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

Abstract

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.

The purpose of this research project is to develop and propose a model based on supervised learning to automate the ticket assignment process at the service desk of a financial institution. The current problem lies in the significant delays during the assignment of requests and incidents to the resolution groups (specialists), which has generated high levels of dissatisfaction among users, leading to an increase in complaints and possible administrative sanctions for the company. Likewise, the lack of a clear understanding of the functions of the resolution groups and the high turnover of analysts at the service desk have intensified this situation. During the research phase, an exhaustive analysis of various algorithms and Machine Learning solutions applied to ticket management was carried out, identifying the main challenges and obstacles that limit their effective implementation in organizations. Consequently, the proposed model is aimed at optimizing the automatic assignment of IT resolution groups in charge of supporting the institution's applications and services, with the purpose of improving efficiency and reducing response times. For the implementation of the model, a series of methodological stages were defined, which are detailed in the following sections. Once these stages were completed, the results obtained confirmed that the implementation of the automated assignment algorithm based on supervised learning techniques allowed the assignment time of the resolution groups to be reduced by 82.6%. In addition, a 22.2% improvement was seen in the resolution of incidents within the times agreed in the SLA (Service Level Agreement) established by the financial institution. This study highlights the potential of Machine Learning technologies to transform and optimize critical processes in the management of IT services, providing solutions that not only increase user satisfaction, but also improve the internal operability of organizations.