คำสั่งงานที่คั่งค้างจำนวนมากในแผนกเทคโนโลยีสารสนเทศ (IT) อาจบ่งบอกถึงปัญหาที่ซ่อนอยู่หลายประการ สำหรับในบทความนี้ เราจะนิยาม “คำสั่งงาน” คือปัญหาที่ผู้ใช้งานแจ้งกับบริษัททราบว่าเทคโนโลยีของพวกเขาไม่ได้ดำเนินการตามที่คาดหวังไว้
ไม่ว่าจะด้วยเหตุผลใดก็ตามผลลัพธ์สุดท้ายที่เกิดขึ้น คือ ลูกค้าไม่พึงพอใจ ในความเป็นจริงลูกค้าอาจมีการส่งคำสั่งงานมามากกว่าหนึ่งครั้งเพื่อหวังว่าจะมีการตอบสนองที่เร็วขึ้น แต่นั้นอาจจะทำให้ปัญหานั้นแย่ลงไปอีกเพราะทำให้เกิดงานคงค้าง (backlog) จำนวนมาก แผนกไอทีใช้ Minitab Statistical Software และวิธีการวิเคราะห์เชิงคาดการณ์ (Predictive Analytics) เพื่อค้นหาสาเหตุและแก้ไขปัญหา ซึ่งทำให้ลดหรือกำจัดงานคงค้างในมือและเพิ่มความพึงพอใจของลูกค้า
ตัวอย่างกรณีศึกษา
เนื่องจากมีจำนวนงานคงค้างมากขึ้นเรื่อยๆ แผนกไอทีจึงวางเป้าหมายที่จะลดเวลาในการให้บริการเพื่อทำการปิดคำสั่งงานให้เร็วขึ้น และเพื่อให้บรรลุตามเป้าหมายนี้ หัวหน้าทีมพยายามค้นหาว่าตัวแปรหรือสถานการณ์ใดที่มีผลกระทบมากที่สุดต่อการปิดคำสั่งงาน ถ้าสามารถทำความเข้าใจเหตุผลของการใช้เวลาของการบริการแต่ละคำสั่งงานอาจทำให้เข้าใจว่าเหตุผลที่แท้จริงของงานที่ไม่สามารถปิดงานได้คืออะไร
เพื่อแก้ไขปัญหานี้แผนกจึงเลือกที่จะตรวจสอบคำสั่งงานที่ปิดได้เร็วที่สุดเพื่อระบุสาเหตุที่แท้จริง พวกเขาสามารถใช้ข้อมูลเชิงลึกที่ได้มานั้นไปเร่งปิดคำสั่งงานอื่นๆให้เร็วขึ้น พวกเขารวบรวมข้อมูลจากการทำงานของคำสั่งงานในช่วงสิบเดือนที่ผ่านมาและป้อนข้อมูลลงในซอฟต์แวร์สถิติ Minitab ข้อมูลที่ว่าได้แก่ ระดับของกลุ่มงาน (เช่น ขนาดทีม) อัตราความสำเร็จของงาน และ ความพึงพอใจของลูกค้าที่สำรวจหลังจากที่มีการแก้ไขตามคำสั่งงาน (วัดเป็นค่าระดับ 1–5)
ผลลัพธ์ที่ได้
พวกเขาใช้วิธีการวิเคราะห์เชิงคาดการณ์ (Predictive Analytics module) กับข้อมูลที่ได้มา เพื่อหาว่าตัวแปรใดมีผลกระทบต่อผลลัพธ์มากที่สุด เนื่องจากพวกเขาไม่ใช่นักวิทยาศาสตร์ข้อมูล พวกเขาจึงใช้เทคนิค Automated Machine Learning และด้วยการใช้เครื่องมือนี้ทำให้พวกเขาสามารถสร้างแบบจำลองการคาดการณ์ได้อย่างรวดเร็ว และพิจารณาว่าแบบจำลองใดมีความแม่นยำที่สุด ซึ่งช่วยให้พวกเขาระบุองค์ประกอบสำคัญที่นำไปสู่การปิดคำสั่งงานได้ ด้วยวิธีการที่ไม่ต้องพึ่งพาสมการใดๆ ทำให้ทีมงานเริ่มต้นการสังเกตการณ์ครั้งแรก และผลที่ได้แสดงไว้ในแผนภูมิความสำคัญของตัวแปรสัมพัทธ์ (relative variable importance chart) ซึ่งแสดงไว้ที่นี่:
คำว่า “ความสำคัญเชิงสัมพันธ์” (Relative Importance) หมายถึง เปอร์เซ็นต์การปรับปรุงผ่านตัวทำนายอันดับต้นๆ
จากข้อมูลเบื้องต้นแสดงให้เห็นว่าปัจจัยที่สำคัญที่สุดของความเร็วในการแก้ไขปัญหาตามคำสั่งงาน คือ ขนาดของทีม หรือระดับของพนักงาน สิ่งที่น่าสนใจ คือ อัตราความสำเร็จของงานอยู่ในอันดับที่สอง ในขณะที่ขนาดโครงการและความพึงพอใจของลูกค้าก็ดูเหมือนจะไม่มีอิทธิพลสำคัญแต่อย่างใด
หัวหน้าทีมพบว่าข้อมูลที่ได้มานี้ค่อนข้างสมเหตุสมผล กล่าวคือ ทีมขนาดใหญ่จะแก้ปัญหาได้รวดเร็วยิ่งขึ้น
Automated Machine Learning คืออะไร เจ้าหน้าที่ฝ่ายการตลาดและการวางแผนกลยุทธ์ของ Minitab อธิบายไว้
การใช้การวิเคราะห์เพื่อให้ได้ข้อมูลที่ลึกยิ่งขึ้น
ด้วยผลลัพธ์ที่ได้จากการวิเคราะห์เบื้องต้นนี้ทำให้ทีมงานมีเหตุผลเพียงพอที่จะหาข้อโต้แย้งเพื่อทำการเพิ่มจำนวนพนักงานแต่ควรจะเพิ่มจำนวนกี่คนดี สิ่งที่พวกเขาไม่อยากให้เกิดขึ้นคือเมื่อจ้างคนเพิ่มขึ้นแล้วแต่ยังไม่เห็นการปรับปรุงใดใดเลย ดังนั้นสิ่งที่พวกเขาอยากรู้เพิ่มเติม คือ วิธีการใช้ทรัพยากรอย่างมีประสิทธิภาพและประสิทธิผล
โชคดีที่ทีมงานมีเครื่องมือ Automated Machine Learning ของ Minitab ที่สำคัญอีกอย่างหนึ่ง คือ แผนภูมิการพึ่งพาบางส่วนของตัวทำนายหนึ่งตัว (one predictor partial dependence plot) ทำให้ทีมงานพบว่าตัวทำนายที่สำคัญที่สุด คือ ขนาดทีม ทีมงานจึงมุ่งเน้นวิเคราะห์กราฟของปัจจัยนั้น ซึ่งผลที่ได้จากใช้ Minitab วิเคราะห์เป็นดังนี้
เราจะเห็นผลลัพธ์โดยเฉลี่ยของงานที่มีขนาดทีมต่างๆกัน จากข้อมูลแสดงให้เห็นว่ามีความแตกต่างของระยะเวลาในการดำเนินงานอย่างมีนัยสำคัญ — คือแตกต่างประมาณสองเท่า — ระยะเวลาที่ทีมงานใช้ในการแก้ปัญหาตามคำสั่งงาน โดยทีมที่มีจำนวนคน 7 คน ในทีม (ใช้เวลาในการแก้ปัญหาประมาณ 6 วัน) กับทีมงานที่มีจำนวนพนักงานในทีม 10 คน (ใช้เวลาประมาณ 2.5 วัน)
อย่างไรก็ตามข้อมูลยังแสดงให้เห็นอีกว่า ความแตกต่างของระยะเวลาที่ใช้ในการแก้ไขปัญหาตามคำสั่งงานของทีมที่มีพนักงานจำนวน 10 และ 12 คน จะแตกต่างไม่ชัดเจน ดังนั้นในกรณีนี้การมอบหมายกลุ่มผู้เชี่ยวชาญด้านไอทีจำนวน 10 คนให้จัดการแก้ไขปัญหาตามคำสั่งงาน น่าจะทำให้ได้ผลผลิตที่สูงที่สุด นอกจากนี้ยังแสดงให้เห็นว่าทีมที่มีจำนวนพนักงาน 5 และ 7 คนมีความแตกต่างกันไม่มาก การเพิ่มสมาชิกในทีมอีกหนึ่งคนจะไม่เกิดความแตกต่างอะไรมากนักเว้นแต่จะเป็นการเปลี่ยนแปลงเรื่องระดับพนักงาน
ดาวน์โหลดเอกสารของเรา “3 Common Problems Solved by Predictive Analytics” เพื่อเรียนรู้เพิ่มเติม
บทเรียนที่สำคัญ
ผลลัพธ์นี้มีความสำคัญอย่างมากเพราะทำให้เราสามารถสร้างแผนงานในการปรับปรุงและทำความเข้าใจกับปัญหาที่เกิดขึ้น ทำให้ได้วิธีการที่ชัดเจนในการลดจำนวนงานคงค้างและเพิ่มความพึงพอใจของลูกค้า
นอกจากนี้การใช้วิธีการแสดงข้อมูลด้วยแผนภาพ เป็นการเล่าเรื่องการวิเคราะห์อย่างน่าสนใจให้กับผู้มีอำนาจในการตัดสินใจได้เห็นภาพชัดเจนดีขึ้นว่าควรมีการลงทุนเพิ่มในการจัดหาพนักงาน เพราะจำนวนพนักงานนั้นมีความจำเป็นในการใช้แก้ปัญหาตามคำสั่งงาน
ถ้าคุณทำงานด้านไอทีและต้องการเริ่มเรียนรู้เพิ่มเติม เปิดตัวทดลองใช้งานทันทีโดยไม่เสียค่าใช้จ่ายใดใดได้แล้ววันนี้
บทความต้นฉบับ : Close IT Tickets Faster With Predictive Analytics
ต้นฉบับนำมาจาก Minitab blog, แปลและเรียบเรียงโดยสุวดี นำพาเจริญ,
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ