コールセンターのROIを正しく計算する方法

コールセンターROIの計算式(そして多くの人が見誤るコスト項目)

見つかるあらゆるROI計算ツールは、たった1つの式を装飾したものにすぎません。

ROI(%)=(年間の削減額 − 年間の投資額)÷ 年間の投資額 × 100

投資側は、センターを運営または改善するために1年間で使う費用すべてです。自社構築の場合のエージェント人員、ツールを使う場合のベンダーへの支払い、BPOを使う場合の委託料などです。削減側にすべての本質があり、次の3つに分かれます。

1. エージェントを介さずに処理されるコンタクト。 セルフサービスに誘導されたり、AIエージェントによって解決されたりした通話は、人間が一切触れなかったコンタクトです。これに完全負荷後のコンタクトあたりのコストを掛ければ、確実な削減額になります。
2. 残りの対応の高速化。 エージェントがコンタクトを担当する場合でも、返信を下書きするAIや正しい回答を提示するAIが、平均対応時間を数分単位で短縮します。
3. 空いたエージェントの稼働時間。 取り戻した稼働力は、新規採用なしで成長を吸収するか、優秀なエージェントを実際にCSATを動かす複雑な業務に振り向けることができます。

この計算式が気にしないものに注目してください。座席数、ダッシュボードの見栄え、ベンダーの「CXを変革する」というスライドなどです。ROIは、どれだけ自動化できるかと、本当のコンタクトあたりのコストにかかっています。それ以外はすべてノイズです。

コンタクトあたりの本当のコスト(削減額を現実のものにする数字)

ここが多くのROI計算で見誤られがちな項目です。人はコンタクトの価格を考えるとき、エージェントの時給を持ち出してそこで止まってしまいます。しかし給与は、コンタクトに実際にかかるコストのほんの一部にすぎません。

完全負荷後のコンタクトあたりのコストには、次のすべてが含まれます。

• エージェントの給与。 どのエージェントも100%の時間をライブ対応に費やしているわけではないことを考慮して調整します。
• シュリンケージと稼働率。 休憩、トレーニング、会議、コンタクトとコンタクトの間の待機時間により、実際に得られる通話時間よりもはるかに多くのエージェント稼働時間分の対価を支払うことになります。稼働率70%で運営しているセンターは、それだけで既に各コンタクトに30%の間接費を上乗せして支払っていることになります。
• 電話設備とツール。 コールセンターの技術スタック、通話分数、ライセンス費用。
• マネジメントの間接費。 チームリーダー、QAアナリスト、WFM(ワークフォースマネジメント)、エージェントを支える組織構造。
• トレーニングと品質保証。 新入社員のオンボーディングと、送信されるコンタクトに対するQAの実施。

すべてを合計すると、完全負荷後の数字は多くの場合、額面の給与の何倍にもなります。これがROIにとって重要なのは、自動化がコンタクト全体を(間接費を含めて)なくすのであって、給与の1分だけをなくすわけではないからです。だからこそ、コンタクトを1件なくすことで得られる削減額は表面の給与から想像するよりも大きく、「エージェントの時間を節約するだけ」という考え方はリターンを過小評価してしまうのです。

ROIを実際に動かすレバー

ほぼすべての結果を左右するのはたった3つの数字です。リターンを動かしたいなら、これらを動かしましょう。

• 自動化率/解決率。 人間を介さずに解決されたコンタクトの割合です。ROIはこの数字にほぼ比例します。これを2倍にすれば、コストがほとんど動かないまま削減額もおおよそ2倍になります。また、この数字は予測が最も外れやすい項目でもあります。チームが自社のコンタクトで測定する代わりに、ベンダーのベストケースのスライドから推測してしまうからです。デモの数字ではなく、自社の実際のAI解決率を追跡しましょう。
• 平均対応時間。 人間が引き続き対応するコンタクトでは、1件あたりの節約時間がキュー全体で積み重なります。ここでエージェントの生産性ツールや、優れたナレッジの提示が効いてきます。
• 稼働率とデフレクションの組み合わせ。 反復的な対応量をセルフサービスに移すことで、残る各エージェント稼働時間の価値が高まります。うまくいくパターンは、Tier1のデフレクションから始め、実際の割合を測定し、意図的にカバー範囲を広げていくことです。

現実的な自動化がどのようなものかを、実際に裏付けを持てる数字で示します。

• Zendeskを使うギグエコノミー向けドライバー分析アプリは、7日間のトライアル後、初月でTier1リクエストの73%を解決しました。Tier1は最も相性が良い領域です。対応量が多く、反復的で、きちんと文書化されています。
• ある社内ITヘルプデスクは、デフレクション率15%程度から始め、より多くのドキュメントでAIを学習させながら55%を目標に設定しました。ナレッジベースが充実するにつれてカバー範囲は広がります。
• 1週間のトライアルコホートでは、AIチャットは581件の会話で96%の品質スコアを記録しました。品質と解決率は同じものではありませんが、品質が低いと安全に自動化を推し進められる範囲が制限されます。

初日から最も厄介なエッジケースにボットを向けると、悪い解決率と、さらに悪いROIが記録されることになります。追跡すべき数字のより詳しい全体像については、AIカスタマーサービス指標のガイドで解説しています。

自分の数字を入力してみる

架空のケーススタディを示す代わりに、計算ツールを用意しました。対応量、完全負荷後のコンタクトあたりのコスト、そして自分で裏付けられる自動化率を入力すると、上記の計算式が実行されます。デフォルト値は意図的に控えめに設定しています。

自動化の項目を変更して、ROIがどう動くか試してみてください。この感度こそがポイントです。自動化率がレバーであり、それこそが仮定ではなく測定すべき唯一のものです。

自動化によるリターンが実際どこから生まれるか

この計算ツールは意図的に最低ラインを示すものです。キューから完全に取り除かれたコンタクトしかカウントしていないためです。以下の図は、反復的な対応量にAIを向けたときに実際に起きることを示しています。エージェントの対応負荷が減り、残ったコンタクトはより速く処理されます。

この変化にこそ、目に見えにくいリターンが存在します。計算式では過小評価されがちですが、実際に存在するものです。

• 人間が引き続き対応するコンタクトの解決の高速化。 ある決済会社は、AIが正しいドキュメントを即座に提示できるようになったことで、回答探しや新人エージェントのオンボーディングにおいて最大80%の時間削減を報告しています。これはデフレクションされたコンタクトだけでなく、あらゆるコンタクトで節約される対応時間です。
• 夜勤なしの24時間365日対応。 AIは午前3時でもAPIコール1回分のコストで回答します。残業代は発生しません。
• 一貫性と初回コンタクト解決率の向上。 最初から正しい回答が返ることで、再オープンやエスカレーションが減ります。
• 人材のより良い活用。 Tier1の対応量が片付くと、エージェントは実際にCSATを動かす複雑で価値の高いコンタクトに時間を使えるようになります。

もしデフレクションのみのROIですでに基準を上回っているなら、これらはさらなる上乗せです。基準に届いていない場合は、検証しづらい曖昧な数字で予測を取り繕うのではなく、自動化率そのものを改善しましょう。

削減額を食いつぶす価格モデルの落とし穴

2つのツールが「同じ」価格を提示していても、課金方法の違いによって請求額はまったく異なる結果になり得ます。これは購入者が手遅れになってから気づく落とし穴です。

最も厄介なのはインタラクション単位課金です。細かく公平に聞こえますが、1件の解決済みコンタクトが複数回のやり取りにまたがることがあり、そのたびにメーターが動きます。私はこれが実際の商談を頓挫させる場面を見てきました。月間15万チケットに向けて拡大していたある超大量案件のオペレーターは、電話の途中でインタラクションとチケットの違いがあまりに分かりにくく、月額3万ドルの請求額を予測してほぼ契約を見送りかけました。これはチケットあたり約20セントに相当する額でしたが、インタラクションの計算がどうしても把握できなかったためです。別の購入者は、1日のテストだけで200インタラクションを消費し、想定していた月間約9,000件でどうなるのかとすぐに不安を覚えました。

ROIモデルへの教訓は、どんな予測を信頼する前にも、課金単位を明確にすることです。「解決単位」「インタラクション単位」「チケット単位」は、同じ対応量でもまったく異なる年間コストを生み出します。参考までに、eeselは座席料金なしでチケットあたり0.40ドルという価格設定で、これが上記の計算ツールにおける「解決済みコンタクト1件あたりのAIコスト」のデフォルト値になっています。どのツールを選ぶにせよ、その実際の価格を同じ計算式に当てはめてみてください。また、コストの全体像についてはAIカスタマーサポートによるコスト削減とAIエージェントと人間のエージェントのコスト比較もご覧ください。

本当に信頼できるROIの数字を得る方法

ここが多くのガイドが省いてしまう部分です。自動化率を推測する必要はありません。裏付けのあるROIにたどり着く最短の方法は、予算を投じる前に、すべての鍵を握るこの1つの変数を測定することです。

1. 最初のユースケースを正しく選ぶ。 Tier1、対応量が多く、きちんと文書化された対応種別を選びましょう。最も難しいエッジケースではありません。ここが解決率が最も高く、ROIが最も早く現れる領域です。
2. AIに自社の実際のナレッジを与える。 ヘルプセンター、過去のコンタクト、マクロ、社内ドキュメントです。AIは学習させたものの質でしか良くなりません。ナレッジが薄いと解決率が低くなり、結果としてROIも悪くなります。
3. 本番稼働前に過去のコンタクトでシミュレーションする。 これが推測を数字に変えるステップです。何千件もの過去のコンタクトに対してAIを実行し、実際に何を解決できたか、どこで間違えたかを、実際の顧客に触れることなく確認します。
4. 段階的に展開し、実際の割合を注視する。 まずは対応量の一部から始め、数字が維持されることを確認してから拡大します。

このシミュレーションのステップこそが、ベンダーのスライドに基づくビジネスケースと、自社データに基づくビジネスケースの違いを生みます。私がこれを強く重視するのは、自信たっぷりに見えるボットが静かに間違った回答をするのを何度も見てきたからです。それがコストにつながる前に見つける唯一の方法は、まず過去のデータでテストすることです。これは、真剣な購入者から最もよく聞く「AIは絶対にはったりをかけるべきではない」という懸念にも答えるものです。月間7,000件のチケットを扱うあるCXリーダーは、私たちにこう語ってくれました。

「AIが100%の質問に答えられるようになることは決してありません。ただ、AIが答えを試みて『申し訳ありません、わかりません』とだけ返してくるようでは、私は7,000件すべてのチケットをチェックしてAIが本当に良い回答をしたかどうか確認するわけにはいきません。私が必要としているのは、自信を持って対応できるチケットだけを処理し、それ以外はすべて手をつけずに残しておいてくれるAIです。」

これはまさに、優れたシミュレーションによって事前に検証できる挙動です。AIが何を解決し、何をエスカレーションし、顧客の目に触れる前にどれだけ自信を持っているかを確認できます。

自社のROIケースでeeselを試してみる

一般的な数字ではなく自社のキューにおけるROIの数字が欲しいなら、それはまさにeeselが示すために作られたものです。ヘルプデスク(Zendesk、Freshdesk、Gorgiasなど)と既存のドキュメントを接続すると、eeselは過去のコンタクトに対してAIをシミュレーションするので、本番稼働前に実際の解決率と見込まれる削減額を確認できます。価格は座席料金なしでチケットあたり0.40ドルで、対応量が急増してもROIの計算が予測可能なまま保たれ、逆算が必要なインタラクション課金もありません。

これは、7日間のトライアル期間中にすぐ立ち上がり、すでに自社のヘルプセンターを理解している新しいサポート担当者が加わるようなものです。まず実際のコンタクトでその仕事ぶりを確認できます。より大きな変更を検討している場合は、比較検討する価値のある他のコールセンター自動化やアウトソーシングの代替案とも並べて評価できます。無料でお試しいただけます。