如果信息技术 (IT) 部门积压了大量工单，表明它可能存在各种潜在问题。在本博客中，我们将工单定义为用户为告知公司他们的技术没按预期运行而提出的问题。
无论原因是什么，结果都是客户不满意。事实上，当客户提交多个工单以期得到更快响应时，会造成更大的工单积压，从而可能会使问题加剧。借助 Minitab Statistical Software 和预测分析，IT 部门可以找出造成问题的根本原因并加以解决，从而减少或避免工单积压，提高客户满意度。
某大型 IT 部门想要在服务工单积压增加时缩短工单解决时间。为此，团队负责人设法确定对工单解决影响最大的情况（即变量）。了解影响工单解决速度的原因可以确定造成工单积压的根本原因。
为了解决该问题，该部门决定检查解决速度最快的工单，以了解根本原因。根据这些信息，他们可以加快解决其他工单。他们收集过去 10 个月的工单解决数据，并将其输入 Minitab Statistical Software，这些数据包括有关人员配置水平（即团队规模）、已完成任务数量、工单解决后客户满意度调查和项目规模等信息（采用 1-5 分制评分标准）。
他们提取数据并使用 Minitab 的预测分析模块对数据进行分析，以了解哪些变量对结果影响最大。由于他们不是数据科学家，因此他们使用了自动化机器学习，后者就位于模块内，使用起来非常方便。该工具使他们能够在几秒钟内就构建一个预测模型，并能确定可以使用的最准确模型，因此他们很快就确定了影响工单解决速度的关键因素。团队无需查看方程，他们最初主要观察相对变量重要性图，如下所示：
初始观察数据显示，影响工单解决速度的最重要因素是团队规模（即人员配置水平）。有趣的是，已完成任务数量排名第二，评分远低于第一名，而客户满意度调查和项目规模似乎都没有显著影响。
从表面上看，这些数据对团队负责人来说非常有意义——团队规模越大，团队解决问题的速度就越快。
根据这些信息，该团队现在非常确定需要增加人员，但增加多少人呢？ 他们最后决定增加一个人，但情况没有好转！他们需要了解如何高效且有效地部署资源。
庆幸的是，Minitab 的自动化机器学习工具还为团队提供了一项重要资源，即单预测变量部分依赖图。鉴于该团队确定团队规模是影响最大的预测变量，他们可能需要花较多时间来分析该因素的图。Minitab 生成的结果如下：
我们可以根据团队规模查看以前任务的平均结果。数据显示，七人团队解决问题所花费的时间（约 6 天）与十人团队解决问题所花费的时间（约 2.5 天）存在显著差异，实际上前者是后者的两倍多。
但数据还显示，十人团队与十二人团队解决工单所花费的时间没有明显差异。因此，在这种情况下，最好的办法是安排十名 IT 专业人员专门负责解决现场工单和问题，以获得最大效率。同样重要的是，这也表明，除非进行大量投资来提高人员配备水平，否则五人专业团队与七人专业团队几乎没有区别，因此增雇一个人带来的影响极小。
此结果至关重要，因为从根本上讲，它提供了改进路线图并对当前问题做出了解释。减少工单积压并快速提高客户满意度的解决方案非常清晰。
此外，生成的可视化图向高层决策者传递的信息很有说服力，其中不仅强调了需要投资来提高人员配备水平，还说明了需要增加多少人才能解决问题。