Die Beschreibung der Vorhersage der Erstbehebung (First Time Fix Prediction, FTFP) gliedert sich in die folgenden Abschnitte:
Die Vorhersage der Erstbehebung bewertet, ob eine Anforderungsaufgabe erfolgreich abgeschlossen wird, ohne dass unvollständige Versuche auftreten.
Eine Anforderungsaufgabe gilt als beim ersten Mal behoben, wenn:
Vorhersagen und zugehörige Erkenntnisse können angezeigt werden auf:
Um Vorhersagen zu aktivieren, trainieren Sie das KI-Modell unter Solution Manager / Automatisierung und Optimierung / Maschinelles Lernen / Trainierbares Modell. Setzen Sie das Modell nach dem Training auf Aktiv, um mit den Vorhersagen zu beginnen. Durch regelmäßiges Training wird sichergestellt, dass die Prognosen den neuesten Daten entsprechen.
Sie können Vorhersageaufgaben in Datenbank-Aufgaben unter Verwendung der Vorhersage der Erstbehebungs-Charge mit benutzerdefinierten Intervallen planen, um sie an Ihre Arbeitsabläufe anzupassen. Das Modell unterstützt die Stapelverarbeitung und bietet eine flexible Konfiguration, um die Begrenzung des zugewiesenen Starts der berücksichtigten Anforderungsaufgaben anzupassen, zusätzlich zu dem jeweils zutreffenden Unternehmen, der Serviceorganisation und der Servicebereitstellungseinheit.
Das Modell wertet mehrere wichtige Inputs aus, darunter:
Beispiel für Aus- und Fortbildung: Das folgende Beispiel zeigt, wie verschiedene betriebliche, anlagenbezogene, planungsrelevante und leistungsbezogene Attribute für eine Anforderungsaufgabe erfasst und im Rahmen des Modells zur Vorhersage der Erstbehebungsquote verwendet werden. Diese Attribute beschreiben den Kontext der Aufgabe und heben Faktoren wie Anlagenalter, wiederkehrendes Verhalten in der Vergangenheit, Materialverfügbarkeit, Eignung des Fachpersonals und Planungsbedingungen hervor. Durch die Kombination dieser Elemente lernt das System, wie die Eigenschaften realer Aufgaben die Wahrscheinlichkeit beeinflussen, eine Erstbehebung zu erreichen. Die hier angezeigten Attributwerte wurden für eine abgeschlossene Aufgabe erfasst und haben zum Verständnis des Modells über das Aufgabenergebnis beigetragen.
Für diese Aufgabe wurden die folgenden Attribute erfasst:
Vorhersagebeispiel: Das KI-Modell verwendet die Eingabeattribute, um die Wahrscheinlichkeit vorherzusagen, die Aufgabe ohne unvollständige Versuche zu lösen.
Für eine neue eingehende Anforderungsaufgabe mit ähnlichen Merkmalen bewertet das Modell mehrere Kontextfaktoren wie Zuweisungsgleichgewicht, Anlagenzustand, bisheriges Verhalten, Fachkraftkompetenz und Materialverfügbarkeit. In diesem Beispiel zeigt die Aufgabe eine moderate Unterauslastung, bezieht sich auf eine neuere Anlage, weist eine geringe Wiederholungshistorie auf, profitiert von einer guten Übereinstimmung der Fähigkeiten und verfügt über ausreichend verfügbare Materialien.
Das Modell kann Folgendes zurückgeben:
Dies zeigt:
Ein benutzerdefinierter FTF-Wahrscheinlichkeit – Risikowert kann auf der Seite Service Ai – Basisdaten konfiguriert werden. Wenn der First Time Fix Prediction (FTFP)-Wert diesen Risikowert überschreitet, wird er in Grün angezeigt, was auf ein geringes Risiko und eine hohe Wahrscheinlichkeit einer erfolgreichen Erstbehebung hinweist. Wenn der FTFP-Score innerhalb oder unterhalb des definierten Risikowerts liegt, wird er in Rot angezeigt und als „Gefährdet“ markiert. So können Planungsverantwortliche schnell Aufgaben erkennen, die möglicherweise zusätzliche Aufmerksamkeit erfordern. Wenn kein Risikowert von den Nutzern konfiguriert wird, wendet das System einen Standardwert von 60 % an.
Tokens werden verbraucht, wenn:
Um genaue und funktionierende Vorhersagen zu gewährleisten, müssen die folgenden Daten und Systemvoraussetzungen gegeben sein:
Für die Vorhersage muss das First Time Fix Prediction-Modell mit ausreichend historischen Request-Task-Daten trainiert werden, damit das System zuverlässige Wahrscheinlichkeitswerte für neue Aufgaben erzeugen kann.
Die wichtigsten Einflussfaktoren erklären, warum das Modell eine bestimmte Vorhersage erzeugt hat. Durch die Nutzung der Erklärbarkeitsschicht (XAI) des Modells in Verbindung mit dem operativen Kontext ermittelt das System, welche Attribute den Erfolg einer Erstbehebung am stärksten beeinflussen.
Typische Einflussfaktoren können sich auf verschiedene Aspekte der Aufgabe, der Anlage, der Fachkraftkompetenz, der Materialien, des Standorts und der Terminplanung beziehen. Diese Attribute beeinflussen die Wahrscheinlichkeit, eine Erstbehebung zu erreichen, und tragen dazu bei zu erklären, warum das Modell eine bestimmte Vorhersage liefert.
Diese Faktoren werden zusammen mit der Vorhersagebewertung im On-Page Assistant angezeigt und ermöglichen Planungsfachleuten, die Begründung des Modells nachzuvollziehen und fundiertere Entscheidungen zu treffen.
Die Empfehlungskomponente bietet kontextbezogene und umsetzbare Vorschläge, um die Ergebnisse der Erstbehebungen zu verbessern. Unter Verwendung sowohl der Erklärbarkeit des Modells (XAI) als auch des betrieblichen Kontexts priorisiert das System Empfehlungen nach ihrem Einfluss.
Empfehlungen können Verbesserungen in folgenden Bereichen umfassen:
Empfehlungen sind über den On-Page Assistenten in folgendem Bereich zugänglich:
Aktionsautomatisierung ermöglicht Planern und Disponenten, empfohlene Korrekturmaßnahmen sofort auszuführen, wodurch der manuelle Aufwand verringert und die Konsistenz in den Teams verbessert wird. Verfügbare automatisierte Aktionen umfassen
Diese automatisierten Aktionen optimieren Arbeitsabläufe und unterstützen standardisierte Best Practices.
Das Fenster „Validierung nach Fertigstellung“ dient als zusätzliche Qualitätsprüfung, um sicherzustellen, dass eine abgeschlossene Anforderungsaufgabe tatsächlich eine erfolgreiche Behebung darstellt. Es wird überprüft, ob kurz nach dem Abschluss eine Nacharbeit erstellt wird, um falsche Klassifizierungen als „First-Time Fix (Erstbehebung)“ zu vermeiden und die Genauigkeit der Trainingsdaten zu verbessern, die vom Vorhersagemodell verwendet werden. Es funktioniert folgendermaßen:
Mit der Vorhersage der Erstbehebung (FTFP) können Sie: