Prognostizieren Sie Wahrscheinlichkeiten von SLA-Verstößen mithilfe von maschinellem Lernen und Echtzeit-Datenanalysen. Verwenden Sie die resultierenden Bewertungen von 0 bis 100, um dringende Aufgaben zu priorisieren, kritische Probleme zu verwalten und die Servicezuverlässigkeit zu verbessern.
Erforderliche Editionen
Verfügbarkeit: Lightning Experience
Verfügbarkeit: Enterprise und Unlimited Edition mit dem Add-On "Einstein für IT-Services" und dem Add-On "AI Accelerator für IT-Services".
Suchen Sie im App Launcher nach Vorfälle und wählen Sie diese Option aus.
Öffnen Sie auf der Seite "Vorfälle" einen Datensatz.
Navigieren Sie in einem Vorfallsdatensatz im seitlichen Bereich zur Karte "SLA-Verstoßbewertung".
Überprüfen Sie die prognostizierte Bewertung, um die Wahrscheinlichkeit eines SLA-Verstoßes zu bestimmen. Beispielsweise gibt eine Bewertung von 0,08 ein sehr geringes Risiko an.
Identifizieren Sie in der Liste "Wichtigste Prädiktoren" die Faktoren, die die Bewertung beeinflussen. Allgemeine Prädiktoren sind:
Betreff und Beschreibung: Stichwörter, die historisch mit Verstößen korrelieren.
Auswirkung: Die Korrelation zwischen der zugewiesenen Auswirkungsebene und der Prognose.
Inhaberverlauf: Der Prozentsatz der vergangenen Datensätze, gegen die der aktuelle Inhaber verstoßen hat.
Verwenden Sie die Feedback-Symbole, um das Modell für maschinelles Lernen zu optimieren:
Wählen Sie das Symbol Daumen hoch aus, wenn die Prognose richtig ist.
Wählen Sie das Symbol Daumen runter aus, wenn die Prognose falsch ist.
Beispiel:
Beispiel
Smith, Vorfallsmanager bei der Cumulus Bank, verwaltet wichtige Serviceunterbrechungen. Wenn sich ein Anstieg der Zeitüberschreitungen bei Datenbankabfragen auf Handelsportale auswirkt, wird ein Vorfallsdatensatz mit diesen Details erstellt.
Smith öffnet den Datensatz und sieht die Karte "SLA Breach Score" (SLA-Verstoßbewertung) mit einer Bewertung von 82. Diese Bewertung gibt eine hohe Wahrscheinlichkeit an, dass die Lösungszeit die Service Level Agreement von 4 Stunden überschreitet, um den Vorfall zu beheben.
Smith überprüft die Liste der wichtigsten Prädiktoren, die auf maschinellem Lernen basieren, um Risikofaktoren zu identifizieren. Die prognostizierte AI identifiziert, dass die Felder "Betreff" und "Beschreibung" Stichwörter wie Produktionsdatenbank und Latenz enthalten, die in der Vergangenheit zu komplexen Auflösungen führten. Darüber hinaus zeigt die Inhaberverlaufsprognose, dass die generalistische Warteschlange eine hohe Verstoßrate bei Datenbankproblemen mit hoher Auswirkung aufweist.
Zum Aufrechterhalten der Servicezuverlässigkeit eskaliert Smith den Vorfall an das Cloud-Infrastrukturteam. Mithilfe der Echtzeit-Datenanalyse aus der SLA-Verstoßbewertung stellt Smith sicher, dass Experten das Problem vor Ablauf der Frist priorisieren. Das Team löst die Latenz und behält die Serviceverpflichtungen der Bank bei.
Konnten Sie Ihr Problem mithilfe dieses Artikels lösen?
Geben Sie uns Feedback, damit wir uns verbessern können.
Laden
Salesforce Help | Article
Cookie Consent Manager
Cookie Consent Manager
General Information
Required Cookies
Functional Cookies
Advertising Cookies
General Information
We use three kinds of cookies on our websites: required, functional, and advertising. You can choose whether functional and advertising cookies apply. Click on the different cookie categories to find out more about each category and to change the default settings.
Privacy Statement
Required Cookies
Always Active
Required cookies are necessary for basic website functionality. Some examples include: session cookies needed to transmit the website, authentication cookies, and security cookies.
Functional Cookies
Functional cookies enhance functions, performance, and services on the website. Some examples include: cookies used to analyze site traffic, cookies used for market research, and cookies used to display advertising that is not directed to a particular individual.
Advertising Cookies
Advertising cookies track activity across websites in order to understand a viewer’s interests, and direct them specific marketing. Some examples include: cookies used for remarketing, or interest-based advertising.