Eine Abteilung für Informationstechnologie (IT) mit einem erheblichen Rückstau an Anfragen kann auf verschiedene zugrundeliegende Probleme hinweisen. Für die Zwecke dieses Artikels definieren wir ein Ticket als ein Problem, das von einem Benutzer aufgeworfen wird, um das Unternehmen darüber zu informieren, dass seine Technologie nicht wie erwartet funktioniert.
Unabhängig von der Ursache führt dies zu unzufriedenen Kunden. Das Problem kann sich sogar noch verschärfen, da die Kunden in der Hoffnung auf eine schnellere Antwort mehrere Anfragen einreichen, was zu einem noch größeren Rückstau führt. Durch den Einsatz von der Minitab Statistical Software und prädiktiver Analysen können IT-Abteilungen die Ursache des Problems identifizieren und beheben, was zu einem geringeren (oder gar keinem!) Rückstand – und zufriedeneren Kunden führt.
EIN BEISPIEL AUS DER PRAXIS
Eine große IT-Abteilung wollte die Zeit, die zum Abschluss von Service-Tickets benötigt wurde, verkürzen, da der Rückstau immer größer wurde. Zu diesem Zweck versuchte der Teamleiter, die Szenarien (d. h. Variablen) zu ermitteln, die sich am stärksten auf den Ticketabschluss auswirkten. Ein Verständnis der Ursachen für die Geschwindigkeit, mit der Tickets abgeschlossen werden, könnte die Ursache für den Rückstand aufdecken.
Um das Problem in den Griff zu bekommen, beschloss die Abteilung, die Tickets zu untersuchen, die am schnellsten geschlossen wurden, um die Gründe dafür zu verstehen. Durch die Anwendung dieser Erkenntnisse konnten sie den Abschluss anderer Tickets beschleunigen. Die Abteilung sammelte Daten aus den letzten zehn Monaten der Ticket-Bearbeitung und gab sie in die Minitab Statistiksoftware ein. Dazu gehörten Informationen über den Personalbestand (d. h. die Teamgröße), die Anzahl der erledigten Aufgaben, Umfragen zur Kundenzufriedenheit nach der Ticket-Bearbeitung und die Projektgröße (gemessen auf einer Skala von 1-5).
DIE ERGEBNISSE
Sie nahmen ihre Daten und ließen sie durch Minitabs Prädiktives Analysemodul laufen, um zu klären, welche Variablen den größten Einfluss auf die Ergebnisse hatten. Da sie keine Datenwissenschaftler waren, nutzten sie das automatisierte maschinelle Lernen, das praktischerweise im Modul integriert ist. Dieses Tool half ihnen, innerhalb von Sekunden ein Prognosemodell zu erstellen und das genaueste Modell zu ermitteln, um die Schlüsselfaktoren für den Ticketabschluss zu identifizieren. Ohne auf Gleichungen zurückgreifen zu müssen, konzentrierte sich die erste Beobachtung des Teams auf das hier gezeigte Diagramm der relativen Bedeutung der Variablen:
Diese ersten Daten zeigten, dass der wichtigste Faktor für die Schnelligkeit der Bearbeitung der Tickets die Teamgröße (d. h. die Personalausstattung) ist. Interessanterweise rangierten die erledigten Aufgaben mit großem Abstand an zweiter Stelle, während weder Umfragen zur Kundenzufriedenheit noch die Projektgröße einen signifikanten Einfluss zu haben schienen.
Oberflächlich betrachtet machten diese Daten für den Teamleiter durchaus Sinn: Je größer das Team, desto schneller würde es Probleme lösen.
Was ist automatisiertes maschinelles Lernen? Erklärt durch Minitabs Leiter für Marketing und strategische Planung:
NUTZUNG VON ANALYSEN FÜR TIEFERE EINBLICKE
Mit diesen Informationen hatte das Team nun genügend Gründe, sich für zusätzliches Personal einzusetzen, aber wie viel? Das Letzte, was das Team wollte, war die Einstellung einer weiteren Person, ohne dadurch Verbesserungen zu erzielen! Es musste erfahren, wie die Ressourcen effizient und effektiv eingesetzt werden können.
Wir sehen die durchschnittlichen Ergebnisse der vorangegangenen Aufgaben auf der Grundlage der Teamgröße. Die Daten zeigen uns, dass die Zeit, die das Team zur Lösung von Problemen benötigte, bei einem siebenköpfigen Team (ca. 6 Tage) wesentlich länger war als bei einem zehnköpfigen Team (ca. 2,5 Tage), und damit sogar mehr als doppelt so lang war.
Die Daten zeigen uns aber auch, dass es keinen offensichtlichen Unterschied zwischen der Zeit gibt, die ein zehnköpfiges Team und ein zwölfköpfiges Team für die Bearbeitung der Tickets benötigt. In diesem Fall macht es also am meisten Sinn, ein Team aus zehn IT-Fachleuten mit der Bearbeitung von Anfragen und der Problemlösung zu beauftragen, um maximale Effizienz zu erreichen. Ebenso wichtig ist die Erkenntnis, dass es kaum einen Unterschied zwischen fünf und sieben Fachleuten gibt, wenn nicht erheblich in den Personalbestand investiert wird, so dass die Einstellung eines zusätzlichen Teammitglieds nur geringe Auswirkungen hat.
Laden Sie unsere Übersicht zu Predictive Analytics herunter, um mehr zu erfahren:
DAS FAZIT
Dieses Ergebnis ist von entscheidender Bedeutung, da es im Wesentlichen einen Fahrplan für Verbesserungen und eine Erklärung für das aktuelle Problem bietet. Es gibt eine klare Lösung, um den Ticketbestand zu reduzieren und die Kundenzufriedenheit schnell zu verbessern.
Darüber hinaus erzählen die erstellten Visualisierungen den Entscheidungsträgern auf der Führungsebene eine überzeugende Geschichte, die nicht nur die Notwendigkeit von Investitionen in Personal hervorhebt, sondern auch, wie viel Personal erforderlich ist, um das Problem zu beheben.
