Método y sistema para la optimización y agilización de la resolución de incidencias.

Método para la optimización y agilización de la resolución de incidencias.

En el método, las incidencias se indican en unos tiques generados por un sistema de gestión de tiques, y usando un módulo paralelo a dicho sistema de gestión de tiques para: recoger dichos tiques; resolver el tipo de incidencia por medio de modelos predictivos construidos a partir de datos históricos almacenados en dicho sistema de gestión de tiques; lanzar una sugerencia de actuación y/o notificar al sistema de gestión de tiques la actuación a realizar y/o lanzar automáticamente una tarea en función de una predicción obtenida; y reconstruir dichos modelos predictivos en función de validaciones o correcciones sobre la decisión final adoptada para cada incidencia, en donde los datos del sistema de gestión son extraídos mediante: una base de datos, servicios web, o un interfaz vía fichero.

El sistema está dispuesto para implementar el método de la presente invención.

Método y sistema para la optimización y agilización de la resolución de incidencias.

Sector de la técnica La presente invención concierne, en un primer aspecto, a un método para la optimización y agilización de la resolución de incidencias, en el que dichas incidencias están indicadas en unos tiques generados por un sistema de gestión de tiques, y más concretamente a un método que comprende mediante el uso de un módulo paralelo a dicho sistema de gestión de tiques recoger dichos tiques, resolver en tiempo real el tipo de incidencia por medio de modelos predictivos construidos al menos a partir de datos históricos almacenados en dicho sistema de gestión de tiques y realizar al menos una de las acciones siguientes: lanzar una sugerencia de actuación, notificar al sistema de gestión de tiques la actuación a realizar y/o lanzar automáticamente una tarea en función de una predicción obtenida mediante dichos modelos predictivos.

Un segundo aspecto de la invención concierne a un sistema dispuesto para la implementación del método del primer aspecto.

Estado de la técnica anterior

Desde hace tiempo, las grandes compañías de telecomunicaciones vienen persiguiendo agilizar y automatizar, en la medida de lo posible, los procesos de mantenimiento, implementando sistemas que detecten los problemas en su red para poder solucionarlos cuanto antes o que gestionen de un modo más eficiente sus recursos. De esta forma se consigue tanto una reducción de costes como un aumento de la satisfacción de los clientes.

Para mejorar la eficiencia de la gestión de estos procesos se utilizan los sistemas de trouble ticketing, que básicamente se encargan de la gestión de los tiques desde el momento de su creación hasta que se consiguen solucionar y se cierran. Los tiques generalmente se crean de forma manual por el operador o de forma automática mediante sistemas automáticos de detección de alarmas. Una vez creado el tique, el técnico se encarga de realizar un análisis y un diagnóstico del problema, tomar la decisión de la acción o acciones a realizar para solucionarlo o bien derivarlo a otro grupo especializado si él no está capacitado para hacerlo.

Durante el ciclo de vida del tique, el operador puede realizar acciones como la derivación del tique a otra área de operación, establecimiento de prioridades de tratamiento de tiques, decisión de envío o no de un técnico al lugar de la avería para la solución del problema in-situ, etc.

Para dotar a estos sistemas de inteligencia y aprovechar el conocimiento de los técnicos, hasta ahora se estaban dirigiendo estos trabajos a soluciones basadas en sistemas propietarios y sistemas expertos, que necesitaban alimentarse del conocimiento adquirido por técnicos experimentados que tuviesen una amplia visión del negocio.

Desde el punto de vista de los sistemas de trouble ticketing (TT) , se está intentando automatizar la gestión de los tiques, comenzando por la creación automática de los mismos [11] y siguiendo por la automatización de determinadas operaciones [7].

En los últimos años se están empezando a utilizar técnicas de Machine Learning y de Inteligencia Artificial en multitud de ámbitos. Ejemplos de ellos pueden ser los diagnósticos de averías de dispositivos, diagnósticos médicos, análisis de mercados, reconocimiento de voz y de imágenes, optimización de parámetros en procesos industriales, aplicaciones publicitarias, detección de fraude, seguridad informática, predicción de la demanda de energía eléctrica [1] [4].

Casos más concretos, y más relacionados con el ámbito de las telecomunicaciones son la optimización de las llamadas de un Call Center [2], detección del churn [3], predicción del tráfico de una red [4] y la detección de fallos hardware dentro de una red, correlando las distintas alarmas recogidas [5].

Dentro de las técnicas de Machine Learning, existen algoritmos de aprendizaje supervisado donde se cuenta con unas entradas y unas salidas deseadas y son los modelos los que se encargan de establecer una correspondencia entre ambas. Un ejemplo claro de estos tipos de técnicas son los problemas de clasificación, donde el sistema intenta etiquetar cada una de las muestras o ejemplos que le llegan en uno de los valores incluidos entre las categorías o clases posibles. El conocimiento adquirido por estos sistemas se basa en ejemplos previamente etiquetados y validados.

Se está trabajando en implementaciones y métodos que generalicen la aplicación del análisis predictivo a la solución del mayor número de problemas [9], en la actualización automática de modelos predictivos utilizados en un entorno de producción [10] así como en el refuerzo de los módulos de aprendizaje [8]. Son ejemplos de la problemática que está apareciendo a la hora de integrar todas estas técnicas a los entornos de producción.

Uno de los métodos que actualmente se están utilizando para decidir el modelo óptimo es la comparación de ciertos estadísticos de estos modelos. El estudio del área bajo la curva ROC, también denominado AUC (Area Under Curve) , se basa en la relación entre la Sensibilidad y Especificidad del modelo, que representan la fracción de verdaderos positivos de un experimento frente a la fracción de verdaderos negativos del mismo experimento, respectivamente.

Entre los algoritmos que más se están utilizando para la resolución de problemas de clasificación están los algoritmos basados en árboles de decisión, algoritmos basados en la teoría de Bayes, redes neuronales, SVM, algoritmos basados en reglas (JRip) , así como los métodos de Bagging [12] y Boosting [13] para conseguir unos modelos más robustos y estables.

Estudiando otro tipo de soluciones propietarias, se observa dificultad a la hora de integrarlas en el flujo de trabajo del sistema TT en tiempo real e ir recibiendo la información, sin necesidad de abordar adaptaciones, en la mayoría de los casos bastante costosas, sobre los sistemas TT.

Del mismo modo, se observa costoso y lento el desarrollo e inclusión de una solución similar para cada nuevo problema parecido que sea necesario resolver mediante técnicas de análisis predictivo. No se dispone de un mecanismo que agilice la construcción y selección de los modelos óptimos para cada problema y que permita incorporarlos al flujo de trabajo del sistema TT minimizando las adaptaciones del mismo.

A pesar de disponer de algoritmos ya diseñados que se podrían utilizar sobre los datos de sistemas TT, no es tan sencilla la aplicación de los mismos sobre ciertos datos. Estos datos pueden variar bastante debido a cambios en el negocio, que obligan a disponer de un mecanismo que permita chequear la validez de las predicciones a lo largo del tiempo. En el ámbito de aplicación es muy fácil que aparezcan efectos de degradación de los modelos por la variabilidad de los datos y debería ser posible interactuar con la plataforma, automatizando todo lo posible el proceso.

Ya que la solución está orientada al uso de históricos de operaciones realizadas sobre los tiques, hay que tener en cuenta que no todo el conocimiento que extraemos es válido, ya que en algunas ocasiones incluso se puede estar forzando a los modelos a aprender procedimientos erróneos de resolución de los tiques. Por este motivo, la aplicación directa de los algoritmos de clasificación sobre los datos del sistema TT, puede llevar a generar unos modelos predictivos que en lugar de agilizar y mejorar la gestión de los tiques, la ralentice debido a la acumulación de errores. Es necesario algún mecanismo para ser capaces de corregir esos casos, que a priori, estos algoritmos no proporcionan, dando la posibilidad al técnico de validar o corregir las predicciones de los modelos.

Explicación de la invención Es necesario encontrar una alternativa al estado de la técnica que permita suplir las carencias detectadas, particularmente relacionadas a la falta de propuestas que puedan integrarse en el flujo de trabajo de un sistema TT en tiempo real y que reciban información sin necesidad de abordar adaptaciones así como la falta de un mecanismo que agilice la construcción y selección de modelos óptimos para cada problema presentado.

Por ello, la presente invención propone, un primer aspecto, un método para la optimización y agilización de la resolución de incidencias, en el que dichas incidencias están indicadas en unos tiques generados por un sistema de gestión de tiques.

Al contrario de las propuestas ya conocidas, el método de la invención, de una forma característica, comprende mediante el uso de un módulo paralelo a dicho sistema de gestión de tiques:

- recoger dichos tiques;

- resolver en tiempo real...

1. Método para la optimización y agilización de la resolución de incidencias, estando dichas incidencias indicadas en unos tiques generados por un sistema de gestión de tiques, caracterizado porque comprende mediante el uso de un módulo paralelo a dicho sistema de gestión de tiques:

- recoger dichos tiques;

- resolver en tiempo real el tipo de incidencia por medio de modelos predictivos construidos al menos a partir de datos históricos almacenados en dicho sistema de gestión de tiques;

- realizar al menos una de las acciones siguientes: lanzar una sugerencia de actuación, notificar a dicho sistema de gestión de tiques la actuación a realizar y/o lanzar automáticamente una tarea en función de una predicción obtenida mediante dichos modelos predictivos; y

-reconstruir de forma manual o automática dichos modelos predictivos en función de validaciones o correcciones sobre la decisión final adoptada para cada incidencia indicada en dichos tiques, dichas validaciones o correcciones provenientes de un técnico o de dicho sistema de gestión de tiques,

en donde los datos de dicho sistema de gestión de tiques son extraídos mediante: una base de datos, servicios web, o un interfaz vía fichero.

2. Método según la reivindicación 1, en el que dichos sistemas predictivos comprenden una clasificación de dichos tiques en función del tipo de incidencia que indican.

3. Método según la reivindicación 3, que comprende generar dichos modelos predictivos testeando una lista prefijada de algoritmos mediante tiques configurables de entrenamiento, escogiendo aquellos modelos predictivos que presenten mejores características en función de curvas “Receiver Operating Characteristic”, o curvas ROC.

4. Método según la reivindicación 1, que comprende emplear dichos datos en tiempo real para aplicarlos a dichos modelos predictivos o emplear dichos datos para dicha reconstrucción de dichos modelos de predicción, dichos datos comprendiendo dichos tiques.

5. Método según cualquiera de las reivindicaciones anteriores, que comprende calcular los estadísticos de dichos modelos predictivos y comprobar la bondad de dichos modelos predictivos en función de al menos un umbral configurable.

6. Método según la reivindicación 5, en el que dicha generación de dichos modelos predictivos comprende:

- realizar dicha extracción de datos de dicho sistema de gestión de tiques;

- corregir tiques asociados a dichos datos mediante dichas correcciones provenientes de técnicos o de dicho sistema de gestión de tiques;

- generar dichos tiques configurables de entrenamiento mediante la preparación de dichos datos y/o tiques corregidos;

- realizar combinaciones de dichos tiques configurables con dichos algoritmos;

-optimizar heurísticamente parámetros de dichos algoritmos en función de estadísticos obtenidos de dichas combinaciones;

- escoger al menos un modelo predictivo en función de dichos estadísticos; y

- realizar dicha comprobación de bondad de dicho modelo predictivo. 7. Método según la reivindicación 6, en el que dichos algoritmos son del tipo Naive Bayes, Bayes Net, C.45,

AdaBoost, Bagging, JRip o Support Vector Machine.

8. Método según la reivindicación 5, 6 ó 7, en el que dicha clasificación de dichos tiques comprende:

- realizar dicha extracción de datos de dicho sistema de gestión de tiques;

- ajustar tiques asociados a dichos datos al formato requerido por dichos modelos predictivos;

- lanzar una clasificación de una incidencia asociada a uno de dichos tiques como resultado de aplicar dichos modelos predictivos sobre dicho tique; y

- dar un mensaje de salida o ejecutar una acción automáticamente en función de dicha clasificación.

9. Método según cualquiera de las reivindicaciones anteriores, que comprende predecir la repetición de una incidencia asociada a dichos tiques si una actuación previa para solucionar dicha incidencia resulta insatisfactoria.

10. Sistema para la optimización y agilización de la resolución de incidencias, estando dichas incidencias 5 indicadas en unos tiques generados por un sistema de gestión de tiques, caracterizado porque comprende un módulo paralelo a dicho sistema de gestión de tiques que contiene los siguientes sub-módulos:

- submódulo generador, que recoge dichos tiques de dicho sistema de gestión de tiques y crea modelos predictivos;

- submódulo predictor, que resuelve en tiempo real el tipo de incidencia por medio de dichos modelos

predictivos construidos al menos a partir de datos históricos almacenados en dicho sistema de gestión de tiques y realiza al menos una de las acciones siguientes: lanza una sugerencia de actuación, notifica a dicho sistema de gestión de tiques la actuación a realizar y/o lanza automáticamente una tarea en función de una predicción obtenida mediante dichos modelos predictivos; y

- submódulo colector de feedback, que corrige o refuerza dichos modelos predictivos en función de información

introducida por un técnico o de información extraída de dicho sistema de gestión de tiques, dicha información referente a la decisión final tomada para resolver dichas incidencias,

en el que dichos submódulos de dicho módulo paralelo a dicho sistema de gestión de tiques disponen de un mecanismo de comunicación entre sí.

11. Sistema en el que dichos submódulos implementan el método según cualquiera de las reivindicaciones 20 anteriores de la 1 a la 9.

Figura 1

Figura 2 Figura 3 Figura 4 Figura 5

Figura 7

Figura 8 Figura 9