顧客エクスペリエンス向上への挑戦
① ビジネスの背景
Amazonのコールセンターでは、従来のシステムとして「メニュープロンプト」が利用されていました。顧客は電話をかけると「返品は1、Kindle関連は2」といった選択肢を選び、特別な訓練を受けたエージェントに転送されます。しかし、膨大な製品を扱うAmazonでは、顧客が抱える疑問の種類は非常に多岐にわたります。選択肢が適切でない場合、顧客は一般的なスキルを持つスペシャリストに転送され、その後ようやく適切なエージェントに回されることになります。このプロセスは時間の浪費を生み、毎年何億件もの電話を処理するAmazonにとって大きなリソース負担となっていました。
② 問題提起
この問題の本質は、顧客を適切なスキルを持つエージェントに迅速かつ正確に接続することです。解決のためには、顧客のニーズに合ったスキルを予測し、最適なルーティングを実現する必要があります。ここで、機械学習を活用し、顧客データからパターンを抽出してニーズを予測するマルチクラス分類タスクとして問題を定義しました。
③ データの収集と統合
予測モデルのトレーニングには、過去の顧客サービス通話データを活用します。具体的には、過去のやり取りから顧客の質問に対応した適切なスキルを学習します。例えば、顧客が「Kindleデバイスをリセットする方法」を問い合わせた場合、その背景には「最近の注文内容」や「プライム会員かどうか」といったデータが役立つ可能性があります。このような情報を統合し、モデルが自己予測できる仕組みを構築しました。
④ データ分析（処理と視覚化）
データクリーニングと探索的データ分析が行われ、使用するラベルの選定や統合が進められました。
- データの前処理: ラベルが不正確なものや、ビジネスに不要なものを除外しました。例えば、Kindleに関連する複数のスキルタグを統一することで、共通のスキルグループにルーティングを簡略化しました。
- データの視覚化: 特徴量の分析やラベルとの関連性を確認することで、データの理解を深めました。仮説として、40%が返品関連、30%がプライム会員関連、30%がKindle関連であると推測しました。
⑤ モデルのトレーニング
モデルのトレーニングには、データの分割が重要です。トレーニング、検証、テストデータセットにそれぞれ80%、10%、10%の比率で分割しました。この手法により、トレーニングデータへの過剰適応（過学習）を防ぎます。評価時には未使用のテストデータで予測品質を確認しました。これにより、モデルの一般化能力が保証され、実用性のある成果が得られました。
⑥ モデルの評価
モデルをテストデータで評価した後、実運用環境に導入しました。導入後の仮説では、スキル予測の精度向上により、顧客の転送回数が減り、顧客満足度が向上することを目指しました。この仮説は導入後に検証され、実際に転送回数が減少し、顧客エクスペリエンスの大幅な向上が確認されました。
⑦ モデルの調整と特徴エンジニアリング
モデルのトレーニング後、さらなる精度向上のために以下を実施しました。
- ハイパーパラメータの最適化: 学習率を調整し、適切な学習速度を確保しました。
- 特徴エンジニアリング: 顧客の最近の行動や過去の問い合わせ履歴を統合し、有用な特徴量を抽出しました。例えば、「最近の注文内容」や「最後に連絡した日時」などを組み合わせ、予測精度を向上させました。
⑧ モデルの展開
調整を終えたモデルは実運用環境で展開され、顧客が最初に電話をかけた際に最適なエージェントに接続できる仕組みを実現しました。この改善により、時間とリソースの効率化が進み、顧客満足度が大幅に向上しました。
Amazonのコールセンターにおける機械学習の導入は、顧客体験の質を飛躍的に向上させる成功例です。膨大なデータを適切に処理・分析し、実用的なモデルに変換することの重要性を示しています。このようなアプローチは、他業界でも広く応用可能です。
