將ManageEngine卓豪引入您的IT服務管理運營
無論是追蹤平均修復時間（MTTR）還是工單關閉率，傳統(tǒng)的報表和儀表盤都能幫助衡量 IT 服務臺的運營效率。然而，要真正實現 ITSM 運營與業(yè)務目標的深度對齊，IT 領導者與服務臺經理必須推動戰(zhàn)略性的服務改進。
為此，他們需要深入洞察那些影響服務成果的關鍵領域，包括事件趨勢、服務水平協議（SLA）合規(guī)情況、技術人員工作效率，以及資產的財務狀況等。這正是為何在 ITSM 運營中嵌入智能決策能力顯得尤為重要。
本文將探討 ManageEngine卓豪ServiceDesk Plus 與 Analytics Plus 的集成是如何幫助企業(yè)借助 AI 驅動的數據分析，獲得智能且可執(zhí)行的洞察，從而推動更快速、更明智的 ITSM 決策。
為了更好地說明這一點，本文將以一家公司為例，展示當缺乏高級分析能力時，其在 IT 決策過程中如何陷入困境。
該公司的決策癱瘓：4大關鍵場景
該公司 是一家全球知名的銀行，致力于為客戶提供世界一流的數字化銀行體驗。為實現這一目標，其 IT 領導層專注于推進戰(zhàn)略性 ITSM 改革的同時，也負責日常服務運營的順利進行。團隊的首要任務包括：增強安全事件的響應策略、確保服務水平協議（SLA）合規(guī)，以及防止技術人員因超負荷工作而產生倦怠。
然而，該公司 的這一系列努力卻被傳統(tǒng)的報表機制所限制。這些報表缺乏深入分析能力，使團隊難以獲取實時且具備上下文的信息洞察，從而導致決策遲緩，關鍵行動難以落地。具體表現如下：
●安全事件報表需要從分散的數據源手動整合，嚴重拖慢了響應速度；
●技術人員的工作負載因數據復雜而缺乏透明度，導致任務分配失衡；
●服務級別協議（SLA）因未能考慮相關依賴關系而頻繁違約，影響服務質量；
●ITSM 團隊只能依賴主觀猜測識別瓶頸，缺乏數據支持，導致整體運營效率低下。
●現在，讓我們看看 該公司 如何通過整合這兩種解決方案，有效應對每一個挑戰(zhàn)。
●通過與 Zia（我們的原生 AI 驅動虛擬助手）對話生成安全事件報表和儀表盤
為了加強事件響應計劃，該公司 需要首先評估現有流程并識別關鍵瓶頸。但這一過程充滿挑戰(zhàn)：關鍵數據分布在多個系統(tǒng)中，迫使 IT 領導層不得不從零開始手動編制報表。這不僅依賴復雜查詢，且常常選擇了不準確的指標。
此外，由于這些報表難以被相關利益相關者訪問，導致他們無法快速獲得可操作的洞察，從而進一步拖延了決策過程?？傮w而言，這種分散、低效的方法讓報表制作既耗時又容易出錯，嚴重制約了 該公司 建立高效、主動的事件響應策略。
通過集成獲得的優(yōu)勢
為克服手動構建復雜報表的困擾，該公司 借助了 ServiceDesk Plus 與 Analytics Plus 的集成能力。無需投入大量時間與精力，該公司 能通過原生 AI 虛擬助手 Zia 的對話式智能技術，快速生成可視化豐富、內容詳盡的報表與儀表盤。
通過 Zia 的“Ask Zia”對話界面，服務臺經理只需使用自然語言提問，例如“顯示與安全相關的事件數量”，Zia 即可在幾秒內生成具有上下文關聯的圖表，省去編寫復雜查詢的煩惱。接著，用戶可繼續(xù)詢問事件的嚴重性、狀態(tài)、平均解決時間和 SLA 合規(guī)性等內容（見圖 1）。
Zia 會將這些問題轉化為具備可視化效果的小工具，如柱狀圖、趨勢圖與儀表盤，為服務健康提供直觀、清晰的洞察。
圖1. 通過 Ask Zia（我們的原生 AI 驅動虛擬助手）生成可視化報表和儀表盤。
這些小工具隨后被整合進一個統(tǒng)一的儀表盤，團隊可在同一界面中查看所有關鍵信息。他們還可進一步自定義布局與樣式，突出最關鍵的內容，構建出一個直觀、易操作的用戶界面。
通過將 Analytics Plus 生成的儀表盤直接嵌入 ServiceDesk Plus，該公司 的團隊實現了跨工具的無縫協作，無需頻繁切換窗口，極大提升了工作效率（見圖 2）。
圖2. 自定義布局并在 ServiceDesk Plus 中嵌入儀表盤。
通過幾個簡單的對話指令，該公司 徹底顛覆了過去生成報表和儀表盤的方式，不僅加快了決策速度，還獲得了更具深度的運營洞察。
通過獲取基于上下文的、由生成式人工智能（GenAI）驅動的洞察來優(yōu)化技術人員的工作負載
在 該公司，IT 領導者始終堅信：只有獲得充分支持與賦能的技術人員，才能成為高效服務交付的基石。然而，現實數據卻講述了一個截然不同、令人擔憂的故事。當前，技術人員的工作負載已超出 100%，他們不得不頻繁加班，而工單積壓量也突破 50 張大關。整個團隊非但沒有處于可控狀態(tài)，反而正逐步走向集體倦?。╞urnout）。
盡管掌握大量數據，該公司 的服務臺經理卻因復雜的表格和原始圖表缺乏可操作性而陷入“分析癱瘓”。為了提取關鍵洞察，他們必須手動審查多份報表，如工單解決時間、按技術人員劃分的工單量、工單積壓情況等。這種低效做法不僅耗時，還因為潛在變量的缺失而導致數據解讀不一致，進一步加劇了工作負載管理的難度。
集成帶來的優(yōu)勢：從“數據堆”中提取可執(zhí)行洞察
如今，該公司 不再需要手動整理繁雜的報表數據，而是借助生成式人工智能（GenAI）驅動的 Zia Insights，只需一鍵，即可獲取結構清晰、具備上下文的洞察解讀。這讓服務臺經理能夠直觀掌握關鍵績效指標（KPI），識別趨勢并洞察潛在影響因素——無需繁瑣計算與數據建模。
為了更科學地優(yōu)化技術人員的工作負載，Zia Insights 通過圖表與文本方式，呈現每位技術人員處理的事件數量、平均處理時間以及請求重新打開的比例等關鍵趨勢?；谶@些數據，Zia 能夠識別性能偏差，實現預警與早期干預。
例如，Zia 分析發(fā)現，服務臺中請求被重新打開的總比例為 111%。更深入的趨勢圖揭示了明顯的波動，并定位出導致該趨勢的具體原因。數據顯示，Emily Davis 的請求重新打開次數僅為 5 次，而 Michael Wilson 高達 9 次，兩者相差 80%，這一對比無需人工計算（見圖 3）。為解決這一問題，該公司 隨即為 Michael 安排了定向的技能提升計劃，以幫助其提高一次解決率。
圖 3. 通過 Zia Insights，從復雜報表中生成清晰描述和可執(zhí)行洞察。
當服務趨勢發(fā)生異常變化，例如 SLA 合規(guī)率突然下降時，Zia 的“關鍵驅動因素分析”功能可進一步深入，識別背后的根本原因。例如，它可自動識別出導致問題的高優(yōu)先級請求激增，而無需人工干預。通過 Zia，該公司 得以將原始數據轉化為清晰、可落地的行動洞察，賦能服務臺經理更科學地規(guī)劃資源、優(yōu)化任務分配并有效預防技術人員倦怠。
借助無代碼 AI 預測，提升 SLA 合規(guī)率
該公司 的 IT 領導者深知，準時交付服務對銀行業(yè)務至關重要。他們設定了一個戰(zhàn)略目標：將 SLA 合規(guī)率穩(wěn)定保持在 95% 以上。然而，目標雖清晰，執(zhí)行卻困難重重，關鍵原因在于他們忽略了影響 SLA 表現的多種依賴因素。
該公司 的服務臺經理在決策過程中過度依賴歷史數據，卻忽視了對未來服務趨勢的預測。這使他們無法及時識別潛在風險，如季節(jié)性工單高峰、組織流程變更等新興因素對 SLA 的潛在沖擊。更嚴重的是，系統(tǒng)中明顯存在工單流轉瓶頸，導致許多關鍵請求臨近違約邊緣卻無人察覺，直到問題爆發(fā)已無可挽回。因此，該公司 的 SLA 合規(guī)目標始終難以實現。
通過集成獲得的優(yōu)勢
為防止服務水平協議（SLA）違約并保持行業(yè)領先地位，該公司 的服務臺經理借助 Analytics Plus 的無代碼機器學習引擎，生成了針對其獨特服務環(huán)境的可操作預測。
他們通過追蹤每周已解決請求的平均值，洞察技術人員的工作負載平衡、季節(jié)性解決趨勢以及積壓處理效率。為了優(yōu)化未來幾周的資源規(guī)劃，團隊結合關鍵影響因素（如新進請求數量和平均解決時間）對該每周平均 KPI 進行了預測（見圖 4）。Analytics Plus 會自動選取最優(yōu)的預測模型（此處為向量自回歸），并生成未來五周的趨勢展望（見圖 5）。這些預測揭示了即將出現的解決趨勢波動，使團隊得以更具戰(zhàn)略性地分配技術人員，從而降低 SLA 違約風險。
圖 4. 借助機器學習引擎，結合影響因素生成定制化、精準的 KPI 預測。
圖 5. 基于歷史模式與關鍵指標，通過無代碼機器學習引擎預測未來趨勢變化。
除了預測功能，管理者還利用 AutoML 能力構建了自定義的無代碼機器學習模型，這些模型可從歷史工單數據中學習，識別模式，并主動預警潛在升級風險。在開發(fā)模型的過程中，團隊納入了關鍵屬性（如工單優(yōu)先級和類別），并選擇了合適的分類算法（如決策樹或隨機森林）來優(yōu)化預測準確性。模型部署后，系統(tǒng)能夠自動識別可能被升級的開放工單，幫助團隊提前干預、重新分配資源，并持續(xù)實現 SLA 時間目標。
通過Spotlight提升ITSM模塊的決策智能
為了實現持續(xù)的服務改進，該公司 開始審視其現有的 ITSM 實踐，并識別潛在的改進領域。然而，很快他們便遇到了一個常見難題：信息過載。
盡管掌握了大量 ITSM 數據，該公司 卻難以從中提取有價值的信息，導致運營盲區(qū)。這讓團隊難以判斷哪些措施真正有效、哪些無效，以及應優(yōu)先改進的具體方向。
由于缺乏清晰的數據策略，團隊不得不依賴人為推測，這直接造成運營效率低下、進展緩慢。更嚴重的是，當需要同時優(yōu)化多個流程時，決策疲勞逐漸顯現，而團隊又缺乏洞察來指導關鍵決策。每項改進都像是在摸著石頭過河，難以將關鍵信息有效關聯起來。
集成帶來的優(yōu)勢
該公司 的服務臺經理不再需要翻閱冗長報表或篩選原始數據，而是借助 Spotlight——一款強大的決策智能引擎，直接從 ITSM 數據中獲取來自事件管理、服務請求、變更管理和資產管理等模塊的上下文相關、智能推薦。
Spotlight 能揭示隱藏的瓶頸并指出其嚴重性，識別模式并提供糾正建議，幫助團隊迅速響應，保持領先（圖 6）。例如，Spotlight 曾提示某一業(yè)務關鍵問題：每天下午 3 點至 4 點工單激增，建議在此時段增加技術人員配置。在另一個場景中，它識別出三位多次上報資產問題的請求者，并建議分析其資產使用模式以防止問題再次發(fā)生。
圖 6. 通過 Spotlight，在 ITSM 實踐中實現上下文相關、智能化的推薦。
簡而言之，Spotlight 承擔了大量分析工作，讓 IT 團隊能夠擺脫猜測，及時做出數據驅動的決策，從而推動持續(xù)的服務優(yōu)化。
結語
隨著組織在 ITSM 成熟度上不斷提升，具備快速、智能決策能力的團隊將脫穎而出。ManageEngine卓豪由 Analytics Plus 提供支持的 ServiceDesk Plus 高級分析功能，可將原始數據轉化為實時的決策智能，使 IT 團隊能夠主動應對變化、持續(xù)優(yōu)化服務，并始終與業(yè)務優(yōu)先級保持一致。
展望未來，決策智能不再是可有可無的附加選項，而將成為 ITSM 卓越運營的核心。借助 ManageEngine卓豪，組織不僅能將每一項洞察轉化為切實成果，更能建立起面向未來的 ITSM 戰(zhàn)略。
卓豪官方網站可免費下載軟件試用：https://www.manageengine.cn
