Je servicecatalogus optimaliseren met AI-classificatie
AI-classificatie optimaliseert je servicecatalogus door binnenkomende tickets automatisch aan het juiste catalogusitem te koppelen op basis van de ticketbeschrijving, ongeacht wat de gebruiker heeft geselecteerd. Dit elimineert de misroutering veroorzaakt doordat gebruikers het verkeerde item kiezen, wat in 30 tot 50 procent van de tickets voorkomt volgens servicedeskbenchmarks. Organisaties die AI-classificatie gebruiken voor servicecataloguskoppeling verminderen ticket-herroutering doorgaans met 60 tot 80 procent en verkorten de gemiddelde oplostijd met 20 tot 35 procent.
Waarom veroorzaken servicecatalogi zoveel problemen?
Een goed ontworpen servicecatalogus zou het gebruikers makkelijk moeten maken om te vragen wat ze nodig hebben. In de praktijk groeien catalogi organisch over jaren en worden ze verwarrende doolhoven van overlappende items, onduidelijke naamgeving en inconsistente categorisering.
Neem een typische enterprise catalogus. Die kan 150 tot 300 items bevatten verspreid over meerdere categorieen. "Softwareverzoek" en "Applicatie-installatie" kunnen aparte items zijn die naar verschillende teams leiden. "Hardwareverzoek" kan een nieuwe laptop, monitor, toetsenbord of dockingstation betekenen, elk met verschillende afhandelingsprocessen. "Toegangsverzoek" splitst zich in netwerktoegang, applicatietoegang, gedeelde schijf-toegang en VPN-toegang.
Gebruikers kennen je interne categorisering niet. Ze hebben een probleem en willen het indienen. Wanneer ze worden geconfronteerd met een dropdownmenu van 200 opties, kiezen ze degene die het dichtst in de buurt komt en hopen op het beste. Het resultaat: 30 tot 50 procent van de tickets belandt in de verkeerde wachtrij.
Elk verkeerd gerouteerd ticket kost tijd. Het ontvangende team leest het, bepaalt dat het niet van hen is, en routeert door. Dat voegt 30 minuten tot enkele uren per ticket toe. Vermenigvuldig dat met honderden maandelijkse tickets, en je kijkt naar een enorme hoeveelheid verspilde tijd. Betere tickettriage-automatisering begint met het oplossen van dit misrouteringsprobleem.
Hoe werkt AI-classificatie voor servicecatalogi?
AI neemt een fundamenteel andere benadering. In plaats van te vertrouwen op de gebruiker om het juiste catalogusitem te kiezen, leest het de ticketbeschrijving en bepaalt het juiste item op basis van de inhoud.
Intentie begrijpen, niet trefwoorden
Wanneer een gebruiker schrijft "Ik heb Teams nodig op mijn nieuwe laptop," begrijpt de AI dat dit een software-installatieverzoek is voor Microsoft Teams, met een recent ingericht apparaat. Het maakt niet uit of de gebruiker "Hardwareverzoek" of "Softwareverzoek" of "Nieuwe medewerker setup" heeft geselecteerd uit de catalogus. De AI koppelt het aan het juiste catalogusitem en routeert dienovereenkomstig.
Dit werkt omdat AI matcht op betekenis. "Mijn VPN verbreekt steeds" en "remote toegang valt elke paar minuten weg" worden beide gekoppeld aan de VPN-troubleshooting categorie, ook al gebruiken ze compleet andere woorden.
Omgaan met ambiguiteit
Sommige tickets kunnen oprecht bij meerdere categorieen horen. "Ik kan het financiele rapport niet openen" kan een toegangsprobleem, softwareprobleem of dataprobleem zijn. AI handelt dit af door waarschijnlijkheid te beoordelen. Als de kennisbank toont dat 80 procent van vergelijkbare tickets toegangsgerelateerd was, routeert AI daar als eerste naartoe. Als het vertrouwen laag is, kan het een verduidelijkende vraag stellen of het ticket markeren voor handmatige triage.
Gebruikersselecties corrigeren
Wanneer een gebruiker een catalogusitem selecteert dat niet overeenkomt met hun beschrijving, kan AI de routering ofwel stilzwijgend corrigeren (de selectie overschrijven) of de mismatch markeren voor een medewerker om te reviewen. De meeste organisaties beginnen met markeren en schakelen over naar automatische correctie zodra ze de nauwkeurigheid van de AI vertrouwen.
Wat onthult AI-classificatie over je catalogus?
Een van de meest waardevolle neveneffecten van AI-classificatie is het inzicht dat het biedt in de effectiviteit van je catalogus.
Identificeren van verkeerd gebruikte items
AI volgt hoe vaak de selectie van de gebruiker overeenkomt met de classificatie van de AI. Als gebruikers consequent "Algemene IT Support" kiezen voor wat eigenlijk softwaretoegangsverzoeken zijn, heeft je catalogus een gat. Ofwel het toegangsverzoekitem is moeilijk te vinden, slecht benoemd, of ontbreekt helemaal.
Vinden van overbodige items
Wanneer AI tickets aan catalogusitems koppelt, onthult het welke items overlappen. Als "Softwareverzoek" en "Applicatie-installatie" consequent dezelfde types tickets ontvangen, heb je waarschijnlijk maar een van beide nodig.
Ontbrekende items opsporen
Wanneer tickets niet duidelijk bij een catalogusitem passen, betekent het vaak dat een categorie ontbreekt. Als AI moeite heeft om een cluster tickets over vergaderruimte-apparatuur te classificeren, heeft je catalogus misschien een specifiek item voor AV-support nodig.
Deze inzichten helpen je om je catalogus continu te verbeteren. Een schonere catalogus betekent een betere gebruikerservaring, minder misroutes en nauwkeurigere rapportage.
Hoe vermindert dit herroutering in de praktijk?
Hier is hoe typische verbetering eruitziet:
| Metriek | Voor AI-classificatie | Na AI-classificatie |
|---|---|---|
| Tickets met verkeerd catalogusitem | 30-50% | Onder 5% |
| Gemiddelde herrouteringen per ticket | 0,4-0,8 | Onder 0,1 |
| Tijd verloren aan herroutering per maand | 40-80 uur | Onder 10 uur |
| First-touch oplossingspercentage | 45-55% | 70-85% |
Hoe sluit AI-classificatie aan op de rest van je ITSM-workflow?
Servicecatalogusclassificatie bestaat niet op zichzelf. Het is het startpunt voor de gehele ticketlevenscyclus.
Prioriteitstoewijzing. Zodra het juiste catalogusitem is geidentificeerd, kan AI de juiste prioriteit toewijzen op basis van je regels. Een wachtwoord reset krijgt P3. Een volledige e-mailstoring krijgt P1. Geen handmatige prioriteitsaanpassingen meer die waren ingesteld op basis van de verkeerde categorie.
Teamroutering. Elk catalogusitem is gekoppeld aan een oplosgroep. Correcte classificatie betekent correcte routering, wat snellere mean time to resolve betekent.
SLA-toewijzing. Verschillende catalogusitems hebben verschillende SLA-doelen. Wanneer het item vanaf het begin correct is, start de juiste SLA-klok direct.
Kennismatching. AI zoekt naar oplossingen specifiek voor het juiste catalogusitem. Dit betekent dat medewerkers (of de AI) direct de meest relevante kennis krijgen. First call resolution verbetert omdat de juiste informatie vanaf het begin aan het juiste ticket is gekoppeld.
ITSM Autopilot handelt deze hele keten automatisch af, van classificatie via routering tot kennismatching, voor Freshservice, ServiceNow, TOPdesk, Zendesk, Jira SM en HaloITSM.
Hoe ga je van start?
Een praktische uitrol:
- Analyseer je huidige misrouteringspercentage. Trek een rapport over ticket-herroutering van de afgelopen drie maanden. Identificeer welke catalogusitems het vaakst verkeerd worden gerouteerd.
- Koppel en observeer. Stel ITSM Autopilot in met schaduwmodus. De AI classificeert elk binnenkomend ticket en je kunt de classificaties vergelijken met wat gebruikers selecteerden en wat medewerkers uiteindelijk vaststelden.
- Schakel AI-classificatie in. Begin met de catalogusitems die de hoogste misrouteringspercentages hebben. Laat AI incorrecte gebruikersselecties voor die categorieen overschrijven.
- Review catalogusinzichten. Na twee tot vier weken, review de data van de AI over verkeerd gebruikte, overbodige en ontbrekende catalogusitems. Gebruik deze inzichten om je catalogus te vereenvoudigen en verbeteren.
- Breid uit en automatiseer. Zodra de classificatienauwkeurigheid is gevalideerd, schakel het in voor alle catalogusitems. Combineer met level 1-supportautomatisering voor tickettypes die zonder menselijke betrokkenheid kunnen worden opgelost.