Analisi dei dati di un call center aziendale

This thesis focuses on the data analysis of a company operating in the large-scale retail trade (GDO), where the digitisation of processes has generated a large body of information. The company in question is Magazzini Gabrielli S.p.A., operating in the large-scale retail trade with three separate brands in the regions of central Italy, whose customer service is decentralised to an external call centre. This situation, however, is being re-evaluated by the company, which has to make the decision whether to maintain the outsourcing or to bring the service in-house. In this regard, the company expressed the request to carry out a data analysis in order to assess the quality of the service objectively. The company, therefore, provided data regarding the support activities for service calls (tickets) from the branches; from the analysis of this data, a richer overview of service quality was to be obtained. The aim of this thesis is, therefore, to describe the work carried out in order to carry out two types of analysis: a descriptive analysis of company data, using Business Intelligence tools, in order to monitor a posteriori the quality of the technical assistance service provided by the external help desk company; and a semantic analysis of ticket texts, using text mining techniques, in order to extract relevant information in order to develop a new performance evaluation methodology. The first part of the analysis is carried out by performing operations in the field of data analytics and makes use of BI tools such as Qlik Sense and Microsoft PowerBI, while the second part requires the application of text mining techniques to study the textual content of the tickets. In this regard, several approaches are tested, including the cosine similarity metric, which yields the best results despite obvious challenges related to the presence of noise in the data. Its use makes it possible to extract ticket groupings (macro-tickets) based on the semantic proximity of the texts, which are mapped onto an n-dimensional space by exploiting the concept of sentence embeddings. The extraction of these macro-tickets makes it possible to identify any anomalous situations; understanding the dynamics within them helps to determine a possible improvement in the overall ticket management process.

La presente tesi si focalizza sull’analisi dei dati di una società operante nell'ambito della Grande Distribuzione Organizzata (GDO), dove la digitalizzazione dei processi ha generato un vasto corpus di informazioni. La società in questione è la Magazzini Gabrielli S.p.A., operante nella GDO con tre marchi distinti nelle regioni del centro-Italia, il cui servizio di customer service è decentralizzato ad un call center esterno. Questa situazione, però, è oggetto di una rivalutazione da parte della società, che deve prendere la decisione se mantenere l'esternalizzazione oppure portare il servizio internamente. A tal proposito, la società ha espresso la richiesta di effettuare un’analisi dei dati al fine di valutare la qualità del servizio in maniera obiettiva. La società, quindi, ha fornito i dati riguardo le attività di supporto alle chiamate (ticket) di assistenza da parte delle filiali; dall’analisi di tali dati, si vuole ottenere una panoramica più ricca di informazioni in merito alla qualità del servizio. Il presente elaborato di tesi ha, quindi, l’obiettivo di descrivere il lavoro eseguito per la realizzazione di due tipologie di analisi: un’analisi descrittiva dei dati aziendali, utilizzando strumenti di Business Intelligence, al fine di monitorare a posteriori la qualità del servizio di assistenza tecnica fornito dall’azienda esterna di help desk; e un'analisi semantica dei testi dei ticket, mediante tecniche di text mining, per poter estrarre informazioni rilevanti al fine di sviluppare una nuova metodologia di valutazione delle performance. La prima parte dell'analisi si mette in pratica effettuando operazioni nell’ambito della data analytics e si avvale di strumenti di BI come Qlik Sense e Microsoft PowerBI, mentre la seconda parte richiede l'applicazione di tecniche di text mining per lo studio del contenuto testuale dei ticket. A tal proposito, sono testati diversi approcci, tra cui la metrica della cosine similarity che permette di ottenere i risultati migliori, nonostante evidenti sfide legate alla presenza di rumore nei dati. Il suo utilizzo rende possibile estrarre raggruppamenti dei ticket (macro-ticket) in base alla vicinanza semantica dei testi, che sono mappati su uno spazio n-dimensionale sfruttando il concetto dei sentence embedding. L’estrazione di questi macro-ticket permette di identificare eventuali situazioni anomale; la comprensione delle dinamiche interne ad essi aiuta a determinare un possibile miglioramento del processo generale di gestione dei ticket.