Enhancing Business Support Systems through Data Science and Machine Learning : A study on possible applications within BSS

The companies’ support phase, as all of business’ functional areas and components, went through a heavy and rapid digitalization which has unlocked the availability of an unprecedented amount of data. Unlike other relevant business areas and components, the support phase seems to have experienced fewer improvements attributable to Data Science and machine learning. By focusing on two well-known problems of these two fields, Time Series Analysis and Regression Analysis, this project aims at understanding which techniques are applicable within the support phase and how these can improve the effectiveness and pro-activeness of this area. The goal within this project is to apply them to improve the handling of support tickets, the digital entity used to track issues and requests within support systems. Through the use of Time Series Analysis, we aim at forecasting the volume of tickets to be expected in a near-future time frame. Using Regression Analysis we intend to estimate the resolution time of a newly submitted ticket. The results produced by the two tasks were satisfactory. On one hand, the Time Series task produced accurate results and the models could be directly employed and bring some added value to help Elvenite’s support team. On the other hand, while the Regression Analysis results were not as good, they nonetheless proved that the task’s aim is achievable through improvements on both the data used and the models applied. Finally, both tasks successfully showcased how to investigate and evaluate the application of such techniques within the support phase of a business. Supportfasen, likväl samtliga andra delar av företags affärsfunktionella områden och komponenter, har genomgått en intensiv och snabb digitalisering som har öppnat upp tillgången till en enastående mängd data. Till skillnad från andra relevanta affärsområden och komponenter verkar supportfasen ha upplevt färre förbättringar som kan attribueras till Datavetenskap och maskininlärning. Projektet syftar till att förstå det ovanstående genom att fokusera på två välkända tekniker: tidsserieanalys och regressionsanalys. Det är följaktligen viktigt att undersöka vilka metoder från föregående nämnda områden som är användbara inom supportsystemen, samt hur dessa kan förbättra effektiviteten och proaktiviteten inom området. Det genomgående målet för projektet är att tillämpa analysmetoderna för att förbättra hanteringen av supportbiljetter. Supportbiljetter är den digitala enheten som används för att spåra frågor och förfrågningar inom supportsystem. Genom att använda tidsserieanalys eftersträvas att prognostisera volymen av biljetter som kan förväntas inom en snar framtid. Regressionsanalys användas för att tillhandahålla en uppskattad tid för en nyanländ biljett att bli löst, baserat på lösningstiden för tidigare lösta liknande biljetter. De två tillvägagångssätten gav olika, men tillfredställande resultat. Till att börja med anses tidsserieanalysen vara tillfredsställande och kan vara av värde samt hjälp för Elvenites supportteam. Dessvärre var resultaten från regressionsanalysen inte lika optimala och modellerna skulle behöva förbättras ytterligare före de appliceras i verkligheten. De båda teknikerna kunde ändock framgångsrikt bevisa och påvisa hur man kan undersöka samt utvärdera liknande metoder inom supportfasen av ett företag