Modelo de aprendizaje supervisado para la derivación automatizada de tickets de service desk

• Autores: Barra Benavides, Oscar Renato, Tataje Garcia, Alexa Grissel
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/661413
• Enlace del recurso: http://hdl.handle.net/10757/661413
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Service desk; Help desk; http://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#5.02.04

El presente proyecto tiene como propósito diseñar un modelo de aprendizaje supervisado para la derivación automática de los tickets de la mesa de ayuda de una empresa de consumo masivo. El cual nace ante la problemática por la demora en la atención de los tickets (solicitudes e incidentes) por la derivación de los grupos resolutores. Dado que existe la dificultad de conocer todas las funciones de los grupos resolutores y la alta rotación de los analistas de la mesa de ayuda que, además, trae como consecuencia la insatisfacción de los usuarios. Para la realización de este proyecto se investigaron soluciones de Machine Learning aplicadas a la atención de tickets de mesas de ayuda, en donde, se pudo identificar los principales retos y causas que impiden una implementación de este tipo de solución dentro de las organizaciones. El modelo propuesto busca mejorar el proceso de derivación de los tickets de mesa ayuda utilizando herramientas de Machine Learning que permita asignar de forma automática los grupos resolutores de los proveedores que soportan a la empresa de consumo masivo. Para la validación se emplearon los registros de tickets provistos por la empresa y se ejecutaron pruebas que nos permitieron validar dicho modelo. Los registros obtenidos fueron utilizados para entrenar el modelo de Machine Learning, el cual nos proporcionó información necesaria para clasificar y asignar los tickets a los grupos resolutores según su tipo: incidente y solicitud. Adicionalmente, al analizar los resultados obtenidos de la validación, se evidenció la capacidad del modelo en reducir el tiempo de asignación de los grupos resolutores en comparación con la situación actual de la mesa de ayuda.