# Бесплатная экспертная база знаний по управлению ИТ

Никакого пересказа ITIL, COBIT, ISO 20000, PRINCE2, TOGAF и прочего. Только сведения от консультантов и тренеров Cleverics. Включает ответы на **несколько тысяч вопросов** из **сотен источников**, а также детальный глоссарий с примерами, объяснениями и нюансами

# Какие выводы можно сделать из анализа соотношения своевременных и просроченных обращений с помощью машинного обучения?

Анализ соотношения своевременных и просроченных [обращений](https://cleverics.ru/digital/kb-glossary/call/) с помощью машинного обучения позволяет сделать следующие выводы: 1) Определить ключевые факторы, влияющие на своевременность: например, VIP-инциденты всегда решаются вовремя, а обращения с дочерними заявками имеют высокую вероятность просрочки. 2) Выявить скрытые [зависимости](https://cleverics.ru/digital/kb-glossary/dependency/): например, обращения с высокой срочностью, поступившие по электронной почте, решаются своевременно чаще, но наличие запросов на согласование снижает эту вероятность. 3) Обнаружить манипуляции с [метриками](https://cleverics.ru/digital/kb-glossary/metric/): например, множественные переводы в «Ожидание» коррелируют с отсутствием просрочки, что указывает на злоупотребление [статусом](https://cleverics.ru/digital/kb-glossary/status/). 4) Сегментировать обращения по вероятности просрочки и выделить группы [риска](https://cleverics.ru/digital/kb-glossary/risk/) для превентивных мер. 5) Определить, какие комбинации параметров приводят к смешанному [результату](https://cleverics.ru/digital/kb-glossary/outcome/) (например, 50 на 50 своевременных и просроченных), что указывает на наличие дополнительных неучтённых факторов, требующих дальнейшего исследования.Теги: AI, ML, LLM, ИИ, машинное обучение, измерение и оценка ИТ, метрики, KPI, отчётность, дашборды, обучение сотрудников, учебные курсы, тренинги, управление запросами на обслуживание, управление инцидентами, управление рисками

Автор: Евгений Шилов

Рейтинг: 291

Дата последнего обновления: 31.10.2026

[Источник](https://cleverics.ru/digital/kb_articles_redirect/?id=13124)

## Ещё вопросы по этой теме

- [Как машинное обучение помогает прогнозировать обработку открытых обращений?](https://cleverics.ru/digital/kb-qa/kak-mashinnoe-obuchenie-pomogaet-prognozirovat-obrabotku-otkrytykh-obrashcheniy/)
- [Какие примеры выявления проблемных областей с помощью деревьев решений были рассмотрены?](https://cleverics.ru/digital/kb-qa/kakie-primery-vyyavleniya-problemnykh-oblastey-s-pomoshchyu-derevev-resheniy-byli-rassmotreny/)
- [Как машинное обучение помогает выявить группы обращений со схожим поведением?](https://cleverics.ru/digital/kb-qa/kak-mashinnoe-obuchenie-pomogaet-vyyavit-gruppy-obrashcheniy-so-skhozhim-povedeniem/)
- [Как машинное обучение может быть использовано для прогнозирования нагрузки на службу поддержки?](https://cleverics.ru/digital/kb-qa/kak-mashinnoe-obuchenie-mozhet-byt-ispolzovano-dlya-prognozirovaniya-nagruzki-na-sluzhbu-podderzhki/)
- [Как наличие дочерних обращений влияет на своевременность обработки родительского обращения?](https://cleverics.ru/digital/kb-qa/kak-nalichie-dochernikh-obrashcheniy-vliyaet-na-svoevremennost-obrabotki-roditelskogo-obrashcheniya/)
- [Какие числовые метрики можно получить из результатов процессного майнинга?](https://cleverics.ru/digital/kb-qa/kakie-chislovye-metriki-mozhno-poluchit-iz-rezultatov-protsessnogo-mayninga/)
- [Как процессный майнинг помогает выявить злоупотребление статусом «Ожидание» и какие меры можно принять?](https://cleverics.ru/digital/kb-qa/kak-protsessnyy-mayning-pomogaet-vyyavit-zloupotreblenie-statusom-ozhidanie-i-kakie-mery-mozhno-prin/)
- [Как совместное применение процессного майнинга и машинного обучения улучшает результаты оптимизации?](https://cleverics.ru/digital/kb-qa/kak-sovmestnoe-primenenie-protsessnogo-mayninga-i-mashinnogo-obucheniya-uluchshaet-rezultaty-optimiz/)
- [Какие метрики помогают выявить, что обращения неверно классифицируются по приоритету?](https://cleverics.ru/digital/kb-qa/kakie-metriki-pomogayut-vyyavit-chto-obrashcheniya-neverno-klassifitsiruyutsya-po-prioritetu/)
- [Какие выводы можно сделать о перспективах применения машинного обучения в IT-поддержке?](https://cleverics.ru/digital/kb-qa/kakie-vyvody-mozhno-sdelat-o-perspektivakh-primeneniya-mashinnogo-obucheniya-v-it-podderzhke/)

## Рекомендуемые продукты по этой теме

- [VAP: Управление поддержкой ИТ-услуг](https://edu.cleverics.ru/vap-support?utm_source=knowledgebase&utm_medium=article&utm_content=banner&utm_term=VAP-SUPPORT) — Учебный курс: интенсив с тренером. Строим эффективную ИТ-поддержку. Оптимизируем существующую.
- [VAP: Построение эффективной системы KPI для ИТ](https://edu.cleverics.ru/kpi-workshop?utm_source=knowledgebase&utm_medium=article&utm_content=banner&utm_term=KPI-WS) — Учебный курс: интенсив с тренером. Как обеспечить управление ИТ-процессами, проектами, услугами, персоналом на основе измерений
- [Altevics](https://cleverics.ru/solutions/altevics?utm_source=knowledgebase&utm_medium=article&utm_content=banner&utm_term=altevics) — Современная ITSM/ESM-система