Модель кластеризації запитів служби підтримки
У цьому дослідженні ми докладно розглянули тему аналізу текстів та класифікації вхідних запитань, зосереджуючись на поліпшенні обробки запитів у службі підтримки користувачів. Застосування передових методів текстового аналізу дозволило ідентифікувати ключові тематичні групи запитань, сприяючи локалізації областей інтересу користувачів. Крім того, застосування кластерного аналізу дало можливість ефективно групувати схожі за змістом запитання, зосереджуючи увагу на найбільш важливих аспектах.
Наше дослідження виявило основні труднощі, які зазнають користувачі при формулюванні запитань, такі як неоднозначність та відсутність деталей. Ми висунули пропозицію використовувати методи машинного навчання для створення моделей, які автоматично групують схожі запитання та допомагають управляти ними більш ефективно [2,3].
Покращення доступу до інформаційної бази та оптимізація інструкцій можуть істотно покращити враження користувачів від обслуговування та допомогти знизити кількість подібних запитань. Важливо відзначити, що завдяки нашому дослідженню ми виявили основні питання та напрями для подальших вдосконалень, але при цьому розуміємо, що процес удосконалення служби підтримки – це неприпинний шлях розвитку, оскільки природа запитань може змінюватися.
Отже, надавши основним напрямком удосконалення взаємодії системи з користувачами, ми прагнемо підтримувати високий рівень задоволеності клієнтів та оптимізації роботи служби підтримки. Великий обсяг запитань, пов’язаних з відсутністю інформування, свідчить про необхідність покращення якості та доступності інструкцій для користувачів.
Розширення кількості шляхів інформування та розширення доступу до необхідної інформації може значно спростити вирішення питань користувачів без звернення до служби підтримки. З огляду на те, що багато користувачів уникають звертатися за підтримкою через стрес, пов’язаний із цим процесом, вдосконалення інструкцій виявиться ключовим елементом для підвищення якості обслуговування та забезпечення задоволення користувачів.
Для побудови нашої моделі ми зупинилися на ітеративному методі К-середніх. І оскільки це метод вимагає від нас припущення щодо кількості кластерів, то ми також шукаємо кількість кластерів за допомогою різних методів, а саме метод «ліктя», метод Силуетів та метод статистики розриву, також ми будуємо дендрограму за методом Уорда.
Після векторизації даних за допомогою TF-IDF методу [1], переходимо до визначення оптимальної кількості кластерів, маючи вже стандартизовані дані.
З наведеної діаграми (Рис. 1) можна зробити висновок, що оптимальною кількістю кластерів є розподіл на 6 кластерів.
Після аналізу розподілень вхідних даних між кластерами можна виокремити основні болючі напрямки. А саме, наш аналіз даних свідчить, що найбільш поширеними проблемами, які викликають звернення користувачів, є:
- Прохання студентів про додавання до групи.
- Пошук контактів викладача чи кафедри.
- Надання доступу до сайту.
- Надання доступу до корпоративної пошти.
- Прохання викладачів додати студентів до групи.
- Надання розкладу занять.
Аналізуючи ці теми, приходимо до висновку, що наша гіпотеза підтверджується: основна маса питань виникає через недостатню кількість інформації для користувачів.
Важливо підкреслити, що високий рівень обслуговування часто визначається ефективністю роботи служби підтримки при мінімальній кількості звернень, і це може слугувати позитивним показником загальної ефективності системи підтримки користувачів.
Отже, у висновку можна відзначити, що використання аналізу текстів та класифікації є не лише кроком у процесі оптимізації служби підтримки, але і ключовим напрямом для невпинного удосконалення обслуговування та задоволення потреб користувачів.
Література
- Метод TF-IDF – вікіпедія. Вікіпедія. URL: https://uk.wikipedia.org/w/index.php?title=TF-IDF&oldid=35772891 (дата звернення: 18.11.2023).
- Encyclopedia of machine learning and data mining / ed. by C. Sammut, G. I. Webb. Boston, MA : Springer US, 2016. URL: ,https://doi.org/10.1007/978-1-4899-7502-7 (date of access: 18.11.2023).
- Machine learning, ML. IT-Enterprise – your one-stop platform for digital transformation | www.it.ua. URL: https://www.it.ua/knowledge-base/technology-innovation/machine-learning#:~:text=Методи%20машинного%20навчання,по%20пр� (date of access: 18.11.2023).