Monitorear tarjeta de predicción de infracción de SLA
Pronostique probabilidades de infracción de SLA utilizando aprendizaje automático y análisis de datos en tiempo real. Utilice los puntuajes resultantes, que oscilan entre 0 y 100, para dar prioridad a tareas urgentes, gestionar problemas críticos y mejorar la fiabilidad del servicio.
Ediciones necesarias
Disponible en: Lightning Experience
Disponible en: Ediciones Enterprise y Unlimited con el complemento Einstein para Servicios de TI y el complemento Acelerador de IA para Servicios de TI.
Desde el Iniciador de aplicación, busque y seleccione Incidentes.
Desde la página Incidentes, abra un registro.
En un registro de incidente, navegue a la tarjeta Puntuaje de infracción de SLA en el panel lateral.
Revise el puntuaje predicho para determinar la probabilidad de una infracción de SLA. Por ejemplo, un puntuaje de 0,08 indica un riesgo muy bajo.
En la lista Predictores principales, identifique los factores que influyen en el puntuaje. Los predictores comunes incluyen:
Asunto y descripción: Palabras clave que se correlacionan históricamente con infracciones.
Impacto: La correlación entre el nivel de impacto asignado y la predicción.
Historial de propietario: El porcentaje de registros pasados infringidos por el propietario actual.
Utilice los iconos de comentarios para ayudar a perfeccionar el modelo de aprendizaje automático:
Seleccione el icono Pulgar hacia arriba si la predicción es precisa.
Seleccione el icono Pulgar hacia abajo si la predicción es incorrecta.
Ejemplo:
Ejemplo
Smith, Gestor de incidentes de Cumulus Bank, gestiona interrupciones críticas del servicio. Cuando un pico en los tiempos de espera de consultas de base de datos afecta a portales de negociación, se crea un registro de incidente con estos detalles.
Número de incidente: INC-4491
Asunto: Latencia de base de datos de producción - Región AP-Sur
Categoría: Software/base de datos
Smith abre el registro y ve la tarjeta Puntuaje de infracción de SLA con un puntuaje de 82. Este puntuaje indica una alta probabilidad de que el tiempo de resolución supere el acuerdo de nivel de servicio de 4 horas para resolver el incidente.
Smith revisa la lista de predictores principales, con tecnología de aprendizaje automático, para identificar factores de riesgo. La IA predictiva identifica que los campos Asunto y Descripción contienen palabras clave como base de datos de producción y latencia, que históricamente dan como resultado resoluciones complejas. Además, el predictor de historial de propietario muestra que la cola generalista tiene un alto índice de brechas para problemas de base de datos de alto impacto.
Para mantener la fiabilidad del servicio, Smith distribuye el incidente al equipo de infraestructura de nube. Utilizando análisis de datos en tiempo real desde el Puntuaje de infracción de SLA, Smith garantiza que los expertos prioricen el problema antes de la fecha límite. El equipo resuelve la latencia y mantiene los compromisos de servicio del banco.
¿Resolvió este artículo su problema?
¡Háganos saber cómo podemos mejorar!
Cargando
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.