В рамках поддержки продукта мы постоянно обслуживаем обращения от пользователей. Это — стандартный процесс. И как любой процесс, его нужно регулярно критически оценивать и улучшать.

Мы знаем о некоторых систематически проблемах, которые хорошо-бы решить и, по возможности, без привлечения дополнительных ресурсов:

• ошибки в диспетчеризации заявок: мы получаем что-то "чужое", другие команды иногда получают что-то "наше".
• сложно оценить "сложность" заявки. Если заявка сложная — ее можно передать сильному аналитику, а с простой — и начинающий справится.

Решение любой из указанных задач будет положительно влиять на скорость обработки заявок.

Применение машинного обучения, в приложении к анализу содержания заявки, выглядит как реальная возможность улучшить процесс диспетчеризации.

В нашем случае задачу можно сформулировать следующими задачами классификации:

1. Убедиться, что запрос корректно отнесен к:
   
   • конфигурационной единице (одна из 5 в рамках приложения или "другие")
   • категории обслуживания (инцидент, запрос информации, сервисный запрос)
2. Оценить ожидаемое время на закрытия запроса (как высокоуровневый индикатор "сложности").

Читать дальше ->

https://habr.com/post/421711/?utm_source=habrahabr&utm_medium=rss&utm_campaign=421711