Eine hohe Häufigkeit von Problemen kann eine überwältigende Anzahl von Tickets und eine falsche Zuweisung an Teams zur Bearbeitung dieser Probleme erzeugen. Dies führt zu einem Anstieg der MTTR (durchschnittliche Zeit zur Lösung) und einem Rückgang der FCR (Erstlösungsquote). Die Lösung mildert diese Probleme, indem ein multifaktorielles ML-Modell trainiert wird, das Faktoren wie Ticket-Auswirkung, Dringlichkeit, Priorität, Problembeschreibung und andere Merkmale berücksichtigt, um die relevanteste Gruppe zur Lösung eines Tickets vorherzusagen. Ein Pool von Modellen wird durch Daten geführt, um das am besten generalisierbare Modell für die Ticketklassifizierungsaufgabe auszuwählen.