Ennakoivan data-analytiikan hyödyntämisen mahdollisuus Service Deskin toiminnassa: esimerkki: Capgemini Finland Oy

Abstract

Dataa tulvii nykyään joka suunnasta suuria määriä, joten myös organisaatioissa datan määrä kasvaa kiihtyvällä tahdilla. Perinteisen raportoinnin sijaan yritykset ovat lähteneet hyödyntämään tekoälyä ja koneoppimista ennustavien data-analyysien muodossa. Tämä mahdollistaa paremman tulevaisuuden suunnittelun ja uusien mahdollisuuksien löytämisen. Jotta tämä olisi mahdollista, tulisi datan laatuun kiinnittää huomiota. Esimerkiksi siihen, minkälaista ja miten paljon dataa kannattaa kerätä, miten sitä tulisi esikäsitellä, jotta paras mahdollinen hyöty saataisiin irti sekä millä tavalla ja minkälaista analytiikkaa kannattaa hyödyntää. Edellä mainittuihin asioihin, sekä Service deskin työhön datan kautta tutustumalla, on löydetty tutkimuskysymykset, johon lähdettiin analysoinnin sekä ennakoivien analytiikkamallien avulla etsimään vastausta.

Tässä opinnäytetyössä on lähdetty etsimään vastauksia tutkimuskysymyksiin näkökulmana esimerkkiyrityksen Service Desk-palvelu. Tutkimusta varten on käyty läpi Service Deskin puhelinpalvelun SAP CCtr:n puhelut ja sähköpostit suurimmaksi osaksi vuodelta 2021, mutta jonkin verran on tutkittu saapuneita puheluita ja sähköposteja vuodesta 2017 vuoteen 2021. Tutkimusmenetelmänä on käytetty tapaustutkimusta.

Tutkimuksen teoriaosuudessa on käsitelty tekoälyn perusteita laajempana kokonaisuutena, erityisesti on paneuduttu tekoälyn osa-alueeseen koneoppimiseen, jota hyödynnetään myös ennakoivassa analytiikassa koneoppimisalgoritmien muodostaessa ennustukset annetun datan perusteella. Tutkimusosuudessa tutustuttiin toimeksiantajalta saatuun dataan, esikäsiteltiin sitä sekä rakennettiin erityyppisiä koneoppimismalleja, joita opetettiin esikäsitellyillä data-aineistoilla.

Tutkimuksen tulokset osoittivat, että Service Desk voi oppia tehokkaasti keräämästään datasta, ja siinä on potentiaalia data-analytiikan laajempaan hyödyntämiseen. Datan olisi hyvä olla kuitenkin monipuolisempaa. Tulosten tarkkuus vaatii vielä parantamista. Tulosten pohjalta toimeksiantajalle annettiin selvitys data-analytiikan tulosten mahdollisista käyttökohteista sekä hyödyistä, jota se voi tarjota. Opinnäytetyön ulkopuolelle rajattiin tarkempi koneoppimismallin valinta sekä optimaalisin tapa hyödyntää dataa.