لماذا يهم هذا

تولّد فرق الخدمة قدرًا كبيرًا من البيانات: تذاكر وسجلات ومقاييس واستبيانات وسجلات تغيير وتقارير كلفة. ومعظمها يقبع غير مستخدم، أو يُلخَّص في لوحات لا يستطيع أحد ربطها بقرار. وتصف التقارير النشاط، مثل التذاكر المغلقة، وتقول القليل عن هل صار العملاء أفضل حالًا.

والتحليلات هي انضباط الحصول على إجابات من البيانات. وتصف ويكيبيديا التحليلات بأنها اكتشاف الأنماط ذات المعنى في البيانات وتفسيرها وإيصالها. وفي إدارة الخدمات يمكن أن تُظهر من أين يأتي الطلب، ولماذا تتكرر الحوادث، وأين ينتظر العمل، وأي التغييرات خطرة، وهل أفاد تحسين. ويمكن أن تضلل أيضًا. فقد يبدو رسم بياني مرجعيًا وهو قائم على عينة متحيزة أو مصادفة أو تعريف تغيّر بهدوء.

هذا الموضوع مدخل الجزء 7. يصف أنواع التحليلات وخطوات تحليل سليم والمزالق التي توقع حتى الحذرين. ويترك تعريفات المقاييس للكتاب المرافق Service Management Metrics، ويشير إلى المواضيع التالية للأسس (الموضوع 7.2 — أسس البيانات وحوكمتها) والقياس (الموضوع 7.3 — القياس والتقارير) وقابلية الملاحظة (الموضوع 7.4 — قابلية الملاحظة والقياس عن بُعد) والتنبؤ (الموضوع 7.5 — التحليلات التنبؤية والتوقّع) والتدفق (الموضوع 7.6 — تحليلات العمليات وسلسلة القيمة) والتجربة (الموضوع 7.7 — تحليلات التجربة والمشاعر). ويشدد وصف المالك لأحدث إصدار من ITIL على النتائج القابلة للقياس (انظر الموضوع 1.3 — ITIL 5)، وهي تعتمد على تحليلات تُجرى جيدًا.

المفاهيم الأساسية

أربعة أنواع من التحليلات. يميّز إطار شائع بين:

النوع السؤال مثال في عمل الخدمة
وصفي ماذا حدث؟ الحوادث في الشهر بحسب الخدمة
تشخيصي لماذا حدث؟ ما الذي تشترك فيه الحوادث المتكررة
تنبؤي ماذا يرجح أن يحدث؟ توقع حجم التذاكر في الربع القادم
توجيهي ماذا ينبغي أن نفعل؟ مستويات التوظيف التي تحقق هدفًا بأقل كلفة

وتصف ويكيبيديا التحليلات الوصفية والتنبؤية والتوجيهية. ويبني كل نوع على السابق. وستحصل معظم فرق الخدمة على أكبر قيمة من أداء الأولين جيدًا.

ابدأ بسؤال. يبدأ التحليل بقرار يحتاج أحدهم إلى اتخاذه، مثل هل تُضاف موظفين إلى النوبة المسائية، ويحوّله إلى سؤال تستطيع البيانات الإجابة عنه. وبدون سؤال يصبح التحليل بحثًا عن شيء مثير، وتشرح مقالة ويكيبيديا عن تنقيب البيانات المتحيز كيف يجد ذلك أنماطًا هي مجرد مصادفة.

البيانات. ما لديك، ومن أين جاء، وكيف سُجّل، وماذا يُغفل. تُظهر بيانات التذاكر ما اختار الناس الإبلاغ عنه وكيف صنّفه الموظفون، لا كل ما حدث. انظر الموضوع 7.2 — أسس البيانات وحوكمتها. وتصف ويكيبيديا جودة البيانات بأنها الملاءمة للاستخدام.

الإحصاءات الوصفية. ملخصات مثل الأعداد والوسيطات والمئينات والانتشار. وتصف ويكيبيديا الإحصاءات الوصفية. وفي بيانات الخدمة تكون الوسيطات والمئينات عادة أنفع من المتوسطات التي تخفي الذيول الطويلة، والقيم الشاذة، التي تصفها ويكيبيديا، تستحق نظرة لا إزالة آلية.

التحليل الاستكشافي. النظر في البيانات لرؤية شكلها وجودتها ومفاجآتها قبل اختبار الأفكار. وتصف ويكيبيديا التحليل الاستكشافي للبيانات. وهو يمنع أخطاء ساذجة، مثل معاملة قيمة ناقصة صفرًا.

أخذ العينات والتحيز. تستخدم معظم التحليلات عينة، ويمكن للعينات أن تضلل. وتصف ويكيبيديا أخذ العينات وتحيز الاختيار. تأتي ردود الاستبيانات ممن يجيبون، وتأتي تذاكر الدعم ممن يتصلون بك. أما تحيز الناجين، الذي تصفه ويكيبيديا أيضًا، فينشأ حين تدرس ما بقي فقط، مثل العملاء الذين بقوا.

الارتباط والسبب. ظهور شيئين معًا لا يعني أن أحدهما يسبب الآخر. وتصف ويكيبيديا المشكلة تحت «الارتباط لا يعني السببية»، والتشويش، حيث يقود عامل ثالث الاثنين. فقد يرتفع حجم التذاكر وعدد الخوادم معًا لأن الأعمال نمت. وادعاءات السبب تحتاج أكثر من رسم بياني: مقارنة مضبوطة، أو استدلال دقيق في البدائل. وتصف ويكيبيديا الاستدلال السببي واختبار A/B طريقتين لمعرفة السبب.

المفارقات والمزالق. مفارقة سمبسون، التي تصفها ويكيبيديا، حالة ينعكس فيها اتجاه يظهر في عدة مجموعات حين تُدمج المجموعات. ومغالطة المعدل الأساسي، المذكورة هناك أيضًا، هي خطأ تجاهل مدى شيوع شيء، فينتج كاشف جيد لحدث نادر إنذارات كاذبة في معظمها. والوعي بمزالق كهذه دفاع.

الدلالة الإحصائية وعدم اليقين. النتيجة «دالة» حين يستبعد أن تكون بسبب المصادفة وحدها تحت افتراضات معلنة. وتصف ويكيبيديا اختبارات الفرضيات وفترات الثقة. والدلالة ليست الأهمية: فقد يكون أثر ضئيل دالًّا في مجموعة بيانات كبيرة، وقد يكون أثر كبير غير مؤكد في صغيرة. أظهر النطاقات لا أرقامًا منفردة فقط.

التصوير البصري. تساعد الرسوم الناس على رؤية الأنماط، وتضلل الرسوم السيئة. وتصف ويكيبيديا تصوير البيانات والمعلومات. اختر أشكالًا تناسب السؤال، وسمِّ المحاور والوحدات، وابدأ المقاييس بأمانة، وأظهر عدم اليقين. واللوحات، التي تصفها ويكيبيديا بأنها عروض بصرية للمعلومات الرئيسة، ينبغي أن تخدم القرارات وأن تكون قليلة.

السلاسل الزمنية. كثير من بيانات الخدمة مسجل عبر الزمن، باتجاهات وأنماط موسمية وتحولات مفاجئة. وتصف ويكيبيديا تحليل السلاسل الزمنية. قارن المتشابه بالمتشابه: هذا الاثنين بالأيام الاثنين الأخرى. انظر الموضوع 7.5 — التحليلات التنبؤية والتوقّع.

النماذج وتعلم الآلة. تستطيع النماذج الإحصائية ونماذج تعلم الآلة التنبؤ والتصنيف والعنقدة. وهي تحتاج بيانات تدريب واختبار وتحققًا ومراقبة للانجراف. انظر الموضوع 5.1 — الذكاء الاصطناعي في إدارة الخدمات. والنموذج ليس مصدر حقيقة؛ بل أداة بافتراضات.

قانون غودهارت. حين يصبح المقياس هدفًا، يتوقف عن أن يكون مقياسًا جيدًا. وتصف ويكيبيديا القانون. والتحليلات المستخدمة للحكم على الناس أو الفرق تدعو إلى تغييرات في السلوك تحسّن الرقم لا النتيجة. استخدم المقاييس للتعلم، واقرنها بأخرى، وقل كيف يمكن التلاعب بكل منها. انظر كتاب Service Management Metrics.

الأخلاقيات والخصوصية. تثير التحليلات على الناس، مثل إنتاجية الموظفين أو سلوك المستخدمين، أسئلة الموافقة والإنصاف والتناسب. وتصف ويكيبيديا الخصوصية والتحيز الخوارزمي في موضع آخر. اجمع ما تحتاجه فقط، وجمّع حيث تستطيع، وكن منفتحًا بشأن ما تحلله ولماذا. انظر الموضوع 5.6 — حوكمة الذكاء الاصطناعي ومخاطره والامتثال.

التواصل. تحليل لا يفهمه أحد لا يغيّر شيئًا. اذكر السؤال والجواب والثقة والحدود والقرار الموصى به بكلمات بسيطة، مع رسم حيث يفيد.

كيف تتلاءم العدسات. التحليلات العدسة الرابعة، وهي تخدم الثلاث الأخرى. تستخدمها الممارسة الرشيقة لفحص هل أفاد تغيير. ويستخدم الذكاء الاصطناعي البيانات وقودًا ويستطيع تسريع التحليل، تحت المراجعة. وتنتج الأتمتة البيانات وتتصرف عليها. وتحتاج التحليلات أيضًا إلى العدسات الثلاث الأولى لتحويل الرؤية إلى تغيير.

أفضل الممارسات

  1. ابدأ من قرار. اكتب من سيقرر ماذا ومتى وأي دليل سيغير رأيه. وشكّل التحليل وفقه.
  2. حوّل القرار إلى سؤال دقيق. عرّف المصطلحات، مثل «محلول» أو «حادث متكرر»، والمجتمع والفترة قبل أن تلمس البيانات.
  3. اعرف بياناتك. وثّق المصادر وكيف تُنشأ السجلات والفجوات المعروفة وتغييرات التعريفات عبر الزمن. وافحص عينة مقابل الواقع.
  4. انظر قبل أن تختبر. استكشف التوزيعات والقيم الناقصة والشاذة أولًا. وأصلح الأخطاء وسجّل ما غيّرته.
  5. استخدم ملخصات متينة. أبلغ عن الوسيطات والمئينات مع الأعداد، وأظهر الانتشار. وقارن المتشابه بالمتشابه، مثل اليوم نفسه من الأسبوع أو الموسم نفسه.
  6. احذر التحيز. اسأل من غاب عن البيانات ولماذا. واذكر حدود العينة حين تعرض النتائج.
  7. لا تدّعِ السبب بلا أسس. قل «مرتبط بـ» ما لم تكن لديك مقارنة أو حجة قوية. واسرد التفسيرات البديلة وقل كيف فحصتها.
  8. أظهر عدم اليقين. أعطِ نطاقات وسجّل أحجام العينات. وتجنب الدقة الزائفة.
  9. صمّم الرسوم للقارئ. أبقِ الرسوم بسيطة وصادقة ومسماة. وفضّل بضع لوحات ذات معنى على كثير غير مستخدم.
  10. أغلق الحلقة. سجّل القرار المتخذ والنتيجة، وافحص لاحقًا هل أفاد التحليل. وأحِل إلى التقاعد التقارير التي لا يستخدمها أحد.

أسئلة للنقاش مع فريقك

ما آخر قرار اتخذناه ببيانات، وماذا قالت البيانات فعلًا؟ اطلب المثال. توقّع أن البيانات دعمت قرارًا اتُّخذ أصلًا. وتابع باختيار قرار قادم وكتابة السؤال أولًا.

أي تقاريرنا لا يقرؤها أحد أو يتصرف بشأنها؟ افحص الاستخدام. توقّع عدة. وتابع بإحالة واحد إلى التقاعد وسؤال هل يفتقده أحد.

أين قد تكون بياناتنا متحيزة أو ناقصة، ومن غاب عنها؟ فكّر في التذاكر والاستبيانات والسجلات. توقّع أن مستخدمين كثيرين لا يتصلون بنا قط. وتابع باختيار مصدر واحد وإضافة فحص من آخر.

ما الذي سيقنعنا أن تحسينًا حديثًا نجح فعلًا؟ ناقش الدليل. توقّع الاعتماد على رسوم قبل/بعد. وتابع بسرد الأشياء الأخرى التي تغيّرت في الوقت نفسه.

أي أرقامنا يمكن التلاعب بها، وكيف سنلاحظ؟ اختر مقياسًا يهم تقييم أحدهم. توقّع إجابات مبدعة. وتابع بالاتفاق على فحص بعينة أو مقياس مقترن.

كيف يستطيع الذكاء الاصطناعي مساعدتنا في تحليل بياناتنا، وكيف سنفحص عمله؟ يستطيع الذكاء الاصطناعي تلخيص البيانات ورسم المخططات واقتراح الأنماط. وقد يذكر أيضًا نتائج مخترعة. اسأل من يفحص وكيف. وتابع بتكرار تحليل ذكاء اصطناعي يدويًا على مجموعة بيانات صغيرة.

في الممارسة: مثال على إدارة الخدمات

يعالج مكتب خدمة تقنية المعلومات في هيئة ضرائب وطنية 25000 اتصال في الشهر. لدى مدير كبير لوحة تُظهر أن متوسط زمن الحل ارتفع 20 في المئة خلال سنة، ويطلب من قائد المكتب «إعادته إلى الانخفاض». ويقرر القائد التحليل قبل ردة الفعل.

تبدأ بالسؤال: هل ارتفع الزمن لحل اتصال معتاد، وإن كان كذلك فلأي أنواع الاتصال؟ وتفحص البيانات أولًا. في الربيع غيّرت أداة التذاكر كيف يُسجَّل «محلول»، بحيث تُحل التذاكر حين يعلّمها الموظف لا حين يؤكد المستخدم. وتجد أيضًا أن فئة جديدة من طلبات «الوصول إلى نظام القضايا» المعقدة، أُطلقت في الخريف، تشكل 12 في المئة من الاتصالات وتستغرق خمسة أضعاف الباقي.

وتعيد الحساب بالوسيطات والمئين التسعين، مقسمة بحسب الفئة. وللفئات القديمة، الوسيط الزمني للحل لم يتغير؛ والمئين التسعون ارتفع قليلًا. وارتفع المتوسط الكلي أساسًا بسبب الفئة الجديدة وتغيير التعريف. وتلاحظ أن البيانات لا تستطيع إظهار لماذا تستغرق بعض طلبات الوصول وقتًا طويلًا، بل فقط أنها تفعل.

وتعرض ملخصًا من صفحة: ارتفع المتوسط بسبب نوع عمل جديد وتغيير تعريف؛ ومعظم الاتصالات بسرعة سابقتها؛ ونما الذيل الطويل قليلًا، والطلبات المعقدة تحتاج نظرة. وتتجنب القول إن الفئة الجديدة «سببت» ارتفاع الذيل الطويل، لأن تغييرات في الموظفين حدثت أيضًا. وتقترح إجراءين: دراسة طلبات الوصول بعينة من 40 تذكرة، وتقريرًا شهريًا بحسب الفئة بالمئينات.

ما الذي يتغير: يتوقف المدير عن طلب خفض شامل ويطلب دراسة طلبات الوصول. وما يظل صعبًا: لا يمكن التراجع عن تغيير التعريف كاملًا، فتبقى المقارنات عبر الانقطاع تقريبية؛ وقرأ شخص واحد عينة التذاكر الأربعين وهي معرضة للتحيز؛ ولا يزال المدير يفضل رقمًا واحدًا. وتبقي القائدة النظرتين وتشرح حدود كل منهما في كل مرة.

أربع زوايا نظر

فرق المنتج والتسليم

استخدموا البيانات لاختبار هل أفادت التغييرات، وزوّدوا منتجكم بقياس عن بُعد لتوجد بيانات مفيدة. شاركوا التعريفات والحدود مع من يستخدمون بياناتكم، وتجنبوا المبالغة في الادعاء من رسم واحد.

فرق الخدمة والعمليات

اعرفوا من أين تأتي بياناتكم وما تفوّته. أبلغوا بالوسيطات والمئينات مع الأعداد، وافحصوا الذيول الطويلة. وأخبروا المحللين حين تتغير أداة أو فئة.

القيادة والحوكمة

اطلبوا السؤال والبيانات والحدود والقرار، لا رسمًا فقط. ولا تستخدموا مقاييس منفردة للحكم على الناس. وموّلوا جودة البيانات والمهارات التحليلية.

العملاء والمستخدمون

أنتم في البيانات، وكثيرًا ما تغيبون عنها. ينبغي أن تُسألوا عما يهمكم، وأن يقول المزود كيف تُستخدم معلوماتكم. أخبروا المزود حين لا تطابق الأرقام تجربتكم.

الرشاقة والذكاء الاصطناعي والأتمتة والتحليلات

الرشاقة

استخدم التحليلات أداة تغذية راجعة: ضع توقعًا، وأجرِ تغييرًا صغيرًا، وافحص البيانات، وقرر. شارك النتائج مع أصحاب المصلحة. تنبيه: لا تنتظر بيانات مثالية قبل التصرف بتجربة صغيرة؛ ولا تعامل رسم قبل/بعد قصيرًا دليلًا.

الذكاء الاصطناعي

يستطيع الذكاء الاصطناعي تنظيف البيانات وصياغة الاستعلامات والرسوم وتلخيص النتائج واقتراح الأنماط، بمالك وفحوص. تنبيه: قد يذكر تحليل مولَّد بالذكاء الاصطناعي نتائج لا تدعمها البيانات، أو يستخدم الأسلوب الخطأ؛ فاشترط عليه إظهار حساباته، وكرر عينة يدويًا. انظر الموضوع 5.1 — الذكاء الاصطناعي في إدارة الخدمات.

الأتمتة

أتمت جمع البيانات وتنظيفها والتقارير الروتينية، مع توثيق كل خطوة. تنبيه: قد تستمر التقارير الآلية بعد أن تغيّر معناها؛ فراجع التعريفات والمصادر بانتظام. انظر الموضوع 6.1 — استراتيجية الأتمتة.

التحليلات

هذا الموضوع هو العدسة نفسها: الأسئلة والبيانات والأساليب وعدم اليقين والقرارات. تنبيه: لا تدع حجم البيانات يقوم مقام الرؤية؛ فقِس هل غيّرت التحليلات القرارات. انظر كتاب Service Management Metrics لتعريفات المقاييس وضوابطها.

أنماط الإخفاق الشائعة

  • تقارير بلا قرارات. لوحات لا يستخدمها أحد. ابدأ من قرار وأحِل غير المستخدم إلى التقاعد.
  • متوسطات تخفي. ذيل من التجارب السيئة لا يُرى. استخدم الوسيطات والمئينات والتقسيمات.
  • تعريفات مجهولة. تغيّر معنى حقل يكسر الاتجاهات. وثّق التعريفات وراقبها.
  • عينات متحيزة. لا يُعد إلا من يتصلون بك. اذكر من غاب.
  • سبب من ارتباط. يؤخذ رسم دليلًا. اسرد التفسيرات البديلة واختبر.
  • دقة زائفة. تُعرض الأرقام بلا عدم يقين. أظهر النطاقات وأحجام العينات.
  • مستهدفات تشوّه. يحسّن الناس الرقم. اقرن المقاييس وخذ عينات من حالات حقيقية.

نموذج النضج

البُعد البدء التطوير التوحيد الإدارة التنسيق
الأسئلة والقرارات تقارير بالعادة بعض الأسئلة معرّفة تبدأ التحليلات من قرارات مسماة يُتتبَّع أثر القرار تحليلات مدمجة مع التخطيط عبر الخدمات
فهم البيانات مجهول المصادر الرئيسة معروفة المصادر والتعريفات والفجوات موثقة تُقاس جودة البيانات وتُحسَّن بيانات محكومة ومشتركة عبر الفرق والشركاء
الأسلوب متوسطات ورسوم وسيطات وتقسيمات أساسية أساليب معيارية وعدم يقين وفحوص تحيز تُراجع الأساليب ويفحصها النظراء أساليب متقدمة بإشراف وتحقق
التواصل لوحات ملخصات نتائج بلغة بسيطة مع الحدود تُختبر النتائج مع المستخدمين رؤى مضمَّنة في القرارات اليومية

قائمة التحقق

  • يبدأ كل تحليل من قرار مسمّى وسؤال دقيق.
  • نوثّق مصادر بياناتنا وتعريفاتها وفجواتها المعروفة.
  • نبلّغ عن الوسيطات والمئينات مع الأعداد.
  • نذكر من غاب عن البيانات وحدود العينات.
  • نفصل الارتباط عن السبب ونسرد التفسيرات البديلة.
  • نُظهر عدم اليقين ونتجنب الدقة الزائفة.
  • نقرن المقاييس التي يمكن التلاعب بها ونأخذ عينات من حالات حقيقية.
  • نتتبع القرارات المتخذة ونراجع هل أفاد التحليل.

موجّهات الذكاء الاصطناعي

حوّل قرارًا إلى سؤال.

The decision we need to make: [describe]. Who decides: [role]. Data we have: [list sources and fields].
Write three precise analytical questions that would inform the decision, with definitions of key terms, the population, and the period. List what data we lack for each. Do not propose answers.
List what you are unsure of.

افحص ملخص نتائج بحثًا عن المزالق.

Here is a summary of an analysis with the data used: [paste].
List possible problems: sample bias, missing groups, changes in definitions, outliers, confounding factors, and claims of cause not supported by the data. Quote the text for each. Do not redo the analysis.
List what you are unsure of.

صِف مجموعة بيانات قبل التحليل.

Here is a sample of rows from our dataset with field names, identifiers removed: [paste].
List each field, its apparent type, missing values, odd values, and questions to ask about how it is recorded. Do not draw conclusions about the business.
List what you are unsure of.

مهارات الذكاء الاصطناعي

  • statistical-analysis: استخدمها لاختيار أساليب إحصائية سليمة وتطبيقها.
  • trend-analysis: استخدمها لفحص التغير عبر الزمن.
  • data-quality: استخدمها لفحص البيانات وراء تحليل وتحسينها.
  • software-engineering-metrics: استخدمها لتعريف مقاييس التسليم ومخاطرها.
  • survey-design: استخدمها لتصميم استبيانات تتجنب التحيز الشائع.

المصادر الرئيسة

  • Edward Tufte, The Visual Display of Quantitative Information (1983): كلاسيكية عن الرسوم الصادقة.
  • Darrell Huff, How to Lie with Statistics (1954): عرض قصير مقروء لحيل إحصائية شائعة.
  • The companion Service Management Metrics book: تعريفات المقاييس ومسالك التلاعب وضوابطها.
  • Wikipedia, "Analytics" and "Data analysis": نظرات عامة على الحقل.

المراجع

  1. Analytics — Wikipedia — https://en.wikipedia.org/wiki/Analytics
  2. Data analysis — Wikipedia — https://en.wikipedia.org/wiki/Data_analysis
  3. Descriptive statistics — Wikipedia — https://en.wikipedia.org/wiki/Descriptive_statistics
  4. Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
  5. Prescriptive analytics — Wikipedia — https://en.wikipedia.org/wiki/Prescriptive_analytics
  6. Correlation does not imply causation — Wikipedia — https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation
  7. Simpson's paradox — Wikipedia — https://en.wikipedia.org/wiki/Simpson%27s_paradox
  8. Selection bias — Wikipedia — https://en.wikipedia.org/wiki/Selection_bias
  9. Data dredging — Wikipedia — https://en.wikipedia.org/wiki/Data_dredging
  10. Goodhart's law — Wikipedia — https://en.wikipedia.org/wiki/Goodhart%27s_law
  11. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
  12. Exploratory data analysis — Wikipedia — https://en.wikipedia.org/wiki/Exploratory_data_analysis