Última actualización: Junio 27, 2025
Ya sea supervisando el MTTR o las tasas de cierre de tickets, los informes y dashboards tradicionales ayudan a registrar la eficiencia operativa de las mesas de servicio de TI. Sin embargo, para alinear realmente las operaciones de ITSM con los objetivos empresariales, los líderes de TI y los directores de la mesa de servicio deben aplicar mejoras estratégicas del servicio. Para ello, necesitan información detallada sobre las áreas que influyen en los resultados del servicio, como el análisis de las tendencias de los incidentes, el cumplimiento de los SLA, la productividad de los agentes y las finanzas de los activos. Por eso es esencial integrar la inteligencia para la toma de decisiones en sus operaciones de ITSM.
En este artículo, exploraremos cómo la integración entre ServiceDesk Plus y Analytics Plus ayuda a las organizaciones a aprovechar los análisis basados en IA para obtener información inteligente y procesable que les permita tomar decisiones de ITSM más inteligentes y rápidas.
Para entenderlo mejor, examinemos el caso de una organización ficticia, Zylker, y el problema que enfrentó en la toma de decisiones sin una analítica avanzada.
La parálisis de decisión en Zylker:
Los 4 escenarios clave
Zylker, un reconocido banco mundial, tenía la misión de ofrecer experiencias bancarias digitales de primera clase. Como parte de esta visión, sus líderes de TI se centraron en aplicar mejoras estratégicas de ITSM al tiempo que gestionaban las operaciones diarias de servicio. Una prioridad clave para el equipo era reforzar su estrategia de respuesta a incidentes de seguridad, garantizando al mismo tiempo el cumplimiento de los SLA y evitando el agotamiento de los técnicos.
Sin embargo, el progreso de Zylker se vio obstaculizado por los mecanismos tradicionales de elaboración de informes que carecían de analítica avanzada. La ausencia de información contextual en tiempo real condujo a un estado de parálisis en la toma de decisiones, afectando las acciones críticas en toda la mesa de servicio. Así es cómo:
- Recopilación manual de informes sobre incidentes de seguridad a partir de datos dispersos, lo que retrasa las respuestas
- Escasa visibilidad de las cargas de trabajo de los técnicos debido a la complejidad de los conjuntos de datos, lo que crea un desequilibrio
- Complicaciones del SLA debido a dependencias que fueron pasadas por alto, que violan los objetivos de puntualidad
- Conjeturas manuales para identificar y superar los cuellos de botella, lo que conduce a operaciones de ITSM ineficaces
Ahora, vamos a explicarle cómo Zylker transformó la situación integrando las dos soluciones para abordar cada reto.
Generar informes sobre incidentes de seguridad y dashboards conversando con Zia, nuestro asistente virtual nativo impulsado por IA
Para reforzar su plan de respuesta a incidentes, Zylker primero tuvo que evaluar sus procesos existentes y descubrir los bloqueos críticos, pero esto resultó ser todo un reto. Los datos clave se encontraban dispersos en múltiples sistemas, lo que obligaba a los responsables de TI a compilar manualmente los informes desde cero. El proceso exigía consultas complejas, que a menudo resultaban en la selección de métricas inexactas.
Debido a que estos informes seguían siendo inaccesibles para las partes interesadas, éstas no podían recopilar información práctica con rapidez, lo que ralentizaba aún más la toma de decisiones. En conjunto, este enfoque fragmentado hacía que los informes consumieran mucho tiempo y fueran propensos a errores, lo que en última instancia inhibía la capacidad de Zylker para planificar una estrategia de respuesta a incidentes que fuera proactiva y efectiva.
La ventaja que ofrece la integración
Para superar el engorroso proceso de construir informes complejos manualmente, Zylker aprovechó la integración entre ServiceDesk Plus y Analytics Plus. En lugar de que Zylker dedicara un gran tiempo y esfuerzo, Zia, nuestro asistente con IA, utilizó la inteligencia conversacional para ayudar a generar informes y dashboards visualmente ricos y completos sobre la marcha. Con Ask Zia, la interfaz conversacional de Zia, los directores de mesa de servicio podrían hacer preguntas sencillas en lenguaje natural para reunir el contexto adecuado en un solo lugar, eliminando la molestia de las consultas complejas.
Cuando el equipo de la mesa de servicio de Zylker necesitó planificar su estrategia de respuesta a incidentes, se propuso construir un rastreador de incidentes de seguridad. Empezando con una simple indicación como "Muéstrame el recuento de incidentes relacionados con la seguridad", siguió con preguntas sobre la gravedad, el estado, el tiempo medio de resolución y el cumplimiento del SLA (Fig. 1). Zia tradujo cada pregunta en widgets con ricas visualizaciones (gráficos de barras, líneas de tendencia y velocímetros), ofreciendo información clara y visual sobre la salud del servicio.
Al apilar estos widgets en un dashboard cohesionado, el equipo supervisó la información crucial en un único panel. Además, personalizó el diseño y la apariencia para resaltar lo importante, creando una interfaz intuitiva y fácil de usar. Al incrustar el dashboard generado a partir de Analytics Plus directamente en ServiceDesk Plus, el equipo mejoró la colaboración entre sus compañeros sin tener que hacer malabarismos con varias ventanas (Fig. 2).
Así, con sólo unas pocas indicaciones conversacionales, Zylker transformó la manera en que construía informes y dashboards, acelerando las decisiones y obteniendo información operativa más detallada.
Optimizar las cargas de trabajo de los técnicos al obtener información contextual impulsada por GenAI
En Zylker, los líderes de TI creían firmemente que unos técnicos capacitados y bien respaldados eran la columna vertebral de una prestación de servicios puntual. Sin embargo, sus métricas contaban una historia diferente y alarmante. La utilización de los técnicos se había disparado por encima del 100%, ya que trabajaban horas extras, y la acumulación de tickets sin resolver superaba los 50 tickets. Lejos de tener el control, el equipo se dirigía hacia el agotamiento.
A pesar de tener una gran cantidad de datos a su alcance, los directores de la mesa de servicio de Zylker se encontraron paralizados porquelos complejos conjuntos de datos y los gráficos sin procesar ofrecían poco contexto procesable. En su lugar, tenían que revisar manualmente numerosos informes a la vez, incluyendo el informe de tiempo de resolución de tickets, el informe de volumen de tickets por técnico y el informe de acumulación de tickets por técnico, lo que dificultaba recopilar información procesable para correlacionar las tendencias de la carga de trabajo. Además, este enfoque resultó en interpretaciones inconsistentes debido a las variables ocultas, lo que les impidió abordar el reto que suponía gestionar la carga de trabajo.
La ventaja que ofrece la integración
En lugar de rebuscar manualmente entre los informes desordenados y repletos de datos, Zylker recurrió a Zia Insights, impulsada por GenAI, para generar instantáneamente descripciones concisas y contextuales con sólo un clic. Esto permitió a los directores de la mesa de servicio explorar los KPI de los componentes, descubrir tendencias e identificar factores subyacentes, todo ello sin realizar cálculos complejos.
Para ayudar a optimizar la carga de trabajo de los técnicos, Zia Insights presentó las tendencias clave (número de incidentes resueltos, tiempo medio empleado y porcentaje de solicitudes reabiertas por técnico) tanto en formato textual como visual. Al analizar estas métricas, Zia identificó las desviaciones de rendimiento, permitiendo intervenciones tempranas.
Por ejemplo, Zia destacó que el porcentaje total de solicitudes reabiertas en la mesa de servicio era del 111%. Profundizando aún más, analizó las fluctuaciones globales en los índices de solicitudes reabiertas, incluyendo los picos y las caídas, al tiempo que identificó a quienes contribuían a este patrón. Zia mostró que Emily Davis tenía el recuento más bajo de solicitudes reabiertas (5), mientras que Michael Wilson tenía el más alto (9), lo que indica una marcada diferencia del 80%, todo ello sin cálculos manuales (Fig. 3). Para solucionarlo, Zylker planificó un programa de perfeccionamiento oportuno y exclusivo para las necesidades de Michael con el fin de aumentar su rendimiento.
Cuando las tendencias del servicio cambiaron, como una caída repentina en el cumplimiento de los SLA, la función de análisis de los principales factores de Zia profundizó en las causas raíz, como un aumento de las solicitudes de alta prioridad, de nuevo sin ningún esfuerzo manual. En última instancia, Zia transformó los datos brutos en información clara y procesable, lo que permitió a los directores de la mesa de servicio de Zylker planificar mejor, distribuir las cargas de trabajo y evitar el agotamiento de los técnicos.
Lograr el cumplimiento de los SLA con técnicas de previsión sin código y basadas en ML
Los líderes de TI de Zylker consideraban que era esencial prestar los servicios de forma puntual para garantizar el buen funcionamiento de las operaciones bancarias, y se habían fijado un objetivo ambicioso: mantener el cumplimiento de los SLA por encima del 95%.
Los directores de la mesa de servicio de Zylker se basaban principalmente en datos históricos en lugar de prever las demandas futuras, lo que les impedía ver la evolución de la dinámica del servicio. A menudo pasaban por alto la influencia de factores emergentes o externos (como los picos estacionales de demanda o los cambios en los procesos) que sesgaban silenciosamente el rendimiento de los SLA. Es más, los cuellos de botella en la gestión de tickets se ocultaban a plena vista, poniendo las solicitudes críticas en riesgo de incumplimiento sin que nadie se diera cuenta hasta que era demasiado tarde. Como resultado, Zylker no pudo lograr los objetivos del SLA.
La ventaja que ofrece la integración
Para evitar el incumplimiento de los SLA y mantenerse a la vanguardia, los directores de la mesa de servicio de Zylker aprovecharon el motor de ML sin código de Analytics Plus para generar previsiones procesables adaptadas a su entorno de servicio único.
Supervisaron el promedio de solicitudes resueltas semanalmente para conocer el equilibrio de la carga de trabajo de los técnicos, las tendencias estacionales de resolución y la eficiencia de la resolución de tickets. Para mejorar la planificación de recursos para las semanas siguientes, pronosticaron este KPI medio semanal teniendo en cuenta influencias clave, como el volumen de solicitudes entrantes y el tiempo medio de resolución (Fig. 4). Analytics Plus seleccionó automáticamente el modelo de previsión óptimo (autorregresión vectorial), ofreciendo una previsión a cinco semanas (Fig. 5). Estas predicciones revelaron las próximas caídas o picos en la actividad de resolución, lo que permitió al equipo asignar a los técnicos de forma más estratégica y mitigar los riesgos del SLA.
Más allá de la previsión, los directores también aprovecharon las funciones de AutoML para construir modelos de ML personalizados y sin código que aprenden de los datos históricos de los tickets, descubren patrones y gestionan de forma proactiva los riesgos de escalamiento. Al desarrollar estos modelos, tuvieron en cuenta atributos clave (como la prioridad y la categoría del ticket) y seleccionaron algoritmos de clasificación adecuados (como árboles de decisión o bosques aleatorios) para perfeccionar las predicciones. Una vez implementados, los modelos identificaron los tickets abiertos susceptibles de escalamiento, permitiendo al equipo tomar medidas oportunas, reasignar recursos y cumplir consistentemente los objetivos basados en el tiempo.
Mejorar la inteligencia para la toma de decisiones en todos los módulos de ITSM con Spotlight
Para lograr una mejora continua del servicio, Zylker se propuso analizar sus prácticas de ITSM existentes e identificar áreas de mejora. Sin embargo, pronto se topó con un obstáculo familiar: la sobrecarga de información.
A pesar de tener acceso a grandes cantidades de datos de ITSM, Zylker luchaba por darles sentido, lo que provocaba puntos ciegos operativos. Esto dificultaba determinar lo que funcionaba, lo que no, y dónde se necesitaban mejoras.
Sin una estrategia de datos clara, los equipos recurrían a conjeturas manuales, lo que provocaba operaciones ineficaces y retrasos en el progreso. Para empeorar las cosas, la fatiga por la toma de decisiones se apoderó de los equipos cuando intentaban optimizar múltiples procesos simultáneamente, sin la información necesaria para guiarlos. Cada iniciativa de mejora se convertía en un tiro en la oscuridad, sin forma de conectar los puntos correctos.
La ventaja que ofrece la integración
En lugar de escarbar en largos informes o tamizar datos sin procesar, los directores de la mesa de servicio de Zylker aprovecharon Spotlight (el potente motor de inteligencia para la toma de decisiones) para obtener recomendaciones contextuales e inteligentes extraídas directamente de sus datos de ITSM, a través de módulos como la gestión de incidentes, solicitudes de servicio, cambios y activos.
Spotlight sacó a la luz los cuellos de botella ocultos indicando su criticidad, destacó patrones y sugirió acciones correctivas para que los equipos pudieran actuar con rapidez y mantenerse a la vanguardia (Fig. 6). Por ejemplo, al llamar su atención sobre un problema crítico para el negocio, identificó un pico en el volumen de tickets entre las 3pm y las 4pm, y recomendó aumentar la disponibilidad de los técnicos durante ese tiempo. En otro caso, Spotlight detectó a tres solicitantes con repetidos problemas de activos y sugirió analizar los patrones de uso de los activos para prevenir futuros problemas.
En resumen, Spotlight hizo el trabajo pesado, ayudando a los equipos de TI a tomar decisiones oportunas basadas en datos e impulsando la mejora continua del servicio sin conjeturas.
Reflexiones finales
A medida que las organizaciones maduran su ITSM, la capacidad de tomar decisiones rápidas e inteligentes diferenciará a los equipos de alto rendimiento. La analítica avanzada para ServiceDesk Plus impulsada por Analytics Plus transforma los datos sin procesar en inteligencia para la toma de decisiones en tiempo real, lo que permite a los equipos de TI responder de forma proactiva, optimizar continuamente y mantenerse alineados con las prioridades empresariales en constante evolución. De cara al futuro, la inteligencia para la toma de decisiones dejará de ser opcional para convertirse en un elemento central de la excelencia en ITSM. Con ServiceDesk Plus y Analytics Plus trabajando en tándem, las organizaciones están bien posicionadas para convertir cada dato en un impacto, elaborando así una estrategia de ITSM que no sólo satisface las necesidades actuales, sino que anticipa las del mañana.
Biografía del autor
Nisha Ravi es una entusiasta de ITSM que está interesada en aprender sobre las mejores prácticas de gestión de servicios y los últimos avances tecnológicos. Como experta en el producto ManageEngine ServiceDesk Plus, Nisha trabaja escribiendo artículos y blogs que ayudan a los equipos de prestación de servicios de TI a abordar desafíos específicos de TI y gestión de servicios de TI. Como oradora habitual en la clase magistral de ServiceDesk Plus, imparte intensas sesiones prácticas de formación sobre el producto para los clientes de ManageEngine. También participa en los seminarios ITCON de ManageEngine, promoviendo las mejores prácticas de ITSM para los profesionales de TI de todo el mundo.