Diseño y evaluación de un modelo inteligente de clasificación de incidentes tecnológicos de soporte TI para optimizar su priorización en proyectos de transformación digital mediante técnicas de aprendizaje automático supervisado
No hay miniatura disponible
Fecha
2026
Autores
Galeano Llanos, Nicolas Esteban
Título de la revista
ISSN de la revista
Título del volumen
Editor
Ediciones Universidad Simón Bolívar
Facultad de Ingenierías
Facultad de Ingenierías
Resumen
El presente proyecto tuvo como propósito evaluar el desempeño de distintos modelos de aprendizaje automático supervisado aplicados a la clasificación de tickets, con especial interés en analizar la influencia de las variables Impact y Urgency sobre la capacidad predictiva de los modelos. Esta investigación surge de la necesidad de optimizar los procesos de categorización automática en entornos de soporte y atención, donde una clasificación adecuada de los tickets puede contribuir a mejorar la priorización de incidencias, la asignación de recursos y los tiempos de respuesta. En este contexto, el estudio se enfocó en comparar el comportamiento de varios algoritmos de clasificación bajo dos escenarios: uno que incluye las variables Impact y Urgency y otro en el que dichas variables son excluidas, con el fin de determinar su relevancia dentro del problema abordado. Para el desarrollo del proyecto se implementaron cuatro algoritmos de aprendizaje supervisado ampliamente utilizados en tareas de clasificación: regresión logística, árbol de decisión, random forest y máquina de vectores de soporte (SVM). El rendimiento de estos modelos fue evaluado utilizando métricas reconocidas en la literatura para este tipo de tareas, específicamente accuracy, precisión macro, exhaustividad macro y puntuación F1 macro. La elección de estas métricas permitió no solo medir la proporción global de aciertos, sino también valorar de forma más equilibrada la capacidad de cada modelo para clasificar correctamente las diferentes clases, aspecto especialmente importante en contextos donde puede existir desbalance en la distribución de los datos.
This project aimed to evaluate the performance of different supervised machine learning models for ticket classification, with a particular focus on analyzing the effect of including or excluding the variables Impact and Urgency. The study was motivated by the need to improve automatic classification processes in support and service environments, where an accurate categorization of tickets can contribute to better prioritization, resource allocation, and response times. In this context, the research compared the behavior of several classification algorithms under two scenarios: one including the variables Impact and Urgency, and another excluding them, in order to determine their relevance within the problem domain. To carry out the study, four widely used supervised learning algorithms were implemented: logistic regression, decision tree, random forest, and support vector machine (SVM). The performance of these models was assessed using standard evaluation metrics for classification tasks, specifically accuracy, macro precision, macro recall, and macro F1-score. These metrics were selected not only to measure the overall proportion of correct predictions, but also to provide a more balanced evaluation of each model’s ability to classify all classes properly, which is especially important in situations where class imbalance may exist.
This project aimed to evaluate the performance of different supervised machine learning models for ticket classification, with a particular focus on analyzing the effect of including or excluding the variables Impact and Urgency. The study was motivated by the need to improve automatic classification processes in support and service environments, where an accurate categorization of tickets can contribute to better prioritization, resource allocation, and response times. In this context, the research compared the behavior of several classification algorithms under two scenarios: one including the variables Impact and Urgency, and another excluding them, in order to determine their relevance within the problem domain. To carry out the study, four widely used supervised learning algorithms were implemented: logistic regression, decision tree, random forest, and support vector machine (SVM). The performance of these models was assessed using standard evaluation metrics for classification tasks, specifically accuracy, macro precision, macro recall, and macro F1-score. These metrics were selected not only to measure the overall proportion of correct predictions, but also to provide a more balanced evaluation of each model’s ability to classify all classes properly, which is especially important in situations where class imbalance may exist.
Descripción
Tabla de contenidos
Palabras clave
Transformación digital, Gestión de incidentes, Soporte TI, Aprendizaje automático supervisado, Clasificación de incidentes, Priorización automática, Inteligencia artificial
