دانلود مقاله ترجمه شده استخراج نیازهای مشتری از تیکت های حادثه در خدمات آی تی (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه IEEE در ۸ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مدیریت و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله	مدیریت فناوری اطلاعات، مدیریت سیستم های اطلاعات و سیستم های اطلاعاتی پیشرفته
مجله	هیجدهمین کنفرانس در انفورماتیک های کسب و کار  ۱۸th Conference on Business Informatics
دانشگاه	موسسه تحقیقات خدمات کارلسروهه، موسسه تکنولوژی کارلسروهه، آلمان
شناسه شاپا یا ISSN	ISSN ۲۳۷۸-۱۹۷۱
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده

I. مقدمه

II. مقالات مرتبط

III. پایه و شالوده

IV. روش شناسی

A. آماده سازی کلی

B. انتخاب ویژگی

C. برچسب زدن

D. استخراج متن

E. طبقه بندی

F. مقیاس های ارزیابی برای طبقه بندی

V. نتایج

A. محیط مطالعه امکان سنجی

B. مراحل آماده سازی

C. استخراج متن و ارزیابی طبقه بندی

D. تعبیر و تفسیر

VI. نتیجه گیری

• بخشی از ترجمه:

VI. نتیجه گیری
رویکردی تحلیلی بر مبنای الگوریتم های طبقه بندی و استخراج متن توسعه دادیم تا نیازهای مشتری را از ticket های رویداد شناسایی کند. به طور موفقیت آمیز رویکردمان را در مطالعه امکان سنجی با فراهم آورنده خدمات IT بزرگ اعتبارسنجی کردیم. نتایج نشان می دهد که رویکرد پیشنهادی می تواند اطلاعاتی از داده های مواجه خدمات در مدلی خودکار و مقیاس پذیر بعد از آموزش اولیه استخراج کند.
به طور طبیعی، این اثر محدودیت های خاصی دارد و بسط های آتی را برای بهبود نتایج و کارآیی بیشتر در نظر داریم.
نخست، میزان سوابق مورد استفاده بسیار کوچک بود و تنها یک متخصص برای برچسب زدن در دسترس بود- همانطور که در عمل از بین بردن زمان برای متخصصین تجارت واجد شرایط دشوار بود. بنابراین، تبعیض فردی نمی تواند از بین رود بلکه می تواند با برچسب زدن متخصصین و استفاده از حداکثر آرا کاهش یابد. با برچسب زدن میزان بالاتری از ticket ها با نیازهای نهفته مشتری، مدل های طبقه بندی می تواند بهبود یابد. این بویژه برای کلاس ها با نمونه های کوچک درست می باشد.

• بخشی از مقاله انگلیسی:

VI. CONCLUSION

We developed an analytical approach based on classification and text mining algorithms to identify customer needs from incident tickets. We successfully validated our approach in a feasibility study with a large IT service provider. Results show that the proposed approach is capable to elicit information from service encounter data in an automated and scalable fashion–after an initial training. Naturally, the work has certain limitations and we envision future extensions to further improve results and applicability. First, the amount of records used was rather small, and only one expert was available for labelling—as in practice it is hard to carve out time for qualified business experts. Hence, individual bias cannot be ruled out which could be reduced by more labeling experts and using majority votes. By labelling a larger amount of tickets with underlying customer needs, classification models could be further improved. This especially holds for classes with few samples.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد