コンタクトセンター業務での属人化解消に寄与。
精度向上のポイントはデータの試行錯誤

アウトバウンドでの接続率予測

アウトバウンドの接続率予測にPrediction Oneを取り入れた背景を教えてください。

弊社がアウトバウンド業務を受託する際、クライアントからはアウトバウンドのリストを受領して、順次発信をする運用となります。オペレーターがお客様とのコミュニケーションを通じて資料送付や商談の獲得に繋げることが一般的です。

しかしながら、そもそも電話が繋がらないと、お話ができないので獲得数が増えません。電話に出てもらえる確率を上げるためには、AI予測に取り組む必要があると考え、接続率を予測対象とし取り組みました。

どのようなデータを利用されているのでしょうか？

データについては、業務を委託されるクライアントによってさまざまになります。
例えば、金融業界での獲得業務では、お客様の利用状況などお客様の属性情報を取り込んでいます。そこに、過去のアウトバウンド実績データを組み合わせて、モデル作成し、予測分析を行っています。

予測分析に取り組まれるなかで大変だったことはありますか？

特に、説明変数（※1）の試行錯誤が大変でした。どの情報を削ってどの情報を投入すると良いか、何回もモデルを作り直して、予測精度の改善を進めてきました。

方法としては、思いつく限りの説明変数を投入して学習させ、寄与度が低いものを削ったり、クライアントに「こういう情報はありませんか」と相談したりしながらモデルを構築していきました。

Prediction Oneの導入前と比較して、アウトバウンド業務に変化はあったでしょうか？

ありました。これまでは接続のしやすさを考慮していなかったので、リストをランダムに分割してオペレーター個々に発信する運用としていましたが、そこにPrediction Oneによる接続率予測の結果を組み合わせることで、接続も獲得もしやすいリストをつくることに繋がったと思います。従来のスコアのみをベースにアウトバウンドした結果と比較して、獲得数が1.2倍に増加しました。

アウトバウンド業務ではクライアントによって説明変数を変えているのでしょうか？
もしくは、ある程度型化されて予測されているのでしょうか？

属性情報は、各業務において様々なケースがあります。
例えば、通販・製造業など業界の特性に合わせて、説明変数を考慮しております。

呼量予測

呼量予測について取り組まれた背景をお伺いしてもよろしいでしょうか？

過去の経験をもとに人の手で予測を行っていたため、予測を行うために多大な工数が発生したり、その担当者にしか予測を行えなかったりしてしまうという課題がありました。そこを解消すべく、呼量予測にPrediction Oneを取り入れることにしました。

精度はどの程度出ているのでしょうか？

モデルの精度自体は星4つ、決定係数（※2）は、0.81という水準になっています。感覚としては、人の手による予測と近い結果が出ているなという印象です。

課題として感じられていた属人化については、Prediction Oneの予測によって解消されつつあるのでしょうか？

CSVの入力フォーマットをあらかじめ作成し、データを入力するだけで予測できるようにしているので、スキルや経験がなくてもある程度進められる環境は用意できています。そういう意味では属人化は排除できているのではないかと思います。予測結果についても肌感覚でAIに置き換えても大きな影響はないと言えるレベルにはきています。

Prediction Oneを活用して最も良かった点は、人の手がかかりづらくなることです。これまでは、管理者が過去のデータを基に分析をかけてきましたが、Prediction Oneの活用によりその作業の必要がなくなりつつあります。Prediction Oneの分析結果をもとに、それを微修正するだけで予測することができるので、将来的に分析にかかる人の手はかなり減っていくと考えられます。

今後はコンタクトセンター外での活用を模索する

すでに実業務での活用が進んでいるかと思いますが、社内にPrediction Oneを活用している方はどのくらいいらっしゃるのでしょうか？

これまで複数の業務でPrediction Oneを導入してきました。現在では100名を超えるユーザーのコミュニティを形成しております。

今後取り組んでいきたい予測テーマや展望について教えてください。

今後より活用領域を広げていきたいと考えています。今はコンタクトセンター内で「こういう活用ができそうだ」という話は出ていますが、あくまでもコンタクトセンター内に限った話です。これからはマーケティング領域など、コンタクトセンター外での活用を模索していきたいと思います。