Ticketsysteme sind weit verbreitet und helfen bei der Abwicklung von Service-Anfragen und dem Störungsmanagement. Das Ticketsystem begleitet dabei den kompletten Prozess von der Erfassung über die Zwischenmeldungen und allfälligen Zuweisungen zu Dritten bis hin zum Abschlussrapport eines Requests. Es liegt in der Natur von solchen Tickets, dass diese mal weniger, mal mehr Zeit für die Bearbeitung benötigen. Die Ursachen sind dabei verschiedenste; Analysen darüber mögen nach mehr Aufwand als Nutzen erscheinen. Und dennoch: Es muss interessieren, welche Anwendungen den grössten Aufwand generieren, wie sich Aufwände über Zeit verändern und wie die Support-Prozesse gelebt werden. Nur so lassen sich Optimierungsmassnahmen ableiten und die Service-Qualität gegenüber dem Kunden (extern & intern) verbessern. Und das wiederum dürfte im Interesse aller Ticketsystem-Anwender sein. Wie aber kann eine solche Analyse aussehen und welche Insights helfen, den Prozess zu verbessern?
Level 1: Daten
Ticketsysteme speichern jede Statusveränderung mit allen Informationen in der Regel in einem Datenbanksystem. Da steht drin, wer wann was bezüglich welches Kontextes (Prozess, Anwendung, …) mit einer Anfrage gemacht hat. Bereits mit diesen Daten lassen sich viele Insights gewinnen:
- welche Applikationen generieren die meisten Anfragen? Die Anfragemenge kann sich über Zeit auch verändern. Den Erfolg von- oder das Fehlen von Schulung, hohe Komplexität oder entsprechend hohe Relevanz einer Anwendung können Ursachen dafür sein.
- Wann erfolgen diese Anfragen? Das kann pro Applikation sehr unterschiedlich sein. Vielleicht gibt es Anwendungen, welche eher gegen das Monatsende wichtig werden, andere Anwendungen haben mehr Tickets jeweils nachmittags und nochmals andere Anwendungen lassen kein spezifisches Muster erkennen.
- gibt es Muster bei der “Quelle von Tickets”? Vielleicht senden gewisse Mitarbeiter mehr Tickets als andere. Vielleicht ist das Pattern auf Organisationsebenen zu finden. Gut möglich, dass es hier bereits gewisse Relationen zu den Anwendungen gibt: Abteilung A sendete mehr Anfragen zu Anwendung 1, Abteilung B sendet eher gegen Monatsende Anfragen zu Anwendung 2. Das lässt sich auch auf Kunden-Segmente/-Gruppen anwenden.
- Wie ist das Bearbeitungsverhalten im Service-Desk? Wie viele Tickets müssen an den 2nd- oder gar 3rd-Level weitergegeben werden? Welche Mitarbeiter machen wie schnell eine Weiterleitung von Tickets? Wie lange bleiben Tickets nach Eingang hängen? Gibt es hier allenfalls sogar Unterschiede pro Tag, was allenfalls auf die Einsatzplanung zurückzuführen wäre?
Der aufgeführte Auszug an möglichen Fragestellungen umfasst noch relativ einfache Auswertungen, welche bestimmt jeder von uns auch mit Microsoft Excel fertigbringen würde. Hierfür benötigt man noch keine grossen Data-Analytics Fähigkeiten (aber wir helfen auch hier sehr gerne). Es lässt sich aber erkennen, dass mit einfachen Analysen der Daten Erkenntnisse für Verbesserungspotential gewinnen lassen.
Level 2: Prozess Mining
Ticketsysteme schreien ja eigentlich geradezu nach einer ‘Process Mining’ Analyse: Die Daten liegen in perfekter Form bereit, womit sich relativ einfach analysieren lässt, wie der gelebte Support-Prozess aussieht. Nachdem wir oben umfangreich den offensichtlichen Informationsgehalt der Daten analysiert haben, wollen wir mit Process Mining schauen, welchen Weg die Tickets nehmen.
Im Service Desk startet der Prozess mit dem 1st-Level-Support. Ziel ist es, dass der Supporter möglichst viele Tickets selbst lösen kann. Sollte aufgrund fachlicher oder technischer Komplexität dies nicht möglich sein, werden Tickets dem 2nd-Level-Support zugewiesen. Je nach Prozessdefinition macht dort wieder eine zentrale Person ein Dispatching zur zuständigen Person, oder der Supporter weiss selbst wer zuständig ist. Es würde aber niemanden überraschen, wenn der Supporter Tickets direkt dem 3rd-Level zuweist. In der Regel ist das aber so im Prozess nicht definiert. Der 3rd-Level arbeitet aber primär an anderen Dingen. Er muss sich Zeit einrichten, um Tickets abzuarbeiten. Es kann zu Zeitverzögerungen kommen.
Mittels Process Mining kann eine Analyse (einmalig oder wiederkehrend) gemacht werden, wie der GELEBTE PROZESS im Support aussieht. Algorithmen nehmen dazu die Datenbank des Ticketsystems und modellieren ein passendes Prozessmodell. Damit lassen sich Flaschenhälse erkennen, es lassen sich Ursachen für längere Ticketdurchlaufzeiten ermitteln, man sieht wie oft “Abkürzungen” im Prozess genommen werden und basierend darauf lassen sich Prozessanpassungen diskutieren. Process Mining ist somit nicht nur ein Data Science-Thema, es bedarf auch Erfahrungen rund um Prozessmodellierung und Prozessanalyse. Process Mining für sich bringt Prozess-Transparenz. Im Rahmen von Supportprozessen lassen sich damit Massnahmen für Prozess- oder Ressourcenanpassungen erkennen.
Level 3: Das grosse Ganze
Die dedizierte Datenanalyse liefert viele Erkenntnisse. Auch Process Mining kann viel über den Support-Prozess offenlegen. Aber so richtig interessant wird es, wenn beide Analysen zusammengelegt werden. Wenn die Anzahl Tickets pro Anwendung mit dem damit gelebten Prozess kombiniert wird, wenn die Anfragezeiten allfällig unterschiedliche Prozessdurchläufe begründen, wenn Ticket-Weiterleitungen an 2nd- oder 3rd-Level auf Ressourcenengpässe belegt werden können, dann tauchen wir stärker in die Analyse ein und erhalten einen viel transparenteren Einblick.
Damit sich die Sachlage wirklich verbessern kann, bedarf es der intelligenten Zusammensetzung der beiden Analysen. Nur so kann ein schlüssiges Bild über einen Ticketprozess erstellt werden.
Brauchbare Insights
Am Beispiel Ticketsystem lässt sich nachvollziehbar erkennen, dass durch die Kombination von Datenanalyse und Process Mining eine viel tiefere Erkenntnisse gewonnen werden kann. Mit diesen Insights lässt sich der Support-Prozess- und damit die Service-Qualität gegenüber dem (internen oder externen) Kunden verbessern.
Haben auch Sie ein Ticketsystem? Arbeiten ihre Supporter am Anschlag und das Business beklagt sich über zu lange Ticketbearbeitungen? Steigt die durchschnittliche Anzahl an Tickets? Dann freuen wir uns auf Ihre Kontaktaufnahme – Gerne erstellen wir Ihnen dafür auch ein Ticket 😉