Classificação de tickets com IA
Ensinamos um modelo a sugerir uma categoria, uma prioridade e uma equipa responsável, e cada correção melhora-o. Criámos o Dex para o service desk da PostNL.
Dex ajuda a PostNL a responder mais depressa às perguntas e a encaminhar os colaboradores mais rapidamente para o colega certo
Dex é um chatbot que aprende por si, não um modelo de tickets. Para a PostNL, criámos com ele um ponto central onde os colaboradores podem colocar as suas questões, ligado aos sistemas existentes, para que a equipa de suporte se possa concentrar em questões mais complexas.
Porque é que uma comunicação de avaria chega primeiro à equipa errada?
As comunicações chegam pelo portal, por telefone e por e-mail. A equipa de primeira linha escolhe uma categoria de uma lista extensa, estima a prioridade e encaminha o ticket. Por vezes, este é devolvido. Um modelo sugere essas escolhas com base na descrição e em tickets anteriores.
Cada ticket recebe uma sugestão de categoria, prioridade e equipa responsável, com a respetiva justificação
Categoria e equipa responsável
Com base na descrição e em tickets anteriores, o modelo sugere uma categoria e uma equipa responsável. Para a Olympia, criámos um modelo de classificação que associa candidatos a vagas.
Comunicações duplicadas e picos de avarias
Várias comunicações sobre a mesma avaria pertencem a um único incidente. O modelo reconhece comunicações semelhantes e emite um alerta se surgirem muitas ao mesmo tempo.
Um artigo de conhecimento para o ticket
Para cada ticket, o modelo procura o artigo de conhecimento ou a solução anterior mais relevante, para que a pessoa responsável não tenha de começar do zero.
As correções ajudam a treinar o modelo
Se a pessoa responsável alterar a categoria ou a equipa, essa escolha torna-se um novo exemplo de treino. Pode ver, por categoria, com que frequência a sugestão estava correta.
O histórico de tickets e a árvore de categorias que já tem são o ponto de partida
-
Histórico de tickets e árvore de categorias
Analisamos o histórico de tickets e, em conjunto com a equipa do service desk, eliminamos categorias desnecessárias e duplicadas.
-
Testes com tickets anteriores
Com tickets que o modelo ainda não tinha visto, medimos, por categoria e equipa responsável, com que frequência a sugestão está correta.
-
Em funcionamento no service desk
As propostas aparecem no ticket. Primeiro como sugestões; depois, são aplicadas automaticamente quando o modelo tem confiança suficiente.
A nossa equipa de service desk recebe tickets suficientes, e estão categorizados de forma suficientemente consistente para um modelo?
Adequado se
A sua equipa de service desk recebe muitas ocorrências todos os dias, os tickets são frequentemente encaminhados para o grupo de resolução errado e o histórico está na sua ferramenta ITSM, com a categoria e o grupo que trataram cada ticket.
Não é adequado se
Recebe poucas ocorrências ou uma única equipa trata de tudo. Nesse caso, um menu mais curto no portal de autosserviço ou uma regra de encaminhamento na sua ferramenta ajuda mais do que um modelo.
De que depende a dimensão
Da complexidade da árvore de categorias, do número de grupos de resolução e de línguas, da inclusão ou não da prioridade e das ocorrências duplicadas, e da ferramenta que utiliza, como TOPdesk, ServiceNow, Jira Service Management ou Zendesk.
A equipa de primeira linha confia na recomendação?
Por isso, apresentamo-la primeiro como sugestão, acompanhada de tickets anteriores semelhantes. Só encaminhamos os tickets automaticamente nas categorias em que a recomendação acerta comprovadamente com frequência. Todas as correções ficam visíveis.
Regras de encaminhamento, a funcionalidade de IA do seu software ou um modelo próprio: qual é a melhor opção para o seu service desk?
Regras de encaminhamento no software
Escolha esta opção se o portal já apresentar opções predefinidas e cada uma corresponder a um grupo de atribuição. É fácil de gerir, mas as descrições em texto livre ficam de fora.
A funcionalidade de IA do seu software de ITSM
Escolha esta opção se o seu software tiver uma funcionalidade como a classificação do ServiceNow e as suas categorias e grupos forem relativamente padronizados. Mesmo assim, avalie o desempenho com os seus próprios tickets.
Um modelo próprio a funcionar em paralelo com o software
Escolha esta opção se utilizar vários sistemas, quiser identificar tickets duplicados ou precisar de ter em conta os seus próprios dados. O nosso conselho: comece pelo grupo de atribuição e acrescente a prioridade mais tarde.
Criámos modelos de classificação e um serviço de apoio centralizado para a Olympia e a PostNL
Desde 2016, a Data Science Lab desenvolve aplicações de dados e IA a partir de Amesterdão, como parceira da Databricks e da Microsoft. Para a Olympia, criámos um modelo de classificação; para a PostNL, o chatbot Dex, que aprende autonomamente.

Uma exportação dos seus tickets e a sua árvore de categorias são o ponto de partida da primeira conversa
Stef Stoelwinder
Business DevelopmentStef é o seu ponto de contacto. Na primeira conversa, analisamos as suas categorias, os seus grupos de resolução e onde os tickets ficam atualmente bloqueados.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Em que fase surgem mais problemas com os seus tickets?
Descreva o seu service desk, o software que utiliza e onde os tickets ficam bloqueados atualmente. Respondemos por e-mail ou agendamos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
A classificação de tickets atribui automaticamente uma categoria, uma prioridade e uma equipa responsável aos pedidos recebidos no service desk. Um modelo lê a descrição, consulta tickets anteriores e faz uma sugestão, ou encaminha o ticket se tiver confiança suficiente. Assim, pode classificar e encaminhar tickets automaticamente, sejam eles de TI, serviços gerais ou apoio ao cliente.
Este tipo de IA para service desk faz parte das aplicações de IA que desenvolvemos.
A classificação de e-mails organiza uma caixa de correio: as mensagens recebidas são etiquetadas e atribuídas a uma equipa. A classificação de tickets funciona num sistema ITSM, onde cada pedido já é um ticket com campos, um utilizador que o comunicou, um item de configuração e um histórico. O modelo tem esses campos em conta, e a resolução final indica qual era a resposta correta.
Se utiliza uma caixa de correio partilhada, saiba mais sobre a classificação de e-mails com IA.
Muitos service desks definem a prioridade com base no impacto e na urgência: quantas pessoas ou sistemas são afetados e com que rapidez o problema tem de ser resolvido. O modelo estima ambos a partir da descrição e de dados como o utilizador que comunicou o problema, o departamento ou o sistema. A matriz de prioridades continua a ser a da sua organização.
Mantenha o processo explicável: o agente vê que palavras e campos determinaram a prioridade.
Comparando os novos pedidos com os recebidos há pouco. Um modelo converte cada descrição numa sequência de números, um embedding, para que pedidos com o mesmo significado fiquem próximos uns dos outros, mesmo quando são formulados de maneira diferente. Se chegarem de repente muitos pedidos semelhantes sobre o mesmo sistema, o coordenador recebe um alerta para os associar a um único incidente.
Do histórico de tickets do seu sistema: descrição, categoria e equipa responsável registadas no momento da resolução, prioridade e, sempre que possível, item de configuração e solução. São os valores definitivos que servem para treinar o modelo. Comparar a escolha inicial da equipa de primeira linha com as alterações posteriores mostra onde surgem os erros.
Os tickets contêm nomes e, por vezes, detalhes sensíveis; ocultamo-los quando o modelo não precisa deles. Primeiro, organizamos uma estrutura de categorias desordenada; veja como melhorar a qualidade dos dados.
Através da API do sistema: o modelo lê um novo ticket, regista a sugestão num campo ou numa nota e o agente vê-a no ecrã que já utiliza. Consultamos a documentação do fornecedor para perceber como isto funciona em cada sistema e versão. Não somos parceiros destes fornecedores.
De preferência, o modelo funciona na plataforma que já utiliza, como Azure ou Databricks.
Acompanhando a frequência com que os agentes alteram uma sugestão, por categoria e equipa responsável. Quando surge um novo sistema, uma reorganização ou uma nova categoria, esse número aumenta. Voltamos a treinar o modelo com as correções feitas nesse período. Definimos antecipadamente quem acompanha este processo: a sua equipa ou a nossa, através da gestão de MLOps.
Quando há poucos pedidos, quando um formulário melhor no portal já orienta a escolha ou quando uma única equipa trata de tudo. Nesses casos, as regras do seu sistema são suficientes.
Se pretende que as perguntas dos colaboradores sejam respondidas diretamente, em vez de encaminhadas como tickets, pode optar por criar um chatbot de IA. Se pretende analisar grandes volumes de texto por tema e sentimento, saiba mais sobre NLP e análise de texto.
Encaminhar tickets, organizar e-mails ou responder imediatamente a perguntas?
- Aplicações de IATodas as aplicações que criamos, desde modelos preditivos ao processamento de linguagem e ao reconhecimento de imagens.
- Classificação de e-mails com IAClassificar os e-mails recebidos numa caixa de correio partilhada e encaminhá-los para a equipa certa.
- Criação de um chatbot de IAResponder a perguntas de colaboradores ou clientes com base nos seus documentos e sistemas.