L’accessibilité des applications, des appareils et des réseaux s’accroît, tout comme la productivité… et la complexité. Mais en disposant des bons outils, vous êtes mieux équipé pour analyser les données dans leur contexte et identifier rapidement la cause profonde des problèmes.
La bonne démarche consiste à tirer parti de l’intelligence artificielle (IA) et de l’apprentissage automatique (AA) pour faciliter la découverte de solutions potentielles. Cela permet non seulement d’analyser plus rapidement les points de données, mais aussi d’en tirer un bénéfice immédiat.
Prenons un exemple concret : la Coupe du Monde de la FIFA 2022 et comment elle exploite l’AA de manière innovante. La FIFA dispose de 12 caméras de suivi dédiées pour surveiller le ballon avec 29 points de données différents pour suivre les joueurs et déterminer s’ils sont hors-jeu. Toutes ces données sont intégrées dans un système pour aider les arbitres à être plus précis dans leurs décisions de hors-jeu tout en réduisant le temps de relecture et d’examen des images (escalades).
Source : Mashable
De même, si les équipes du service d’assistance pouvaient résoudre les demandes de support plus rapidement en utilisant des technologies basées sur l’AA, elles pourraient réduire le nombre d’escalades et le temps moyen de résolution (MTTR). Et comme les employés continuent de gérer des environnements diversifiés, cela leur permet de rester productifs.
Un utilisateur final appelle le service d’assistance pour un problème lié à une application SaaS
Que se passe-t-il lorsqu’un utilisateur rencontre un problème ? Prenons un exemple. Lorsqu’un utilisateur final rencontre un problème, celui-ci peut se présenter sous différentes formes. Dans notre exemple, il tente de se connecter à une application SaaS ou Zoom, et n’y parvient pas. L’utilisateur final appelle le service d’assistance pour créer une demande de support, et le service d’assistance doit exécuter son runbook car il ne sait pas si le problème vient de l’appareil, du réseau ou de l’application. Le service d’assistance finit donc par faire remonter le problème après avoir recueilli quelques informations supplémentaires, ce qui augmente les cycles de dépannage. Dans l’ensemble, l’utilisateur final doit prendre son mal en patience jusqu’à ce que les équipes du service d’assistance et des opérations réseau puissent identifier et résoudre la cause profonde.
Un utilisateur final signale un problème lié à une application SaaS (Zoom)
Difficultés liées au dépannage des problèmes des utilisateurs finaux
Pour trouver la cause profonde du problème, les équipes du service d’assistance doivent analyser l’intégralité du parcours, depuis l’utilisateur final jusqu’à l’application, en passant par tous les sauts intermédiaires. Voici une liste des domaines que les équipes informatiques doivent généralement trier manuellement avant d’annoncer une résolution.
Domaines problématiques potentiels :
- Problèmes de FAI
- Problèmes de Wi-Fi
- Problèmes d’application
- Problèmes de connectivité, connexions instables
- Backhauling du trafic
- Latence du VPN
- Forte latence du transit par Internet
- Latence de sortie élevée
- Faible score des entités dans la région/problème géographique
- Problème de DNS
- Usage élevé du CPU, changement de version de l’OS
- Latence directe supérieure à la latence de Zscaler
- Mise à niveau des tunnels
Analyse automatique de plusieurs points de données et résolution plus rapide des problèmes
Imaginez maintenant que tous ces points de données soient intégrés à une solution basée sur l’AA pour fournir des informations sur une cause profonde potentielle. Cela revient à savoir un joueur est hors-jeu à l’aide des caméras et des points de données mentionnés ci-dessus lors de la Coupe du Monde de la FIFA.
Fort heureusement, Zscaler Digital Experience (ZDX) examine tous les points de données énumérés plus haut pour isoler automatiquement les causes profondes des problèmes de performances. Cela permet de consacrer moins de temps à résoudre les problèmes, d’éliminer la recherche de responsables et de permettre aux utilisateurs de reprendre leur travail plus rapidement. L’analyse des causes profondes réalisée par ZDX et optimisée par l’IA comporte trois modes :
1. Mode Point unique dans le temps : fournit des informations sur l’expérience d’un utilisateur final en quelques secondes.
Analyse ZDX en mode point unique
2. Mode Intervalle de temps : permet aux équipes du service d’assistance de sélectionner un intervalle de temps et de résoudre les deux problèmes les plus courants dans l’intervalle de temps spécifié.
Analyse ZDX en mode intervalle
3. Mode Comparaison dans le temps : compare deux points dans le temps pour comprendre les différences entre ces points. Cette fonction détermine si l’expérience utilisateur est bonne ou mauvaise. Elle met visuellement en évidence les différences entre les métriques des applications, des réseaux et des appareils.
ZDX sélectionne deux points dans le temps à comparer
Analyse ZDX en mode comparaison
L’analyse des causes profondes réalisée par ZDX et optimisée par l’IA comprend plusieurs modes pour aider à analyser les problèmes de performance des utilisateurs finaux, tels que l’analyse d’un seul point dans le temps, l’analyse d’un intervalle de temps et la comparaison. Les équipes du service d’assistance et des opérations réseau sont désormais en mesure de comprendre la cause profonde d’une mauvaise expérience de l’utilisateur final en appliquant des solutions basées sur l’AA. Pour en savoir plus sur l’analyse des causes profondes réalisée par ZDX et optimisée par l’IA, regardez ce webinaire !
