AIOps Catalyst
KI-gestütztes Service Management
Um Unternehmen einen Werkzeugkasten an Assets, Best Practices und wiederholbaren Prozessen an die Hand zu geben, haben Telefónica Deutschland und Tech Mahindra zusammen mit weiteren Anbietern ein AIOps Framework und konkrete Use Cases für ein KI-gestütztes Service Management entwickelt.
Konkrete Herausforderungen, die Telekommunikationsdienstleister mit KI bewältigen können, haben Telefónica Deutschland, China Telecom, China Mobile, China Unicom, Telecom Italia und Hong Kong Telecom in den AIOps Catalyst eingebracht. Sie umfassen im Wesentlichen vier Bereiche:
Kundenerfahrung
- Kundenzufriedenheit erhöhen durch Maßnahmen auf Basis der Ermittlung und Bewertung des aktuellen Status
- Kundenbeschwerden vorhersagen und damit verringern
Servicequalität
- Vereinbarte Service Level Agreement erreichen
- Alarme reduzieren und Fehleranalyse verkürzen
- Weniger Zwischenfälle und Unterbrechungen
Business Performance
- Wettbewerbsfähigkeit steigern
- Kundenbindung erhöhen, Abwanderung von Kunden minimieren
- Geschäftsverluste senken
Effizienz
- Betriebskosten sowie Kosten für Kundenservice durch Automation reduzieren
- Zielgerichtetere Investitionsausgaben mit präziser Ressourcenplanung
Hierfür haben die Provider gemeinsam mit Tech Mahindra, Boco Inter-Telecom, Huawei, Si-Tech und BoNC in mehreren Teams innerhalb von drei bis sechs Monaten Lösungen umgesetzt.
Für jede Ebene wurden konkrete, sofort nutzbare Use Cases erarbeitet. Dazu gehören zum Beispiel das Event und Problem Management, Preventive und Predictive Maintenance, Service Level Management, AI Training & Evaluation, Service Reporting sowie Customer Experience Management. Das erarbeitete TM Forum AIOps Framework für alle Service-Management-Prozesse von den Service Operations über Design & Planning und Deployment bis zu Strategy & Governance ermöglicht anderen Unternehmen den vereinfachten Einsatz von AI.
Preventive und Predictive Maintenance
Das Team von Telefónica Deutschland und Tech Mahindra hat AIOps für Preventive und Predictive Maintenance, Knowledge Management und für das Service Reporting umgesetzt. Preventive und Predictive Maintenance betrifft die Vorhersage von Kunden- und Daten-Problemen. Hierfür hat das Team Ereignis- und Fehler-Daten aus verschiedenen Quellen mit Daten zu Problemen im operativen Workflow verknüpft. Ein KI-Modell aus künstlichen neuronalen Netzwerken, Random Forest, logistischer und linearer Regression sowie k-Means-Algorithmen analysiert und klassifiziert die Daten und liefert eine schnelle Diagnose der Vorfälle sowie eine auf die jeweilige Situation zugeschnittene Lösungsempfehlung. Ein Mitarbeiter kann damit sofort die grundlegenden Ursachen für das Problem erkennen. Anhand der Vorhersage, wie sich die Situation entwickeln wird, kann er entsprechende Maßnahmen auslösen.
Noch ist hier menschliches Eingreifen erforderlich. Das Ziel der nächsten Phase ist eine vollkommen automatisierte Fehlervermeidung und ein selbstheilendes System. Doch bereits jetzt wird der Prozess erheblich beschleunigt. Indem die Ursache der Vorfälle schnell analysiert und eliminiert wird, lässt sich zudem vermeiden, dass dasselbe Problem immer wieder auftritt.
- KI-gestütztes Service Management
- Nicht nur an der Oberfläche bleiben
Lesen Sie mehr zum Thema
