Propuesta de un modelo de asignación automatizada de tickets para la reducción de plazos de atención de incidentes del Service Desk de una financiera usando aprendizaje supervisado

• Autores: Laos Barrantes, Jorge Augusto, Cacho Aniceto, Luz Stefany, Choton Castañeda, Christian Percy
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/682911
• Enlace del recurso: http://hdl.handle.net/10757/682911
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Aprendizaje Supervisado; Gestión de Incidentes; Mesa de servicio; Calidad; Acuerdo de nivel de servicio; Supervised Learning; Incident Management; Service Desk; Quality; Service Level Agreement; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente proyecto de investigación tiene como finalidad desarrollar y proponer un modelo basado en aprendizaje supervisado para automatizar el proceso de asignación de tickets en la mesa de servicio de una entidad financiera. La problemática actual radica en los retrasos significativos durante la asignación de solicitudes e incidentes a los grupos resolutores (especialistas), lo que ha generado altos niveles de insatisfacción entre los usuarios, dando lugar a un incremento en los reclamos y posibles sanciones administrativas para la empresa. Asimismo, la falta de una comprensión clara de las funciones de los grupos resolutores y la alta rotación de analistas en la mesa de servicio han intensificado esta situación. Durante la fase investigativa, se llevó a cabo un exhaustivo análisis de diversos algoritmos y soluciones de Machine Learning aplicados a la gestión de tickets, identificando los principales desafíos y obstáculos que limitan su implementación efectiva en las organizaciones. En consecuencia, el modelo propuesto se orienta a optimizar la asignación automática de los grupos resolutores de TI encargados de brindar soporte a las aplicaciones y servicios de la institución, con el propósito de mejorar la eficiencia y reducir los tiempos de respuesta. Para la implementación del modelo, se definió una serie de etapas metodológicas que se detallan en los apartados siguientes. Una vez concluidas dichas etapas, los resultados obtenidos corroboraron que la implementación del algoritmo de asignación automatizada basado en técnicas de aprendizaje supervisado permitió disminuir el tiempo de asignación de los grupos resolutores en un 82.6%. Además, se evidenció una mejora del 22.2% en la resolución de incidencias dentro de los tiempos acordados en los SLA (Service Level Agreement) establecidos por la entidad financiera. Este estudio pone de manifiesto el potencial de las tecnologías de Machine Learning para transformar y optimizar procesos críticos en la gestión de servicios de TI, aportando soluciones que no solo incrementan la satisfacción del usuario, sino que también mejoran la operatividad interna de las organizaciones.