How to improve customer service efficiency through man-machine collaboration

1. 背景

経済に下行圧力がかかる中、効率化はあらゆる業界にとって最重要課題となっています。カスタマーサービス業界も例外ではありません。新人カスタマーサービススタッフが多数在籍していますが、これらのスタッフの業務効率は総じて低く、それがメンバー体験にも影響を及ぼしています。

Alibaba のインテリジェントカスタマーサービスワークステーションは、Alibaba エコシステムの大部分のビジネスと、ますます多くの外部大企業の顧客対応業務を担っています。いかにして効率を向上させるかは、技術チームが解決すべき重要な課題です。私たちにとって、技術的な手段を通じて効率を向上させることは、コスト削減だけでなく、カスタマーサービススタッフの働きがい向上にもつながります。

2. アイデア

ゲームに例えると、主人公の戦闘力を高める方法は大きく 2 つあります。1) 外部サポート：圧倒的な装備を与えて勝利を確実にする。2) 内部強化：主人公自身のレベルを上げて強くなる。

カスタマーサービスの領域でも同じことが言えます。1) プラグインによる支援：業務プロセスを支援するアシスタントを構築し、人と機械の協働を実現すれば、新人スタッフの負担を大幅に軽減できます。2) 内部能力の強化：新人の効率が低い重要な理由は、実戦トレーニングの不足にあります。全チャネル (オンライン、ホットライン) 対応のトレーニングロボットを構築し、メンバー役としてキューに入るシミュレーションを行い、ターゲットを絞った実践訓練を実施すれば、スタッフが一人前になるまでの時間を大幅に短縮できます。本稿では、最初のアイデアであるカスタマーサービスアシスタントに関する実践的な取り組みを紹介し、2 つ目のアイデアについては別の機会に詳述します。

3. カスタマーサービスアシスタントが解決する課題

この問いに答えるには、まずビジネスを理解する必要があります。ビジネス感覚を養うため、半月以上にわたり 500 件以上のカスタマーサービス業務を綿密に観察し、通話の一般的な流れを以下のようにまとめました。

第 1 段階が最も重要であり、オープニングの対応が通話全体の成否を左右します。観察の結果、80% の会話が以下の 3 ステップで進行することが分かりました。1) メンバー名の識別、2) 注文番号の識別、3) 要求の特定と解決策の探索。

1) メンバー名の識別

ユーザーからの着信時に最初に行うのは、メンバー名の特定です。当初、システムには着信番号に基づくメンバー識別機能が備わっていましたが、現場での観察により、認識率は 55% と高くなく、識別されたメンバーも正しく認識されているのはその一部であることが判明しました。理由は 2 点あります。a) 固定電話のアカウント登録は少数派であり、直接認識できない。b) 残りの大部分は携帯電話からの着信で、メンバープラットフォームの API を通じて電話番号に紐づくメンバー情報を取得しようとしましたが、認識率は低いままでした。理由は多岐にわたり、たとえば 1 人が複数の電話番号やメンバーアカウントを持っている場合や、家族の携帯電話からログインしている場合などがあります。識別に失敗すると、オペレーターはメンバーにアカウント名を尋ねる必要があります。英数字の名前ならまだしも、聞き慣れない中国語の名前だと説明に数分かかることもあります。

2) 注文番号の識別

メンバー名を確認したら、次は該当する注文番号の特定です。Taobao からの問い合わせの大部分は注文に関連しており、注文を特定できなければ問題を解決できません。メンバーの注文履歴が増えるほど、オペレーターによる注文検索のコストも上がり、メンバーに注文番号を伝えてもらうケースが多くなります。しかし、注文番号の桁数は非常に長く、将来的にはさらに長くなる可能性があります。メンバーが読み上げるのも、オペレーターが記憶するのも不便です。さらに厄介なのは、通話中に携帯回線の品質が低下することです (4G から 3G へのダウングレードなど)。Wi-Fi に接続していない場合、モバイル版 Taobao で注文を探すのは非常に困難になります。過去の通話記録では、「すみません、電波が急に悪くなったので、Wi-Fi に繋がるまで待ってください」というメンバーの言葉をよく耳にしました。

3) 要求の特定と解決策の探索

現在、すべての解決策は運用エキスパートが設定しています。しかし、実際にメンバーに対応するのはカスタマーサービススタッフです。オペレーターは自身の経験に基づき、2 つのマッピングを行う必要があります。メンバーの具体的な説明から、運用担当者が設定した最終的な解決策への変換です (図参照)。

要求の特定：実際の対話は、思考を高次元から低次元に投影するようなものです。人は対話を通じて効果的に理解しますが、それは解釈スキルに依存しており、歪みが生じます。カスタマーサービスも同様です。経験に基づいてメンバーの発言を理解するだけでなく、さまざまなビジネス視点や多次元的な情報を参照して、メンバーの真の要求を復元する必要があります。

解決策の探索：メンバーの要求を特定した上で、オペレーターはその理解をキーワード検索にマッピングし、検索結果の中から信頼できる解決策を選択する必要があります。

Taobao のビジネスは複雑で、データビューは数多く、解決策はさらに膨大です。新人スタッフにとって、この 2 つのマッピングは大きなギャップであり、習得には多くの時間がかかります。

第 2 段階は、コミュニケーションと不満解消の段階です。この段階は長時間にわたり、前後の段階と重複します。ホットラインの場合、オペレーターがメモを取りながらメンバーと会話したり、解決策を確認しながらメンバーをなだめたりするのは日常茶飯事です。高い集中力とマルチタスク处理能力が求められます。この過程でメンバーの説明を見落とすと、繰り返し確認が必要になり、効率とサービスの質に影響します。オンライン対応の場合、解決策を提示した後にメンバーをなだめるために多くの時間を費やす必要があります。複数のメンバーに同時対応している場合 (あるメンバーは不満解消段階、別のメンバーは初期段階)、オペレーターは頻繁に切り替える必要があります。まず、コストが非常に高い。次に、不満解消の返信が間に合わず、メンバー体験にタイムリーに影響しないことがよくあります。

第 3 段階は、サービス集計、処理中作業指示の更新、SMS 通知の送信など、いくつかのオペレーションを含みます。この段階の特徴は、オペレーターから大量の入力が必要とされることです。たとえば、オペレーターがさまざまな画面からメンバー名、注文番号、解決策などの情報をコピーして入力欄に貼り付ける光景をよく目にします。処理中作業指示を例にとると、オペレーターは非常に長いドロップダウンリストからカテゴリを選択する必要があります。このような手動の反復操作は通話時間を延ばし、オペレーターの負荷を大幅に増加させます。さらに、オンラインシナリオでは、メンバーが既にセッションから退出しているにもかかわらず、オペレーターがシステムのタイムアウトによるセッション終了を待っていることがよくあり、この待ち時間はリソースの無駄であり、効率の損失です。

これで、各段階におけるオペレーターの効率に影響を与える核心的な問題を明確にしました。これらの問題はカスタマーサービスアシスタントが解決すべき課題です。では、どのように解決すればよいでしょうか。

4. 戦略

第 1 段階では、アシスタントの鍵はオペレーターの問題発見効率を向上させることであり、以下の機能構築に重点を置きます。1) メンバー識別 (メンバー識別カバレッジの拡大)、2) 注文識別 (オペレーターの注文特定支援)、3) シーン識別 (オペレーターへの解決策候補提示)。これにより、オペレーターは過去のように急いで質問し、暗記し、考え、何度も確認する状態から、わずかな確認だけで済む落ち着いた対応に変化します。この段階こそ、アシスタントが最も効果を発揮する場面です。

第 2 段階では、コミュニケーションと接客の負荷軽減、および競合能力の向上に焦点を当てます。ホットラインシナリオでは、アシスタントがリアルタイムのボイスからテキスト変換機能を提供し、メンバーが発する各発言をオペレーターにリアルタイムで提示します。ホットラインオペレーターの並行処理能力を向上させ、聞き逃しによる繰り返しコミュニケーションを回避します。

第 3 段階では、カスタマーサービスアシスタントがインテリジェント記録・フォーム入力機能 (スマート要約) を提供し、オペレーターの問題記録作業を軽減します。オンラインシナリオでは、アシスタントがセッション切断の AI 認識機能も提供し、メンバーがセッションを離れたかどうかを事前に判断して、オペレーターの待ち時間を削減します。

これほど多くのインテリジェント支援機能を統合された方法でアシスタントに迅速に統合し、既存のサービスシステムと軽量に連携させるため、私たちはイベント駆動型のカスタマーサービスアシスタントフレームワークを実装しました。

5. 技術ソリューション

戦略が決まれば、次はどう実装するかです。機能が多いため、ここではすべてを詳述せず、第 1 段階に対応するいくつかのソリューションのみを説明します。

5.1 メンバー識別

少数の固定電話からの着信については、過去の繰り返し着信データ (オペレーターは各通話でメンバー名を特定し、「電話番号 - メンバー名」のデータがデータベースに保存されます) を利用してマッチングを行い、半数以上を識別できます。誤って識別されやすい固定電話番号 (公衆電話など) については、ブラックリストを作成して識別対象から除外しています。

大部分を占める携帯電話からの着信については、24 時間以内の繰り返し着信データを優先的に使用します。同じ携帯電話番号から同日中に繰り返し着信がある場合、同じメンバーである可能性が非常に高いからです。残りは直接メンバープラットフォームの API で照会するのでしょうか。いいえ、モデルによるスクリーニングを使用します。簡単に言うと、まず同一人物認識モデルで携帯電話番号に紐づくメンバー名を特定し、次にメンバー認識モデルで最も可能性の高いメンバーを絞り込みます (モデルの原理は？たとえば、メンバー A とメンバー B の 2 つの候補が見つかった場合、A は過去 1 年間何も購入しておらず、B は最近注文して返金処理中だとすると、B が現在の通話者である可能性が自然に高くなります)。最後にメンバーシッププラットフォームのサービスで補完します。

この一連の組み合わせを経ても、メンバーアカウントを特定できない着信がわずかに残ります。その場合、IVR ステージ (キューに入る前の音声案内) で登録済み電話番号の入力を求めます (ユーザーの入力は任意)。ユーザーが電話番号を入力した場合、この番号はパラメーターとして転送されます。数回のイテレーションを経て、正しく識別されたメンバーの割合は以前の 55% から 90% に向上しました。

5.2 注文識別

メンバーがキューに入った直後に、アシスタントが問題のある注文を推測してオペレーターに表示し、注文番号の問い合わせにかかる時間を回避したいと考えています。

ロボットにはすでに注文認識の基盤があり、ロボットの注文認識機能を優先的に使用したところ、30% をカバーできることが分かりました。さらにカバレッジを拡大するには？データから追加情報を引き出し続けます。たとえば、複数チャネルからの繰り返し着信データ (メンバーが昨日キューに入って注文について問い合わせ、今日再びキューに入った場合、同じ注文について問い合わせている可能性は 90% 以上です)。このデータも注文認識モデルにフィードバックします。数回のイテレーションを経て、キュー進入前の注文認識カバレッジは 50% に達し、精度は 90% 以上です。

残りの部分はどうするか？オペレーターに注文番号を聞いてもらう？よく考えてみると、コストの高いオペレーターが注文番号という情報を取得するために聞くよりも、製品名、価格、購入時期など、メンバーが簡単に答えられる情報を尋ねる方がよいでしょう。これはサービスプロセス中の注文識別という取り組みにつながりました。

具体的には、メンバーが発する各発言を DAMO Academy の高性能音声サービスを通じてリアルタイムでテキストに変換し、次にエンティティ認識モデル (BILSTM+CRF) でカテゴリ、ブランド、日付などのエンティティ特徴を抽出し、最後にランキングモデルで全注文とのマッチ度を計算してトップ候補の注文を表示します。数回のイテレーションを経て、サービスプロセス中の注文認識カバレッジは 20%、精度は 89% です。

5.3 シーン認識

前述の通り、オペレーターはメンバーの発言を理解するだけでなく、さまざまなビジネス視点や多次元的な情報を参照してメンバーの真の要求を復元し、キーワード検索で解決策を探索する必要があります。このリンクを簡素化するため、サービスシーン認識エンジンを構築しました。オペレーターの対応中にコーパスメッセージをリアルタイムで監視し、注文、作業指示、過去の着信経路などのコンテキストデータを自動取得して、メンバーの意図とデータ要因を自動的に識別し、最終的に解決策を自動マッチングして提示します。

ここでの難しさはビジネスの複雑さにあります。1) Taobao を例にとると、オペレーターが使用する解決策は数百種類に上り、既存の解決策には重複や親子関係の問題が多く、直接分類すると認識精度が低くなります。2) Amoy システム以外にも、エンジンにはホワイトボックス特性を持たせ、Alibaba のインテリジェントカスタマーサービスワークステーションを採用しているエコシステムや外部の大企業にも迅速に拡張できるようにしたいと考えています。

精度の問題に対応するため、エンジンは階層的なシーン認識モードを採用しています。1) ビジネス側と協力して主要なサービスシーンを特定・分類します。主要シーンの数は少ないため、専用モデルのトレーニングで精度を確保できます。2) サブシーン (スロット) の認識では、軽量セマンティックマッチングや類似度計算などのシンプルな手法をベースに実装しています。

拡張性の問題に対応するため、プロセスエンジンを使用して設定ベースの実現をしています。複数のテナントやビジネスでも、データ要因や意図要因をいくつか設定するだけでシーンを正確に認識できる場合が多く、開発者の介入は不要です。

主要シーンモデルの最も基本的な要件は、リアルタイムチャットのテキスト特徴と注文などのビジネス特徴を統合することです。

数回の繰り返しを経て、Taoyuan におけるシーン認識のカバレッジは 75% に達し、精度は 90% 以上です。

6. 機能の一部表示 (実際のデータではありません)

7. まとめ

ビジネス側との連携を通じて、カスタマーサービスアシスタントは Taobu 部門で広く導入され、人間とコンピューターのインタラクションから人間と機械の協働へのパラダイム転換を実現しました。平均通話時間 (ATT) というビジネス指標で見ると、効率は大幅に向上し、30% の効率改善目標に近づいています。さらに喜ばしいことに、ワークベンチに対するカスタマーサービススタッフの満足度は質的に向上し、11% の上昇という過去最高を記録しました。

技術の価値は人間を置き換えることではなく、人間と協力して、人間がより多くの温かみのある仕事ができるようにすることにあります。今後も技術を蓄積し、プロダクトを開発し続け、エコシステム、マーチャント、企業を巡るビジネス能力を集約・輸出し、人と機械の協働をサービス業界における包括的な能力としていきます。