100%ige Automatisierung der Bearbeitung von Support-Tickets in ServiceNow für ein großes Bauunternehmen

Ziel: Die vollständige Automatisierung der Bearbeitung von Support-Tickets in ServiceNow       

Lösung: Entwicklung und Einsatz von ML-Modellen zur Beschleunigung der Klassifizierung und Zuweisung von Tickets   

Vorteile: 100%ige Automatisierung der Bearbeitung von Finanz-, IT- und Anlage-Mietanfragen        

Gelieferte Dienstleistungen: AI/ML, intelligente Automation, Entwicklung kundenspezifischer Software

Infopulse entwickelte und implementierte für den Kunden eine Hyperautomatisierungslösung zur Optimierung der manuellen Bearbeitung von Tickets in ServiceNow. Wir haben eine Vielzahl von Modellen für Machine Learning (ML) eingesetzt, um die Klassifizierung und Zuweisung von Finanz-, IT- und Mietanfragen vollständig zu automatisieren. Das Ergebnis war eine 6-fache Reduzierung des Aufwands, den das HelpDesk-Team zuvor für die Bearbeitung aufgewendet hatte, sowie eine schnellere Abwicklung der Tickets insgesamt.   

Infopulse setzte seine umfassende KI Expertise ein und arbeitete eng mit den Fachexperten des Kunden zusammen, um zunächst eine Klassifizierungsgenauigkeit von 82% zu erreichen. Das System erreichte jedoch durch die Einführung automatischer ML-Modelle innerhalb eines Jahres eine 96%ige Klassifizierungsgenauigkeit für Tickets. Somit konnten wir sicherstellen, dass nur wenige bis gar keine menschlichen Eingriffe erforderlich waren. Außerdem wurde der Arbeitsablauf des Helpdesk-Teams so optimiert, dass es seine Arbeit und Zeit auf höherwertige Aufgaben konzentrieren konnte.        

Im Folgenden finden Sie einige Verbesserungen, die das Bauunternehmen durch die Implementierung dieser ML-gestützten Lösung erhalten hat:

• 90% weniger Verwaltungsaufwand und Ticketabfertigung
• 15% weniger MTTR (Mean Time Taken to Resolve) für ServiceNow-Tickets
• Eine 35%ige Erhöhung der FCR-Rate (First Call Resolution)
• 20% weniger ungültige Tickets
• Bessere Datenqualität
• Schnellere Bearbeitung von Tickets

Fallbeispiel im Detail

Bei der ersten Kontaktaufnahme mit Infopulse als Teil von Tietoevry hatte der Kunde das Hauptziel, die Arbeitsbelastung des Helpdesks zu reduzieren, Routine-Supportaufgaben zu automatisieren und die Gesamtlösungszeit für Tickets zu verbessern. Das Helpdesk-Team verwendete all seine Mühe und Zeit darauf, die eingehenden ServiceNow-Tickets manuell nach 60 Klassen zu sortieren und sie an einen zuständigen Mitarbeiter weiterzuleiten. Je schneller der Klassifizierungs- und Dispositionsprozess abläuft, desto schneller wird die Anfrage gelöst und desto optimierter ist der Geschäftsbetrieb.  

Infopulse hat die Anwendung von Machine Learning für die Klassifizierung von ServiceNow-Tickets vorgeschlagen, wodurch eine Klassifizierungsgenauigkeit von 96% erreicht werden könnte, da das Machine Learning-Modell automatisch weiter trainiert wird.        

Das ML-Modell für Finanzanfragen hat seine hohe Genauigkeit und Effizienz in der Produktion bewiesen. Infopulse hat daraufhin die Anfragen für IT- und Anlagenvermietung automatisiert. Die beiden anderen ML-Modelle wurden jedoch aufgrund von kontextuellen Unterschieden ebenfalls von Grund auf neu entwickelt, und zwar mit anderen Ansätzen für deren Entwicklung und Training.         

Wie Infopulse zur Lösung beigetragen hat:

• durch die Analyse von Verlaufsdaten von ServiceNow-Tickets und die Untersuchung ihres Kontextes konnte das Fachwissen der Experten des Kunden genutzt werden
• es wurden ML-Modelle für die automatische Klassifizierung von Tickets erstellt und trainiert, wobei ein Ensemble-Lernmodell, logistische Regressionstechniken und Technologien wie Google BERT und LightGBM zum Einsatz kamen
• mit der Bereitstellung einer regelbasierten Klassifizierung von ServiceNow-Supporttickets für über 60 Klassen innerhalb von drei Kategorien
• mit einem automatisierten Versand von ServiceNow-Supporttickets an bestimmte Zuweisungsgruppen
• durch ein automatisiertes tägliches Training der ML-Modelle mit neuen Daten
• mittels Azure-Diensten wurde eine einfache Schnittstelle für den Helpdesk entwickelt, um die Klassifizierungsergebnisse zu überprüfen und zu korrigieren, falls ein manueller Eingriff erforderlich war
• mit einer integrierten ServiceNow-API, die das Lesen und Aktualisieren von Tickets durch den Helpdesk über ein einziges Web-Dashboard ermöglicht.

Azure-Integration

Da der Kunde bereits ein Abonnement für Azure Cloud Services abgeschlossen hatte, konnte Infopulse als Azure Expert MSP die Azure-Funktionen kostengünstig integrieren:

• Beim Modelltraining verwendeten wir Azure VMs
• Azure MS SQL als Datenbank für das Training für Tickets
• Speicherkonto zum Speichern der Dateien des ML-Modells
• Azure-Funktion zur Prognoseplanung
• Azure Application Insights zur Überwachung des eingesetzten ML-Modells in der Produktion
• Azure Front-End- und Back-End-App-Service zur Erstellung einer Web-Benutzerschnittstelle
• Azure Active Directory zur Benutzerauthentifizierung.