Hvor lang tid tar ting?

Avhandlingen diskuterer forbedringen av maskinlæringsmodeller for nøyaktig å forutsi gjenværende tid for kundesaker, spesielt i de tidlige stadiene når begrenset informasjon er tilgjengelig. Studien understreker betydningen av å legge større vekt på tidlige feil for å forbedre modellens ytelse. 

Et av funnene tar opp tendensen til at disse modellene øker den forutsagte gjenværende tiden over tid, noe som er en naturlig konsekvens når mer informasjon blir tilgjengelig. Dette kan være utfordrende, spesielt i planlegging i samfunnskritiske funksjoner som helsevesenet. Det er derfor foreslått en metode for å evaluere modeller for gjenværende tid fra dette perspektivet. 

Forskningen innen prediktiv prosessovervåking er ofte avhengig av benchmark-data. Dette kan være problematisk i situasjoner der forskeren trenger å forstå hvordan datarelaterte faktorer påvirker modellen. Det ble derfor utviklet en simuleringramme for generering av prosessdata i Python-programmeringsspråket. Rammeverket (https://github.com/Mikeriess/SBPS_framework) er åpen kildekode og er dermed fritt tilgjengelig for bruk i fremtidig forskning.  

I en case-studie med en skandinavisk internettleverandør demonstrerer avhandlingen at prediktiv og preskriptiv køhåndtering kan forbedre kundelojalitet, målt ved Net Promoter Score (NPS). Ved å forutsi gjenværende tid og betinget NPS, og prioritere enten nøytrale eller kunder med lengst gjenværende tid, økte gjennomsnittlig NPS sammenlignet med den nåværende først-til-mølla-tilnærmingen. Effekten var spesielt signifikant i situasjoner med for få ansatte. 

  

Siden resultatene i denne avhandlingen omhandler praktiske problemer i forretningsprosesser, kan noen av funnene brukes direkte i forretningsprosesser, og være verdifulle innsikter for fremtidig forskning. 

 

Relatert innhold
9 June - Mike Riess (HH)

9 June - Mike Riess (HH)

PhD degree – Trial Lecture and Public Defence

Mike Riess, School of Economics and Business (HH) will defend his PhD thesis "Essays on predictive and prescriptive process monitoring" on Friday 9 June 2023.

Published 25. mai 2023 - 13:47 - Updated 25. mai 2023 - 14:27