Un departamento de Tecnología de la Información (TI) con un atraso significativo en los tickets puede indicar varios problemas subyacentes. Para los fines de este blog, 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 incluso puede agravarse a medida que los clientes envían múltiples tickets con la esperanza de una respuesta más rápida, lo que genera mayor retraso. Al aprovechar Minitab Statistical Software y el análisis predictivo, los departamentos de tecnologías de la información pueden identificar la causa raíz del problema y abordarlo, lo que da como resultado un menor atraso (o ningún atraso en absoluto) y clientes más felices.
Un gran departamento de tecnologías de la información tenía como objetivo reducir el tiempo necesario para cerrar los tickets de servicio a medida que crecía el trabajo pendiente. Para lograr esto, el líder del equipo intentó identificar las situaciones posibles (es decir, las variables) que tenían el efecto más significativo en el cierre de los tickets. Entender las causas detrás de la velocidad del cierre de los tickets podría revelar la causa raíz del retraso.
Para abordar el problema, el departamento decidió examinar los tickets que cerraron más rápido para entender las razones subyacentes. Al aplicar estos conocimientos, podrían acelerar el cierre de otros tickets. Recopilaron datos de los últimos diez meses de resolución de tickets y los ingresaron en Minitab Statistical Software, que incluían información sobre los niveles de personal (es decir, el tamaño del equipo), el número de tareas completadas, las encuestas de satisfacción del cliente después de la resolución de los tickets y el tamaño del proyecto (medido en una escala del 1 al 5).
Tomaron sus datos y los ejecutaron a través del módulo de análisis predictivo de Minitab para aclarar qué variables tenían el efecto más significativo en los resultados. Dado que no eran científicos de datos, utilizaron el aprendizaje automático, que está convenientemente ubicado dentro del módulo. Esta herramienta les ayudó a elaborar un modelo predictivo en cuestión de segundos y les permitió identificar el modelo más preciso que debían usar, para identificar de manera efectiva los factores clave en el cierre de los tickets. Sin necesidad de examinar las ecuaciones, la observación inicial del equipo se centró en la gráfica de importancia relativa de las variables, que se muestra aquí:
Estos datos iniciales mostraron que el factor más importante en la velocidad de resolución de los tickets es el tamaño del equipo (es decir, el nivel de personal). Curiosamente, las tareas completadas se clasificaron en un segundo lugar lejano, mientras que ni las encuestas de satisfacción del cliente ni el tamaño del proyecto parecían tener un efecto significativo.
A primera vista, estos datos tenían mucho sentido para el líder del equipo: cuanto más grande era el equipo, más rápido resolvería los problemas.
Con esta información, el equipo ahora tenía suficientes motivos para sugerir personal adicional, pero ¿cuánto? Lo último que querían hacer era contratar a otra persona y no ver mejoras. Tenían que entender cómo implementar sus recursos de manera eficiente y efectiva.
Afortunadamente, la herramienta de aprendizaje automático de Minitab también equipó al equipo con otro recurso valioso: las gráficas de dependencia parcial de un predictor. Dado que el equipo identificó el tamaño del equipo como el predictor más influyente, podría pasar más tiempo analizando una gráfica de ese factor. Minitab produjo los siguientes resultados:
Vemos los resultados promedio de tareas anteriores en función del tamaño del equipo. Los datos nos muestran que hay una diferencia significativa en el tiempo que el equipo tardó en resolver los problemas en un equipo de siete (aproximadamente seis días) en comparación con un equipo de diez (aproximadamente 2.5 días), sobre el doble, de hecho.
Sin embargo, los datos también nos muestran que no hay diferencia aparente entre el tiempo que se tarda en resolver los tickets en un equipo de diez en comparación con un equipo de doce. Por lo tanto, en este caso, tiene más sentido dedicar un equipo de diez profesionales de tecnologías de la información a seleccionar tickets y resolver problemas para lograr la máxima eficiencia. Igualmente importante, se demuestra que a menos que se realice 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 efecto mínimo.
Este resultado es crucial porque fundamentalmente ofrece una hoja de ruta para la mejora y una explicación del problema actual. Hay una solución clara para reducir el retraso de los tickets y mejorar rápidamente la satisfacción del cliente.
Además, las visualizaciones generadas cuentan una historia convincente a los responsables de la toma de decisiones de la alta dirección, no solo enfatizando la necesidad de invertir en personal, sino también la cantidad de personal necesario para corregir el problema.