AI活用で訪問修理を最適化、顧客満足度向上と在庫削減を両立

高品質な製品を低価格で販売するだけでは、企業は競争力を維持できない。顧客満足度を高めるには、販売した後の「顧客体験」も重視しなければならない。ここで重要な役割を果たすのが、訪問修理の円滑化だ。しかし、修理依頼を受け付けるオペレーターの判断ミスやバラツキによって、最適な訪問修理が行えていないケースは多い。この問いの解決に貢献するのがAIの活用である。ここではその具体的な取り組みを紹介する。

トレードオフの関係にある部品在庫と訪問回数の最小化

訪問回数の最小化 競争の激化に伴って、企業は高品質な製品を販売するだけでは、競争力を維持し続けることが困難になっている。そこで重視されるのが、顧客満足度を高めるための「顧客体験」の向上だ。ここで大きな役割を果たすのが、販売後の保守を迅速かつ的確に行うことである。特に大型家電や業務用機器では、故障や異常が発生したときの訪問修理を円滑に行うことは、顧客満足度を大きく左右する要因になるといえるだろう。

訪問修理では、顧客からの依頼をコールセンターのオペレーターが受け、「どのような手配が必要なのか」を判断し、しかるべき技術を持つサービスエンジニアへと引き継ぐことになる。サービスエンジニアはオペレーターが聞き取った状況から、修理などに必要な部品や工具を選定、現場に移動して対応を行う。

重要なことは、サービスエンジニアが必要最小限の部品の持参ですむことと、1回の訪問で対応を完了させることだ。前者は交換部品の在庫削減に貢献し、後者は顧客満足度向上につながるからである。しかし、これらはトレードオフの関係にある。最小限の部品を持参して「実はほかにも必要だった」ということになれば、再訪問する必要が生じてしまう。逆に再訪問を防ぐには、「ひょっとすると必要になるかもしれない」部品を持っていくことになり、結果的に部品在庫を押し上げることになる。

このような状況をできる限り回避するには、修理依頼を受け付けるオペレーターが、故障の状況を的確に判断し、サービスエンジニアに引き継がなければならない。しかしそのためには経験豊富な、ベテランオペレーターが必要だ。また人の判断にはバラツキがあり、常に的確な判断を行えるという保証は難しい。

この問題を解決するにはどうすればよいのか。その答えの1つが「AIの活用」だ。実はこのような取り組みは、すでに始まっている。

トレードオフのバランスを考慮しながらAIで最適化

「訪問修理がこのような課題を抱えていることは、以前から複数のお客様から伺っていました」。富士通AI&IoTオファリング統括部でAI&データアナリティクス推進部長を務める佐藤 卓也はこう語る。課題の内容を聞いたとき、すぐに「AIを活用すれば解決できるのではないか」と考えたと振り返る。それでは具体的に、どのような形でこのプロセスにAIを組み込むのか。佐藤は次のように説明する。

まず、従来から利用してきた「修理受付・実績管理システム」に蓄積されているデータを確認。お問い合わせの際に得られる情報、例えば、故障の症状や利用状況など修理対象の判別に有効と思われる項目と、実際の修理の際に確認した情報、例えば、修理箇所や利用した部品などを教師データとしてAIが学習を行い、学習モデルを構築する。その際、トレードオフとなる「部品利用率」と「初回解決率」のどちらをどの程度重視するかを設定し、最適化していく。

実際に利用する際には、AIの学習モデルを組み込んだ「AI修理受付・実績管理システム」を用意し、先程の「修理受付・実績管理システム」と入れ替える。もちろんこのサービスはAPIで提供されているため、簡単なGUIからAPIを呼び出す形で従来から利用してきた「修理受付・実績管理システム」に追加することも可能だ。運用中に追加された実績データは定期的に再学習とチューニングを施し、AIを強化していく。

続きは、こちらからお読みいただけます

AIで訪問修理を最適化、顧客満足度向上と在庫削減を両立

概要

  • トレードオフの関係にある部品在庫と訪問回数の最小化
  • トレードオフのバランスを考慮しながらAIで最適化
  • 過去に例の少ない多様なデータからの学習、実証実験で効果を確認
  • 実証実験の成果をまとめ上げZinraiのAPIとして提供

ページの先頭へ