Un service informatique avec un important retard dans le traitement des tickets peut être le signe de divers problèmes sous-jacents. Dans le cadre de ce blog, définissons un ticket comme un problème soulevé par un utilisateur pour informer l’entreprise que l’un de ses outils technologiques ne fonctionne pas comme prévu.
Quelle qu’en soit la cause, les clients ne sont pas satisfaits. Le problème peut même s’aggraver lorsque les clients soumettent plusieurs tickets dans l’espoir d’une réponse plus rapide, entraînant ainsi un retard de traitement plus important encore. En exploitant Minitab Statistical Software et l’analyse prédictive, les services informatiques peuvent identifier la cause profonde du problème et le résoudre, ce qui permet de réduire (ou d’éliminer !) les retards de traitement et de satisfaire les clients.
Confronté à l’augmentation de ses retards de traitement, un grand service informatique a souhaité réduire le temps nécessaire à la résolution de ses tickets de service. Pour ce faire, le chef d’équipe a cherché à identifier les scénarios (c’est-à-dire les variables) qui avaient le plus d’impact sur la résolution des tickets. Comprendre les causes de la lenteur de la résolution des tickets pourrait révéler la cause profonde du retard de traitement.
Pour résoudre ce problème, le service a décidé d’examiner les tickets qui avaient été fermés le plus rapidement afin de comprendre les raisons sous-jacentes. L’application de ces informations permettrait d’accélérer la résolution d’autres tickets. L’équipe a collecté des données sur les 10 derniers mois de résolution de tickets et les a saisies dans Minitab Statistical Software. Ces données comprenaient des informations sur les niveaux de personnel (c’est-à-dire la taille de l’équipe), le nombre de tâches effectuées, les enquêtes de satisfaction client après la résolution des tickets et la taille du projet (mesurée sur une échelle de 1 à 5).
Le service a analysé ses données avec le module d’analyse prédictive de Minitab afin de déterminer quelles variables avaient l’impact le plus important sur les résultats. Comme l’équipe ne comptait pas de data scientists, elle a utilisé l’auto-apprentissage par la machine automatisé, qui est idéalement intégré au module. Cet outil lui a permis de créer un modèle prédictif en quelques secondes et d’identifier le modèle le plus précis à utiliser, en identifiant efficacement les facteurs clés de résolution des tickets. Sans avoir à examiner les équations, l’observation initiale de l’équipe s’est centrée sur le graphique de l’importance relative des variables, illustré ici :
Ces premières données ont montré que le facteur le plus important pour la vitesse de résolution des tickets est la taille de l’équipe (c’est-à-dire le niveau de personnel). Il est intéressant de noter que les tâches effectuées sont arrivées en seconde position, tandis que ni les enquêtes de satisfaction client ni la taille du projet ne semblaient avoir un impact significatif.
À première vue, ces données étaient parfaitement logiques pour le chef d’équipe : plus l’équipe est grande, plus elle résout rapidement les problèmes.
Forte de ces informations, l’équipe disposait désormais de suffisamment d’éléments pour plaider en faveur d’un renforcement des effectifs, mais dans quelle mesure ? La dernière chose qu’elle souhaitait était d’embaucher une autre personne sans obtenir d’amélioration ! Elle devait comprendre comment déployer efficacement ses ressources.
Heureusement, l’outil d’auto-apprentissage par la machine automatisé de Minitab a fourni à l’équipe une autre ressource précieuse : les diagrammes de dépendance partielle à un prédicteur. Étant donné que le service a identifié la taille de l’équipe comme le prédicteur le plus déterminant, il a pu consacrer plus de temps à analyser un graphique de ce facteur. Minitab a produit les résultats suivants :
Nous voyons les résultats moyens des tâches précédentes en fonction de la taille de l’équipe. Les données nous montrent qu’il existe une différence significative entre le temps nécessaire à l’équipe pour résoudre les problèmes au sein d’une équipe de 7 personnes (environ 6 jours) et une autre de 10 personnes (environ 2,5 jours), soit plus du double.
Mais les données nous montrent également qu’il n’y a pas de différence notable entre le temps nécessaire pour résoudre les tickets dans une équipe de 10 personnes et une équipe de 12 personnes. Dans ce cas, il est donc plus judicieux d’affecter une équipe de 10 professionnels de l’informatique à la gestion des tickets et à la résolution des problèmes pour une efficacité maximale. Il est tout aussi important de démontrer qu’à moins qu’un investissement important ne soit réalisé dans les niveaux de personnel, il n’y a que peu de différence entre 5 et 7 professionnels. L’embauche d’un membre supplémentaire de l’équipe n’aura donc qu’un impact minime.
Ce résultat est crucial, car il explique le problème actuel et fournit une feuille de route pour le résoudre. Il existe une solution claire pour réduire les retards de traitement des tickets et améliorer rapidement la satisfaction client.
En outre, les visualisations générées présentent une histoire convaincante à l’intention de la direction, en mettant l’accent non seulement sur la nécessité d’investir dans le personnel, mais également sur le nombre de collaborateurs nécessaires pour résoudre le problème.