Google Cloud AutoML を使用した顧客フィードバック管理の向上

※この投稿は米国時間 2020 年 7 月 25 日に、Google Cloud blog に投稿されたものの抄訳です。

顧客満足度においては、カスタマー サービス エクスペリエンスが実際の製品よりも重要になることがよくあります。Forbes によると、カスタマー サービスの質が悪かったことに起因する 2018 年の企業の損失は約 750 億ドルにのぼります。また、質の悪いカスタマー サービスを経験したお客様の 39% は、問題のある企業と再び取引を行うことはありません。

ポジティブなカスタマー サービス エクスペリエンスを提供するうえで重要なのは、お客様からのフィードバック、特にネガティブなフィードバックを迅速かつ効率的に処理することです。しかし、お客様からのフィードバックへの対応は、複雑で時間のかかるプロセスであり、通常は手作業で行われています。ここに AI を使用することで、効率を上げることができます。顧客フィードバック管理プロセスに AI を統合することで、反復的なタスクを自動化できます。これにより、カスタマー サポート エージェントの負担を軽減し、最も複雑で時間的制約のあるケースに取り組んでもらうことができます。このブログでは、AutoML を使用して顧客フィードバック管理をより効率的にする方法の例を紹介します。

苦情の分類の自動化

AutoML Tables を使用して、お客様からのフィードバックを分類するためのサンプル ソリューション（コードを含む）を構築しました。AI に対応した分類を使用することで、適切な自動応答を送信し、苦情やその他の対応可能なフィードバックを適切なサポートチームに転送して、選択したフィードバックに高優先度としてフラグを付けることができます。これらのアクションを自動化することで、お客様の待ち時間の短縮、手動で処理する必要のあるフィードバックの量の削減、重大な問題の表面化などが可能になります。

AutoML には、手動で構築した機械学習モデルに比べて、いくつかの利点あります。AutoML は、Google が 10 年以上かけて培ってきた研究技術を使用して、より正確な予測を行う高速モデルを作成します。AutoML は、カスタムモデルのトレーニングとデプロイを自動的に管理します。データが適切な構造になると、AutoML はスケーラブルな API の背後で、数時間の間にカスタムモデルのトレーニングとデプロイを行います。これにより、機械学習モデルの開発に比べて、数日、数週間、または数か月も時間を短縮できます。

カスタマー サポートを提供している場合、カスタム AutoML Tables モデルをトレーニングするために必要なデータはすでにお手元にある可能性が高いです。通常のカスタマー サービスのワークフロー データ（フィードバックの解決方法、フィードバックが転送されたチーム、フィードバックが言及していたプロダクト、特定された問題、ネガティブなフィードバックへの解決策、解決までにかかった時間、フィードバック自体のテキスト）が AutoML Tables に取り込まれ、構造化データとテキストの両方から学習されます。

提供されているコードの例では、金融部門の消費者保護に焦点を当てた米国政府機関である消費者金融保護局（CFPB）によって収集された、一般公開されているお客様からの苦情データでモデルをトレーニングします。データには、プロダクト タイプ、サブプロダクト、問題、場所のデータ、苦情の説明（テキスト フィールド）などの変数と、苦情の解決に関するデータが含まれます。データが BigQuery から取り込まれると、クリーンアップされて機械学習に適した形式に変換され、AutoML Tables モデルのトレーニングに使用されます。そこから、コードはバッチ予測（評価用）を行い、予測を行うために使用される API エンドポイントをデプロイし、API を使用して予測を行います。このコードは構成を使用してデータを検索および解析し、モデルをデプロイして、新しいデータセットに簡単に適応できるようにします。

肯定的であれ否定的であれ、お客様が時間を使ってフィードバックを提供するときは、お客様を大切にしていることを示すチャンスです。このサンプルコードとパイプラインは AutoML と BigQuery を利用しており、より効率的でユーザー フレンドリーなカスタマー サービス エクスペリエンスの基盤を提供します。これにより、中核となるカスタマー サポート指標だけでなく、お客様の会社に対する印象も改善できます。

COVID-19（新型コロナウイルス感染症）に関連する顧客ニーズの急増を管理する企業を、Google がどのように支援しているかについて詳しくは、COVID-19 の影響への対応策を支援する Cloud AI を参照してください。

謝辞

この投稿からリンクされているコードは、テキサス大学オースティン校ビジネス分析プログラムの理学修士を 2020 年に修了した Sahana Subramanian 氏、Michael Sparkman 氏、Karan Palsani 氏、Shane Kok 氏 によって構築されました。また、Dimos Christopoulos と Andrew Leach にも感謝いたします。 

-  機械学習エンジニア Michael W. Sherman / 戦略的クラウド エンジニア Anastasiia Manokhina