Mikes forsking handler om hvor lang tid ting tar, for eksempel når en kunde ringer til kundeservice og selskapet skal løse kundens problem, og hvordan man kan forutsi og optimalisere dette med hjelp av maskinlæringsmodeller.
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.