Automation of helpdesk's request processing using AI

In this diploma thesis, the author first described in the theoretical part the individual business entities that are linked to the process itself, which takes place at the internal employee help desk of the selected company. The following is a description of techniques, methods and tools in the field of business and process analysis, data analysis and machine learning, which the author directly used in the practical part or are related to other parts of the work, thus introducing the reader to the overall theoretical context. In the practical part of the work, the author first analyzed the current (AS-IS) state of the process in the company using business and process analysis techniques. During this analysis, the author used an iterative consulting approach with regular meetings with key business representatives. Based on this analysis, the author identified areas that could be optimized or even automated within the process. From the identified possibilities, the author chose a subset of problems to be solved, or to be implemented within the framework of this work, and subsequently proposed the future (TO-BE) state of the process and its potential benefits, which he expected in case of successful implementation and deployment of the solution. Furthermore, the author proposed metrics that can be used to measure the effectiveness of the process and on the basis of which it is possible to determine the expected difference compared to the original state. Due to the chosen area, the author applied data analysis methods to the next solution and, specifically, descriptive analytics, he extracted information from the data in the form of visualizations, which he further used in decision-making during the implementation of the technical solution and others that are key for the user for an overview of the performance of the department and people, as well as to support their decision-making, suggested for implementation as part of possible next steps. The background data for this chapter was real company data - help desk request data. Furthermore, the author created a so-called Proof of Concept solution from the field of predictive analytics - natural language processing and machine learning. After using various preprocessing techniques, the author tested various combinations of approaches, algorithms and their settings in order to train the most usable model with the highest business benefits. Such a model should be able to predict the category of the request based on its textual content and thus replace in this part of the process the human activity and the time spent reading the e-mail, evaluating it, creating a ticket in the system and subsequent categorization. The result should be a more efficient process. The author evaluated the most suitable combination of approaches based on the gradual registration of results and the evaluation of relevant metrics. In conclusion, the author deals with the real accuracy and applicability of the solution on a sample of data supplied by the business - e-mails that were processed by a person and that were not part of the training or test data set. He compared this real categorization with the predictions made by the tested models and evaluated the real success and usability. The author quantified the benefit for the business itself primarily in terms of saving human resources and also listed other impacts, among other things, as a follow-up to the previously conducted business analysis. In conclusion, the author proposed possible improvements, options for follow-on projects also within other identified areas for optimization or automation, as well as options for expansion and parameterization of the technical solution itself.V této diplomové práci autor nejprve v teoretické části popsal jednotlivé businessové entity, které mají vazbu na samotný proces, který probíhá na interním zaměstnaneckém helpdesku vybrané společnosti. Následuje popis technik, metod a nástrojů v oblasti business a procesní analýzy, datové analýzy a strojového učení, které v praktické části autor dále přímo využil nebo s dalšími částmi práce souvisejí a uvádí tak čtenáře do celkového teoretického kontextu. V praktické části práce autor nejprve analyzoval současný (AS-IS) stav procesu ve společnosti pomocí technik business a procesní analýzy. Během této analýzy autor využil iterativního konzultantského přístupu s pravidelnými schůzkami s klíčovými zástupci businessu. Na základě této analýzy autor identifikoval oblasti, které by bylo možné v rámci procesu optimalizovat či dokonce automatizovat. Z identifikovaných možností autor zvolil podmnožinu problémů k řešení, respektive k implementaci v rámci této práce, a v návaznosti navrhl budoucí (TO-BE) stav procesu a jeho potenciální přínosy, jež očekával v případě úspěšné implementace a nasazení řešení. Dále autor navrhl metriky, pomocí kterých lze efektivitu procesu možné měřit a na základě kterých je možné určit očekávaný rozdíl oproti původnímu stavu. Vzhledem ke zvolené oblasti autor k dalšímu řešení aplikoval metody datové analýzy a konkrétně deskriptivní analytiky vytěžil formou vizualizací z dat informace, které dále použil v rámci rozhodování při implementaci technického řešení a další, které jsou pro uživatele klíčové pro přehled o výkonnosti oddělení a lidí a také k podpoře jejich rozhodování, navrhl k implementaci v rámci možných dalších kroků. Podkladovými daty pro tuto kapitolu byla reálná data společnosti – data helpdeskových požadavků. Dále autor vytvořil tzv. Proof of Concept řešení z oblasti prediktivní analytiky – zpracování přirozeného jazyka a strojového učení. Autor po použití různých preprocessingových technik testoval různé kombinace přístupů, algoritmů a jejich nastavení, aby natrénoval co nejpoužitelnější model s nejvyššími přínosy pro business. Takový model by měl být schopen predikovat kategorii požadavku na základě jeho textového obsahu a tím nahradit v této části procesu činnost člověka a jeho čas strávený čtením e-mailu, jeho vyhodnocením, založením ticketu v systému a následnou kategorizací. Výsledkem by mělo být zefektivnění procesu. Autor vyhodnotil nejvhodnější kombinaci přístupů na základě postupné evidence výsledků a vyhodnocení příslušných metrik. Autor se na závěr zabývá reálnou přesností a použitelnosti řešení na businessem dodaném vzorku dat – e-mailů, které byly zpracovány člověkem a které nebyly součástí trénovací ani testovací množiny dat. Tuto reálnou kategorizaci porovnal s predikcemi provedenými testovanými modely a vyhodnotil reálnou úspěšnost a použitelnost. Přínos pro samotný business autor kvantifikoval především v rovině úspory lidských kapacit a uvedl i ostatní dopady mj. v návaznosti na dříve provedenou business analýzu. Závěrem autor navrhl možná vylepšení, možnosti návazných projektů i v rámci jiných identifikovaných oblastí pro optimalizaci či automatizaci, a také možnosti rozšíření a parametrizaci samotného technického řešení