プロジェクト概要
過去の通話履歴データをAIが分析し、顧客ごとに着電率が最も高い発信時間帯を予測するシステム。
従来の「件数に対して無作為に回数を担保するだけ」の架電から、データに基づいた最適タイミングでの発信戦略に転換。
対応履歴・オペレータースキル・出勤シフトの3点情報を加味し、当日の架電戦略を自動立案する。
4つの主要機能
着電率予測AI
顧客ごとの過去の活動履歴（通話成立日時・曜日・時間帯パターン）を分析し、着電率が高い発信タイミングをスコアリング。Salesforceの「通話成立日時AI予測レポート」として可視化。
当日架電リスト自動生成
対応履歴、オペレーターの対応実績（スキル・リスト別対応時間）、出勤シフトの3点情報を組み合わせ、その日の最適な架電リストと発信順序を自動で作成。
オペレータースキルマッチング
社員オブジェクトに蓄積された対応実績データから、各オペレーターの得意分野や対応スキルを把握。顧客特性に合った最適なオペレーターをアサインする。
柔軟なパラメータ調整
通話の成否判定閾値（通話秒数）や分析基準をプロンプト変更で即座に調整可能。業務要件の変化に迅速に対応できる設計。
技術スタック
- AI/分析：生成AI（GPT）、Python、統計分析アルゴリズム
- プラットフォーム：Salesforce
- バックエンド：Salesforce、Python
- データソース：通話履歴、社員スキルデータ、出勤シフトデータ
- 可視化：Salesforceレポート・ダッシュボード
- 開発ツール：Claude Code
技術的チャレンジ
複合要因のスコアリングモデル設計
顧客の応答パターン、オペレーターのスキル、勤務シフトといった異なるドメインのデータを統合し、一つのスコアリングモデルに落とし込む設計。
リアルタイム性と精度のバランス
当日朝の時点で最適なリストを生成する必要があるため、バッチ分析による精度とリアルタイム性を両立するアーキテクチャを構築。
Salesforceデータモデルとの整合
既存の活動履歴・社員・シフトオブジェクトに予測データを自然に組み込み、現場の管理者が特別な操作をしなくても活用できるUXを設計。
継続的な精度改善
予測結果と実際の着電結果をフィードバックループとして学習データに反映し、予測精度を継続的に向上させる仕組み。
社会貢献・意義
コールセンターの架電業務では「とにかく数を打つ」という非効率な運用が業界標準だった。
本システムにより、限られたオペレーターのリソースを最も効果的なタイミングに集中させることで、着電率を向上。
無駄な発信を減らしオペレーターの負荷も軽減する。
データに基づく架電は顧客にとっても都合の良い時間に電話がかかってくるため、双方にとってストレスの少ないコミュニケーションを実現する。
エンジニアにとっての魅力
データサイエンス×実業務
分析モデルが実際の架電業務に直結し、着電率という明確なKPIで成果を測定できます。理論だけでなく、実ビジネスの現場でAIを活用する経験を積めます。
Salesforce × AI の統合開発
Einstein AnalyticsやカスタムアルゴリズムをSalesforce基盤に組み込み、エンタープライズAIとして実運用されるシステムの開発経験を得られます。
プロンプトエンジニアリング
通話成否判定などの業務ルールをプロンプトで柔軟に制御する設計。生成AIを業務システムに組み込む実践的なノウハウが身につきます。
技術選定の自由
ClassLabの「No Restrictions」方針のもと、目的達成に最適な技術を自ら選定し、提案できる環境があります。