総合情報サイト / AI活用事例・AI導入事例 / AIやExcelを活用したコールセンターの入電数予測の方法

AIやExcelを活用したコールセンターの入電数予測の方法

コールセンターにおけるコール予測(呼量予測、forecaster)とは、お客様からの問い合わせなどセンターで受信する電話の量を予測することをいいます。 コールセンターの運用コストを増加させる要因のうち大きなものが、コミュニケーターの人件費です。コミュニケーターは顧客からの入電に応じてオペレーションの対応をするため、実際の入電数よりも多くのコミュニケーターを配置すると、対応がなく待ち状態のコミュニケーターが増えて、不要な人件費の増加に繋がります。また、逆に配置人数が少ないと呼び出し中でつながらないなどのクレームの要因になりかねません。適正な人員をコンタクトセンターに配置することで、十分な顧客満足度が提供できる状態でオペレーションを行っていることが理想です。今回は、Excelを活用したコール予測、AI(人工知能)による機械学習を用いた時系列分析で、コール予測を実現する方法をご紹介します。

  • 目次

    Excelを活用した入電数予測
    AI・時系列分析で予測する方法
    AIを活用したコールセンターの入電数予測ができる「MatrixFlow」

  • Excelを活用した入電数予測

    WFM(Work Force Management)とは、コールセンターでの業務において、適切な人員配置により人件費の最適化とサービス品質の向上を図る経営戦略である。効率的で生産性の高い業務運営を行うための手法です。

    これは、効率的で生産性の高い業務運営を行う手法のことをさしています。WFMとは、コールセンター業務において、適切な人員配置により人件費の最適化とサービス品質の向上を図る経営戦略である。効率的で生産性の高い業務運営を行うための手法です。
    WFMに基づく適切なマネジメントを行うためには、通話予測が不可欠な手法である。実際の通話予測に基づき、最適なスキルを持つコミュニケーターを必要な数、必要な場所に配置することで、人件費を最小化することができます。また、中長期的なスパンで通話予測を割り出すことで、必要なコミュニケーター数を決定した上で、人材戦略における採用方針として検討するために不可欠な指標となります。

    コール予測の精度を高めることが重要
    最適なWFMを行うためには、コール予測の精度を向上させることが不可欠です。そのためには、コール数に影響を与えるパラメータを正しく把握することが必要です。

    コール予測の基本パラメータは、日付、時間、曜日です。着信データを分析することで、「午前中は比較的着信が少ない」「週末になると一気に着信が増える」「月末は支払請求に関する問い合わせが多い」といった傾向を把握することができます。その傾向と顧客数、顧客データを照らし合わせることで、「どのカテゴリーのスキルを持ったコミュニケーターが何人必要なのか」を予測することが可能となります。

    また、新商品や新サービスの発売時には、キャンペーン展開のタイミング、気候変動、自然災害、為替変動、政治的動向などがコール数に直接影響します。データの増減に影響を及ぼしている要因は、コール予測を行う業界ごとに異なりますが、過去のデータから判断することが必要です。

    過去のコール数からExcelの統計関数を利用して将来のコール数を求める
    過去の記録から次月の数値を予測するには、前年同月のデータと比較したり、1か月間や3か月間の移動平均を使ったりする方法があります。

    ここでは、「GROWTH関数」:指数回帰曲線と呼ばれるものを紹介します。
    (以下、ExcelはOffice2019を使用しています)

    Excelで上の表を作成し、該当の関数を挿入します。関数の挿入方法はいくつかありますが、数式ツールバーの「fx」とかかれた関数ボタンを押し「その他の関数」を選択します。次に関数の種類を「統計」にし、「GROWTH」をクリックします。

    引数の選択画面が出るので、「既知のy」のボックスに過去のコール数、「既知のx」のボックスに過去の年月を「新しいx」に調べたい年月(ここでは、2022年11月)のセル番地を指定します。

    平均値や中央値といった値ではなく、今回は指数回帰曲線をもとに統計学的なコール予測数を算出しました。

    コール数に影響が大きいと考えられる数値による予測

    過去のコール数のデータのみを用いるのではなく、コール数に影響を与える可能性のある数値データを用いて分析することも可能です。例えば、コールセンターがECサイトからの注文を受けている場合、商品PRのための広告掲載量を増やせば、必然的に商品に関する問い合わせが増えるでしょう。家電の新商品を発売した直後は、販売数と商品に関する問い合わせのコール数に影響が出ると予想されます。

    このようなことを予測するための分析では、影響がありそうな数値データをまずは洗い出し、そのデータに本当に関係があるのかを実際のデータに基づいて検証し、関係があると判断した場合には、統計関数に組み込んでコール予測値を割り出します。

    本格的な統計手法を適用するのには、専門的な知識が必要ですが、ここではExcelを使って簡単に計算する方法を紹介します。

    コール予測に使用できるデータかどうかの確認

    まず、コール予測に関係すると思われる要因(例:販売商品数)と過去の通話回数データをそれぞれの列に入力して表を作成します。
    次に、Excelの「データ分析」にあるツールの「回帰分析」機能を使って、相関関係があるかどうかを確認します。

    回帰分析の結果で、まず確認したいのは「t値」です。t値はそれぞれの説明変数が目的変数に与える影響の大きさを表す指標で、t値の絶対値が大きければ大きいほど、目的変数に与える影響が大きいことを表しています。目安としてt値の絶対値が2より大きいとき、統計学的に相関関係があるとみなせるので、これをコール予測に使用します。Excelの回帰分析でも簡単に求められます。

    相関関係に応じた統計関数を用いてコール予測を出す

    ここでは、コール予測に使用するデータを決めたのち、統計関数を用いてコール予測を求めます。
    相関関係に応じて、以下の3つの統計関数が利用可能です。

    「GROWTH関数」:別名、指数回帰曲線とも言い、過去のコール数のみのデータだけでもある程度の予測を行うことができる関数です。
    「TREND関数」:コール数に影響を与えるデータが複数ある際に使用する関数です。
    「FORECAST関数」:コール数に影響を与えるデータが1種類のみの場合に使用する関数です。

  • AI・時系列分析で予測する方法

    ここまでで、コールセンターのコール予測を数値的に算出するには、手軽に行えて、精度も高い重回帰分析が重要であることがわかりました。実際に、さらに正確なコール予測を求めたい場合には時系列分析という手法が多く用いられています。

    この手法は、時系列に沿って時間変化するデータを分析し、将来の動きを予測するもので、コールセンターをはじめさまざまな業種・サービス領域で広く活用されています。ただ、実際には、時系列分析は、ここまで見てきた他の予測方法と比較すると、計算式が複雑で実施は容易とは言えません。

    そこで、この記事ではその手法の概要について簡単に解説します。

    この記事を読んで、「実際に時系列分析を導入したい」という方に、簡単に時系列分析ができるツールを後ほどご紹介しますので、ぜひ検討の際に参考にしてください。

    「時系列分析」は、過去のデータとそれに影響を与える以下に示す、4つの変動要因から未来の数値を予測する分析方法です。

    時系列データの時間による変動の特徴には大きく、分けて2つあります。

    「周期性」…同じ周期で変動を繰り返す性質
    「トレンド」…細かな変動を取り除いたデータ全体の傾向

    これらを踏まえて、時系列データを予測するために必要な情報は以下の通りです。

    ◆過去のコンタクト数

    ◆過去のコンタクト数データの変動から算出した4つの変動要因
     ・季節変動:1年周期の中で、時期による変動(季節性の要因によるもの)。
     ・不規則変動:上記以外の予期できない要因(外乱や擾乱など)による短期的な変動。
           →「地震や水害など自然災害の影響」などで発生する変動
     ・傾向変動(トレンド変動):長期的に見たときの増加傾向や減少傾向にある変動。
     ・循環変動:一定の周期をもち、増減を繰り返す変動。

    変動要因については、「季節要因指数(季節変動指数)」「トレンド要因指数」といったように、変動を指数化して用いる傾向があります。

    不規則変動については、要因が複雑にからみあっているため、予測が困難なことが多く、実際には予測対象とすることはあまりありません。

    予測方法
    時系列分析にはいくつかの種類があります。それぞれの分析方法は、先述したように複雑であるため、本記事では代表的な手法について概要のみを説明します。

    季節手法
    季節変化に合わせて増減するデータを予測するのに適した手法です。

    たとえば、コールセンターでは、「ゴールデンウイーク前や年末年始前に申し込みが集中する旅行のツアー予約」や「百貨店のお中元・お歳暮の時期の問い合わせ窓口」など、多くのケースが想定されます。

    この方法では、過去のデータ(過去のコンタクト数など)を、

    ・周期
    ・季節
    ・誤差

    という要素について分析し、数値化した上でそれをもとに将来の数値を予測します。

    季節手法は、さらに以下の2つの手法に分けられます。データの特性に合わせて、それぞれに適した手法を用いることで、より予測の精度を高めることが可能となります。

    ◆積乗型季節予測
    時系列に沿って増加傾向にある場合に、データを周期性・季節性・誤差という成分に分けてそれぞれの値を抽出し、それらを将来に向けて再構築することにより予測する手法です。時間に対して増減のない季節性のあるデータの予測に適しています。

    ◆加法型季節予測
    基本的には、加法型季節平滑法と同じ予測手法ですが積乗型季節予測と異なるのは、時間に対して増加・減少をしているような変動性の高いデータに適していることです。

    非季節手法
    季節手法とは逆に、データの増減が季節の影響を受けない場合に適した手法を非季節手法といいます。

    これは以下の2つが代表的な手法です。

    指数平滑法
    元にする時系列データに、過去から現在に近づくにつれて大きくなる重みづけ(=最近のデータほど重要度を高くする)をしたうえで、そのデータをもとに将来の数値を予測します。

    移動平均法
    直近の一定期間の数値を平均化したうえで、それをもとに将来の数値を予測します。

    自己回帰和分移動平均(ARIMA)モデル
    自己回帰和分移動平均(ARIMA)モデルは、以下の2つの分析手法を組み合わせた方法です。

    ・過去のデータをもとに未来の数値を予測する
    ・過去のデータの予測値と実測値との値の差(誤差)により、将来の数値を予測する

    予測の精度が高く、現在さまざまな分野で用いられています。

  • AIを活用したコールセンターの入電数予測ができる「MatrixFlow」

    MatrixFlowはプログラミング不要のAI構築プラットフォームです。
    アルゴリズムの開発は、処理単位のブロックをドラッグ&ドロップでつなぎ合わせることで簡単に実現できます。さらに、データ管理や作成したアルゴリズムの管理など、AI構築に関わるすべてのプロセスをクラウド上で一元管理することが可能です。この開発スキームは業種を限定せず、小売業や製造業など幅広い業種で採用され、発展してきました。その結果、開発ノウハウはブロックやその組み合わせのテンプレートとしてプラットフォーム上に蓄積されています。これらを活用することで、AI開発のさらなる加速と将来の開発コスト削減が期待できます。

    時系列分析は、時間とともに変化するデータから未来を予測する非常に有効な手法です。コールセンターにおいても、この手法を用いることで、非常に精度の高いコール予測を実現することが可能となります。
    しかし、この方法は複雑で、統計学の知識と理解が必要なため、残念ながら誰でも手軽に実施できるとは言えません。

    そこでおすすめするのが、機械学習自動化AIプラットフォーム「MatrixFlow」です。
    「MatrixFlow」は、MatrixFlow社が「優れた予測を素早く誰でも」という理念のもとに開発したソフトウエアで、機械学習により、AI(人工知能)が人間にかわって統計アルゴリズムを活用し、さまざまな分析モデルで精度の高いコール予測を導き出すことができるという特徴があります。

    コールセンターでは、コール予測はもちろん、コミュニケーターの応対品質向上のための予測や離職率予測、アウトバンド業務においては、成果・獲得予測などにも活用できます。AIに関する知識がなくても、簡単に導入できるというのもメリットです。

    ぜひ、詳細はお問い合わせください。

お問い合わせ

    氏名
    会社名
    会社メールアドレス
    つながりやすい電話番号

    個人情報保護方針に同意の上送信します。

    プログラミングなしでAIを構築・AI需要予測の実施方法をはじめ、業界別のAI活用を掲載しています

    資料ダウンロード

    関連した事例

    問い合わせ 資料請求