trend-analysis

トレンド分析

概要

このスキルは、ServiceNow ITSM データの包括的なトレンド分析を提供します。次のことができます。

• インシデント件数の経時的なトレンドを分析します（日次、週次、月次、四半期ごと）
• カテゴリーと優先度の分布の変化を特定します
• 季節性および周期性のパターンを検出します
• キャパシティ計画に役立つ予測指標を把握します
• リソース配分に向けた実行可能なインサイトを生成します

使用する場面： キャパシティ計画、リソース予測、システム上の問題の特定、トレンドレポートの作成、または調査が必要な異常の検出に使用します。

前提条件

• ロール： report_admin、itil、または analytics_admin
• アクセス権： インシデント、問題、および関連テーブルへの読み取りアクセス
• 知識： 基本的な統計知識と組織のパターンに関する理解
• データ： 過去 90 日分以上のデータを推奨します。季節性の分析には 12 か月分が理想的です

手順

ステップ 1：ベースライン指標を設定する

過去のデータをクエリし、比較用のベースラインを設定します。

MCP（Claude Code/Desktop）を使用する場合：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 90 days@javascript:gs.daysAgoStart(90)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,number,sys_created_on,priority,category,state,assignment_group
  limit: 5000

REST API を使用する場合：

GET /api/now/table/incident?sysparm_query=sys_created_onONLast 90 days@javascript:gs.daysAgoStart(90)@javascript:gs.daysAgoEnd(0)&sysparm_fields=sys_id,number,sys_created_on,priority,category,state,assignment_group&sysparm_limit=5000

ステップ 2：日次の件数トレンドを分析する

日ごとのインシデント作成パターンを追跡します。

日次の内訳を取得するクエリ（GlideAggregate を使用）：

Tool: SN-Execute-Background-Script
Parameters:
  script: |
    var ga = new GlideAggregate('incident');
    ga.addQuery('sys_created_on', '>=', gs.daysAgo(30));
    ga.addAggregate('COUNT');
    ga.groupBy('sys_created_on');
    ga.orderBy('sys_created_on');
    ga.query();

    var dailyCounts = [];
    while (ga.next()) {
      var dateStr = ga.getValue('sys_created_on').substring(0, 10);
      dailyCounts.push({
        date: dateStr,
        count: parseInt(ga.getAggregate('COUNT'))
      });
    }
    gs.info('Daily Volume: ' + JSON.stringify(dailyCounts));
  description: Aggregate daily incident counts

手動での計算（GlideAggregate を使用しない場合）： 特定の日付範囲のインシデントをクエリします。

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onON2024-01-15@javascript:gs.dateGenerate('2024-01-15','00:00:00')@javascript:gs.dateGenerate('2024-01-15','23:59:59')
  fields: sys_id
  limit: 500

ステップ 3：週ごとの件数を比較する

週ごとの比較を行い、トレンドを特定します。

今週：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 7 days@javascript:gs.daysAgoStart(7)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,priority,category
  limit: 1000

先週：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 7 days@javascript:gs.daysAgoStart(14)@javascript:gs.daysAgoEnd(7)
  fields: sys_id,priority,category
  limit: 1000

週ごとの比較分析：

週	件数	変化	変化率
今週	145	+12	+9.0%
先週	133	-5	-3.6%
2 週間前	138	+8	+6.2%
3 週間前	130	-	ベースライン

ステップ 4：カテゴリー分布を分析する

インシデントカテゴリーが時間とともにどのように変化するかを追跡します。

カテゴリー分布を取得するクエリ：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 30 days@javascript:gs.daysAgoStart(30)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,category
  limit: 2000

結果を処理して分布を作成します。

Category Distribution (Last 30 Days):
| Category | Count | % of Total | Prev Month % | Change |
|----------|-------|------------|--------------|--------|
| Software | 245 | 32% | 28% | +4% |
| Network | 189 | 25% | 30% | -5% |
| Hardware | 152 | 20% | 18% | +2% |
| Email | 98 | 13% | 12% | +1% |
| Security | 76 | 10% | 12% | -2% |

ステップ 5：優先度のトレンドを分析する

優先度分布の変化を監視します。

経時的な優先度分布を取得するクエリ：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 30 days@javascript:gs.daysAgoStart(30)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,priority,sys_created_on
  limit: 2000

優先度の変化を示す指標：

指標	意味	対応
P1/P2 が増加	重大な問題が増加しています	根本原因を調査します
P3/P4 が増加	通常の増加、またはトリアージ上の問題です	トリアージプロセスを見直します
P1 は安定し、P2 が増加	エスカレーションのしきい値が変化しています	緊急度の基準を見直します

ステップ 6：曜日ごとのパターンを確認する

インシデント件数が最も多い曜日を特定します。

曜日別にインシデントを取得するクエリ：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 90 days@javascript:gs.daysAgoStart(90)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,sys_created_on
  limit: 5000

結果を処理して曜日を抽出します。

Day of Week Analysis (90-Day Average):
| Day | Avg Volume | vs Overall Avg | Staffing Recommendation |
|-----|------------|----------------|------------------------|
| Monday | 32 | +23% | Full staff + OT |
| Tuesday | 28 | +8% | Full staff |
| Wednesday | 26 | 0% | Normal |
| Thursday | 25 | -4% | Normal |
| Friday | 24 | -8% | Normal, early close OK |
| Saturday | 8 | -69% | Weekend skeleton |
| Sunday | 7 | -73% | Weekend skeleton |

ステップ 7：時間帯ごとのパターンを確認する

要員配置を最適化するため、ピーク時間帯を特定します。

時間帯別の内訳を取得するクエリ：

Tool: SN-Execute-Background-Script
Parameters:
  script: |
    var ga = new GlideAggregate('incident');
    ga.addQuery('sys_created_on', '>=', gs.daysAgo(30));
    ga.addAggregate('COUNT');
    ga.query();

    // Note: For hourly analysis, use sys_created_on timestamp
    // and extract hour component in processing
    var total = ga.getAggregate('COUNT');
    gs.info('Total incidents: ' + total);
  description: Count incidents for hourly analysis

一般的な時間帯別の分布：

Hourly Volume Pattern (30-Day Analysis):
Peak Hours: 8am-11am (35% of daily volume)
Secondary Peak: 1pm-3pm (25% of daily volume)
Low Period: 6pm-6am (15% of daily volume)

Staffing Recommendation:
- Core Hours (8am-5pm): 80% of staff
- Extended Hours (5pm-8pm): 15% of staff
- Night/Weekend: 5% of staff

ステップ 8：季節性および周期性のパターンを確認する

暦上のイベントに基づく、繰り返し発生するパターンを特定します。

月次件数を前年と比較するクエリ： 各月について、次のクエリを実行します。

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onON2024-01-01@javascript:gs.dateGenerate('2024-01-01','00:00:00')@javascript:gs.dateGenerate('2024-01-31','23:59:59')
  fields: sys_id
  limit: 2000

一般的な季節性のパターン：

期間	パターン	考えられる原因
1 月	+15-20%	休暇期間中の対応遅延、新年に伴う問題
3 月／4 月	+10%	会計年度末、システム変更
6 月～8 月	-10-15%	休暇期間、活動の減少
9 月	+20%	学校／職場への復帰、新入社員
11 月	+5%	休暇前の変更
12 月	-20%	休暇による業務停止

ステップ 9：予測指標を確認する

将来のインシデント件数を示す先行指標を特定します。

変更件数との相関： 変更件数が多いと、その後インシデントが急増することがよくあります。

Tool: SN-Query-Table
Parameters:
  table_name: change_request
  query: sys_created_onONLast 30 days@javascript:gs.daysAgoStart(30)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,type,cmdb_ci
  limit: 500

先行指標としての問題の作成：

Tool: SN-Query-Table
Parameters:
  table_name: problem
  query: sys_created_onONLast 30 days@javascript:gs.daysAgoStart(30)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,category,first_reported_by_task
  limit: 100

監視する先行指標：

指標	相関	遅延時間
変更件数	+0.65	1～3 日
新入社員数	+0.45	1～2 週間
ソフトウェアのデプロイ	+0.72	1～7 日
インフラストラクチャのアラート	+0.80	0～24 時間
作成された問題レコード	+0.55	1～4 週間

ステップ 10：異常検知

調査が必要な通常とは異なるパターンを特定します。

統計的な境界値を計算する：

Rolling 30-Day Average: 26 incidents/day
Standard Deviation: 6 incidents
Upper Threshold (2σ): 38 incidents/day
Lower Threshold (2σ): 14 incidents/day

Any day outside 14-38 range = Anomaly requiring investigation

最近の異常をクエリする： 1 日あたりの件数がしきい値を超えた場合は、調査します。

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONToday@javascript:gs.beginningOfToday()@javascript:gs.endOfToday()^ORDERBYcategory
  fields: sys_id,category,short_description,cmdb_ci
  limit: 100

ツールの使用方法

MCP ツールのリファレンス

ツール	使用するタイミング
SN-Query-Table	過去のデータをクエリするための主要なツール
SN-Natural-Language-Search	すばやく調査するための自然言語クエリ
SN-Execute-Background-Script	GlideAggregate を使用した複雑な集計

REST API のリファレンス

エンドポイント	メソッド	目的
/api/now/table/incident	GET	インシデント履歴のクエリ
/api/now/stats/incident	GET	統計的な集計
/api/now/table/change_request	GET	変更との相関データ

傾向分析に役立つ主なフィールド

フィールド	目的
sys_created_on	インシデントの作成日時
category	カテゴリー分類
priority	優先度
assignment_group	担当チーム
cmdb_ci	構成アイテム
state	現在の状態

ベストプラクティス

• タイムゾーンの統一： すべてのクエリで同じタイムゾーンを使用してください
• 統計的有意性： 信頼できるパターンを把握するには、90 日以上のデータを使用してください
• 季節性の調整： 前年の同じ期間と比較してください
• 相関分析： インシデントを変更、問題、CI に関連付けてください
• 可視化： パターンの認識にはチャートを使用してください
• アラートの自動化： 統計的な異常に対するアラートを設定してください
• 例外の記録： データに偏りを生じさせる一度限りのイベントを記録してください

トラブルシューティング

「データに予想外の急増が見られる」

原因： 重大なインシデント、システム障害、またはチケットの一括作成 解決策： 既知の重大なインシデントを除外し、そのイベントを例外として記録します

「前年比の比較が一致しない」

原因： 事業の変更、合併、または組織再編 解決策： 従業員数または範囲の変更を基準に調整し、構造上の違いを記録します

「季節的なパターンが現れない」

原因： 過去のデータが不十分（12 か月未満） 解決策： さらにデータが蓄積されるまで待ち、業界のベンチマークを代替指標として使用します

「曜日ごとのパターンに一貫性がない」

原因： 祝日、社内イベント、またはリモートワークの変更 解決策： 祝日を含む週を除外し、リモートワーク期間とオフィス勤務期間を分けて分析します

例

例 1：週次の傾向レポート

目的： 経営陣向けに週次の傾向サマリーを作成します

クエリ：

// This Week
Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 7 days@javascript:gs.daysAgoStart(7)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,priority,category,sys_created_on
  limit: 500

// Previous Week
Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 7 days@javascript:gs.daysAgoStart(14)@javascript:gs.daysAgoEnd(7)
  fields: sys_id,priority,category,sys_created_on
  limit: 500

// Same Week Last Year (if available)
Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onON2023-01-15@javascript:gs.dateGenerate('2023-01-15','00:00:00')@javascript:gs.dateGenerate('2023-01-21','23:59:59')
  fields: sys_id,priority,category
  limit: 500

出力レポート：

=== WEEKLY TREND REPORT ===
Week: Jan 15-21, 2024

VOLUME COMPARISON:
| Period | Volume | Change |
|--------|--------|--------|
| This Week | 152 | - |
| Last Week | 138 | +10.1% |
| Same Week Last Year | 165 | -7.9% |
| 4-Week Average | 142 | +7.0% |

TREND ASSESSMENT: Moderate Increase (within normal range)

DAILY BREAKDOWN:
| Day | Volume | vs Avg |
|-----|--------|--------|
| Mon | 35 | +17% |
| Tue | 28 | -7% |
| Wed | 25 | -17% |
| Thu | 22 | -27% |
| Fri | 24 | -20% |
| Sat | 10 | -67% |
| Sun | 8 | -73% |

Monday spike correlates with 3 changes deployed over weekend.

CATEGORY SHIFTS:
| Category | This Week | Last Week | Change |
|----------|-----------|-----------|--------|
| Software | 52 (34%) | 42 (30%) | +4% |
| Network | 38 (25%) | 42 (30%) | -5% |
| Hardware | 30 (20%) | 28 (20%) | 0% |
| Email | 18 (12%) | 14 (10%) | +2% |
| Security | 14 (9%) | 12 (9%) | 0% |

SOFTWARE TREND: +4% increase requires investigation
- 15 incidents related to new CRM deployment
- Recommend knowledge article for common CRM issues

FORECAST (Next Week):
Based on 8-week trend and scheduled changes:
Expected Volume: 145-160 incidents
Confidence: Medium (upcoming holiday may reduce volume)

例 2：キャパシティプランニングレポート

目的： 次の四半期に必要な人員を予測します

分析プロセス：

1. 過去の件数（直近 12 か月）：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_onONLast 365 days@javascript:gs.daysAgoStart(365)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,sys_created_on,priority
  limit: 10000

2. 月次平均を計算する：

Monthly Volume Summary:
Jan: 720 | Feb: 680 | Mar: 750
Apr: 710 | May: 695 | Jun: 620
Jul: 580 | Aug: 590 | Sep: 780
Oct: 740 | Nov: 700 | Dec: 550

Average: 676/month
Peak: September (780) - Back to school/work
Low: December (550) - Holiday period

3. 次の四半期を予測する：

=== Q2 2024 CAPACITY FORECAST ===

VOLUME PROJECTION:
| Month | Projected | Confidence | Factors |
|-------|-----------|------------|---------|
| April | 720-750 | High | Fiscal year end |
| May | 700-730 | High | Normal |
| June | 630-660 | Medium | Summer start |

STAFFING REQUIREMENTS:
Current Capacity: 750 incidents/month (5 FTEs)
Incidents per FTE: 150/month

| Month | Volume | FTEs Needed | Current | Gap |
|-------|--------|-------------|---------|-----|
| April | 735 | 5.0 | 5 | 0 |
| May | 715 | 4.8 | 5 | +0.2 |
| June | 645 | 4.3 | 5 | +0.7 |

RECOMMENDATIONS:
1. April: Full staffing required, no vacations
2. May: Normal operations, 1 vacation slot OK
3. June: Good time for training, 2 vacation slots OK

RISK FACTORS:
- ERP upgrade scheduled for April 15: +20% volume risk
- New office opening in May: +50 incidents/month expected

ADJUSTED FORECAST WITH RISKS:
| Month | Base | Risk Adjusted | FTEs Needed |
|-------|------|---------------|-------------|
| April | 735 | 880 | 6.0 |
| May | 715 | 815 | 5.5 |
| June | 645 | 695 | 4.7 |

Recommendation: Hire 1 contractor for April-May to cover ERP risk

例 3：根本原因の傾向調査

目的： 今月、ソフトウェア関連のインシデントが 15% 増加した理由を調査します

ステップ 1：増加を特定する

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: category=Software^sys_created_onONLast 30 days@javascript:gs.daysAgoStart(30)@javascript:gs.daysAgoEnd(0)
  fields: sys_id,short_description,cmdb_ci,subcategory,assignment_group,sys_created_on
  limit: 500

ステップ 2：サブカテゴリー別に掘り下げる

Software Incident Breakdown:
| Subcategory | This Month | Last Month | Change |
|-------------|------------|------------|--------|
| CRM | 85 | 45 | +89% |
| Email | 42 | 48 | -12% |
| ERP | 38 | 35 | +9% |
| Office Suite | 35 | 40 | -12% |
| Other | 45 | 42 | +7% |

CRM subcategory driving entire increase!

ステップ 3：CRM インシデントを分析する

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: category=software^cmdb_ci.nameLIKECRM^sys_created_on>=javascript:gs.beginningOfThisMonth()
  fields: sys_id,short_description,sys_created_on
  limit: 100

ステップ 4：パターンを特定する

=== CRM INCIDENT TREND ANALYSIS ===

TIMELINE:
- Month start (Day 1-10): 15 incidents (normal)
- Mid-month (Day 11-20): 45 incidents (+200%)
- Month end (Day 21-30): 25 incidents (+67%)

CORRELATION:
- CRM v4.2 deployed on Day 10
- 70% of incidents reference "login" or "sync" issues
- All incidents assigned to Application Support

TOP ISSUES:
1. "Unable to sync contacts" - 32 incidents
2. "Login timeout errors" - 28 incidents
3. "Report generation failing" - 15 incidents
4. Other - 10 incidents

ROOT CAUSE:
CRM v4.2 deployment introduced authentication bug
affecting mobile sync and session timeout.

RECOMMENDATIONS:
1. IMMEDIATE: Deploy hotfix for authentication issue
2. SHORT-TERM: Create knowledge article for workaround
3. LONG-TERM: Improve deployment testing for auth changes

PREDICTED IMPACT:
After hotfix deployment, expect:
- Week 1: 50% reduction in CRM incidents
- Week 2: Return to baseline (45/month)

関連スキル

• reporting/sla-analysis - SLA パフォーマンスの追跡
• reporting/executive-dashboard - 経営陣向け KPI の作成
• itsm/incident-lifecycle - インシデント管理全般
• itsm/problem-analysis - 根本原因の調査

参考資料

• ServiceNow パフォーマンス分析
• ServiceNow レポート
• ITIL 継続的サービス改善
• 統計的工程管理