Die Mitarbeiter und das Unternehmen produktiv zu halten ist das vorrangige Ziel des IT-Supports im Sinne von Digital Employee Experience Management. Allerdings sollte an diesem Punkt weitergedacht werden. [...]
Läuft oder läuft nicht? Wer aus der täglichen IT-Systemadministration und dem Helpdesk-Betrieb detaillierte Einblicke ableitet und Kennzahlen strategisch nutzt, hat entscheidende Vorteile: Technisch bilden die Kennzahlen verlässliche Grundlagen, um gezielt Investitionen einzusetzen – für nachhaltig optimierte IT-Infrastrukturen und effiziente Betriebsprozesse. Aus organisatorischer Sicht wiederum tragen die Kennzahlen aus dem IT-Support dazu bei, den Erfolg beziehungsweise den ROI von IT-Investitionen, Rollouts und Upgrades anhand der Produktivität und Zufriedenheit der Mitarbeiter zu messen.
Um diese Ziele zu erreichen, braucht es jedoch einen Perspektivwechsel – weg von reaktiver Problemlösung und hin zu einem vorausschauenden IT-Support – in Verbindung mit innovativen Technologien wie beispielsweise Analytics, Künstlicher Intelligenz oder Bots. Es geht darum – so die Erfahrung aus der Projektpraxis – für IT-Support-Lösungen fünf Fähigkeiten zu entwickeln.
1. Proaktiv analysieren
Das Ticket-Aufkommen stagniert oder sinkt? Die Sicherheit kann trügerisch sein. Denn Studien zeigen, dass in der Regel nur 50 Prozent der Störungen an IT-Arbeitsplätzen gemeldet werden – aus vielfältigen Gründen. Kommt eine Meldung, dann fehlt dem Service Desk oft die nötige Transparenz: Er weiß wenig über den User, dessen Arbeitsplatz und was auf dem Endgerät gerade vorgeht. Sinkende Ticketzahlen und kurze Bearbeitungszeiten sind nur dann sinnvolle KPIs, wenn sie mit Zufriedenheitsumfragen und proaktivem Handeln validiert werden und sich aktiv der Einfluss bestimmter Maßnahmen nachweisen lässt. Denn in der Regel ist die gesamte Workplace-Landschaft ein heterogener blinder Fleck. Individuelle Störungen auf den Geräten sind ebenso schwer zu diagnostizieren wie Verbindungsprobleme.
Deshalb gilt es zunächst, die IT-Benutzererfahrung zu „vermessen“ – mit harten und weichen Messzahlen. Da in größeren Installationen schnell große Datenmengen zusammenkommen, helfen nur KI– respektive Machine-Learning-Ansätze, die Störungsbilder anhand von KPIs zur Digital Employee Experience (DEX) und Mustererkennung automatisch identifizieren und den Leitstand handlungsfähig machen. Stichwort Leitstand: Dieser muss die Sicht des Anwenders transparent machen und ein proaktives Eingreifen ermöglichen, wenn sich die KPIs verschlechtern. Dass im Rechenzentrum alles läuft, hilft wenig, wenn die Anwender auf die Dienste nicht zugreifen können, unproduktiv oder frustriert sind, weil sie ihre Arbeit nicht erledigen können.
Ein klassisches Beispiel sind etwa Performance-Beschwerden von Microsoft 365 nach der Umstellung von On Premises auf SaaS: Als Resultat laufen viele Tickets auf, die Ursache bleibt jedoch im Dunkeln – ein Netzwerkproblem wird vermutet, aber nicht gefunden. In einem solchen Fall hilft ein vorausschauendes Verfahren, das alle Verbindungsversuche von Tausenden von Endgeräten automatisch analysiert. Ein ‚Clustering‘ der Geräte mit guter versus schlechter Verbindung (etwa einer Latenz von mehr als 600ms) würde einen möglicherweise falsch konfigurierten Proxy-Server als Ursache identifizieren. Statt Tausende von Beschwerden mit Kosten von rund 15 Euro pro Ticket zu verarbeiten, lassen sich so Störungen sehr viel schneller beheben und Kosten von vornherein vermeiden.
2. Mitarbeiter-Feedback mit Daten anreichern
Reale Messwerte sind oft nur die halbe Wahrheit: Ein Service zeigt optimale Performance-Daten im Rechenzentrum, Messdaten von Endgeräten liefern keine Auffälligkeiten – und dennoch können die Mitarbeiter unzufrieden sein. Um hier ein Stimmungsbild zu erhalten, sind unspezifische Massenbefragungen via E-Mail mit Links zu langen Fragebögen eher kontraproduktiv. Unternehmen, die jährliche Zufriedenheitsumfragen durchführen, kennen das Problem: geringe Antwortquoten aufgrund zu vieler Fragen und Vorbehalten, dass sich nichts ändert. Verwertbare Ergebnisse liefern dagegen spezifische, kontext-bezogene Befragungen, die kurz und präzise gehalten direkt auf dem Bildschirm des Anwenders erscheinen. Konkret auf ein aktuelles Thema angesprochen, liegen die Antwortquoten über 80 Prozent.
Nehmen wir als aktuelleres Beispiel Videoconferencing-Plattformen: Kommen von Test-Usern keine nennenswerten Tickets im Service Desk an, scheint ein Rollout sicher. Offen bleibt, ob und wie intensiv tatsächlich getestet wurde. Denn erst wenn technische Daten mit konkretem User-Feedback korreliert werden, zeigt sich ein realistisches Bild aller Vorteile und Problemfelder und man erkennt, wie neue Projekte generell angenommen werden.
Kontextualisierte Kommunikation ist auch aus dem Leitstand-Gedanken heraus relevant: Warum nicht Anwender, die von Störungen betroffen sind, offen informieren? Statt ‚unvermeidliche‘ Tickets zu akzeptieren, wenn sich die Abstürze bei einer neu ausgerollten Anwendung häufen, ist eine proaktive zielgerichtete Information der betroffenen Anwender hilfreich. Sie zeigt, dass die IT daran arbeitet, es nicht am Endgerät oder fehlerhafter Bedienung liegt und eine Lösung zeitlich absehbar ist. Resultat ist weniger Frust auf beiden Seiten.
3. Störungsbildern auf den Grund gehen
Einen Digital-Experience-Leitstand zu operationalisieren heißt in der Praxis, eine Big-Data-Anwendung zu betreiben, von der Handlungsoptionen und Verbesserungsinitiativen abgeleitet werden (siehe Punkt 1). Bezogen auf eine Workplace-Umgebung stellt sich dabei täglich die Frage: Was unterscheidet gute von schlechter IT-Erfahrung? Klassischerweise dienen Cluster-Techniken dazu, Gemeinsamkeiten respektive Unterschiede herauszufinden. Heute gibt es KI– und Machine-Learning-Verfahren, um Cluster zu identifizieren:
- Schritt 1: Vorklassifikation/Verdichtung vieler einzelner Messwerte zu handelbaren, aussagekräftigen Aggregaten (Scores);
- Schritt 2: Analyse, welche Merkmale/Faktoren führen zu guten vs. schlechten Scores;
Nur viele Daten und damit Transparenz zu haben reicht allerdings nicht aus. Aufgrund der anfallenden Datenmengen müssen Mechanismen wie KI eingesetzt werden, um einen systematischen Leitstand überhaupt über Störungsbilder zu informieren, Faktoren zu nennen und Ursachenforschung beziehungsweise -behebung zu ermöglichen.
4. Maßnahmen priorisieren
Rund um digitale Arbeitsplätze gibt es in der Regel viel mehr Baustellen, als das IT-Team abarbeiten kann – es muss priorisiert werden. Doch was sind die Kriterien? Naheliegend ist, zuerst die Störungen mit den meisten Betroffenen zu adressieren. Aus Big-Data-Sicht heißt das: Die Cluster mit der größten Anzahl von gestörten Arbeitsplätzen, die auf eine gemeinsame mögliche Ursache zurückzuführen sind, stehen ganz oben auf der Liste. Wichtig ist dies, damit nicht zuerst die ‚Low Hanging Fruits‘ geerntet werden, von denen nur wenige im Unternehmen profitieren. Mitunter ist ein Nachjustieren notwendig, da das Clustering vor allem technische Parameter berücksichtigt. Doch es gibt kritische Rollen und Bereiche, die Priorität haben – etwa Disponenten in der Logistik, Finanzwesen oder Produktionsstandorte.
Hier greifen die Vorteile eines Leitstandes mit KI-basiertem Clustering und Drill-Down-Optionen, die an Business Intelligence angelehnt sind: Damit gelingt eine Priorisierung, die mit den verfügbaren Ressourcen die dringendsten Probleme der wichtigsten Unternehmensfunktionen am schnellsten behebt. Ist das relevante Störungsbild identifiziert, unterstützen hinterlegte Entstörungsverfahren, sogenannte Playbooks, die Details zu verstehen und die nötigen Schritte umzusetzen. Diese laufen idealerweise automatisiert ab. Ein optimierter IT-Leitstand wird also nicht nur auf Störungen hingewiesen, sondern bekommt auch das Vorgehen an die Hand, um eine entsprechende Lösung herbeizuführen.
5. Maximal automatisieren
Automatisierung im Rechenzentrum ist seit Jahren ein alternativloses Szenario, das insbesondere Outsourcing-Dienstleister einsetzen, um Störungen effizient zu vermeiden oder zu lösen. Im Workplace-Umfeld ist Automatisierung primär mit Softwareverteilung verbunden und steckt, was die Entstörung von Arbeitsplätzen angeht, oft in den Kinderschuhen. Viele Service Desks haben Skripte, mit denen sie bekannte Probleme abarbeiten. Dies läuft entweder über eine Remote Session oder der Anwender wird gebeten, bestimmte Dinge zu tun. Vieles davon ließe sich automatisieren. Bei bekannten häufigen Problemen wie etwa dem Reparieren von Outlook-Profilen macht sich der Aufwand sofort bezahlt.
Gleiches gilt bei größeren Störungen. Ein typisches Beispiel ist, wenn sich bei Tausenden von Rechnern ein Netzwerkproblem durch eine (temporäre) Proxy-Einstellungsänderung lösen ließe: Von Hand unmöglich umzusetzen. User per Mail informieren und ihnen die Schritte erklären? Nicht besonders effizient. Hier hilft nur Automation, am besten anhand eines hinterlegten Entstörungsverfahrens.
Der IT-Support der Zukunft
Angesichts von Infrastrukturen, die sich kontinuierlich weiterentwickeln, verändern und Anwendern einiges abverlangen, ist es für die IT nicht immer einfach, die Produktivität und Benutzerfreundlichkeit für Mitarbeiter sicherzustellen. Während im Rechenzentrum über viele Jahre bewährte Verfahren und Automatismen greifen, fehlt es bei den digitalen Arbeitsplätzen an Transparenz und effizienten Verfahren.
Das Konzept eines IT-Leitstands mit Fokus auf den Mitarbeiter verspricht Abhilfe: Proaktiv zu verstehen, wo es „klemmt“, Fehlersituationen mittels KI priorisieren zu können, verbunden mit automatisierter Arbeitsanweisung zur Entstörung – dies wird in Zukunft den Unterschied machen: IT-Kosten sparen und gleichzeitig Mitarbeiter zufriedener sowie produktiver machen und damit das Geschäft nachhaltig positiv beeinflussen.
*Holger Dörnemann ist Solution Consultant Director Central EMEA bei Nexthink.
Be the first to comment