Ga naar de inhoud

Ticketclassificatie met AI

We leren een model categorie, prioriteit en behandelgroep voorstellen, en elke correctie maakt het beter. Voor de servicedesk van PostNL bouwden we Dex.

Dex helpt PostNL vragen sneller te beantwoorden en de medewerker sneller bij de juiste medewerker te brengen

Dex is een zelflerende chatbot, geen ticketmodel. Voor PostNL maakten we er één centraal punt mee waar medewerkers hun vragen stellen, gekoppeld aan bestaande systemen, zodat servicedeskmedewerkers zich met complexere vraagstukken bezighouden.

Lees de case

Waarom belandt een storingsmelding eerst bij de verkeerde behandelgroep?

Meldingen komen via portaal, telefoon en mail. De eerste lijn kiest een categorie uit een lange lijst, schat de prioriteit en zet het ticket door, en soms komt het terug. Een model stelt die keuzes voor uit de omschrijving en eerdere tickets.

Plan een gesprek

Elk ticket krijgt een voorstel voor categorie, prioriteit en behandelgroep, met de reden erbij

Bespreek je servicedesk

Categorie en behandelgroep

Uit de omschrijving en eerdere tickets stelt het model categorie en behandelgroep voor. Voor Olympia bouwden we een classificatiemodel dat kandidaten aan vacatures koppelt.

Dubbele meldingen en storingsgolven

Veel meldingen over dezelfde storing horen bij één incident. Het model herkent gelijke meldingen en geeft een signaal als er ineens veel tegelijk komen.

Een kennisartikel bij het ticket

Bij elk ticket zoekt het model het kennisartikel of de eerdere oplossing die het best past, zodat de behandelaar niet opnieuw begint.

De correctie voedt het model

Past de behandelaar categorie of groep aan, dan wordt die keuze een nieuw trainingsvoorbeeld. Per categorie zie je hoe vaak het voorstel klopte.

De tickethistorie en de categorieboom die je al hebt, zijn het startpunt

  1. Historie en categorieboom

    We lezen de tickethistorie uit en ruimen samen met de servicedesk overbodige en dubbele categorieën op.

  2. Meten op oude tickets

    Op tickets die het model niet kende, meten we per categorie en behandelgroep hoe vaak het voorstel klopt.

  3. Meedraaien in de servicedesk

    Voorstellen verschijnen in het ticket. Eerst als suggestie, daarna automatisch waar het model zeker genoeg is.

Krijgt onze servicedesk genoeg tickets, en zijn ze netjes ingedeeld voor een model?

Toets het in een gesprek

Past als

Je servicedesk krijgt elke dag veel meldingen, tickets gaan regelmatig naar de verkeerde behandelgroep en de historie staat in je ITSM-pakket, met de categorie en groep waarmee ze zijn afgehandeld.

Past niet als

Er komen weinig meldingen, of één team handelt alles af. Een korter keuzemenu in het selfserviceportaal of een routeringsregel in je pakket helpt dan meer dan een model.

Waar de omvang van afhangt

Hoe rommelig de categorieboom is, hoeveel behandelgroepen en talen er zijn, of prioriteit en dubbele meldingen meedoen, en welk pakket je gebruikt, zoals TOPdesk, ServiceNow, Jira Service Management of Zendesk.

Vertrouwt de eerste lijn het voorstel?

Daarom tonen we het eerst als suggestie, met vergelijkbare eerdere tickets erbij. Pas waar het voorstel per categorie aantoonbaar vaak klopt, zetten we het automatisch door. Elke correctie blijft zichtbaar.

Routeringsregels, de AI-functie van je pakket of een eigen model: wat past bij jullie servicedesk?

Routeringsregels in het pakket

Kies dit als het portaal al vaste keuzes vraagt en elke keuze bij één behandelgroep hoort. Eenvoudig te beheren, maar vrije omschrijvingen vallen erbuiten.

De AI-functie van je ITSM-pakket

Kies dit als je pakket zo'n functie heeft, zoals de classificatie in ServiceNow, en je categorieën en groepen vrij standaard zijn. Meet ook dan op je eigen tickets.

Een eigen model naast het pakket

Kies dit als je meerdere pakketten hebt, dubbele meldingen wilt herkennen of eigen gegevens wilt meewegen. Ons advies: begin met de behandelgroep en voeg prioriteit later toe.

Classificatiemodellen en een centrale servicedesk bouwden we voor Olympia en PostNL

Data Science Lab bouwt sinds 2016 data- en AI-toepassingen, vanuit Amsterdam en als Databricks- en Microsoft-partner. Voor Olympia maakten we een classificatiemodel, voor PostNL de zelflerende chatbot Dex.

Plan een kennismaking

Een export van je tickets en je categorieboom vormen het eerste gesprek

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je aanspreekpunt. In het eerste gesprek bekijken we je categorieën, je behandelgroepen en waar tickets nu blijven hangen.

Waar gaan bij jullie de meeste tickets mis?

Beschrijf je servicedesk, het pakket en waar tickets nu blijven hangen. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Ticketclassificatie is meldingen in je servicedesk automatisch een categorie, prioriteit en behandelgroep geven. Een model leest de omschrijving, kijkt naar eerdere tickets en doet een voorstel, of zet het ticket door als het zeker genoeg is. Zo kun je tickets automatisch classificeren en routeren, voor IT, facilitair of klantenservice.

Servicedesk-AI als deze hoort bij de AI-toepassingen die we bouwen.

Bij e-mail classificatie sorteer je een mailbox: wat er komt, krijgt een label en een team. Ticketclassificatie werkt in het ITSM-pakket, waar een melding al een ticket is met velden, een melder, een configuratie-item en een geschiedenis. Die velden weegt het model mee, en de afhandeling vertelt achteraf wat het juiste antwoord was.

Gaat het om een gedeelde mailbox, lees dan over e-mail classificatie met AI.

Veel servicedesks leiden prioriteit af uit impact en urgentie: hoeveel mensen of systemen het raakt, en hoe snel het opgelost moet zijn. Het model schat beide uit de omschrijving en uit gegevens als de melder, de afdeling of het systeem. De prioriteitsmatrix zelf blijft van jullie.

Houd het uitlegbaar: de behandelaar ziet welke woorden en velden de prioriteit bepaalden.

Door nieuwe meldingen te vergelijken met wat er net is gemeld. Een model zet elke omschrijving om in een reeks getallen, een embedding, zodat meldingen met dezelfde betekenis dicht bij elkaar liggen, ook als ze anders zijn verwoord. Komen er ineens veel gelijke meldingen over hetzelfde systeem, dan krijgt de coördinator een signaal om ze aan één incident te koppelen.

De tickethistorie uit je pakket: omschrijving, categorie en behandelgroep zoals het ticket is afgehandeld, prioriteit, en waar mogelijk het configuratie-item en de oplossing. Juist de definitieve waarden zijn het leermateriaal. Wat de eerste lijn koos en later is aangepast, laat zien waar het misgaat.

Tickets bevatten namen en soms gevoelige details; die maskeren we waar het model ze niet nodig heeft. Een rommelige categorieboom ruimen we eerst op, zie datakwaliteit verbeteren.

Via de API van het pakket: het model leest een nieuw ticket, schrijft het voorstel terug in een veld of notitie en de behandelaar ziet het in zijn eigen scherm. Hoe dat per pakket en versie werkt, zoeken we uit in de documentatie van de leverancier. We zijn geen partner van deze leveranciers.

Het model draait bij voorkeur op het platform dat je al hebt, zoals Azure of Databricks.

Door bij te houden hoe vaak behandelaars een voorstel aanpassen, per categorie en behandelgroep. Komt er een nieuw systeem, een reorganisatie of een nieuwe categorie, dan stijgt dat aantal. Met de correcties uit die periode trainen we opnieuw. Wie dat bewaakt, spreken we vooraf af: jullie eigen team of wij, via MLOps-beheer.

Als er weinig meldingen zijn, als een beter portaalformulier de keuze al afdwingt, of als één team alles oppakt. Dan zijn regels in je pakket genoeg.

Wil je vragen van medewerkers direct laten beantwoorden in plaats van ze als ticket te verdelen, dan past een AI chatbot laten maken. Wil je veel tekst analyseren op onderwerp en sentiment, lees dan over NLP en tekstanalyse.