Wat het Analytics Maturity-model kan betekenen voor incident management van jouw servicedesk
Het Analytics Maturity-model van Gartner is voor vele organisaties een belangrijke leidraad. Je kunt dit model inzetten voor verschillende doeleinden binnen jouw organisatie. Het is zeker ook een handig model om in te zetten voor data-analyse van incident management van jouw servicedesk. Maar waarom en hoe zou je het moeten inzetten? En wat levert het je precies op?
Dat leg ik uit in deze blog. Ik ga in op de volgende vragen:
1. Wat is het Analytics Maturity-model?
2. Waarom moet mijn servicedesk het Analytics Maturity-model gebruiken voor incident management?
3. Hoe zet ik het Analytics Maturity-model in voor de servicedesk?
4. Wat zijn de beste tips om te starten met het implementeren van het Analytics Maturity-model?
1. Wat is het Analytics Maturity-model?
Het Analytics Maturity-model is een veelgebruikte manier om bedrijfsprocessen te analyseren. Je kunt het model dan ook goed inzetten voor data-analyse van incident management. Het doel van dit model is dat je inzichten krijgt in de manier waarop je met je data omgaat. Het model geeft de verschillende fasen aan van data-analyse:
- Fase 1: descriptive analysis: in deze fase haal je vooral inzicht uit rapportages en beschrijvingen. Dit verloopt meestal handmatig. De meeste organisaties hebben al een aantal dashboards met data over bepaalde ontwikkelingen en gebeurtenissen staan. Gebaseerd op een combinatie van deze inzichten, neem je beslissingen en voer je acties uit.
- Fase 2: diagnostic analysis: in deze fase verzamel je informatie, zodat je de oorzaak van bepaalde gebeurtenissen kunt achterhalen. Denk aan het nagaan of de servicedesk voldoende bezet is. Je kijkt dan bijvoorbeeld naar telefoontjes die langer dan dertig seconden overgingen. Hoeveel medewerkers waren toen in gesprek? Zo analyseer je de oorzaak (te weinig mensen) van het gevolg (teveel telefoontjes die te laat worden opgenomen). Je weet dus waarom iets misging. In deze fase heb je wel een plan van aanpak, maar nog geen voorspelling van de waarschijnlijkheid dat dit plan ook echt gaat werken.
- Fase 3: predictive analysis: je weet in deze fase de reden achter een bepaald probleem. Maar ook weet je welke acties je moet ondernemen om dit probleem in de toekomst te voorkomen. Een voorbeeld van een predictive analysis is dat je een inschatting hebt van de kans dat je een telefoontje niet op tijd oppakt met een bepaald aantal medewerkers.
- Fase 4: prescriptive analysis: je laat een systeem je organisatie adviseren wat je moet doen. Dit doet het systeem op basis van informatie die je in de fasen hierboven hebt verzameld. Denk bijvoorbeeld aan een voorstel voor optimale bezetting van de servicedesk tijdens piek- en daluren. Je kunt zo’n rooster automatisch laten maken. Hier komt articifical intelligence (AI) bij kijken. Zo speel je met voorkennis proactief in op je bedrijfsprocessen.
2. Waarom moet mijn servicedesk incident management aanpakken volgens het Analytics Maturity-model?
Je kunt het Analytics Maturity-model gebruiken voor het volgende:
- je wilt zien waar jouw organisatie staat en waar je organisatie staat in vergelijking met andere organisaties op het gebied van incident management;
- je wilt zien waar je heen kunt met de data-analyse voor de servicedesk;
- je wilt zien welke stappen jij kunt maken op het gebied van servicedesk.
Je hoeft niet alle stappen van het model te doorlopen. Als je maar weet waar je naartoe wilt gaan.”
– Hiep Truong | Softwareontwikkelaar bij OGD ict- diensten.
3. Hoe zet ik het Analytics Maturity-model in voor incident management?
Het is tijd om praktisch aan de slag te gaan met het model voor jouw servicedesk. Ik gebruik een praktijkvoorbeeld om de stappen duidelijk te maken.
Voorbeeldsituatie: de servicedesk van een ict-organisatie heeft afgelopen maandag een groot aantal calls gehad over binnengekomen incidenten: internet doet het niet. Medewerker Rob wil uitzoeken hoe dit komt en hoe de organisatie dit in de toekomst kan voorkomen. Met als resultaat dat de servicedesk minder werkdruk heeft en minder binnenkomende problemen hoeft te behandelen.
Ik ga de stappen van het model na om te laten zien hoe je dit probleem aanpakt.
Fase 1 - descriptive: handmatig rapportages en beschrijvingen doorspitten
Rob leest rapportages van de afgelopen maandag. Hij probeert zelf conclusies uit deze beschrijvingen en rapportages te trekken. Verder kijkt hij in de dashboards waar hij kan zien hoe vaak medewerkers van de servicedesk de telefoon binnen dertig seconden opnemen. Dit is 30%. Verder ziet hij dat medewerkers van de servicedesk moesten overwerken op die maandag. De werklasten waren dus te hoog. Rob concludeert aan de hand van deze beschrijving dat er een probleem was voor de servicedesk. Maar welk probleem dat precies is, en hoe hij dit kan oplossen: dat weet Rob niet in deze fase.
Fase 2 - diagnostic: root-cause analysis gebruiken om het probleem te achterhalen
Rob is in deze fase te werk gegaan volgens de root-cause analysis. Hij gebruikt verschillende technieken om de oorzaak van een probleem te achterhalen. Hij gebruikt niet alleen rapportages en beschrijvingen. Hij houdt er ook een systeem naast waarin alle routers zijn opgeslagen. Zo komt hij erachter dat de licentie van een aantal software-apparaten niet is geüpdatet en hierdoor viel het netwerk uit. Rob concludeert dat dit de reden is voor het hoge aantal telefoontjes. Hij weet dus wat de oorzaken van dit probleem zijn. Maar Rob heeft nog geen plan om in te spelen op het probleem en het een volgende keer te voorkomen.
Fase 3 - predictive: een inschatting van de kans van een probleem
Rob weet de reden achter de hoge werkdruk van de servicedesk: het netwerk was uitgevallen en dat kwam door verouderde software. Rob wil dat dit in de toekomst niet meer voorkomt. Hij weet dat alle netwerkapparaten die ouder dan drie jaar zijn een software-update nodig hebben. Hiervoor kijkt hij in de configuration management database (CMDB) en geeft een inschatting voor wat de kans is op netwerkproblemen voor de huidige softwareversies.
Fase 4 – prescriptive: een systeem voorspelt het probleem en regelt alles
Rob hoeft niet meer handmatig een database door te spitten en conclusies te trekken. Een systeem vertelt hem nu welke apparaten moeten worden vervangen. Het gaat zelfs nog verder. Dit systeem neemt zelf contact op met de leveranciers van wie de organisatie de apparatuur heeft gekocht, waarop de leverancier automatisch nieuwe software-apparaten levert. Het gebruik van AI maakt dit mogelijk. Met diezelfde slimme techniek voorspelt Robs organisatie voortdurend de kans dat het internet opnieuw uitvalt. Zo hoeft Rob zich niet meer bezig te houden met het uitzoeken en verhelpen van de problemen; hij kan zich nu richten op belangrijker zaken.
Laat data automatisch het werk voor jouw servicedesk doen
Bij een incident kun je vragen handmatig beantwoorden. Wat is er gebeurd, waarom, wat zou je moeten doen om het te voorkomen? Maar je kunt het ook een systeem of applicatie laten doen.
Je automatiseert dan het incident management bij jouw servicedesk. Ik zet hier op een rij waarom je dit kunt overwegen:
- Software voert repetitieve taken preciezer uit dan de mens: mensen krijgen te maken met vermoeidheid en verveling tijdens repetitieve taken. Software kent deze problemen niet en kan eindeloos doorgaan met de taken. Daarom is een software preciezer in het uitvoeren van repetitieve taken, zoals data doorspitten. – Harvard Business Review
- Software is over het algemeen beter en sneller in goede beslissingen maken gebaseerd op data: mensen nemen beslissingen op basis van emotie en intuïtie, of we ons er nu van bewust zijn of niet. Dit is niet altijd slechter, maar vaak wel in het geval van incident management, omdat het dan om cijfers gaat. Software daarentegen, haalt alles uit data. Wanneer jij AI inzet voor data-analyse weet je zeker dat software geen intuïtieve, emotionele beslissingen neemt. Volgens McKinsey kunnen organisaties zo wel 69% minder tijd besteden aan het doorspitten van data. - McKinsey
- Een systeem voorspelt het probleem beter: AI is slim en leert ontzettend snel. Software vindt snel structuur en bepaalde regelmatigheden in data. Hierdoor kan een systeem bepaalde problemen beter voorspellen dan dat de mens dat kan. Het algoritme leert zichzelf hoe je een probleem de volgende keer beter kunt aanpakken. - SAS
Op zoek naar een stappenplan om AI op de juiste manier in te zetten? Lees het in onze whitepaper.
4. Wat zijn de beste tips om te starten met het implementeren van het Analytics Maturity-model?
- Breng je data op orde. Goede beslissingen haal je uit data. Maar zorg wel dat je data klopt. Hoe beter en completer de data, hoe beter de analyses die je hierop baseert. Door met deze relatief simpele stap te beginnen, ontdek je wat er nog ontbreekt. Soms heeft de dataset kwalitatieve verbetering nodig. Maar het kan ook zijn dat je extra data moet verzamelen, bijvoorbeeld via externe databronnen.
- Ondersteun je intuïtie met data. Versterk je denkkracht met machines. Dit doe je bijvoorbeeld door machines in te zetten voor repetitieve taken en software in te zetten om databases door te spitten.
“Waar je ook heen wilt gaan in dit model, de basis is dat je data op orde is. Een goede data-hygiëne is een voorwaarde om betrouwbare besluiten te kunnen maken en acties te ondernemen.”
– Hiep Truong | Softwareontwikkelaar bij OGD ict- diensten.
Incident management dankzij AI en het Analytics Maturity-model
Je data op orde hebben. Dat is het belangrijkste wanneer je start met het automatiseren van incident management van je servicedesk. Het Analytics Maturity-model helpt je hiermee op weg. Wil je meer weten over het optimaliseren van je servicedesk? Praat met een van onze data-specialisten en ga aan de slag met onderstaande content:
Misschien vind je dit leuk
Anderen hebben deze artikelen gelezen