Contexte et problématique

Client : les équipes en charge de superviser l’activité du support IT.

Besoin : Avoir une vision globale et précise de tous les périmètres pour mieux allouer les ressources, réduire les tickets et être pro-actifs sur des thématiques émergentes/croissantes.

Contrainte : Des données (tickets) non-annotées et pas uniformisées entre les équipes (templates, chat, emails, …)

Objectifs

• Identification des sujets des demandes (tickets) avec 3 niveaux de précision (ex : Outlook – Certificat – Expiration)
• Identification des tendances pour chaque sujet (émergent, constant, plus d’actualité)
• Analyse non-supervisée cohérente avec le retour des responsables de chaque périmètre (difficile à chiffrer car non-supervisé)

Notre intervention

1 Data Architect pour la V1

• Définition / cadrage du projet
• Nettoyage et uniformisation des données
• Analyse des tickets à base de méthodes de Machine Learning non-supervisées :
  Clustering des tickets (LDA, DBSCAN, K-Means, …)
  Topic Modeling / caractérisation des clusters
  Détection de tendances sur les sujets identifiés
• Automatisation de l’analyse et du rapport final présentant les résultats

Résultats

V1 réalisé pour 2 périmètres, discussions en cours pour la mise en production et le lancement d’une V2.

• Pour la V1:
  Livrable : rapport automatisé
  Sujets identifiés & degré de précision : OK pour les 2 périmètres
  Tendances des sujets : OK pour les 2 périmètres

Environnement technique

Python
Clustering : Scikit-Learn, Gensim
Topic Modeling : Gensim, Wordcloud,
Visualisations / Restitution: Plotly, Jupyter
Jenkins, Git