基于特征工程的升级预测：应对 IBM 生态系统内的支持工单升级

大型软件组织每天以客户提交的缺陷报告、功能请求和一般误解的形式处理许多客户支持问题。在收集、分析和协商需求策略之外，还有在产品部署后管理客户输入的种种努力。对于后者，支持工单是让客户提交其问题、缺陷报告和功能请求的关键。每当对支持问题给予的关注不足时，客户就有可能将其问题升级，而向管理层升级既耗时又昂贵，尤其是对于管理数百名客户和数千个支持工单的大型组织而言。本论文为简化支持分析师和管理人员的工作迈出了一步，特别是在预测支持工单升级风险方面。在我们的大型工业合作伙伴 IBM 的实地研究中，采用设计科学方法刻画支持流程以及 IBM 分析师在管理升级时可用的数据。通过设计与评估的迭代周期，支持分析师关于其客户的专家知识被转化为支持工单模型的特征，以实现到机器学习（Machine Learning）模型中，用于预测支持工单升级。该机器学习模型在超过 250 万个支持工单和 10,000 个升级案例上进行了训练和评估，获得了 79.9% 的召回率，并使旨在识别有升级风险支持工单的分析师工作量减少了 80.8%。支持工单模型中开发的特征旨在作为有兴趣实施该模型以预测支持工单升级的组织的起点，并为未来研究人员在此基础上推进升级预测研究提供参考。