受注率83%、電話の取りこぼしを音声AIで拾った通販の分担設計

顧客層の中心は60代から80代で、インターネットよりも電話でのやり取りを好むため、コールセンターが主要な顧客接点になっていました。ところがテレビ通販の呼量は天候や突発的なニュースに左右され、人員配置の予測が立ちません。受け切れなかった電話は自動音声応答で用件を預かってかけ直していましたが、約15%はつながらず、つながった場合でも受注率は通常の約80%から60〜65%へ落ち込んでいました。

編集部の見立てでは、この困りごとの本質は回線や人員の不足そのものではなく、顧客が「買おう」と思った瞬間と、企業が応答できる時刻のあいだに生じるズレにあったのではないでしょうか。テレビを見てその場で電話をかけるという行動の性質上、購買意欲はその瞬間に限られます。かけ直しでの受注率低下は、まさにその時間差が売上に直結していたことを示す数字でしょう。呼量のピークが読めない以上、人を増やす方向だけでは埋めきれない構造だったと考えられます。

最も効いたのは、音声AIに注文情報のすべてを取り切らせることを早い段階で諦めた切り分けだと考えられます。立ち上げ期には受注が思うように伸びず、その原因が氏名や住所を読み上げて確認する場面にあると特定されました。そこで、AIが拾い切れなかった部分は後からオペレーターが通話録音を聞いて補う流れへ組み替えています。顧客に正確な聞き取りの負担を押しつけず、その負担を人が後工程で引き受けるという役割の置き換えが、途中離脱を防ぐ決め手になったと読めます。

質問の形そのものを作り替えたシナリオ設計も、同じ発想の延長線上にあります。自由に話してもらうのではなく「はい」「いいえ」で答えられる問いに落とし込めば、音声認識が苦手とする揺らぎの大きい発話を避けられます。認識精度を技術側で引き上げるのではなく、聞き方を変えて精度が要らない状態を作る。この判断の順序が、高齢の顧客が多い窓口という前提とかみ合っていたのでしょう。

もう一つ見逃せないのが、簡易データベースと条件分岐を使い、商品の色やサイズ、届け先の住所に応じて復唱内容や送料を自動で切り替えた作り込みです。定型的な受付でありながら、顧客ごとに答えが変わる部分を機械的に処理できるようにした点は、応答の自然さを支えていたはずです。しかもこれらの調整は、専門知識がなくても現場担当者がフローを組み替えられるSaaSの特性を活かし、短い周期で回されました。改善の速さは、開発を外部に依頼せずに済む体制そのものから生まれています。

かけ直し対応の比率は約30%から10ポイント下がり、あふれた電話による機会損失が大きく減りました。待たせずにその場で受け付けられるようになった結果、音声AI経由の受注率は83%に達し、人が対応した場合とほぼ変わらない水準に並んでいます。オペレーターを確保しにくい深夜や早朝もAIが受けることを前提にした人員配置が可能になり、顧客からのクレームもほとんど出ていません。今後は受注の全面的な自動化や、より複雑なカスタマーサポート領域への展開が視野に入っています。