Categorización de tickets de mesa de ayuda para una empresa de servicios informáticos a través de procesamiento de lenguaje natural

Abstract

El trabajo descrito en el presente informe fue realizado en una empresa chilena de servicios informáticos a estudios de abogados llamada Tecnolex. Tecnolex hoy en día se encuentra en una situación en la que la información que poseen algunas de sus áreas no está siendo de confianza. Una de estas áreas corresponde al área de Helpdesk en la cual se realizó el trabajo. Este correspondía a entregar un sistema que recomendara como categorizar los tickets de soporte técnico que fueran generados por el área. Un ticket cuenta con 2 formas de ser clasificados, por su atributo Tipo Requerimiento y su atributo Categoría, los cuales cuentan con 3 y 14 clases respectivamente. Para visualizar esta situación se tomó un subset de 10.000 tickets, en donde se descubrió que cerca del 40% de estos estaban mal clasificados. También se descubrió que existe una tendencia a clasificar los tickets con un cierto valor, en donde la clase Requerimiento corresponde a aproximadamente el 85% de los tickets existentes. Esto supone un problema para la empresa ya que se basan en esta información para la toma de decisiones del área. Para lograr clasificar los tickets se hizo uso de tres modelos de machine learning: Regresión Logística, Support Vector Machine y un árbol de clasificación. De los resultados obtenidos, se ha podido concluir que, si existe un gran porcentaje de tickets que actualmente se encuentran mal clasificados, que los modelos de clasificación serían una buena herramienta para clasificar los tickets, y que el modelo que presenta mejores resultados corresponde a la Regresión Logística, el cual permite clasificar los datos de forma correcta un 70% para tanto Tipo Requerimiento como la Categoría de los tickets. También se logró descubrir que un mayor desbalance en la distribución de los tickets produce peores resultados a la hora de querer clasificar los tickets, en el caso del atributo Tipo Requerimiento mejoro las métricas de las clases con menor cantidad de tickets en cerca de un 30%