Por Óliver Franz.

Un departamento de Tecnologías de la Información (TI) con una importante acumulación de tickets puede indicar varios problemas subyacentes. A los efectos de este artículo, definamos un ticket como un problema planteado por un usuario para notificar a la empresa que su tecnología no funciona como se esperaba.

Independientemente de la causa, el resultado son clientes insatisfechos. De hecho, el problema puede incluso agravarse a medida que los clientes envían varios tickets con la esperanza de una respuesta más rápida, lo que genera un mayor retraso. Al aprovechar Minitab Statistical Software y el Módulo de analítica predictiva, los departamentos de TI pueden identificar la causa raíz del problema y abordarla, lo que resulta en una acumulación de pedidos menor (¡o nula!) y clientes más satisfechos.

UN EJEMPLO DE LA VIDA REAL

Un gran departamento de TI tenía como objetivo reducir el tiempo necesario para cerrar tickets de servicio a medida que crecía el trabajo pendiente. Para lograr esto, el líder del equipo buscó identificar los escenarios (es decir, variables) que tuvieron el impacto más significativo en el cierre de tickets. Comprender las causas detrás de la velocidad del cierre de tickets podría revelar la causa raíz del retraso.

Para abordar el problema, el departamento decidió examinar los tickets que se cerraron más rápido para comprender las razones subyacentes. Al aplicar estos conocimientos, podrían acelerar el cierre de otros tickets. Reunieron datos de los últimos diez meses de resolución de tickets y los introdujeron en Minitab Statistical Software, que incluía información sobre los niveles de dotación de personal (es decir, el tamaño del equipo), la cantidad de tareas completadas, encuestas de satisfacción del cliente posteriores a la resolución del ticket y el tamaño del proyecto (medido en una escala del 1 al 5).

LOS RESULTADOS

Tomaron sus datos y los ejecutaron a través del Módulo de analítica predictiva de Minitab para aclarar qué variables tuvieron el impacto más significativo en los resultados. Como no eran científicos de datos, utilizaron el aprendizaje automático automatizado, que está convenientemente ubicado dentro del módulo. Esta herramienta les ayudó a construir un modelo predictivo en cuestión de segundos y les permitió identificar el modelo más preciso a utilizar, identificando de manera efectiva los factores clave en el cierre de tickets. Sin la necesidad de mirar ecuaciones, la observación inicial del equipo se centró en el gráfico de importancia relativa de las variables, que se muestra aquí:

La variable importancia mide la mejora del modelo cuando se realizan divisiones en un predictor. La importancia relativa se define como el % de mejora con respecto al predictor principal.

Estos datos iniciales mostraron que el factor más importante para la velocidad de resolución de tickets es el tamaño del equipo (es decir, el nivel de personal). Curiosamente, las tareas completadas ocuparon un distante segundo lugar, mientras que ni las encuestas de satisfacción del cliente ni el tamaño del proyecto parecieron tener un impacto significativo.

A primera vista, estos datos tenían perfecto sentido para el líder del equipo: cuanto más grande fuera el equipo, más rápido resolvería los problemas.

APROVECHAR EL ANÁLISIS PARA OBTENER CONOCIMIENTOS MÁS PROFUNDOS

Armado con esta información, el equipo ahora tenía motivos suficientes para abogar por personal adicional, pero ¿cuánto? ¡Lo último que querían hacer era contratar a otra persona y no obtener ninguna mejora! Necesitaban entender cómo desplegar sus recursos de manera eficiente y efectiva.

Afortunadamente, la herramienta de aprendizaje automático automatizado de Minitab también equipó al equipo con otro recurso valioso: los gráficos de dependencia parcial de un predictor. Dado que el equipo identificó el tamaño del equipo como el predictor más influyente, podrían dedicar más tiempo a analizar un gráfico de ese factor. Minitab produjo los siguientes resultados:

Vemos los resultados promedio de tareas anteriores según el tamaño del equipo. Los datos nos muestran que hay una diferencia significativa en el tiempo que le tomó al equipo resolver problemas en un equipo de siete (aproximadamente 6 días) versus un equipo de diez (aproximadamente 2,5 días), más del doble, de hecho.

Pero los datos también nos muestran que no hay una diferencia aparente entre el tiempo que llevó resolver los tickets en un equipo de diez versus uno de doce. Entonces, en este caso, tiene más sentido dedicar un equipo de diez profesionales de TI a realizar tickets y resolver problemas para lograr la máxima eficiencia. Igualmente importante es que demuestra que, a menos que se haga una inversión sustancial en los niveles de personal, hay poca diferencia entre cinco y siete profesionales, por lo que contratar a un miembro adicional del equipo producirá un impacto mínimo.

Descárguese el artículo "Common Problems Solved by Predictive Analytics", para obtener más información.

PARA LLEVAR

Este resultado es crucial porque, fundamentalmente, ofrece una hoja de ruta para la mejora y una explicación del problema actual. Existe una solución clara para reducir la acumulación de tickets y mejorar rápidamente la satisfacción del cliente.

Además, las visualizaciones generadas cuentan una historia convincente para los tomadores de decisiones de la alta dirección, no solo enfatizando la necesidad de invertir en personal, sino también cuánto personal se necesita para rectificar el problema.