Predictive analysis of pending issues in technical support tickets in the Brazilian judiciary: a case study
DOI:
https://doi.org/10.51359/2317-0115.2026.270384Keywords:
data mining, technical support, pending issue, K-Modes, predictive analyticsAbstract
Managing technical support tickets is critical to service continuity, especially in high-criticality environments such as the Judiciary. This paper proposes a predictive approach to identify and model patterns of pending issues in ticket handling. We analyzed 13.102 categorical records from the Assyst system of a Brazilian judicial body. After data preprocessing, the K-Modes algorithm was applied to cluster requests with similar pending profiles. Five distinct clusters emerged, associated with causes such as missing essential information, lack of user feedback, and technical dependencies. Cluster consistency was validated through Multiple Correspondence Analysis. The findings support proactive actions, improved resource allocation, and reduced disruptions in public-sector IT services.
References
ABDI, H.; WILLIAMS, L. J. Multiple correspondence analysis. Wiley Interdisciplinary Reviews: Computational Statistics, v. 2, n. 3, p. 306-310, 2010.
ADEODATO, P. J. L.; ARNAUD, A. L.; BRAZ, V. M.; Vasconcelos, G. C. Previsão de No-Show no Agendamento de Serviços Médicos Baseada em Mineração de Dados. Centro de Informática, Universidade Federal de Pernambuco (UFPE), Recife, Pernambuco, Brasil, 2008. Disponível em: https://run.unl.pt/bitstream/10362/114092/1/TGI0388.pdf.
AHMAD, A.; KHAN, S. S. A survey of k-modes clustering algorithms. International Journal of Computer Applications, v. 73, n. 4, 2013.
AMORIM, L. R. Proposta De Melhoria Dos Procedimentos Construtivos De Uma Construtora Com Vistas à Minimização Do Aparecimento De Manifestações Patológicas. Trabalho de Conclusão de Curso - Universidade Federal do Rio Grande do Sul, Porto Alegre, 2020.
BIANCHINI, D.; BONO, C.; CAMPI, A.; CAPPIELLO, C.; CERI, S.; DE LUZI, F.; MECELLA, M.; PERNICI, B.; PLEBANI, P. Challenges in AI-supported process analysis in the Italian judicial system: what after digitalization? ACM Digital Library, 2023. Disponível em: https://dl.acm.org/doi/10.1145/3630025.
CAVALCANTI, G. C. B. Procedimento de assistência técnica para empresas construtoras de edificações residenciais. Dissertação de Mestrado - Instituto de Pesquisas Tecnológicas do Estado de São Paulo, São Paulo. Novembro, 2012.
DE VOS, N. J. Kmodes categorical clustering library. 2015. Disponível em: https://github.com/nicodv/kmodes. Acesso em: 17/05/25.
FANTINATTI, P. A. P. Ações de Gestão do Conhecimento na Construção Civil: evidências a partir da assistência técnica de uma construtora. Dissertação (Mestrado em Engenharia Civil) – Escola de Engenharia, Universidade Estadual de Campinas, Campinas, 2008. Disponível em: https://repositorio.unicamp.br/acervo/detalhe/421706
FAYYAD, U; PIATETSKY-SHAPIRO, G; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. ACM SIGKDD. June 1999. Disponível em: https://dl.acm.org/doi/pdf/10.1145/846170.846181.
FREEMAN, R. E. Strategic Management: A Stakeholder Approach. Pitman, 1984.
GOMES, D. C.; CARVALHO, D. R.; CUBAS, M. R.; SHMEIL, M. A. H. Mineração de Dados no Serviço de Atendimento de Urgências. Journal Health Inform, 2014. Outubro-Dezembro. Disponível em: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/302/215.
GREENACRE, M. J.; BLASIUS, J. Correspondence Analysis in Practice. 3rd ed. Chapman and Hall/CRC, 2017.
HAN, J.; KAMBER, M.; Pei, J. Data Mining: Concepts and Techniques. 3rd ed. Morgan Kaufmann Publishers, 2012.
HAND, D; MANNILA, H; SMYTH, P. Principles of Data Mining. MIT Press, 2001. Disponível em: DOI: 10.1016/S0933-3657(02)00058-1.
HUANG, Z. Extensions to the k-means algorithm for clustering large data sets with categorical values. Data Mining and Knowledge Discovery, 2(3), 283–304, 1998. Disponível em: https://doi.org/10.1023/A:1009769707641. Acesso em: 17/05/25.
JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review. ACM computing surveys (CSUR), v. 31, n. 3, p. 264-323, 1999.
MAYER, V. F.; Marquesa, O. R. B.; Plastino, A. Uso de Múltiplos Canais de Atendimento: Estudo Sobre o Comportamento dos Consumidores da Ampla Energia S.A. Utilizando Técnicas de Mineração de Dados. Sistemas & Gestão 9, pp 340-354, 2014. Disponível em: https://web.archive.org/web/20160110092922id_/http://www.revistasg.uff.br:80/index.php/sg/article/viewFile/V9N3A10/SGV9N3A10. Acesso em: 29/03/2025.
McCONNELL, D. J.; ZHU, J.; PANDYA, S.; AGUIAR, D. Case-level prediction of motion outcomes in civil litigation. ACM Digital Library, 2021. Disponível em: https://dl.acm.org/doi/10.1145/3462757.3466101.
MIOT, Hélio Amante. Análise de correlação em estudos clínicos e experimentais. Jornal Vascular Brasileiro, São Paulo, v. 17, n. 4, p. 275-279, 2018. Disponível em: https://www.scielo.br/j/jvb/a/YwjG3GsXpBFrZLQhFQG45Rb/.
REZENDE, Solange Oliveira. (Org.). Sistemas inteligentes: fundamentos e aplicações. Barueri, SP: Manole, 2005.
WEBSTER, J.; WATSON, R. T. Analyzing the past to prepare for the future: Writing a literature review. MIS Quarterly, v. 26, n. 2, p. xiii-xxiii, 2002.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Lenylda Maria de Souza Albuquerque, Jonas da Silva Aquino, Francisco Marcelo de Barros Maciel, Paulino Calei Alves Domingos, Tiago de Sousa Ribeiro
This work is licensed under a Creative Commons Attribution 4.0 International License.
Os trabalhos submetidos são de responsabilidade exclusiva de sua autoria, que preseva o direito autoral. É permitida a citação dos trabalhos publicados sem prévia autorização desde que seja explícita a menção à fonte da RMP.
