Кластеризація запитів в службі підтримки
Анотація. У цьому дослідженні ми детально вивчили тему аналізу текстів та класифікації вхідних запитів, зосереджуючись на покращенні обробки запитів у службі підтримки користувачів. Використання сучасних методів текстового аналізу дозволило визначити основні тематичні групи запитів, що сприяло виявленню ключових напрямків інтересів користувачів. Крім того, кластерний аналіз допоміг ефективно об’єднати схожі за змістом запитання та зосередити увагу на найважливіших аспектах.
Наше дослідження виявило основні труднощі, з якими стикаються користувачі при формулюванні запитів, такі як неясність та нестача деталей. Ми запропонували застосовувати методи машинного навчання для створення моделей, що автоматично групують схожі запити та дозволяють більш ефективно їх обробляти [2-3]. Покращення доступу до інформаційних ресурсів і оптимізація інструкцій можуть значно поліпшити досвід користувачів і знизити кількість повторюваних запитів. Важливо зазначити, що хоча наше дослідження визначило основні проблеми та напрями для подальших удосконалень, ми усвідомлюємо, що процес оптимізації служби підтримки є безперервним, оскільки характер запитів може змінюватися.
Таким чином, зосереджуючи увагу на вдосконаленні взаємодії системи з користувачами, ми прагнемо підтримати високий рівень задоволеності клієнтів та оптимізувати роботу служби підтримки. Велика кількість запитів, пов’язаних з відсутністю інформації, свідчить про необхідність покращення якості та доступності інструкцій для користувачів.
Розширення каналів інформування та доступу до необхідної інформації може значно полегшити вирішення питань користувачів без звернень до служби підтримки. Оскільки багато користувачів уникають звертатися через стрес, пов’язаний із цим процесом, удосконалення інструкцій є важливим кроком для підвищення якості обслуговування та задоволення потреб користувачів.
Для побудови нашої моделі ми вибрали ітеративний метод К-середніх. Оскільки цей метод вимагає попереднього визначення кількості кластерів, ми також визначали оптимальну кількість кластерів за допомогою різних методів: “ліктя”, Силуетів та статистики розриву, а також побудували дендрограму за методом Уорда. Після векторизації даних за допомогою методу TF-IDF [1], ми переходили до визначення оптимальної кількості кластерів на основі стандартизованих даних. З діаграми (Рис. 1) можна зробити висновок, що оптимальна кількість кластерів — шість.
Аналіз розподілу вхідних даних між кластерами дозволив виділити основні проблеми. Наш аналіз показав, що найбільш поширеними запитами є:
- прохання студентів про додавання до групи;
- пошук контактів викладачів або кафедри;
- надання доступу до сайту;
- надання доступу до корпоративної пошти;
- прохання викладачів додати студентів до групи;
- надання розкладу занять.
Аналізуючи ці теми, ми підтверджуємо, що основні запитання виникають через недостатню інформацію для користувачів.
Важливо підкреслити, що високий рівень обслуговування визначається ефективністю роботи служби підтримки при мінімальній кількості звернень, що є показником загальної ефективності системи.
Отже, у висновках можна зазначити, що використання текстового аналізу та класифікації є важливим кроком у оптимізації служби підтримки та є основою для постійного вдосконалення обслуговування та задоволення потреб користувачів.
Література
- Метод TF-IDF – вікіпедія. Вікіпедія. URL: https://uk.wikipedia.org/w/index.php?title=TF-IDF&oldid=35772891
- 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
- Machine learning, ML. IT-Enterprise – your one-stop platform for digital transformation. URL: https://www.it.ua/knowledge-base/technology-innovation/machine-learning#:~:text=Методи%20машинного%20навчання,по%20пр