Internet Service Providers are companies that deliver services managing a complex network of apparatus and cables. Given the complexity of the network, it often happens that alarms are generated. When a problem within the network occurs, a ticket is issued from an alarm and the company starts to supervise it to manage the situation and solve the problem. This work aims to present how can be designed a system that estimates how much time will the trouble ticket take to be solved. The situation is presented within the context of a real case scenario and takes into consideration how the involved company processes the available information and manages the problem. The achieved result is pursued by the company to deliver the information to the final customer that will be able to understand how much time the problem he is facing is going to take before it will be solved. This work will focus on estimating the resolution time for a subset of all the tickets: those that are classified as low priority network problems. The work started with a study of the company that led to the understanding of the available information about the problem, then it focused on the understanding of the procedure adopted by the company to face the solution. It studies the processes that lie behind the ticket creation, the alarm generation and the human intervention, and it concludes with the design of the proposed solution. The proposed solution leverages the company’s processes to produce a result as valuable as possible given the specific use case. / Internetleverantörer är företag som tillhandahåller tjänster genom att hantera ett komplext nätverk av apparater och kablar. Med tanke på nätets komplexitet händer det ofta att larm genereras. När ett problem i nätverket uppstår utfärdas en biljett från ett larm och företaget börjar övervaka det för att hantera situationen och lösa problemet. Syftet med detta arbete är att presentera hur man kan utforma ett system som uppskattar hur lång tid det kommer att ta att lösa problemet. Situationen presenteras inom ramen för ett verkligt scenario och tar hänsyn till hur det berörda företaget behandlar den tillgängliga informationen och hanterar problemet. Företaget strävar efter att leverera information till slutkunden som kan förstå hur lång tid det kommer att ta innan problemet är löst. Detta arbete kommer att inriktas på att uppskatta lösningstiden för en delmängd av alla biljetter: de som klassificeras som nätproblem med låg prioritet. Arbetet inleddes med en studie av företaget som ledde till att man förstod den tillgängliga informationen om problemet, och sedan fokuserade man på att förstå det förfarande som företaget använde för att lösa problemet. Det studeras vilka processer som ligger bakom skapandet av biljetter, alarmeringen och det mänskliga ingripandet, och det avslutas med utformningen av den föreslagna lösningen. Den föreslagna lösningen utnyttjar företagets processer för att ge ett så värdefullt resultat som möjligt med tanke på det specifika användningsfallet.

This report explores whether machine learning methods such as regression and classification can be used with the goal of estimating the resolution time of trouble tickets in a telecommunications network. Historical trouble ticket data from Telenor were used to train different machine learning models. Three different machine learning classifiers were built: a support vector classifier, a logistic regression classifier and a deep neural network classifier. Three different machine learning regressors were also built: a support vector regressor, a gradient boosted trees regressor and a deep neural network regressor. The results from the different models were compared to determine what machine learning models were suitable for the problem. The most important features for estimating the trouble ticket resolution time were also investigated. Two different prediction scenarios were investigated in this report. The first scenario uses the information available at the time of ticket creation to make a prediction. The second scenario uses the information available after it has been decided whether a technician will be sent to the affected site or not. The conclusion of the work is that it is easier to make a better resolution time estimation in the second scenario compared to the first scenario. The differences in results between the different machine learning models were small. Future work can include more information and data about the underlying root cause of the trouble tickets, more weather data and power outage information in order to make better predictions. A standardised way of recording and logging ticket data is proposed to make a future trouble ticket time estimation easier and reduce the problem of missing data. / Den här rapporten undersöker om maskininlärningsmetoder som regression och klassificering kan användas för att uppskatta hur lång tid det tar att lösa en felanmälan i ett telenät. Data från tidigare felanmälningar användes för att träna olika maskininlärningsmodeller. Tre olika klassificerare byggdes: en support vector-klassificerare, en logistic regression-klassificerare och ett neuralt nätverk-klassificerare. Tre olika regressionsmodeller byggdes också: en support vector-regressor, en gradient boosted trees-regressor och ett neuralt nätverk-regressor. Resultaten från de olika modellerna jämfördes för att se vilken modell som är lämpligast för problemet. En undersökning om vilken information och vilka datavariabler som är viktigast för att uppskatta tiden det tar att lösa felanmälan utfördes också. Två olika scenarion för att uppskatta tiden har undersökts i rapporten. Det första scenariot använder informationen som är tillgänglig när en felanmälan skapas. Det andra scenariot använder informationen som finns tillgänglig efter det har bestämts om en tekniker ska skickas till den påverkade platsen. Slutsatsen av arbetet är att det är lättare att göra en bra tidsuppskattning i det andra scenariot jämfört med det första scenariot. Skillnaden i resultat mellan de olika maskininlärningsmodellerna var små. Framtida arbete inom ämnet kan använda information och data om de bakomliggande orsakerna till felanmälningarna, mer väderdata och information om elavbrott. En standardiserad metod för att samla in och logga data för varje felanmälan föreslås också för att göra framtida tidsuppskattningar bättre och undvika problemet med datapunkter som saknas.