Automatisk förutsägning av IT-tjänsters behov

Abstract

Prediktiva metoder blir allt vanligare inom flera branscher för att förbättra kvaliteten av tjänster som erbjuds. Inom IT-tjänster kan dessa metoder användas för att bättre estimera behovet av reservdatorer och hur mycket personal måste tilldelas till underhåll av specifika system. De tillåter också identifiering av problem i ett tidigt skede så de kan fixas före problemen eskalerar och orsakar exempelvis tjänsteavbrott. Arbetet gjordes för Proservia som vill förbättra och utvidga deras tjänster inom IT-service fältet och ut-forska vilket värde kan man få från all data som samlas in dagligen om deras datorer. I arbetet implementeras ett system för Proservia som identifierar problematiska datorer och tillåter preventiva åtgärder att tas före produktiviteten störs. Metoder som används för systemet är Python och Applixure programvaran. Applixure programmet ger tillgång till datorers felhistorik som sedan filtreras och analyseras med hjälp av Python för att få ett estimat på hur sannolikt en dator behöver underhåll. Arbetet har också en explorativ del och informationen från systemet kunde potentiellt användas för att göra bättre val vid inköp av datorer i framtiden på basen av hur de presterat. De prediktiva metoderna begränsades till ett specifikt poängsättningssystem som skapades för detta ändamål, avancerade metoder som maskinlärning valdes att inte ännu implementeras eftersom källmaterialets provstorlek på datorerna ansågs vara för lågt. Resultaten av systemet visade tydliga skillnader mellan datorerna och problematiska datorer kunde urskiljas. På basen av dessa resultat bestämdes utvecklingen av felförutsägningssystemet fortsättas och implementeras på en större mängd datorer. Framtida planer inkluderar maskinlär-ning då en större provstorlek blir tillgänglig.