コールセンターに毎日来ていたクレームが減少!! 問題の解決方法も身に着きました
以下のA、B、Cは、コールセンター白書の運営課題を解決するために弊社がご提供するサービスメニューです。
A) 無料セミナー
B) 立ち上げサポート
C) 運用サポート
これらのメニューを組み立てた背景は、数多く実施してきた実証実験で獲得した運営課題を解決するためのノウハウを公開し、貴社のコールセンターの運営課題を解決に貢献する事を目的としています。
添付の図は、C) 運用サポート(個別お見積り)の見取り図です。
①経営判断データ
②お客さま満足度向上
③オペレーターストレス軽減
④AHT最適化
⑤応答率改善
⑥呼量削減
⑦オペレーター離職率改善
と云う関係を示しています。
この運用サポートは、貴社コールセンターで解決したい運営課題に対して業務改善や意識変革を推進するご支援をさせて頂くメニューです。
【コールセンター白書の運営課題を解決できる取組みを紹介】
コールセンターシステムを1995年から設計し構築してきました。その活動の中で診てきたシステム基盤は、以下の通りです。
A)基幹システム
B)CRMシステム
C)CTIシステム
D)全通話録音システム
E)音声認識システム
F)チャットボットシステム
ご存じの通り、これらのシステムが威力を発揮する分野は指定する答えが素早く得られる効率化です。
そのため上述のシステムは、コールセンター白書の運営課題に毎年エントリーする
A)満足度向上
B)生産性向上
C)離職率改善
などの分野の解決は苦手としています。
理由は簡単です。
これらのシステムは、満足度向上、生産性向上、離職率改善などの答えが無く文脈を読み進めるように手探りで解決していく課題は苦手です。
だから、前述の欲しいデータを指定したらすぐに答えが得られる効率重視のシステムでは解決できないのです。
では、コールセンター白書の運営課題は今後も解決できないのでしょうか。
答えは、きっと解決できます。
毎年コールセンター白書の運営課題に同じ課題がエントリーしているのは、我々コールセンターに係る人間が試されているのではないか??と感じるときもあります。
A)答えが存在している既存システムに固執するのか??
コールセンター白書の運営課題を放置すると、売上が減り離職率が悪化しブランドや利益率なども併せて悪化して被害が拡大していきます。
特に注視したい被害は、人が傷つき辞めていく状態が常態化してしまうと、人が傷ついていき苦しんでいる事に慣れてしまい、救済が必要だと考えられなくなってしまう事です。
B)または、未知の答えを探す挑戦を始めるのか??
今まで、まだ見えない未知の答えを探す方法は、人が介在するため以下の問題が有りました。
①言語化できない
②見渡しただけでは誰が答えを持っているかは識別が付かない
③共有できない
④再現できない
⑤どんな状況での出来事なのか特定できない
⑥結局、夢物語となって未知の答えなんて探せないと忘れられていく
しかし、現在は未知の答えを探し出すツールを使って、これらの問題が解決され始めています。
そのツールとは、AI人工知能です。
AI人工知能の応用分野として有名なのは、将棋などの勝負の分野です。
勝負は、すでに答えが有って、『勝利』と検索したら勝利するための方法が出てくる訳ではなく。
幾つもの変数が複雑に絡み合って、場合分けしながら期待値を得て『勝利』に対する可能性を試算します。
AI人工知能が得意な分野は『勝ち負け』の世界だけではありません。
企業が築きたいブランドや信用などは、初めから答えが有るわけではありません。
しかし多くの企業では、文脈の中でABテストを繰り返し高い評価が得られた結果を積み上げていく方法でブランドや信用を獲得してきました。
弊社のAI人工知能『コーチングエンジンⓇシステム』に採用しているアルゴリズム(論理展開の方法)も文脈の中でABテストを繰り返し高い評価が得られた結果を積み上げていく機械学習方法を採用しています。
以下に、立上げサポートが終了した後に続く、企業を成長させるために弊社が提供する運用サポートを整理いたします。
①経営判断データ
未知の答えを探すためにコールセンターに機械学習をさせながら文脈を磨く弊社AI人工知能『コーチングエンジンⓇシステム』を組み込んでデータを収集します。収集対象は、既存システムから収集できる件数や時間などの定量データ。更にAI人工知能『コーチングエンジンⓇシステム』で収集できる文脈などの定性データです。
文脈などの定性データの収集方法は、応対時にAI人工知能『コーチングエンジンⓇシステム』の応対支援画面に表示されるスクリプトの会話候補の中から最も可能性が高い候補をオペレーターが選択します。
例えば、候補とは
【聴き方】
A)どのようなご相談でしょうか
B)困っている事は、どんな時に起こるでしょうか
C)どんな理想を期待されているでしょうか
【伝え方】
A)機能は3つあります
B)ご利用いただくには、前提がございまして
C)必要な手続きは・・・・
【考え方】
A)頂いているご意見をまとめると・・・・・・
B)期待されている優先順位は・・・・・・
C)・・・・・・が改善されれば納得して頂けるでしょうか
などです。
しかし、応対で向き合って居るのは人間同士です。聴く方も応える方も、そんなつもりではなかった。
と云う齟齬が発生してしまう状況は必ず起こります。
弊社は、そんな齟齬が発生してしまう原因を実証実験で突き止めています。
その原因の多くは、複数の候補の中から期待されている内容が正しく選択されていない場合に、話がかみ合わなくなります。
主な原因は
A)同音異義語
B)合意した覚えが無いなど、前提となる背景が合っていない
C)期待するゴールがかみ合っていなかった
D)ゴールに到達するまでに確認したい事がずれていて、過剰に確認したり、確認不足になったりする
などです。
企業がお持ちのコールセンターに弊社AI人工知能『コーチングエンジンⓇシステム』を組み込むことで、経営判断に必要なデータが収集できるようになります。
収集した経営判断データを分析すれば、どんな事が期待されていて、どうなれば反応が少なくなるのかなどの文脈の分岐点を確認して最も重要なファクタ(原因)を、遡って見る事が出来るようになります。
今まで、クレームを改善しようとしてもどんな状況で期待に沿えないのかを特定できなった経験があるのではないでしょうか。
これからは、文脈を遡ることでこんな条件が重なるとき、ご迷惑をおかけしていた。と云うようにお客さまが期待している事にたどり着く事が出来るようになります。弊社は、経営判断に必要なABテスト候補の検討から、AI人工知能『コーチングエンジンⓇシステム』の教師データに効果的な補正候補を導き出すファシリテーションを行います。
②お客さま満足度向上
①の経営判断データを分析して仮説を立てABテストを繰り返し、お客さまの満足度を高める会話運びを見つけ設計するファシリテーションを行います。
③オペレーターストレス軽減
コールセンター白書の運営課題に関連する原因の一つにオペレーターとお客さまが電話を介して向き合っているために起こることが有ります。
A)相談に対する答えが、お互いに分からず手探り状態から開始される
B)不機嫌な時、黙り込んでしまう
C)未知の答えを引き出すヒントを考えると、無口になってしまう
D)黙ってしまうと、不機嫌と受け止められてしまう
E)同音異義語などにより勘違いが発生しやすい
このため応対中は、お客さまもオペレーターも大きなストレスを受けます。
しかし、どちらのストレスも同等ではありません。
理由は、お客さまは神様だから、何を言っても罰せられない。と勘違いしている人が少なからず存在します。
更に、電話を受けてしまうと終了する権利はオペレーターに無く、お客さまが持っています。この縛りがあって、オペレーターが受けるストレスの方が格段に大きくなってしまいます。
弊社は、どんな会話運びを組めばオペレーターが受けるストレスを軽減できるのか実証実験での知見を持っています。AI人工知能『コーチングエンジンⓇシステム』と合わせてこの知見を使ってみませんか。
④AHT(平均処理時間)最適化
弊社は、今まで数多くの実証実験で分かったことは、AHTが短ければ良い訳ではなく、結果的に必要ではなかった(寄り道してしまった)会話運びや考えている間の空白時間を無くすことがAHTの最適化と云う理解をしています。
しかし、全ての寄り道してしまった会話運びが無駄ではないと考えています。理由は、結論までに必要な確認には、お互いにゴールを探しながら進んでいる前提なので、ゴールに向かっている途中で対象に含むか否かと云うABテストを繰り返す必要があります。
含んでいる事ばかりを聞き出したり、伝えたりしていても対象範囲に含む境界線が引けなくなってしまいます。
そのためゴールにたどり着く事だけを目的とするのではなく、境界線をどのように引くのかを確認するABテストも非常に重要になります。
このようにして弊社は貴社コールセンターで行われている個々の応対についてAHTの最適化が必要だと考えています。
もし、内容を吟味せずにAHTの短縮をコールセンターのKPIに設定しているのであれば、一度状況を教えて頂けないでしょうか。
疑問点などにお答えいたします。
⑤応答率改善
応答率を改善するためには、オペレーター一人当たりの生産性を高め(AHTの最適化)、呼量に応じたオペレーターの適正配置と呼量の削減が出来れば計算上は、実現できます。
AHTの最適化は④で実施します。
呼量に応じたオペレーターの適正配置は、AI人工知能『コーチングエンジンⓇシステム』で応対を行う事で取得できる履歴データのなかでお客さまデータ、オペレーターデータ、社内の事業に係るデータを用いて配置計画を立てます。
取得できるデータの中で、注目したいのがオペレーターのデータです。オペレーターのデータとは応対時の振舞い(知識、スピード、考え方など)のデータが収集できます。このデータを基に作成したスキルマップで呼量に応じたオペレーターの適正配置計画が組みやすくなります。
このメリットは、根拠が曖昧な感覚でオペレーターの配置計画によって、クレーム率を高めてしまったり、AHTを悪化させてしまったりすることを回避できます。
弊社は、AI人工知能で収集したお客さまに期待されている事に対して、提供すべきオペレーターの振舞いを高めるご支援をいたします。
⑥呼量削減
コールセンター白書の運営課題の上位に呼量削減が入っています。
呼量削減には、大きく2つあるようです。
A) 利用者が敢えてコールセンターに問い合わせをしなくても良い環境を整備する考え方。
B) コールセンターに繋がるパイプを隠すか、太さを絞る考え方です。
この二つの考え方による結果には、呼量削減だけではなく大きな違いがあります。
その違いは、A)は、利用者の満足度を高める効果が期待できます。一方でB)は、利用者が助けを求めている手を払いのけているため、企業自ら利用者の離反を加速させています。
2つの呼量削減の考え方を比較するとA)を採択したい企業が多いのではないでしょうか。
A)の考え方を推進するためには、同じお問い合わせを少なくする業務改善が必要になります。
具体的には、お問い合わせされる内容ごとに件数を数え、更にどんな時に問い合わせが必要になった背景を同時に利用者から聞き出します。今までのテクノロジでは、問い合わせ内容件数と背景を記録し集計する手間が大変でしたが、AI人工知能なら収集の手間が不要となります。今まで同じ内容を削減できれば呼量削減効果が高いと考えていても、実際のデータ収集作業が煩雑なために中々成果が得られなかったコールセンターにぴったりの対策です。
弊社は、実施してきた数々の実証実験で得た知見を基に、利用者の満足度を高めながら呼量の削減を目指すサービスをご提供させて頂きます。
⑦オペレーターの離職(定着)率改善
オペレーターがコールセンターから離職する理由はいくつか知られています。
弊社は、多く知られている離職理由とは別に、もっと大きな理由が有ると考えています。
多くの企業やスポーツなどでは、チームによる相乗効果を確認して、その大切さが重視されています。
しかし、数多くの実証実験で獲得した知見では、コールセンターで使われているKPIの中に、処理品質関連(エスカレーション率など)と云う管理項目があり、このKPIがオペレーターの成長を妨げ、孤立を助長し、クレームに繋がることが判明していて理想的な姿との乖離がオペレーターを続けていく自信が無くなり離職に繋がっていくと考えています。
そもそもオペレーターが企業を代表する窓口として利用者と対話していますから、オペレーターが応対中に何を感じているのか?? どうしたら利用者の満足が高められるのか??など、オフサイトミーティングなどを開催して潜在意識の中から引き出し、コールセンター全員で同時利用できる形に見える化。ナレッジを積み上げていくべきと考えています。
その応対時の気づきに対して、エスカレーション率などのKPIで孤立を助長し社内コミュニケーションを遮断するようなKPIの使い方はお勧めできません。
弊社が実施した実証実験に於いてオペレーター達の安心安全を守るオフサイトミーティングで応対時に感じ取ったことを共有して同時多重利用する取り組みに否定的なオペレーターは居ませんでした。
応対時に感じた事を忘れないうちに、QAやSVに相談する事は、ナレッジを積み上げていく観点からも褒められるべき振舞いと認識しています。
弊社はAI人工知能『コーチングエンジンⓇシステム』の応対サポートを受けながら感じ取った気づきを顕在化し全社で共有しオペレーターのやる気に火をつける仕掛けづくりをご支援させて頂きます。
