insights-clustering

インサイトのクラスタリングと分析

概要

このスキルでは、ServiceNow の運用データからインサイトをクラスタリングして分析し、パターンを特定して実行可能な推奨事項を生成します。

• インシデント、ケース、会話をトピックの類似性に基づいてグループ化し、繰り返し現れるテーマを発見する
• インタラクション全体の感情分析を実施し、サービス品質の傾向を特定する
• 解決パターンを分析し、ベストプラクティスとナレッジギャップを見つける
• 大きな問題になる前に、新たに発生しつつある問題のクラスターを検出する
• データに基づく推奨事項を含む見解（POV）の要約を生成する
• 運用パターンとビジネスへの影響を関連付ける傾向レポートを作成する

使用するタイミング： 定期的なサービスレビュー分析を行うとき、サポート件数の急増を調査するとき、データに基づく改善提案を準備するとき、プロアクティブな問題管理の候補を特定するとき、または運用データから経営層向けのインサイトを生成するときに使用します。

前提条件

• ロール： admin、analytics_admin、itil、または problem_manager
• プラグイン： com.glide.interaction（Agent Workspace）、com.snc.problem_management（Problem Management）を推奨
• アクセス権： incident、sn_customerservice_case、interaction、sys_cs_conversation、kb_knowledge、problem テーブルへの読み取りアクセス
• データ： 有意義なクラスタリングを行うには、少なくとも 30 日分のインシデント、ケース、またはインタラクションデータが必要です
• 関連スキル： インタラクションのマイニングには genai/agent-miner、KB のギャップ特定には knowledge/gap-analysis

手順

ステップ 1：分析範囲を定義する

クラスタリングのデータソース、期間、重点領域を決定します。

ANALYSIS SCOPE DEFINITION:

Data Sources:
- [ ] Incidents (incident table)
- [ ] Customer Cases (sn_customerservice_case)
- [ ] Agent Interactions (interaction)
- [ ] Virtual Agent Conversations (sys_cs_conversation)
- [ ] Problem Records (problem)

Time Range: [start_date] to [end_date]
Focus Area: [All / Specific category / Assignment group / Service]
Minimum Cluster Size: [threshold, e.g., 5 records]

ANALYSIS OBJECTIVES:
1. [Primary objective, e.g., "Identify top incident drivers"]
2. [Secondary objective, e.g., "Find knowledge gaps"]
3. [Tertiary objective, e.g., "Assess customer sentiment trends"]

ステップ 2：クラスタリング用のインシデントデータを抽出する

テキストと分類フィールドを含むインシデントレコードを取得します。

MCP の方法：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(30)^state!=8^ORDERBYDESCsys_created_on
  fields: sys_id,number,short_description,description,category,subcategory,priority,impact,urgency,state,close_code,close_notes,assignment_group,cmdb_ci,business_service,resolved_at,opened_at,resolution_code
  limit: 1000

REST の方法：

GET /api/now/table/incident
  ?sysparm_query=sys_created_on>=javascript:gs.daysAgo(30)^state!=8
  &sysparm_fields=sys_id,number,short_description,description,category,subcategory,priority,impact,urgency,state,close_code,close_notes,assignment_group,cmdb_ci,business_service,resolved_at,opened_at
  &sysparm_limit=1000
  &sysparm_display_value=true

ステップ 3：ケースとインタラクションのデータを抽出する

チャネル横断分析のために、追加のデータソースを取得します。

MCP の方法：

Tool: SN-Query-Table
Parameters:
  table_name: sn_customerservice_case
  query: sys_created_on>=javascript:gs.daysAgo(30)^ORDERBYDESCsys_created_on
  fields: sys_id,number,short_description,description,category,subcategory,priority,state,resolution_code,close_notes,contact,account,product
  limit: 500

Tool: SN-Query-Table
Parameters:
  table_name: interaction
  query: sys_created_on>=javascript:gs.daysAgo(30)^state=closed
  fields: sys_id,number,short_description,channel,category,close_code,assignment_group,duration
  limit: 500

ステップ 4：トピックをクラスタリングする

短い説明と説明のテキスト分析を使用し、トピックの類似性に基づいてレコードをグループ化します。

クラスタリングの方法：

1. カテゴリベースのグループ化： 既存のカテゴリ／サブカテゴリの分類体系でグループ化します
2. テキスト類似性： キーワードと語句の重複に基づいて short_description フィールドをクラスタリングします
3. CI ベースのグループ化： 影響を受けた構成アイテムまたはビジネスサービスでグループ化します
4. 解決ベース： close_code と解決パターンでグループ化します

MCP の方法（カテゴリ集計）：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(30)
  fields: category,subcategory
  limit: 2000

トピッククラスターの出力：

=== TOPIC CLUSTERS ===
Analysis Period: [date range]
Total Records Analyzed: [count]
Clusters Identified: [count]

CLUSTER 1: [Topic Name] - [count] records ([%] of total)
  Keywords: [top keywords]
  Categories: [categories represented]
  Sample Records:
  - [INC#]: [short_description]
  - [INC#]: [short_description]
  Trend: [increasing/stable/decreasing] vs prior period

CLUSTER 2: [Topic Name] - [count] records ([%] of total)
  ...

ステップ 5：感情のパターンを分析する

顧客コメントとインタラクションのトランスクリプトから感情を評価します。

MCP の方法：

Tool: SN-Query-Table
Parameters:
  table_name: sys_journal_field
  query: element_id=[RECORD_SYS_ID]^element=comments
  fields: value,sys_created_on,sys_created_by
  limit: 20

感情分類の枠組み：

シグナル	ポジティブ	中立	ネガティブ
言葉遣い	"thank you"、"great"、"resolved"	"ok"、"understood"、事実に基づく表現	"frustrated"、"unacceptable"、"still broken"
頻度	問い合わせ 1 回	解決後のフォローアップ	複数回のエスカレーション
再オープン	なし	再オープン 1 回	再オープン 2 回以上
アンケートスコア	4～5	3	1～2

感情の分布：

SENTIMENT ANALYSIS:
Positive: [count] ([%])
Neutral: [count] ([%])
Negative: [count] ([%])

NEGATIVE SENTIMENT DRIVERS:
1. [Topic/Category]: [count] negative interactions
   Common complaints: [themes]
2. [Topic/Category]: [count] negative interactions
   Common complaints: [themes]

SENTIMENT TREND (vs Prior Period):
Positive: [+/- change]
Negative: [+/- change]

ステップ 6：解決パターンを分析する

一般的な解決方法とその有効性を特定します。

MCP の方法：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(30)^state=6
  fields: category,subcategory,close_code,resolution_code,close_notes
  limit: 500

解決パターン分析：

RESOLUTION PATTERNS:

CLUSTER: [Topic Name]
Total Incidents: [count]
Resolution Methods:
  1. [Resolution type] - [count] ([%]) - Avg Resolution Time: [time]
  2. [Resolution type] - [count] ([%]) - Avg Resolution Time: [time]
  3. [Resolution type] - [count] ([%]) - Avg Resolution Time: [time]

MOST EFFECTIVE RESOLUTION:
[Resolution type] resolves [%] of incidents in this cluster with
an average resolution time of [time] and [%] reopen rate.

KNOWLEDGE GAP:
[Count] incidents in this cluster had no matching KB article.
[Count] incidents were resolved by workaround (no permanent fix).

ステップ 7：新たに発生しつつあるクラスターを検出する

新たな問題を示している可能性のある、新規または増加中の問題パターンを特定します。

MCP の方法：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(7)
  fields: short_description,category,subcategory,cmdb_ci,business_service,priority
  limit: 500

最近の件数を基準値と比較します。

EMERGING CLUSTER DETECTION:

ALERT: [Cluster Name]
Current Volume (7 days): [count]
Baseline (avg 7-day): [count]
Increase: [%]
Affected CIs: [list]

PATTERN: [Description of the emerging pattern]
POTENTIAL IMPACT: [Assessment of what this could become]
RECOMMENDED ACTION: [Create problem record / Investigate / Monitor]

ステップ 8：チャネル横断の相関分析

インシデント、ケース、インタラクションにまたがるパターンを関連付けます。

CROSS-CHANNEL CORRELATION:

Topic: [Cluster Name]
Incidents: [count] | Cases: [count] | Interactions: [count]
Total Volume: [sum]

CHANNEL DISTRIBUTION:
  Self-Service: [%]
  Phone: [%]
  Chat: [%]
  Email: [%]
  Walk-up: [%]

INSIGHT: [Description of cross-channel pattern, e.g., "Users first attempt
self-service, fail, then call. Knowledge article KB0012345 is outdated."]

ステップ 9：POV の要約を生成する

データに基づく推奨事項を含む、実行可能な見解（POV）の要約を作成します。

=== INSIGHTS POV SUMMARY ===
Analysis Period: [date range]
Data Analyzed: [total records] across [channels]
Generated: [date]

EXECUTIVE SUMMARY:
[2-3 sentence summary of key findings and their business impact]

TOP INSIGHT CLUSTERS:

1. [CLUSTER NAME] - [Priority: HIGH/MEDIUM/LOW]
   Volume: [count] records ([%] of total, [trend] vs prior period)
   Impact: [business impact description]
   Sentiment: [predominant sentiment]
   Root Pattern: [underlying cause or pattern]

   RECOMMENDATION:
   [Specific, actionable recommendation with expected outcome]

   ESTIMATED IMPACT:
   - Reduction in volume: [%] if addressed
   - Time savings: [hours/month]
   - Satisfaction improvement: [projected]

2. [CLUSTER NAME] - [Priority: HIGH/MEDIUM/LOW]
   ...

CROSS-CUTTING THEMES:
- [Theme that spans multiple clusters]
- [Systemic issue identified across data sources]

KNOWLEDGE GAPS IDENTIFIED:
| Topic | Volume | Existing KB | Gap Description |
|-------|--------|-------------|-----------------|
| [topic] | [count] | [None/Outdated] | [What is needed] |

PROACTIVE PROBLEM CANDIDATES:
| Pattern | Volume | Trend | Suggested PRB |
|---------|--------|-------|---------------|
| [pattern] | [count] | [increasing] | [problem description] |

ACTION PLAN:
| # | Action | Owner | Priority | Timeline |
|---|--------|-------|----------|----------|
| 1 | [Action] | [Team] | High | [timeframe] |
| 2 | [Action] | [Team] | Medium | [timeframe] |
| 3 | [Action] | [Team] | Low | [timeframe] |

DATA QUALITY NOTES:
- [Any data quality issues that may affect analysis accuracy]
- [Assumptions made in the clustering process]

ステップ 10：主要なクラスターの問題レコードを作成する

プロアクティブな調査が必要なクラスターについて、問題レコードを作成します。

MCP の方法：

Tool: SN-Create-Record
Parameters:
  table_name: problem
  data:
    short_description: "Proactive: [Cluster description] - [count] related incidents"
    description: |
      CLUSTER ANALYSIS:
      This problem was created based on insights clustering analysis
      identifying [count] related incidents over [time period].

      PATTERN:
      [Description of the recurring pattern]

      SAMPLE INCIDENTS:
      - [INC#]: [short_description]
      - [INC#]: [short_description]
      - [INC#]: [short_description]

      IMPACT:
      [Business impact assessment]

      SUGGESTED INVESTIGATION:
      [Where to start the root cause investigation]
    category: [category]
    priority: [priority based on cluster analysis]
    assignment_group: [relevant team]

ツールの使い方

ツール	目的	使用する場面
SN-Query-Table	インシデント、ケース、インタラクションのデータを抽出する	主なデータ収集
SN-Get-Record	詳細な分析のためにレコードの詳細を取得する	特定のレコードを調査する
SN-Natural-Language-Search	説明の類似性に基づいて関連レコードを検索する	パターンを相互参照する
SN-Create-Record	クラスタリング結果から問題レコードを作成する	分析結果に基づいて対応する

ベストプラクティス

1. 安定したクラスタリング結果を得るには、少なくとも30日分のデータを使用します
2. 構造化データと非構造化データを組み合わせます -- カテゴリだけではニュアンスが見落とされ、テキストだけでは文脈がわかりません
3. クラスタの最小しきい値を設定します -- ノイズを減らすため、レコードが5件未満のクラスタは無視します
4. 過去の期間と比較します -- 絶対数よりも傾向が重要です
5. SME による検証を行います -- ドメインの専門家にクラスタのラベルと推奨事項を確認してもらいます
6. ノイズとなるレコードを除外します -- テストチケット、重複、または自動生成されたレコードを除外します
7. 影響度に応じて重み付けします -- P1 インシデント10件のクラスタは、P4 インシデント50件より重要です
8. クラスタの推移を追跡します -- 毎月クラスタリングを再実行し、どのパターンが拡大または縮小しているかを確認します
9. ビジネス上の成果に結び付けます -- 技術的なパターンを、ビジネスへの影響を示す表現に置き換えます
10. 分析結果に基づいて行動します -- 行動を伴わないクラスタリングは、単なる分析の見せかけです

トラブルシューティング

問題	原因	解決方法
小さなクラスタが多すぎる	しきい値が低すぎる、またはデータが多様すぎる	クラスタの最小サイズを増やし、分析範囲を限定します
クラスタの範囲が広すぎる	テキストの粒度が不十分	short_description だけでなく description フィールドを含め、サブカテゴリを追加します
感情分析の精度が低い	顧客対応コメントが少ない	インタラクションの文字起こしに重点を置き、感情の代替指標として再オープン数を使用します
新たなクラスタが見つからない	環境が安定している、またはベースラインが不十分	ベースライン期間を延長し、検出しきい値を下げます
チャネル間でデータが一致しない	テーブル間でフィールドとカテゴリが異なる	クラスタリングの前にカテゴリのマッピングを正規化し、テキストベースのクラスタリングを使用します
分析するにはボリュームが大きすぎる	期間内のレコードが多すぎる	期間を短くするか、特定のカテゴリ／グループに絞り込みます

例

例1：月次 IT サービスレビュー

シナリオ： IT サービス管理レビュー向けに、月次の分析結果を生成します。

INSIGHTS POV - IT Services - February 2026

TOP 3 CLUSTERS:
1. VPN Connectivity Issues (187 incidents, +45% vs Jan)
   Driver: Recent network configuration change
   Action: Roll back VPN split-tunnel config change

2. Password Lockouts (142 incidents, stable)
   Driver: MFA policy change confusing users
   Action: Update KB article; add VA topic for guided MFA setup

3. Printer Issues - Building C (68 incidents, NEW cluster)
   Driver: New printer fleet deployment incomplete
   Action: Complete printer driver deployment; update print server config

例2：カスタマーサービスの傾向分析

シナリオ： 四半期ビジネスレビュー向けに、顧客ケースの傾向を分析します。

CUSTOMER INSIGHTS - Q1 2026

SENTIMENT TREND: Negative sentiment increased 12% QoQ
PRIMARY DRIVER: Order processing delays (cluster of 234 cases)

CLUSTER ANALYSIS:
- Order Delays: 234 cases (28%) - Negative sentiment 78%
- Billing Disputes: 156 cases (19%) - Negative sentiment 65%
- Product Questions: 312 cases (37%) - Neutral sentiment 80%
- Account Access: 89 cases (11%) - Mixed sentiment

RECOMMENDATION: Order processing system needs capacity upgrade.
Current processing time exceeds SLA in 32% of orders during peak hours.

例3：プロアクティブな問題の特定

シナリオ： プロアクティブな問題管理に向けて、新たなパターンを検出します。

EMERGING PATTERN DETECTED:

Application: SAP Finance Module
7-Day Volume: 23 incidents (baseline: 8/week)
Increase: 188%
Affected Users: Finance department, 3 locations

Pattern: "SAP report timeout" and "SAP slow response" keywords
appearing with increasing frequency since March 12.

Correlated Event: Database maintenance performed March 11.

RECOMMENDATION: Create problem record PRB0005678.
Investigate database performance post-maintenance.
Potential index rebuild needed.

関連スキル

• genai/agent-miner - 自動化の機会を見つけるためにエージェントのインタラクションを分析する
• knowledge/gap-analysis - ナレッジベースのカバレッジ不足を特定する
• knowledge/gap-grouping - ナレッジの不足をテーマ別にグループ化する
• itsm/problem-analysis - 特定された問題の根本原因を分析する
• reporting/trend-analysis - 傾向を分析して可視化する
• csm/sentiment-analysis - 顧客の感情を分析する