre de prédictions réussies non ignorées, basé sur la date de valeur finale, est mesuré quotidiennement en unité #. Il s'agit du décompte sur la source de données MLPredictorResults.FinalValueDate.Incident, qui utilise la table : ml_predictor_results.

Nombre de prédictions pour les incidents

Le nombre de prédictions pour les incidents est mesuré quotidiennement en unité #. Il s'agit du décompte sur la source de données MLPredictorResults.CreatedToday.Incident, qui utilise la table : ml_predictor_results.

Répartitions

Cas d'utilisation.

Visualisations de données

Titre	Type	Table source	Description
Prédictions ignorées	Score unique	sn_piwb_itsm_conte_dbv_ml_predictor_results	% de précision estimée. Précision estimée mesurée en unité %, basée sur les données pour lesquelles le modèle a été formé.
Prédictions ignorées	Graphique en courbes	sn_piwb_itsm_conte_dbv_ml_predictor_results	Prédictions ignorées (nombre). Nombre de ___, en raison d'une faible fiabilité.
Distribution de classes - Données de formation	Histogramme	sn_piwb_itsm_conte_dbv_ml_classes	Prédictions ignorées (ligne).
% de précision estimée	Score unique	sn_piwb_itsm_conte_dbv_ml_solutions	Prévisions correctes (nombre). Nombre de __, comparant la valeur prédite initiale à la valeur de l'enregistrement final.
Classes exclues en raison d'une faible distribution	Score unique	sn_piwb_itsm_conte_dbv_ml_excluded_classes	Prévisions correctes (ligne).
Distribution de classe - Réel	Histogramme	sn_piwb_itsm_conte_dbv_ml_predictor_results	Prévisions incorrectes (nombre). Nombre de __, comparant la valeur prédite initiale à la valeur de l'enregistrement final.
Prévisions correctes	Score unique	sn_piwb_itsm_conte_dbv_ml_predictor_results	Prévisions incorrectes (ligne).
Prévisions correctes	Graphique en courbes	sn_piwb_itsm_conte_dbv_ml_predictor_results	Distribution de classe, données de formation. Distribution des classes dans les données pour lesquelles la solution a été formée.
Prévisions incorrectes	Score unique	sn_piwb_itsm_conte_dbv_ml_predictor_results	Distribution de classe, réel. Distribution actuelle des classes dans les données en direct.
Prévisions incorrectes	Graphique en courbes	sn_piwb_itsm_conte_dbv_ml_predictor_results	Classes prévues. Nombre de valeurs que le modèle peut renvoyer en tant que prédiction.
Classes de prédiction	Score unique	sn_piwb_itsm_conte_dbv_ml_classes	Échéance des classes exclues. Nombre de valeurs que le modèle ne pouvait pas renvoyer en tant que prédiction en raison d'une confiance trop faible et de données insuffisantes.

Remarque :

En ce qui concerne les tables source, tous les indicateurs et rapports sont créés à partir des vues de base de données nouvellement ajoutées, en combinant des tables Intelligence prédictive de la plateforme ServiceNow avec des tables de cas d'utilisation Console Intelligence prédictive. Avec ces nouvelles vues, vous pouvez filtrer les données de la plateforme par cas d'utilisation pour mieux comprendre son impact sur vos mesures. Toutes les vues de base de données de cette application de contenu ont un préfixe de sn_piwb_itsm_conte_dbv.