यह क्यों मायने रखता है

सेवा टीमें हमेशा किसी न किसी चीज़ की तैयारी में रहती हैं। नए सत्र के पहले सप्ताह में कितने संपर्क आएँगे? स्टोरेज कब भरेगा? कौन-से परिवर्तन घटनाएँ पैदा करने की संभावना रखते हैं? सेल के दौरान ऑन-कॉल पर कितने लोग होने चाहिए? कर्मचारियों, क्षमता और जोखिम के निर्णय भविष्य के बारे में मान्यताओं पर टिके हैं, चाहे कोई उन्हें कहे या नहीं।

भविष्यवाणी उन मान्यताओं को स्पष्ट और परखने योग्य बनाती है। अगले महीने के टिकट की मात्रा का पूर्वानुमान, श्रेणी के साथ, जो होता है उससे तुलना करके सुधारा जा सकता है। परिवर्तन के जोखिम का स्कोर देने वाले मॉडल को उन परिवर्तनों से जाँचा जा सकता है जो विफल हुए। अच्छी तरह किया जाए तो यह अंतर्ज्ञान की जगह प्रमाण रखता है। बुरी तरह किया जाए तो यह अंतर्ज्ञान की जगह झूठा आत्मविश्वास रखता है: दो दशमलव तक की एकल संख्या, ऐसे मॉडल से बनी जिसे कोई समझा नहीं सकता, इसलिए भरोसेमंद क्योंकि वह वैज्ञानिक दिखती है।

भविष्यवाणियाँ साधारण कारणों से ग़लत होती हैं। अतीत में वह पैटर्न नहीं था जो मायने रखता है। मॉडल शोर से मेल खाता है। लॉन्च, नीति परिवर्तन, या रुकावट मॉडल के सीखे संबंध को तोड़ देती है। दुर्लभ घटना का पूर्वानुमान आम घटनाओं के लिए बने उपकरण से लगाया जाता है। यह विषय सेवा प्रबंधन में पूर्वानुमान और भविष्यवाणी के मुख्य प्रकारों, सरल शब्दों में विधियों, और उन्हें ईमानदार रखने वाली आदतों का वर्णन करता है। यह विश्लेषण («विषय 7.1 — सेवा प्रबंधन के लिए विश्लेषण») और क्षमता नियोजन («विषय 3.11 — उपलब्धता, क्षमता और प्रदर्शन») पर बना है, और AIOps («विषय 5.2 — AIOps») तथा क्लाउड के अर्थशास्त्र («विषय 4.5 — वित्तीय प्रबंधन और FinOps») से जुड़ता है।

मूल अवधारणाएँ

फ़ोरकास्टिंग और भविष्यवाणी। फ़ोरकास्टिंग समय के साथ किसी मात्रा के भविष्य के मानों का अनुमान लगाती है, जैसे अगले महीने की माँग। भविष्यवाणी अधिक व्यापक रूप से किसी अज्ञात का अनुमान लगाती है, जैसे परिवर्तन विफल होगा या नहीं। Wikipedia फ़ोरकास्टिंग (forecasting) और पूर्वानुमानी विश्लेषण (predictive analytics) का वर्णन करता है। दोनों पिछले डेटा के पैटर्न का उपयोग करते हैं, और दोनों अनिश्चित हैं।

टाइम सीरीज़। नियमित अंतराल पर दर्ज डेटा। Wikipedia टाइम सीरीज़ विश्लेषण (time series analysis) का वर्णन करता है। कई सेवा मात्राएँ, जैसे दैनिक टिकट गिनती, टाइम सीरीज़ हैं जिनमें रुझान (लंबे समय की बढ़त या गिरावट), मौसमीपन (नियमित चक्र, जैसे साप्ताहिक या वार्षिक), और शोर होता है। Wikipedia मौसमीपन (seasonality) का वर्णन करता है। पूर्वानुमानों को तीनों का हिसाब रखना होता है।

आधार-रेखाएँ (बेसलाइन)। सबसे सरल पूर्वानुमान जो काम कर सकता है: "अगला सप्ताह इस सप्ताह जैसा होगा", या "यह महीना पिछले साल के उसी महीने जैसा होगा, वृद्धि के लिए समायोजित"। आधार-रेखाओं को हराना आश्चर्यजनक रूप से कठिन है। परिष्कृत विधि की तुलना हमेशा आधार-रेखा से करें; अगर वह स्पष्ट रूप से बेहतर नहीं करती, तो आधार-रेखा उपयोग करें।

शास्त्रीय विधियाँ। घातीय स्मूदिंग और ऑटोरिग्रेसिव इंटीग्रेटेड मूविंग एवरेज (ARIMA) मॉडल जैसी तकनीकें, जिनका वर्णन Wikipedia करता है, कई श्रृंखलाओं के रुझान और मौसमीपन सँभालती हैं और अक्सर अधिक जटिल उपकरणों से हराना कठिन होती हैं। उन्हें समझाना भी आसान है।

मशीन लर्निंग विधियाँ। वे विधियाँ जो कई चर से पैटर्न सीखती हैं, जैसे रिग्रेशन ट्री या न्यूरल नेटवर्क, अतिरिक्त जानकारी का उपयोग कर सकती हैं, जैसे नियोजित आयोजन। Wikipedia सामान्य रूप से रिग्रेशन विश्लेषण (regression analysis) और मशीन लर्निंग का वर्णन करता है। प्रासंगिक डेटा बहुत होने पर वे अच्छा कर सकती हैं और न होने पर ओवरफ़िट हो सकती हैं। «विषय 5.1 — सेवा प्रबंधन में AI» देखें।

ओवरफ़िटिंग और सत्यापन। जो मॉडल अतीत से बहुत क़रीबी मेल खाता है, उसके शोर सहित, वह नए डेटा पर ख़राब प्रदर्शन करता है। Wikipedia ओवरफ़िटिंग (overfitting) का वर्णन करता है। बचाव है वह डेटा रोक लेना जो मॉडल ने नहीं देखा, अलग प्रशिक्षण, सत्यापन और परीक्षण समूहों में, जैसा Wikipedia बताता है, और मॉडल बनाने में उपयोग हुई अवधियों से बाद की अवधियों पर परखना। टाइम सीरीज़ के लिए इसे बैकटेस्टिंग कहते हैं; Wikipedia इसका वर्णन (backtesting) करता है।

रिसाव (लीकेज)। मॉडल में ऐसी जानकारी का उपयोग जो भविष्यवाणी के समय उपलब्ध नहीं होती, जैसे घटना हल होने के बाद भरा गया फ़ील्ड। Wikipedia मशीन लर्निंग में लीकेज (leakage) का वर्णन करता है। यह प्रभावशाली परीक्षण परिणाम और बेकार पूर्वानुमान पैदा करता है।

अनिश्चितता और अंतराल। पूर्वानुमान संभावनाओं का वितरण है, संख्या नहीं। पूर्वानुमान अंतराल (prediction interval), जिसका वर्णन Wikipedia पर है, ऐसी श्रेणी देता है जिसमें परिणाम कही गई संभावना से होने की अपेक्षा है। श्रेणियाँ रिपोर्ट करें, जैसे "8,000 और 9,500 संपर्कों के बीच, सबसे संभावित 8,700"। मोंटे कार्लो विधियाँ (Monte Carlo methods), जिनका वर्णन Wikipedia पर है, श्रेणी दिखाने के लिए कई संभावित भविष्यों का अनुकरण करती हैं।

परिदृश्य। उन चीज़ों के लिए जो निर्णयों या इवेंट पर निर्भर हैं, जैसे लॉन्च, परिदृश्य नियोजन (scenario planning), जिसका वर्णन Wikipedia पर है, एक पूर्वानुमान के बजाय कुछ विश्वसनीय कहानियाँ विकसित करता है और हर एक की योजना बनाता है। परिदृश्य तब उपयोग करें जब भविष्य अतीत से प्रकार में भिन्न हो सकता है।

सटीकता के माप। आम माप पूर्वानुमानों की परिणामों से तुलना करते हैं, जैसे माध्य निरपेक्ष प्रतिशत त्रुटि (mean absolute percentage error, जिसका वर्णन Wikipedia करता है) और कही गई श्रेणी में आने वाले परिणामों का हिस्सा। हर एक की कमज़ोरियाँ हैं: मान शून्य के क़रीब होने पर प्रतिशत त्रुटि अस्थिर होती है। ऐसे माप चुनें जो मेल खाएँ कि त्रुटियाँ आपको कैसे महँगी पड़ती हैं।

वर्गीकरण और जोखिम स्कोर। यह भविष्यवाणी करना कि कुछ होगा या नहीं, जैसे परिवर्तन का विफल होना या टिकट का लक्ष्य चूकना, स्कोर पैदा करता है। Wikipedia परिशुद्धता और रिकॉल (precision and recall) का वर्णन करता है, ऐसी भविष्यवाणियों के ग़लत होने के दो तरीक़े: झूठे अलार्म और चूकें। दुर्लभ घटनाएँ इसे कठिन बनाती हैं: Wikipedia आधार-दर भ्रांति (base rate fallacy) का वर्णन करता है, जिसमें घटना दुर्लभ होने पर अच्छा लगने वाला डिटेक्टर ज़्यादातर झूठे अलार्म देता है। थ्रेशोल्ड चुनने से पहले हर प्रकार की त्रुटि की लागत तय करें।

अंशांकन (कैलिब्रेशन)। जोखिम स्कोर अंशांकित है अगर 20 प्रतिशत स्कोर वाली मदों में से लगभग 20 प्रतिशत वास्तव में घटित हों। Wikipedia सांख्यिकी में अंशांकन (calibration) का वर्णन करता है। जो स्कोर अच्छा क्रम देता है पर अंशांकित नहीं है, वह उन लोगों को भ्रमित कर सकता है जो उसे संभावना की तरह पढ़ते हैं।

विचलन। सेवाओं, उपयोगकर्ताओं और उपकरणों के बदलने पर संबंध बदलते हैं। Wikipedia अवधारणा-विचलन (concept drift) का वर्णन करता है। पिछले साल काम करने वाला मॉडल नए उत्पाद के लॉन्च के बाद विफल हो सकता है। समय के साथ सटीकता की निगरानी करें, और घटने पर पुनः प्रशिक्षित करें या दोबारा बनाएँ।

दुर्लभ और चरम घटनाएँ। सामान्य इतिहास पर प्रशिक्षित मॉडल बहुत असामान्य घटनाओं पर ख़राब करते हैं। Wikipedia ब्लैक स्वान सिद्धांत (black swan theory) का वर्णन करता है, यह विचार कि दुर्लभ, उच्च-प्रभाव वाली घटनाएँ सामान्य डेटा से अनुमेय नहीं हैं। पूँछ के जोखिमों के लिए पूर्वानुमानों पर निर्भर न रहें; परिदृश्य, तनाव परीक्षण और पूर्वाभ्यास उपयोग करें। «विषय 3.12 — सेवा निरंतरता प्रबंधन» देखें।

कतार और क्षमता। माँग का पूर्वानुमान क्षमता के निर्णयों में जाता है। कतार सिद्धांत और लिटिल का नियम (Little's law), जिनका वर्णन Wikipedia करता है, माँग, क्षमता और प्रतीक्षा को जोड़ते हैं। «विषय 3.11 — उपलब्धता, क्षमता और प्रदर्शन» और «विषय 2.3 — प्रवाह और कानबन» देखें।

पहले निर्णय। पूर्वानुमान तभी उपयोगी है जब वह निर्णय बदले। बनाने से पहले लिखें कि वह किस निर्णय को सूचित करता है, कार्रवाई की थ्रेशोल्ड क्या हैं, और हर एक पर आप क्या करेंगे। अगर कुछ नहीं बदलेगा, तो पूर्वानुमान न लगाएँ।

मानवीय विवेक। लोग लॉन्च, नीति परिवर्तन और ऐसी घटनाओं के बारे में जानते हैं जो किसी मॉडल ने नहीं देखीं। मॉडल के आउटपुट को विवेक के साथ मिलाएँ, समायोजन दर्ज करें, और बाद में जाँचें कि उन्होंने मदद की या नहीं।

दृष्टियाँ कैसे फ़िट होती हैं। भविष्यवाणी विश्लेषण का आगे देखने वाला पक्ष है। एजाइल अभ्यास पूर्वानुमान को परिकल्पना मानता है, जो अक्सर ताज़ा की जाती है। AI तकनीकें जो भविष्यवाणी हो सकती है उसे बढ़ाती हैं, समीक्षा के अधीन और ऊपर की सावधानियों के साथ। स्वचालन भविष्यवाणियों पर कार्रवाई कर सकता है, जैसे माँग से पहले स्केलिंग, सीमाओं के साथ।

सर्वोत्तम अभ्यास

  1. पहले निर्णय और थ्रेशोल्ड बताएँ। लिखें कि पूर्वानुमान की हर श्रेणी कौन-सी कार्रवाई ट्रिगर करेगी, और कौन तय करता है। जो पूर्वानुमान कुछ नहीं बदलेंगे उन्हें छोड़ें।
  2. आधार-रेखा से शुरू करें। सरल पूर्वानुमान बनाएँ, जैसे पिछले साल का पैटर्न वृद्धि के लिए समायोजित, और उसकी त्रुटि मापें। इसे हराने की कसौटी की तरह उपयोग करें।
  3. उन विधियों को प्राथमिकता दें जिन्हें आप समझा सकें। जब तक जटिल विधियाँ रोके हुए डेटा पर स्पष्ट रूप से बेहतर न हों, शास्त्रीय विधियाँ या सरल मॉडल उपयोग करें। सरल शब्दों में बता सकें कि पूर्वानुमान को क्या चलाता है।
  4. ईमानदारी से सत्यापित करें। सबसे हाल की अवधि रोक लें, कई अवधियों में बैकटेस्ट करें, और रिसाव जाँचें। उस डेटा पर त्रुटि रिपोर्ट करें जो मॉडल ने नहीं देखा।
  5. श्रेणियाँ और परिदृश्य दिखाएँ। सबसे संभावित मान और विश्वसनीय श्रेणी दें। जहाँ घटनाएँ पैटर्न बदल सकती हैं वहाँ परिदृश्य उपयोग करें। झूठी सटीकता न दें।
  6. ज्ञात घटनाएँ शामिल करें। जो लोग जानते हैं उनसे लॉन्च, समय-सीमाएँ, छुट्टियाँ और अभियान जोड़ें। विवेक से किए समायोजन दर्ज करें।
  7. थ्रेशोल्ड को त्रुटियों की लागत से मिलाएँ। जोखिम स्कोर के लिए झूठे अलार्म और चूकों की लागत तय करें, उसके अनुसार थ्रेशोल्ड रखें, और अंशांकन जाँचें।
  8. सटीकता और विचलन की निगरानी करें। हर पूर्वानुमान की तुलना परिणाम से करें, समय के साथ त्रुटि ट्रैक करें, और सटीकता घटने पर पुनः प्रशिक्षित करें या दोबारा बनाएँ। पूर्वानुमानों का लॉग रखें ताकि उनकी लेखा-परीक्षा हो सके।
  9. दुर्लभ घटनाओं की भविष्यवाणियों पर अति-भरोसा न करें। गंभीर पर असंभावित घटनाओं के लिए परिदृश्य, तनाव परीक्षण और पूर्वाभ्यास उपयोग करें।
  10. निर्णयों से चक्र बंद करें। लिया गया निर्णय और परिणाम दर्ज करें, और उनका उपयोग पूर्वानुमान और निर्णय के नियम को सुधारने के लिए करें।

अपनी टीम के साथ चर्चा के प्रश्न

हम आज भविष्य के बारे में अनुमान के आधार पर कौन-से निर्णय लेते हैं, और बेहतर अनुमान के साथ हम क्या अलग करते? उन्हें सूचीबद्ध करें: स्टाफ़िंग, क्षमता, रिलीज़ का समय। कई की अपेक्षा रखें। फ़ॉलो-अप में एक चुनें और निर्णय का नियम लिखें।

हमारे पिछले तीन पूर्वानुमान कितने सटीक थे, और हमें कैसे पता चला? संख्याएँ माँगें। अपेक्षा रखें कि किसी ने नहीं जाँचा। फ़ॉलो-अप में पिछले पूर्वानुमानों की वास्तविक से तुलना करें और लॉग रखने पर सहमत हों।

इसके लिए सबसे सरल पूर्वानुमान जो काम कर सके क्या है, और जटिल मॉडल को उसे सही ठहराने के लिए कितना बेहतर होना होगा? आधार-रेखा बनाएँ। अपेक्षा रखें कि वह सम्मानजनक प्रदर्शन करती है। फ़ॉलो-अप में किसी भी अधिक जटिल चीज़ को अपनाने के लिए न्यूनतम सुधार तय करें।

हम कौन-सी घटनाओं के बारे में जानते हैं जो इतिहास पर प्रशिक्षित मॉडल नहीं जानेगा? लॉन्च, समय-सीमाएँ और नीति परिवर्तन सूचीबद्ध करें। कई की अपेक्षा रखें। फ़ॉलो-अप में तय करें कि उन्हें इनपुट के रूप में शामिल करना है या समायोजन के रूप में।

परिवर्तनों के लिए जोखिम स्कोर का उपयोग कैसे होगा, और झूठे अलार्म बनाम चूक की लागत क्या है? ठोस शब्दों में चर्चा करें। अलग-अलग राय की अपेक्षा रखें। फ़ॉलो-अप में थ्रेशोल्ड और पहले महीने के परिणामों की समीक्षा पर सहमत हों।

AI हमें पूर्वानुमान या भविष्यवाणी में कहाँ मदद कर सकती है, और हमें कैसे पता चलेगा कि वह ग़लत थी? AI जटिल पैटर्न से मेल खा सकती है और उन्हें गढ़ भी सकती है। आधार-रेखाओं से तुलना और विचलन की निगरानी की योजना माँगें। फ़ॉलो-अप में एक तिमाही के लिए AI पूर्वानुमान को वर्तमान विधि के साथ चलाएँ।

व्यवहार में: सेवा प्रबंधन का एक उदाहरण

एक राष्ट्रीय छात्र ऋण एजेंसी का सहायता डेस्क साल के अधिकांश समय शांत रहता है और वार्षिक आवेदन समय-सीमा से पहले के दो सप्ताह में अभिभूत हो जाता है। अब तक डेस्क प्रमुख चरम समय में पिछले साल के अनुभव को याद करके और मार्जिन जोड़कर स्टाफ़ करती रही हैं। दो साल पहले डेस्क में कर्मचारी कम थे, और पिछले साल उसने अस्थायी एजेंटों पर अधिक ख़र्च किया।

सेवा विश्लेषक से पूर्वानुमान सुधारने को कहा गया है। वे निर्णय से शुरू करती हैं: छह सप्ताह पहले कितने एजेंट बुक करने हैं, पाँच के चरणों में, और दो सप्ताह पहले अंतिम समायोजन के साथ। वे आधार-रेखा बनाती हैं: पिछले चार वर्षों के हर दिन के लिए, समय-सीमा तक बचे दिनों के सापेक्ष संपर्कों की संख्या, अब तक के आवेदकों की संख्या से स्केल की हुई। पिछले साल के रोके हुए डेटा पर आधार-रेखा की चरम सप्ताह पर त्रुटि 18 प्रतिशत है। वे अधिक जटिल मॉडल आज़माती हैं जो मौसम, सोशल मीडिया उल्लेख और सप्ताह का दिन जोड़ता है। उसी रोके हुए साल पर वह त्रुटि को 15 प्रतिशत तक सुधारता है, पर उससे पिछले साल पर वह आधार-रेखा से बदतर है, और कोई नहीं समझा सकता कि क्यों। वे नए आवेदकों की संख्या के सरल समायोजन के साथ आधार-रेखा चुनती हैं, और प्रमुख को श्रेणी दिखाती हैं: चरम सप्ताह में 11,000 से 14,500 संपर्क, सबसे संभावित 12,500।

वे व्यवसाय से ज्ञात घटनाओं के बारे में पूछती हैं। समय-सीमा से दो सप्ताह पहले नया ऑनलाइन फ़ॉर्म लॉन्च होगा, जो संपर्क बढ़ा या घटा सकता है। वे दो परिदृश्य बनाती हैं: एक जहाँ फ़ॉर्म संपर्कों को 15 प्रतिशत घटाता है, और एक जहाँ वह उलझन से 10 प्रतिशत जोड़ता है। प्रमुख श्रेणी के बीच के लिए बुकिंग करती हैं, ऊपरी परिदृश्य के लिए एजेंटों के ऑन-कॉल पूल के साथ। विश्लेषक पूर्वानुमान, परिदृश्य और निर्णय दर्ज करती हैं।

क्या बदलता है: चरम सप्ताह के वास्तविक संपर्क 13,800 हैं, श्रेणी के भीतर, और डेस्क अधिक ख़र्च किए बिना अपना लक्ष्य पूरा करता है। क्या कठिन रहता है: फ़ॉर्म लॉन्च ने सचमुच उलझन जोड़ी, जिसका पूर्वानुमान केवल ऊपरी परिदृश्य ने किया था; पूर्वानुमान आवेदकों के डेटा पर निर्भर है जो देर से आता है; और एक वरिष्ठ प्रबंधक ने एकल संख्या माँगी, जो विश्लेषक ने श्रेणी के साथ दी। वे त्रुटि दर्ज करती हैं, सबसे संभावित मान के विरुद्ध 10 प्रतिशत, और उसकी तुलना आधार-रेखा और अगले साल से करने की योजना बनाती हैं।

चार दृष्टिकोण

उत्पाद और डिलीवरी टीमें

विश्लेषकों को लॉन्च, बदलावों और अभियानों के बारे में जल्दी बताएँ, क्योंकि वे माँग और जोखिम को हिलाते हैं। वह डेटा दें जो भविष्यवाणियों को चाहिए, और जोखिम स्कोर को निर्णय की तरह नहीं, प्रश्न उठाने के संकेत की तरह उपयोग करें।

सेवा और संचालन टीमें

स्टाफ़िंग और क्षमता की योजना के लिए पूर्वानुमान उपयोग करें, ऊपरी परिदृश्य के मार्जिन के साथ। रिपोर्ट करें कि पूर्वानुमान कहाँ और क्यों ग़लत थे, ताकि विधि सुधरे।

नेतृत्व और गवर्नेंस

निर्णय, आधार-रेखा, श्रेणी और सटीकता का रिकॉर्ड माँगें। अनिश्चितता स्वीकार करें। डेटा और पूर्वानुमान जाँचने के समय का वित्तपोषण करें। एकल संख्याएँ न माँगें।

ग्राहक और उपयोगकर्ता

आपको तब लाभ होता है जब प्रदाता चरम समय और जोखिमों की तैयारी करते हैं। प्रदाता को अपनी उन योजनाओं के बारे में बताएँ जो माँग को प्रभावित कर सकती हैं, जैसे अभियान, और उन समस्याओं की रिपोर्ट करें जो सुझाती हैं कि पूर्वानुमान चूका था।

एजाइल, AI, स्वचालन और विश्लेषण

एजाइल

पूर्वानुमानों को परिकल्पना मानें, उन्हें अक्सर ताज़ा करें, और हर अवधि के बाद जाँचें। मान्यताओं में हितधारकों को शामिल करें। सावधानी: पहले के पूर्वानुमान दर्ज किए बिना लगातार दोबारा पूर्वानुमान लगाना छिपाता है कि वे कितने ग़लत थे।

AI

AI विधियाँ कई चरों और असंरचित संकेतों का मॉडल बना सकती हैं, और पूर्वानुमानों के सारांश के मसौदे बना सकती हैं, समीक्षा के अधीन। स्वामी नामित करें, आधार-रेखाओं से तुलना करें, और विचलन की निगरानी करें। सावधानी: श्रेणी के बिना या रोके हुए डेटा पर परीक्षण के बिना AI पूर्वानुमान चमकदार सतह वाला अनुमान है। «विषय 5.1 — सेवा प्रबंधन में AI» देखें।

स्वचालन

डेटा संग्रह, पूर्वानुमान रन और निर्धारित अलर्ट स्वचालित करें, और जहाँ सुरक्षित हो, अपेक्षित भार से पहले स्केलिंग जैसी कार्रवाइयाँ, सीमाओं के साथ। सावधानी: ग़लत पूर्वानुमान पर स्वचालित कार्रवाई धन बर्बाद कर सकती है या हानि पहुँचा सकती है; सीमाएँ तय करें और समीक्षा करें। «विषय 6.1 — स्वचालन रणनीति» देखें।

विश्लेषण

पूर्वानुमान की त्रुटि, अंतराल कवरेज, जोखिम स्कोर का अंशांकन, और लिए गए निर्णयों का मूल्य मापें। सावधानी: कम औसत त्रुटि वाला मॉडल उन चरम बिंदुओं पर विफल हो सकता है जो सबसे अधिक मायने रखते हैं; वहाँ मूल्यांकन करें जहाँ त्रुटियाँ सबसे महँगी हैं। सेवा प्रबंधन मेट्रिक्स पुस्तक और «विषय 7.1 — सेवा प्रबंधन के लिए विश्लेषण» देखें।

आम विफलता के तरीके

  • ऐसे पूर्वानुमान जो कुछ नहीं बदलते। कोई निर्णय उन पर निर्भर नहीं। निर्णय से शुरू करें।
  • जटिल मॉडल, कोई आधार-रेखा नहीं। वह सरल मॉडल से बेहतर नहीं करता। हमेशा तुलना करें।
  • ओवरफ़िटिंग और लीकेज। शानदार परीक्षण परिणाम, ख़राब वास्तविकता। बाद का डेटा रोकें और इनपुट जाँचें।
  • एकल संख्याएँ। झूठी सटीकता। श्रेणियाँ और परिदृश्य दिखाएँ।
  • ज्ञात घटनाओं की अनदेखी। मॉडल लॉन्च चूक जाता है। वह जोड़ें जो लोग जानते हैं।
  • निगरानी नहीं। विचलन अनदेखा रहता है। समय के साथ सटीकता ट्रैक करें।
  • दुर्लभ घटनाओं की भविष्यवाणियों पर भरोसा। पूँछ के जोखिम का ग़लत मूल्यांकन होता है। परिदृश्य और पूर्वाभ्यास उपयोग करें।

परिपक्वता मॉडल

आयाम आरंभ विकास मानकीकरण प्रबंधन समन्वय
निर्णय और आधार-रेखाएँ अटकल कुछ पूर्वानुमान आधार-रेखाओं के साथ नामित निर्णयों से जुड़े पूर्वानुमान पूर्वानुमानों के मूल्य की समीक्षा सेवाओं में नियोजन में एकीकृत पूर्वानुमान
विधि और सत्यापन बिना जाँचे बुनियादी विधियाँ समझाने योग्य विधियाँ, बैकटेस्टिंग और लीकेज जाँच विधियों की तुलना और सुधार पोर्टफ़ोलियो में विधियाँ चुनी और निगरानी की जाती हैं
अनिश्चितता एकल संख्याएँ कुछ श्रेणियाँ श्रेणियाँ और परिदृश्य मानक अंतराल कवरेज और अंशांकन मापे जाते हैं सीमाओं के साथ स्वचालित निर्णयों में अनिश्चितता का उपयोग
निगरानी कोई नहीं कभी-कभार समीक्षा सटीकता और विचलन ट्रैक प्रमाण से पुनः प्रशिक्षण और पुनर्निर्माण ट्रिगर मॉडलों में सतत मूल्यांकन

जाँच-सूची

  • हर पूर्वानुमान उस निर्णय और थ्रेशोल्ड का नाम लेता है जिसे वह सूचित करता है।
  • हम हर मॉडल की तुलना सरल आधार-रेखा से करते हैं।
  • हम रोके हुए बाद के डेटा पर सत्यापित करते हैं और लीकेज जाँचते हैं।
  • हम श्रेणियाँ रिपोर्ट करते हैं और जहाँ घटनाएँ पैटर्न बदल सकती हैं वहाँ परिदृश्य उपयोग करते हैं।
  • व्यवसाय की ज्ञात घटनाएँ शामिल हैं या समायोजन के रूप में दर्ज हैं।
  • जोखिम स्कोर के पास झूठे अलार्म और चूकों की लागत से तय थ्रेशोल्ड है, और हम अंशांकन जाँचते हैं।
  • हम पूर्वानुमान लॉग करते हैं, उनकी परिणामों से तुलना करते हैं, और विचलन की निगरानी करते हैं।
  • हम दुर्लभ, गंभीर घटनाओं के लिए परिदृश्य और पूर्वाभ्यास उपयोग करते हैं।

AI प्रॉम्प्ट

डेटा से आधार-रेखा बनाएँ।

यह पिछले [संख्या] वर्षों के लिए [मात्रा] की मासिक गिनती है: [चिपकाएँ]।
रुझान और मौसमी पैटर्न का वर्णन करें, अगले [अवधि] के लिए सरल आधार-रेखा पूर्वानुमान बनाएँ (विधि बताएँ और गणना दिखाएँ), और पिछले वर्षों के फैलाव के आधार पर अनुमानित श्रेणी दें। ऐसी कोई विधि उपयोग न करें जिसे वह डेटा चाहिए जो मैंने नहीं दिया।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।

पूर्वानुमान रिपोर्ट जाँचें।

यह पूर्वानुमान रिपोर्ट है और यह कैसे बनी: [चिपकाएँ]।
समस्याएँ सूचीबद्ध करें: आधार-रेखा से तुलना नहीं, रोके हुए डेटा पर सत्यापन नहीं, संभावित लीकेज, श्रेणियों के बिना एकल संख्याएँ, छूटी ज्ञात घटनाएँ, और प्रमाण से अधिक मज़बूत दावे। हर एक के लिए पाठ उद्धृत करें। पूर्वानुमान दोबारा न बनाएँ।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।

परिदृश्यों का मसौदा बनाएँ।

निर्णय: [वर्णन करें]। अनिश्चित घटना: [वर्णन करें]। हम जो जानते हैं: [सूची]।
तीन परिदृश्य (निम्न, मध्य, उच्च) का मसौदा बनाएँ, हर एक के पीछे की मान्यता, अगर वह हो रहा हो तो शुरू में क्या दिखेगा, और हमारी योजना कैसे अलग होगी, के साथ। संभावनाएँ न सौंपें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।

AI कौशल

  • demand-forecasting: कही गई अनिश्चितता के साथ भविष्य की माँग का अनुमान लगाने के लिए उपयोग करें।
  • capacity-planning: पूर्वानुमानों को क्षमता के निर्णयों में बदलने के लिए उपयोग करें।
  • trend-analysis: रुझानों और मौसमीपन का विश्लेषण करने के लिए उपयोग करें।
  • statistical-analysis: विधियाँ चुनने और जाँचने के लिए उपयोग करें।
  • budget-forecasting: मान्यताओं के साथ लागत का पूर्वानुमान लगाने के लिए उपयोग करें।

प्रमुख स्रोत

  • Rob J. Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (otexts.com/fpp3 पर निःशुल्क ऑनलाइन): फ़ोरकास्टिंग विधियों पर स्पष्ट, व्यावहारिक पाठ।
  • Nate Silver, The Signal and the Noise (2012): भविष्यवाणी और उसकी कमियों का पठनीय वृत्तांत।
  • Wikipedia, "Forecasting" और "Overfitting": क्षेत्र और उसके मुख्य जाल का अवलोकन।
  • Wikipedia, "Prediction interval": अनिश्चितता कैसे व्यक्त करें।

संदर्भ

  1. Forecasting — Wikipedia — https://en.wikipedia.org/wiki/Forecasting
  2. Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
  3. Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
  4. Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
  5. Exponential smoothing — Wikipedia — https://en.wikipedia.org/wiki/Exponential_smoothing
  6. Autoregressive integrated moving average — Wikipedia — https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average
  7. Overfitting — Wikipedia — https://en.wikipedia.org/wiki/Overfitting
  8. Backtesting — Wikipedia — https://en.wikipedia.org/wiki/Backtesting
  9. Prediction interval — Wikipedia — https://en.wikipedia.org/wiki/Prediction_interval
  10. Scenario planning — Wikipedia — https://en.wikipedia.org/wiki/Scenario_planning
  11. Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
  12. Base rate fallacy — Wikipedia — https://en.wikipedia.org/wiki/Base_rate_fallacy

सेवा प्रबंधन मार्गदर्शिका — एजाइल, AI, स्वचालन और विश्लेषण के साथ सेवा प्रबंधन।

स्रोत और योगदान: github.com/service-management-guide. इसके साथ बनाया गया Lily Design System™.

संचालन Joel Parker Henderson.