209
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Machine Learning para automatizar los sistemas de
tickets de soporte: Una revisión literaria
resumen
El sistema de tickets de soporte al día de hoy es
un elemento clave para cualquier empresa. La
clasicación de estos tickets puede ser una tarea
compleja si se realiza manualmente, debido a que
la asignación puede ser incorrecta y esto conducir a
una reasignación de tickets, utilización innecesaria
de recursos y extensión del tiempo de resolución.
La tecnología Machine Learning aplicado en los
sistemas de tickets de soporte ha logrado automatizar
la clasicación de los tickets, esperando así una mejor
asignación de los incidentes a resolver. Este artículo
tiene como objetivo encontrar los algoritmos, basados
en la tecnología Machine Learning, que obtengan una
mayor tasa de precisión en la clasicación de tickets
de soporte en la gestión de incidencias de tecnologías
de información (ITIL).
Palabras clave: gestión de incidentes de TI,
aprendizaje automático, tickets de soporte, ITIL,
mesa de servicio
absTracT
e support ticket system today is a key element
for any company. Classifying these tickets can be a
complex task if done manually, as the assignment
can be incorrect, leading to re-assignment of tickets,
unnecessary use of resources, and extension of
resolution time. e Machine Learning technology
applied to support ticket systems has managed to
automate the classication of tickets, thus hoping for
a better assignment of the incidents to be resolved.
is article aims to nd the algorithms, based on
Machine Learning technology, that obtain a higher
accuracy rate in the classication of support tickets in
the management of information technology incidents
( ITIL).
Keywords: IT incident management, Machine
Learning, support tickets, ITIL, service desk
A V V
E V G
A C M D L S
1 Universidad Nacional de Trujillo, Escuela de
Ingeniería de Sistemas, Trujillo-Perú
2 Universidad Nacional de Trujillo, Escuela de
Ingeniería de Sistemas, Trujillo-Perú
Autor para correspondencia E-mail:
evillar@unitru.edu.pe
Machine Learning to automate support ticket systems: A literature
review
Recibido: octubre 08 de 2022 | Revisado: octubre 29 de 2022 | Aceptado: noviembre 10 de 2022
© Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-comercial
– Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial
contactar a: revistacampus@usmp.pe.
https://doi.org/10.24265/campus.2022.v27n34.04
| C | V. XX VII | N. 34 | PP. - | - | |
210
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Introducción
La evolución constante de las
Tecnologías de la Información (TI)
ha traído como consecuencia que las
empresas necesiten adaptarse a dichos
cambios, incluso si estas no están
relacionadas directamente con las TI. Es
aquí donde entra a tallar la gestión de
servicios de TI (Information Technology
Service Management - ITSM), la cual es
una variedad de actividades dirigidas al
mantenimiento de la infraestructura de
TI (iZuev et al., 2018).
Por otro lado, la gestión de incidentes
vendría a ser una de las diversas prácticas
de la ITSM y es de suma importancia
para poder facilitar y regularizar con
prontitud el ujo de actividades de
TI de una organización, ya sea que el
soporte sea dado por la empresa misma
o por un proveedor de TI, estas suelen
implementar para sus usuarios, STS
(Sistema de Tickets de Soporte), con el
n de que estos puedan crear tickets en
los que describen su problema o solicitud
(Simon et al., 2022).
El proceso de resolución que atraviesa
un ticket vendría a estar denido por los
siguientes tres pasos: (i) Comprensión del
ticket: Este proceso hace referencia a la
revisión y análisis de la información del
ticket. (ii) Asignación del ticket: En este
paso se da la clasicación y se establece el
grupo de resolución. (iii) Fijación del ticket:
En este paso se detalla la solución técnica
para resolver el incidente reportado.
Estos pasos suelen ser elaborados por el
personal a cargo del nivel 1 de la mesa de
servicio, que usualmente son trabajadores
temporales o menos calicados. Al ser este
un proceso manual, además que, debido
a los esfuerzos de digitalización por parte
de las empresas, el volumen de tickets
entrantes suele ser grande, es que en
muchas ocasiones pueden ocurrir errores,
los cuales provocan principalmente
un mal enrutamiento en los tickets,
un aumento tanto en costes, como en
tiempo de resolución del ticket y, por lo
tanto, una disminución signicativa en
la satisfacción del usuario (Simon et al.,
2022).
Es por este motivo que las empresas
se encuentran realizando cada vez más
esfuerzos por automatizar este proceso,
de esta manera, cada vez es más común
el uso de algoritmos de IA (Inteligencia
Articial) y ML (Machine Learning),
dando así la posibilidad de automatizar
tareas básicas, además de reducir los
esfuerzos humanos y los errores del
proceso (Qamili et al., 2018) apoyando
o reemplazando a los miembros del
personal de soporte de la mesa de servicio
de primer nivel.
En su mayoría, las investigaciones
previas se centran en propuestas
de aplicación e implementación de
algoritmos de ML en STS, sin embargo,
son muy pocas las revisiones bibliográcas
que proporcionan una descripción
general del estado actual del presente
campo de estudio. Dado este contexto,
en la presente investigación se realizó
una revisión de la literatura, con el n de
obtener un análisis de los algoritmos de
ML más ecaces usados para la obtención
de una mayor precisión en la clasicación
y asignación de tickets de incidencias.
Método
Se llevó a cabo una revisión
sistemática con base en la adaptación
A V V - E V G - A M D L S
211
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
de la metodología Preferred Reporting
Items for Systematic Reviews and Meta-
Analyses (PRISMA), ver (Urrútia &
Bonll, 2010). Aquí la pregunta de la
investigación establecida para conducir
el proceso metodológico fue la siguiente:
¿Qué algoritmos de Machine Learning
dan mejores resultados en la clasicación
de tickets de soporte en la gestión de
incidentes?
Una revisión sistemática es un artículo
de «síntesis de la evidencia disponible»,
en el que se realiza una revisión de
aspectos cuantitativos y cualitativos
de estudios primarios, con el objetivo
de resumir la información existente
respecto de un tema en particular
(Manterola et al., 2013). Tomando
en cuenta esta denición, se puede
observar la importancia de desarrollar el
estudio siguiendo un método repetible,
entendible y que considere la evaluación
del riesgo de sesgos.
Para dar inicio al proceso de búsqueda
se emplearon ciertos términos que
surgieron a partir de la pregunta de
la investigación, tales como: “support
ticket”, “incident management”, “itil”,
“service desk” y “machine learning”. A
continuación, se estableció la conexión
entre los términos de búsqueda a través
de operadores booleanos: (“support
ticket” OR “incident management” OR
“itil” OR “service desk” AND “machine
learning). Luego se determinó las bases de
datos usadas como motor de búsqueda,
las cuales fueron SCOPUS - ( TITLE-
ABS-KEY ( support AND ticket ) OR
TITLE-ABS-KEY ( it AND incident
AND management ) OR TITLE-ABS-
KEY ( itil ) OR TITLE-ABS-KEY (
service AND desk ) AND TITLE-ABS-
KEY ( machine AND learning ) AND
TITLE-ABS-KEY ( algorithms ) ) AND
PUBYEAR > 2017 AND PUBYEAR
> 2017, SCIENCEDIRECT -(support
ticket AND it incident AND service
desk AND machine learning) Year:2018-
2022e, y en ALICIA como “it incident”
and “machine learning”IEEE XPLORE.
Criterios de inclusión y exclusión
En la presente investigación se
adjuntaron artículos publicados en
las bases de datos anteriormente
mencionadas, únicamente en inglés y
comprendidos entre los años 2018 y
2022.
Criterio de inclusión
Se tomaron en cuenta los artículos que
son aplicables en los entornos actuales de
las tecnologías de la información, que se
traten de investigaciones empíricas y no
revisiones sistemáticas.
Criterio de exclusión
No se consideraron aquellas
investigaciones sobre Machine Mearning
que no abarquen a los tickets de soporte
o gestión de incidencias. También se
descartaron aquellas investigaciones que
apliquen Deep Learning en lugar de
Machine Learning, que ahonden temas
relacionados a la veterinaria, enfermería,
artes y humanidades, economía, ciencias
agrícolas y biológicas, química, ciencia
medioambiental, física y astronomía,
medicina, psicología o ciencias sociales.
M L : U
212
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Figura 1
Flujograma de discriminación de artículos encontrados
6
RESULTADOS
De la búsqueda en primera instancia de los términos anteriormente mencionados en las
bases de datos, se determinó un total de 235 artículos, ordenados de la siguiente manera:
ScienceDirect con 39 artículos, Alicia con cuatro artículos y, por último, Scopus con 192
artículos. Sin embargo, a partir de este número total en la búsqueda, se aplicaron los criterios
de inclusión y exclusión mencionados anteriormente, obteniendo como resultado un total de
12 artículos escogidos.
En la Tabla 1, se muestran los 12 artículos incluidos en la revisión sistemática, estos se
encuentran ordenados por base de datos y contienen los resultados, a modo de resumen, que
cada uno de ellos obtuvo.
Identificación
Selección
Elección
Inclusión
BASES DE DATOS: Scopus, ScienceDirect,
AliciaConcytec. (n=235).
Criterios de selección:
Registro incluidos (n=125)
Selección por Título y
Registro incluidos (n=25)
Registros después de retirar duplicados
Elección de artículos a
Registro incluidos (n=12)
Estudios seleccionados
Resultados
De la búsqueda en primera instancia de
los términos anteriormente mencionados
en las bases de datos, se determinó un
total de 235 artículos, ordenados de la
siguiente manera: ScienceDirect con 39
artículos, Alicia con cuatro artículos y,
por último, Scopus con 192 artículos.
Sin embargo, a partir de este número
total en la búsqueda, se aplicaron
los criterios de inclusión y exclusión
mencionados anteriormente, obteniendo
como resultado un total de 12 artículos
escogidos.
En la Tabla 1, se muestran los
12 artículos incluidos en la revisión
sistemática, estos se encuentran
ordenados por base de datos y contienen
los resultados, a modo de resumen, que
cada uno de ellos obtuvo.
A V V - E V G - A M D L S
213
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Tabla 1
Resúmenes de trabajos previos ordenados por Base de Datos
N° Título Base de datos País Resultado
1 Performance of 109 machine
learning algorithms across ve
forescasting tasks: Employee
behavior modeling, online
communication, house pricing, it
support and demand planning
Scopus Bulgaria Se realizó un análisis en diferentes
dominios comerciales, para
encontrar los mejores algoritmos en
cada ámbito. Los algoritmos basados
en Random forest funciona bien en
un conjunto de datos de tamaño
mediano.
2 Reducing Misclassication
Due to Overlapping Classes in
Text Classication via Stacking
Classiers on Dierent Feature
Subsets
Scopus Canadá Se muestra como su método logra
mejorar la tasa de precisión al
momento de la clasicación.
3 Application of machine
learning methods for automated
classication and routing in ITIL
Scopus Rusia Este trabajo comparará diferentes
métodos de aprendizaje
automático para encontrar
el enfoque más efectivo en la
automatización del sistema de
clasicación de tickets de soporte.
Da como mejor a gradient boosting
como técnica de Machine Learning
que soluciona este problema.
4 Machine learning in incident
categorization automation
Scopus Portugal Obtuvieron como resultado que los
dos métodos con más alta tasa de
precisión fueron: SVM y KNN.
5 Performance of Machine Learning
Algorithms for IT Incident
Management
Scopus Indonesia Este experimento usó la técnica de
validación cruzada. Usaron distintos
algoritmos de ML y obtuvieron
como resultado que los mejores
fueron: Random Forest,MLP y
SVM.
6 Classifying the Unstructured
IT Service Desk Tickets Using
Ensemble of Classiers
Scopus India Se realizó el experimento y obtuvo
por resultado que los mejores
algoritmos fueron: SVM y Random
Forest.
7 IT Ticket Classication: e
Simpler, the Better
Scopus Hungría En las pruebas realizadas, los
algoritmos que obtuvieron mejores
resultados en la puntuación F1,
dados los rasgos lingüísticos a tomar
en cuenta en los conjuntos de datos
experimentales, fueron los árboles
de decisiones y naïve Bayes, con un
100% en ambos casos.
8 An Intelligent Framework for
Issue Ticketing System Based on
Machine Learning
Scopus Suiza El algoritmo SVM (Support Vector
Machine) arrojó un 75% en la
puntuación F1. Esa puntuación
mide la cantidad y calidad en la
precisión de igual manera.
9 Machine Learning-based
Automated Problem
Categorization in a Helpdesk
Ticketing Application
Scopus Indonesia El algoritmo que arrojó mayor
porcentaje de precisión (82%) al
clasicar un ticket aplicando el
algoritmo random forest.
M L : U
214
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
10 Automated IT service desk
systems using machine learning
techniques
Scopus India Los algoritmos usados en esta
investigación fueron: Support
Vector Machine (SVM), Regresión
Logística (LR), Multinomial Naive
Bayer (MNB) y kNN, obteniendo
como resultados en el porcentaje
de precisión 87%, 81%, 69% y
67%, respectivamente. Es decir, el
algoritmo con mayor puntaje de
precisión fue SVM.
11 Machine Learning in IT Service
Management
ScienceDirect China y
Rusia
Se trabajó con diferentes
métodos como Naive Bayesian
clasicador, modelo de árboles
de decisión de regresión
logística y aumento de
gradiente. Como respuesta a sus
experimentos, el modelo Gradient
Boosting Decision Trees funciona
mucho mejor que otros.
12 A machine learning based help desk
system for IT service management
ScienceDirect Arabia
Saudita
Se realizaron tres experimentos.
Como resultado se obtuvo una
mayor precisión con SMO.
En la Tabla 2, después del análisis de
los estudios previos se pudo obtener los
algoritmos recurrentes agrupados por
autores.
Tabla 2
Resumen de evaluación
N° Autores SVM
Logistic
Regresion
Naive
Bayes
Random
Forest
D-Tree kNN
1 (Gerunov, 2022)
✔
2 (Wahba et al., 2022)
✔
3 (Nikulin et al., 2021)
4 (iZuev et al., 2018)
✔ ✔ ✔
5
(Al-Hawari & Barham,
2021)
✔ ✔ ✔
6 (Silva et al., 2018)
✔ ✔
7 (Prihandono et al., 2020)
✔ ✔
8 (Paramesh et al., 2018)
✔
9 (Revina et al., 2020)
✔ ✔
10 (Qamili et al., 2018)
✔ ✔ ✔ ✔
11 (Miliano et al., 2020)
✔ ✔
12
(Paramesh & Shreedhara,
2019)
✔ ✔ ✔ ✔
A V V - E V G - A M D L S
215
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Figura 2
Porcentaje de estudios incluidos por Base de Datos para la revisión sistemática
En la Figura 2 se puede visualizar
las Bases de Datos y los respectivos
porcentajes de artículos que fueron
aportados para esta revisión: Scopus
cuenta con el mayor porcentaje de
artículos seleccionados, con 83,3% y
ScienceDirect con un 16,7%, todos en
inglés.
Machine Learning es una rama de
la inteligencia articial que es usada,
ampliamente, para la clasicación de datos,
partiendo de un modelo de entrenamiento
con el n de obtener la predicción de
nuevos resultados de datos (Prihandono et
al., 2020). Algunos ejemplos de algoritmos
de Machine learning son: Random Forest,
SVM, Perceptrón Multicapa, Árboles
de decisión, Regresión logística, etc.
Tickets de soporte, es el registro de alguna
observación a un servicio realizada por el
cliente, de esta manera dándose posible
organizar y encontrar cualquier demanda
en el menor tiempo y de la manera más
sencilla.
Un ticket de soporte podría estar
contenido por un título, una descripción
general e información especial, que
suele llamarse metadatos, tales como
la prioridad del ticket, categoría del
incidente, una identicación del ticket,
etc. (Simon et al., 2022), en ocasiones
también suelen tener comentarios (Al-
Hawari & Barham, 2021). Por otro lado,
un sistema de tickets de soporte vendría
a ser una herramienta tecnológica que
nos permitiría centralizar en un solo
lugar (base de datos) la información
de los tickets abiertos por los clientes.
Gestión de incidentes de TI, ITIL la
gestión de incidentes podría denirse
como el proceso de responder a ciertos
eventos inesperados o interrupciones al
servicio, con el n de restaurar el ujo
normal del servicio, minimizando el
impacto comercial. Para que este proceso
pueda realizarse con éxito, es necesario
cumplir con cuatro factores críticos de
éxito: resolución rápida de incidentes, el
mantenimiento de la calidad del servicio
de TI, una mejora en la productividad
de TI y del negocio y, por último, la
constancia en la satisfacción del usuario
(Silva et al., 2018).
M L : U
216
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Discusión
La automatización del sistema de
tickets de soporte basado en Machine
Learning se desarrolla e implementar
desde el 2018, cada vez teniendo más
presencia. De la Tabla 2, los algoritmos
más usados en los artículos revisados
fueron SVM (4, 5, 6, 7, 10, 12), Árboles
de decisiones (4, 5, 9, 12), Naive Bayes
(4, 5, 9, 10, 11), Random Forest (1, 7,
8, 10, 11), Regresión logística (10, 12)
y kNN (1, 6, 12), ya sea que estos estén
dados en su forma base o en alguna
adaptación según el modelo a emplear.
No es posible concluir o generalizar
diciendo que alguno, por ejemplo, SVM
es el más efectivo de todos, debido a que,
según la revisión realizada, durante
el preprocesamiento del texto, que
es un paso previo a la clasicación o
categorización del ticket de soporte, las
investigaciones previas presentan casos
de uso particulares, enfoques y ámbitos
distintos, etc.
Además, los modelos elaborados
en las investigaciones estudiadas no
apuntaban a establecerse como un
clasicador universal, es decir, para
cualquier conjunto de datos, esto debido
a que dichos modelos siempre tenían que
ajustar determinados parámetros para
poder lograr una mejor optimización
en la predicción según el caso de uso
especíco que estaban tratando. Sin
embargo, los algoritmos pueden resultar
más beneciosos en ámbitos especícos,
como, por ejemplo, la investigación
(Qamili et al., 2018) obtuvo que
algoritmos basados en SVM también
eran óptimos para la detección de spam y
el análisis de sentimientos.
Otro ejemplo, en la investigación
(Gerunov, 2022), nos dice que los
algoritmos basados en Random Forest
(RF) parecen funcionar muy bien en
conjuntos medianos de datos en donde
hay diferentes predictores, la cual es
una situación común. Por ejemplo,
la investigación (Gerunov, 2022), nos
menciona que mientras un conjunto de
datos sea más escaso, se beneciaría más
con un modelado algorítmico cada vez
más sosticado, que pueda compensar
los datos faltantes.
Es importante mencionar que la
correcta denición de las categorías de
incidencias, tiene una fuerte repercusión
en la asignación de tickets mediante el
algoritmo. Mientras mejor esté realizada
la categorización de incidencias se puede
obtener una alta tasa de precisión en la
asignación de tickets. Es posible concluir
que el uso de estos algoritmos aumenta
las probabilidades de obtener resultados
favorables en la clasicación automática.
Conclusiones
La clasicación tradicional de tickets
de soporte es un problema en muchas
empresas y aún más si existe un gran
volumen de datos. En este estudio se
pudo observar los distintos algoritmos de
Machine Learning que se desarrollaron
para facilitar la gestión a las mesas de
servicio. Aplicando Machine Learning
para la automatización de los Sistemas
de Ticket de soporte, permite ganancias
en la productividad, debido a que
reducen la tasa de error, también ayuda
a la rentabilidad del departamento de
soporte.
Se encontró que cada modelo
trabajado está diseñado para un caso
A V V - E V G - A M D L S
217
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
de uso particular en cual se tienen
requisitos especícos y un tratamiento
de la data tanto experimental como de
entrenamiento acorde a los parámetros
establecidos para ella. Los algoritmos
más usados son: SVM, Random
Forest, Árboles de decisión, Naive
Bayes Regresión Logística y kNN. Se
sugiere para estudios futuros que los
criterios de inclusión y exclusión sean
mejor estructurados, ello con el n de
realizar una obtención mejor ltrada
de los artículos acorde a los objetivos
establecidos, evitando de esta manera
la necesidad de descartar demasiados de
forma manual. Además de ser también
ser necesario e indispensable que se
continúen realizando más investigaciones
y actualizaciones sobre el uso del
Machine Learning en la automatización
de Sistemas de Tickets de Soporte,
debido al aumento constante de data
emitida en dichos tickets.
Referencias
Al-Hawari, F., & Barham, H. (2021). A
machine learning based help desk
system for IT service management.
Journal of King Saud University -
Computer and Information Sciences,
33(6), 702-718. https://doi.
org/10.1016/j.jksuci.2019.04.001
Gerunov, A. A. (2022). Performance of
109 Machine Learning Algorithms
across Five Forecasting Tasks:
Employee Behavior Modeling,
Online Communication,
House Pricing, IT Support and
Demand Planning. Ikonomicheski
Izsledvania, 31(2), 15-43. https://
www.scopus.com/inward/record.
uri?eid=2-s2.0-85128755192&par
tnerID=40&md5=2d439dcd7fd3f
c8c4b244ce2ea7543dc
iZuev, D., Kalistrato, A., & Zue, A.
(2018). Machine Learning in IT
Service Management. Procedia
Computer Science, 145, 675-
679. https://doi.org/10.1016/j.
procs.2018.11.063
Manterola, C., Astudillo, P., Arias, E.,
Claros, N. & Grupo MINCIR.
(2013). Revisiones sistemáticas
de la literatura. Qué se debe saber
acerca de ellas. Cirugía Española,
91(3), 149-155. https://doi.
org/10.1016/j.ciresp.2011.07.009
Miliano, A., Steven, I., Kosim, K.P.,
Jayadi, R. & Mauritsius, T.
(2020). Machine Learning-
based Automated Problem
Categorization in a Helpdesk
Ticketing Application. 2020 8th
International Conference on Orange
Technology (ICOT), Daegu, Korea
(South). https://doi.org/10.1109/
ICOT51877.2020.9468789
Nikulin, V. V., Shibaikin, S. D. &
Vishnyakov, A. N. (2021).
Application of machine learning
methods for automated classication
and routing in ITIL. Journal of
Physics: Conference Series, 2091(1).
https://doi.org/10.1088/1742-
6596/2091/1/012041
Paramesh, S. P., Ramya, C., & Shreedhara,
K. S. (2018). Classifying the
Unstructured IT Service Desk
Tickets Using Ensemble of
M L : U
218
| C | V. XXVII | N. 34 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Classiers. 2018 3rd International
Conference on Computational
Systems and Information
Technology for Sustainable
Solutions (CSITSS), Bengaluru,
India. https://doi.org/10.1109/
CSITSS.2018.8768734
Paramesh, S.P., Shreedhara, K.S. (2019).
Automated IT Service Desk
Systems Using Machine Learning
Techniques. In: Nagabhushan,
P., Guru, D., Shekar, B.,
Kumar, Y. (eds) Data Analytics
and Learning. Lecture Notes in
Networks and Systems, (vol. 43, pp
331–346). Springer. https://doi.
org/10.1007/978-981-13-2514-
4_28
Prihandono, M. A., Harwahyu, R., &
Sari, R. F. (2020). Performance of
Machine Learning Algorithms for
IT Incident Management. 2020
11th International Conference
on Awareness Science and
Technology (iCAST), Qingdao,
China. https://doi.org/10.1109/
iCAST51195.2020.9319487
Qamili, R., Shabani, S. & Schneider, J.
(2018). An Intelligent Framework
for Issue Ticketing System Based
on Machine Learning. 2018 IEEE
22nd International Enterprise
Distributed Object Computing
Workshop (EDOCW), Stockholm,
Sweden. https://doi.org/10.1109/
EDOCW.2018.00022
Revina, A., Buza, K. & Meister, V. G.
(2020). IT Ticket Classication:
e Simpler, the Better. IEEE
Access, 8, 193380-193395.
https://doi.org/10.1109/
ACCESS.2020.3032840
Silva, S., Pereira, R., & Ribeiro,
R. (2018). Machine learning
in incident categorization
automation. 2018 13th Iberian
Conference on Information Systems
and Technologies (CISTI), Caceres,
Spain. https://doi.org/10.23919/
CISTI.2018.8399244
Simon, F., Clemens, D., & Holger,
W. (2022). Improving Support
Ticket Systems Using Machine
Learning: A Literature Review.
Proceedings of the 55th Hawaii
International Conference on System
Sciences. https://doi.org/10.24251/
HICSS.2022.238
Urrútia, G. & Bonll, X. (2010).
Declaración PRISMA: una
propuesta para mejorar la
publicación
de revisiones sistemáticas y metaanálisis.
Medicina Clínica, 135(11), 507-
511. https://doi.org/10.1016/j.
medcli.2010.01.015
Wahba, Y., Madhavji, N. & Steinbacher, J.
(2022). Reducing Misclassication
Due to Overlapping Classes in
Text Classication via Stacking
Classiers on Dierent Feature
Subsets. In: Arai, K. (eds) Advances
in Information and Communication.
FICC 2022. Lecture Notes in
Networks and Systems, (vol. 439, pp
406–419). Springer. https://doi.
org/10.1007/978-3-030-98015-
3_28
A V V - E V G - A M D L S
