Blog da Minitab

Feche tíquetes de TI mais rapidamente com análise preditiva

Written by Oliver Franz | 27/fev/2024 9:01:10

Um departamento de Tecnologia da Informação (TI) com um acúmulo de tíquetes significativo pode sinalizar vários problemas subjacentes. Para o propósito deste blog, vamos definir um tíquete como um problema levantado por um usuário para notificar a empresa de que sua tecnologia não está funcionando como esperado. 

Independentemente da causa, o resultado são clientes insatisfeitos. Na verdade, o problema pode até se agravar à medida que os clientes enviam vários tíquetes na esperança de uma resposta mais rápida, criando um acúmulo maior. Ao aproveitar o Minitab Statistical Software e a análise preditiva, os departamentos de TI podem identificar a causa raiz do problema e resolvê-lo, resultando em um acúmulo menor (ou inexistente!) e clientes mais felizes.

 

UM EXEMPLO DA VIDA REAL

Um grande departamento de TI tinha como objetivo reduzir o tempo necessário para fechar tíquetes de serviço à medida que a lista de pedidos pendentes crescia. Para isso, o líder da equipe procurou identificar os cenários (ou seja, as variáveis) que tinham o impacto mais significativo no fechamento do tíquete. Compreender as causas por trás da velocidade do fechamento do tíquete pode revelar a causa raiz do acúmulo.

Para resolver o problema, o departamento decidiu examinar os tíquetes que fechavam mais rapidamente para entender os motivos subjacentes. Ao aplicar esses insights, eles conseguiram acelerar o fechamento de outros tíquetes. Eles reuniram dados dos últimos dez meses de resolução de tíquetes e os inseriram no Minitab Statistical Software. Esses dados incluíam informações sobre níveis de pessoal (ou seja, tamanho da equipe), o número de tarefas concluídas, pesquisas de satisfação do cliente após a resolução do tíquete e tamanho do projeto (medido em uma escala de 1 a 5).

 

OS RESULTADOS

Eles pegaram os dados e os executaram no módulo de análise preditiva do Minitab para esclarecer quais variáveis tiveram o impacto mais significativo nos resultados. Como não eram cientistas de dados, eles usaram o aprendizado de máquina automatizado, que está convenientemente localizado dentro do módulo. Essa ferramenta ajudou a criar um modelo preditivo em segundos e permitiu identificar o modelo mais preciso a ser usado, identificando de maneira eficaz os principais fatores no fechamento do tíquete. Sem a necessidade de olhar para as equações, a observação inicial da equipe se concentrou no gráfico de importância relativa da variável, mostrado aqui:

Esses dados iniciais mostraram que o fator mais importante para a velocidade de resolução de tíquetes é o tamanho da equipe (ou seja, o nível do pessoal). Curiosamente, as tarefas concluídas ficaram em um segundo lugar distante, enquanto nem as pesquisas de satisfação do cliente nem o tamanho do projeto pareciam ter um impacto significativo.

Na superfície, esses dados faziam todo o sentido para o líder da equipe: quanto maior a equipe, mais rápido ela resolveria os problemas.

O que é aprendizado de máquina automatizado? O diretor de marketing e planejamento estratégico da Minitab explica.

 

APROVEITANDO A ANÁLISE PARA OBTER INSIGHTS MAIS PROFUNDOS

Munida dessas informações, a equipe agora tinha motivos suficientes para defender pessoal adicional, mas quanto? A última coisa que eles queriam fazer era contratar outra pessoa e não obter melhorias! Era preciso entender como implantar seus recursos com eficiência e eficácia.

Felizmente, a ferramenta de aprendizado de máquina automatizado do Minitab também equipou a equipe com outro recurso valioso: os gráficos de dependência parcial de um preditor. Como a equipe identificou o tamanho da equipe como o preditor mais influente, eles poderiam passar mais tempo analisando um gráfico desse fator. O Minitab produziu os seguintes resultados:

Vemos os resultados médios de tarefas anteriores com base no tamanho da equipe. Os dados nos mostram que há uma diferença significativa no tempo que levou para a equipe resolver problemas em uma equipe de sete pessoas (aproximadamente 6 dias) em comparação com uma equipe de dez pessoas (cerca de 2,5 dias), mais do que o dobro, na verdade.

Mas os dados também nos mostram que não há diferença aparente entre o tempo levado para resolver tíquetes em uma equipe de dez pessoas em comparação com uma equipe de 12 pessoas. Então, neste caso, faz mais sentido dedicar uma equipe de dez profissionais de TI a tíquetes de campo e solução de problemas para obter a máxima eficiência. De maneira igualmente importante, isso demonstra que, a menos que um investimento substancial seja feito nos níveis de pessoal, há pouca diferença entre cinco e sete profissionais. Portanto, contratar um membro adicional da equipe produzirá impacto mínimo.

Baixe nosso resumo executivo, 3 problemas comuns resolvidos pela análise preditiva, para saber mais

 

A CONCLUSÃO

Esse resultado é essencial porque, fundamentalmente, oferece um roteiro para melhoria e uma explicação para o problema atual. Existe uma solução clara para reduzir o acúmulo de tíquetes e melhorar rapidamente a satisfação do cliente.

Além disso, as visualizações geradas contam uma história convincente aos tomadores de decisão da diretoria, não apenas enfatizando a necessidade de investir em pessoal, mas também quanto pessoal é necessário para corrigir o problema.

Trabalha em TI e quer começar de graça? Comece uma avaliação hoje mesmo