30716

كشف مشكلات پيشگيرانه در خدمات فناوري اطلاعات با استفاده از تحليل داده‌محور

كارشناسي ارشد

مديريت فناوري اطلاعات

1399

1402/11/29

رحيم خاني زاد

مديريت، اقتصاد و مهندسي پيشرفت

اين تحقيق اهميت خود را از كاربرد يك رويكرد داده‌محور در مقابل رويكردهاي سنتي خبره محور براي كاهش هزينه‌هاي ناشي از رخداد‌هاي فناوري اطلاعات مي‌گيرد. با تلفيق رويكردهاي داده‌كاوي و يادگيري ماشين با مفاهيم فرايندي مديريت فناوري اطلاعات، اين پژوهش به ايجاد زمينه‌اي براي تحقيقات كاربردي در اين حوزه پرداخته است. استفاده از داده‌ها براي بهبود فرايندها و كاهش هزينه‌هاي رخدادها نه‌تنها به بهبود خدمات كمك مي‌كند؛ بلكه زمينه‌ساز تحول در مديريت فناوري اطلاعات نيز مي‌شود. در اين مطالعه، ابتدا با بررسي دقيق نيازمندي‌هاي خبرگان فناوري اطلاعات در يك پروژه زيرساخت و شبكه مهم، به كشف و تحليل نيازهاي آنان باهدف كاهش هزينه‌هاي ناشي از رخداد‌ها پرداختيم. اين پروسه شامل اولويت‌بندي چالش‌ها و مشكلات بود تا تمركز پژوهش را بر روي موارد كليدي معطوف دارد. با استفاده از داده‌هاي جمع‌آوري شده از دو منبع اصلي، يعني سيستم‌هاي مانيتورينگ و تيكتينگ، به توسعه و اجراي رويكردهاي يادگيري ماشين در سه حوزه "خوشه بندي"، "سري‌زماني"، و "دسته بندي" اقدام كرده و نتايج به‌دست‌آمده را به‌منظور بهبود عملكرد، به سازمان موردنظر ارائه داديم. به‌كارگيري مدل‌هاي يادگيري ماشين در حوزه‌هاي مختلف به ما امكان داد تا به سه مدل بهينه DBSCAN براي "خوشه بندي"، SARIMA براي تحليل "سري‌زماني"، و RANDOM FOREST براي "دسته بندي" دست يابيم. اين مدل‌ها نتايج پيش‌بينانه و تحليلي مؤثري در راستاي رسيدن به هدف اصلي پژوهش ارائه دادند كه شامل كاهش هزينه‌ها و بهبود مديريت رخداد‌ها در زمينه فناوري اطلاعات بود. اين يافته‌ها نه‌تنها اثبات‌كننده كارايي و اثربخشي رويكردهاي داده‌محور در حوزه فناوري اطلاعات هستند؛ بلكه پتانسيل ارتقاي كيفيت خدمات و كاهش هزينه‌هاي عملياتي را نيز نشان مي‌دهند. اين چكيده نشان‌دهنده تلاش پژوهشي است كه باهدف بهينه‌سازي فرايندهاي مديريت رخداد‌ها در زيرساخت‌هاي فناوري اطلاعات از طريق رويكردهاي نوين داده‌كاوي و يادگيري ماشين انجام شده است. با مصاحبه با خبرگان، جمع‌آوري و تحليل داده‌هاي مرتبط، و به‌كارگيري مدل‌هاي پيشرفته، اين پژوهش به كشف راهكارهاي مؤثر براي كاهش هزينه‌ها و افزايش كارايي در مديريت رخداد‌ها دست‌يافته است. نتايج به‌دست‌آمده از اين تحقيق مي‌توانند به‌عنوان راهنمايي براي بهبود فرايندها و اجراي استراتژي‌هاي پيشگيرانه در مواجهه با رخداد‌هاي آتي مورد استفاده قرار گيرند.

1402/12/23

Discovering proactive problems in IT services using data-driven analysis

1/1/1900 12:00:00 AM

This research highlights the significance of adopting a data-driven approach over traditional expert-based methodologies to reduce costs associated with information technology incidents. By integrating data mining and machine learning techniques with IT management process concepts, this study lays the groundwork for applied research in this field. Leveraging data to enhance processes and decrease incident costs not only aids in service improvement but also facilitates transformation in IT management. The study began with a thorough examination of IT experts' requirements in a significant infrastructure and network project, aiming to identify and analyze their needs to reduce incident-related costs. This process involved prioritizing challenges and issues to focus the research on key areas. Using data collected from monitoring systems and ticketing, we developed and implemented machine learning approaches in clustering, time series analysis, and classification, presenting the outcomes to the organization for performance improvement. The application of machine learning models across various domains enabled us to achieve optimal models in DBSCAN for clustering, SARIMA for time series analysis, and RANDOM FOREST for classification. These models provided effective predictive and analytical results towards achieving the research's primary goal of reducing costs and improving incident management in IT. These findings not only validate the efficiency and effectiveness of data-driven approaches in IT but also demonstrate the potential for enhancing service quality and reducing operational costs. This abstract reflects a research effort aimed at optimizing incident management processes in IT infrastructures through innovative data mining and machine learning approaches. Through expert interviews, relevant data collection and analysis, and the application of advanced models, this study has identified effective solutions for reducing costs and enhancing efficiency in incident management. The results of this investigation can serve as guidance for process improvement and the implementation of preventative strategies in response to future incidents.

تحليل داده‌محور , كشف پيشگيرانه مشكل , خدمات فناوري اطلاعات

Data-driven analysis , proactive problem discovery , IT services

Mohammad Rasool Kechuian Javadi

Dr.Rahim Khanizad