IT Service Management – анализ инцидентов и проблем

1. ITService Management – анализ инцидентов и проблем Арустамов Алексей BaseGroup Labs

2. Факторы успеха ITSM-проекта Целью реализации ITSM-проекта в компаниях является повышение качества работы IT-служб, эффективности использования инфраструктуры, однако реализациятолько функций учета инцидентов редко дает прямой экономический эффект. Отдача от проекта зависит от возможности выявления проблем, их локализации, определения причин возникновения и последующего решения. Для этого необходимо применение специализированных систем, позволяющих анализировать, т.е. строить модели, находить скрытые закономерности, прогнозировать...

3. Потребность в анализе Необходимость применения специализированных инструментов анализа возникает в случае: • Большого количества инцидентов • Сложности инфраструктуры • Необходимости формализовать процесс принятия решений • Высокой стоимости ошибок В противном случае можно ограничиться простой отчетностью, экспертными оценками, электронными таблицамии прочими доступными средствами.

4. Уровни анализа данных Оптимизировать издержки сейчас и в будущем Построить модель инцидента, проблемы Понять, что произойдет в будущем Увидеть, что произошло в прошлом

5. Визуализация – задачи Первым шагом анализа является отображение имеющихся данных в виде таблиц, графиков, индикаторов, расчет различных метрик, показателей эффективности: • Количество инцидентов по типам, критичности, местам возникновения и т.п. • Затраченное на решение время, ресурсы • Качество обслуживания, загрузка персонала • Статусы и текущие состояния инцидентов • Количество и влияние инцидентов, возникающих до закрытия корневой проблемы

6. Визуализация – технологии Существует большое количество способов отображения, но один из наиболее мощных и простых, а потому часто применяемых – OLAP-анализ. Мгновенная агрегация Многомерная диаграмма

7. Моделирование – задачи Моделирование позволяет не просто учитывать сам факт возникновения инцидента, но и понять суть проблем: • Классифицировать задачи • Автоматически выделять аномальные значения, выбросы, отклонения • Понять причины возникновения проблем • Выявить причинно-следственные связи • Оценить степень влияния различных факторов

8. Моделирование – технологии Для решения задач моделирования применяются технологии Data Mining. Data Mining – это процесс обнаружения в больших объемах "сырых" данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний. Важнейшей особенностью технологий Data Mining является способность к адаптации (переобучению), т.е. система в состоянии самостоятельно подстраиваться под изменение ситуации.

9. Data Mining – классификация Методы Data Mining позволяют проводить автоматическую классификацию поступающих запросов, инцидентов и проблем. Это дает возможность дифференцировать усилия, вырабатывать решения не для отдельно взятого запроса, а для нескольких групп, что значительно повышает оперативность процесса управления инцидентами и проблемами. Инцидент Инцидент Инцидент Инцидент Автоматическая классификация Инцидент Инцидент Инцидент Инцидент Интеллектуальная фильтрация Критичные

10. Data Mining – поиск закономерностей Алгоритмы Data Mining позволяют находить скрытые закономерности между возникающими инцидентами и их возможными причинами. С помощью Data Mining методов можно обнаруживать тенденции одного или нескольких инцидентов, решая тем самым задачу проактивного выявления проблем. Прогнозирование вероятности возникновения ошибок

11. Data Mining – выявление связей Методы поиска ассоциативных связей и последовательных шаблонов позволяют выявлять причинно-следственные связи и находить зависимости, что из инцидентов A и B следуют с определенной вероятностью проблемы C и D. Ассоциативные связи позволяют выявлять опасные события уже на ранних стадиях и не допускать критических сбоев. 1 вариант развития Проблема 3 Проблема 4 Инцидент 1 Инцидент 2 Проблема 5 2 вариант развития

12. Data Mining – анализ аномалий Методы устойчивой к всплескам фильтрации позволяют автоматически выделять из огромного потока необычные аномалии, оценивать степень их отклонений и ранжировать риски. При этом учитываются не абсолютные цифры, а скорость изменения количества инцидентов. Аномально большое количество инцидентов

13. Прогнозирование Наличие модели позволяет прогнозировать развитие ситуации, оценивать вероятность возникновения той или иной проблемы как отдельно, так и в сочетании с другими событиями. Механизмы анализа «Что-если» дают возможность определить наиболее вероятный вариант развития событий при различных входных показателях.

14. Оптимизация Конечной целью ITSM-проекта является оптимизация процесса, т.е. снижение издержек и повышение качества. Именно методы анализа данных позволяют добиться поставленной задачи: • Анализировать риски и ранжировать усилия • Находить причины возникновения проблем и исправлять ситуацию • Распределять имеющиеся ресурсы в соответствии с прогнозами • Выявлять проблемы на ранних стадиях и не допускать сбоев

15. Deductor – аналитическая платформа Deductor – система, позволяющая решать все описанные задачи: от визуализации и отчетности до моделирования, прогнозирования и оптимизации. Интегрированное решение, объединяющее систему учета инцидентов и аналитическую платформу, позволяет добиться максимальной финансовой отдачи от внедрения ITSM-системы, отделить моделирование от процесса использования построенных моделей в системе учета инцидентов.

16. Deductor – возможности системы Deductor включает все необходимые для решения задач анализа данных технологии: • Data Warehouse– хранилище данных • OLAP– многомерный анализ • Data Mining – механизмы построения моделей и поиска закономерностей • KDD – сценарный подход к анализу данных • Forecasting – прогнозирования

17. Интеграция ITSM-Deductor Deductor имеет развитые механизмы обмена данными со сторонними системами. Он подключается к базе данных ITSM-системы для импорта и анализа имеющейся в ней информации. Возможно обращение из системы учета инцидентов к серверу Deductor для использования построенных сценариев обработки. Обработка инцидентов Аналитика Сценарий анализа

18. BaseGroup Labs BaseGroup Labs – профессиональный поставщик Data Warehouse, OLAP, KDD, Data Mining решений и инструментов. Web-сайт: www.basegroup.ru Образование: edu.basegroup.ru E-mail: info@basegroup.ru