本文へスキップ
tech公開更新約8分で読めます

コールセンターのよくある課題6つ 原因と最初に見る数字、手を付ける順番

シェア
コールセンターの課題を原因から整理する よくある6つの問題と打ち手

コールセンターでよく挙がる課題は、6つに収まります。電話がつながらない、人が辞めて採れない、応対品質がばらつく、コストが上がる、セルフサービスを入れても電話が減らない、データが使えない、の6つです。

原因をたどると、多くは「なぜ電話が来ているのか」と「1件に何分かかっているのか」を集計できていない状態に行き着きます。だから手を付ける順番は、6つ目のデータの課題が先だと考えています。

6つの課題は「最初に見る数字」で見分ける

下の表は、6つの課題を症状・よくある原因・最初に見る数字・打ち手の方向で並べたものです。使い方は、自社で「最初に見る数字」がすぐ出せるかを確かめること。出せない数字がある課題ほど、打ち手が効いたかどうかが分かりません。

課題 よく出る症状 よくある原因 最初に見る数字 打ち手の方向
電話がつながらない 放棄呼が増える、苦情に「つながらない」が混ざる 時間帯の山、自社の不備が生む電話 時間帯別の応答率と放棄呼率 山に人を合わせる、呼を減らす
人が辞める・採れない 研修中や独り立ち直後に辞める 難しい電話の偏り、育成の段取り、評価の不透明さ 在籍月数別の離職数 辞める時期ごとに打ち手を分ける
品質がばらつく 同じ質問に人によって違う答え ナレッジの古さ、評価者の目線のずれ 同じ用件での回答の割れ、重大ミスの件数 ナレッジの持ち主を決める、評価者で採点を合わせる
コストが上がる 1件あたりの単価が毎年上がる 時給の上昇、処理時間の伸び 総処理時間(件数×平均処理時間) 件数と処理時間を分けて減らす
電話が減らない FAQやチャットを入れても入電が横ばい セルフサービスで解決しきれていない セルフサービスを使った後の入電 解決できない理由を1つずつ潰す
データが使えない 問い合わせ理由が「その他」だらけ 分類の設計と記録の手間 理由別の件数と処理時間が出せるか 分類を作り直し、記録を軽くする

つながらない電話は、時間帯別の応答率で見る

つながりにくさは、応答率と放棄呼率で見ます。日の合計ではなく、時間帯別に出すのが要点です。例えば1日の応答率が80%台でも、月曜の朝だけ半分しか取れていない偏りは、日合計では見えません。

応答率の定義は、応答率の計算式とサービスレベルとの違いで確かめられます。放棄呼は、数秒で切れた呼の扱いで数字が変わります。放棄呼率の計算方法で定義を揃えてから、前月と比べます。

つながらないことは、顧客満足だけの問題ではなくなりました。消費者庁の検討会が2026年9月10日にまとめたデジタル取引・特定商取引法等検討会の中間取りまとめは、解約などが認められる場面でも、電話等がつながらないこと等で消費者の権利行使が阻害されている事例がみられる、と書いています。

解約や返品の受付を電話だけにしている窓口では、つながりにくさが、今後の特定商取引法などの見直しで論点になりえます。

打ち手は2方向です。山の時間帯に人を寄せるか、呼そのものを減らすか。採用が難しい中では、シフトの組み替えだけでは限界があります。

人が辞める問題は、辞める時期で原因が分かれる

厚生労働省の令和7年雇用動向調査によると、2025年1年間の離職率は産業計で13.7%、「サービス業(他に分類されないもの)」で21.2%でした。総務省の日本標準産業分類では、コールセンター業(細分類9294)はこの大分類に入ります。

ただし、この区分には警備業やビルメンテナンス業も含まれます。企業の自社センターは本業の産業に分類されるので、コールセンターだけの離職率ではありません。業界の数字を探すより、自社の在籍月数別の離職数を出すほうが打ち手につながります。

研修中に辞めるなら、研修の量と難しさ。独り立ちから3か月以内なら、難しい電話が新人に回っていないか、すぐ相談できるSV(スーパーバイザー)が近くにいるか。1年を超えた人が辞めるなら、評価と処遇です。

時期ごとに打ち手が違うので、「離職率を下げる」という1つの目標で動くと、どれも中途半端になります。辞める時期を放置したまま採用を増やしても、増やした分が同じ時期に抜けていきます。

品質のばらつきは、個人の腕よりナレッジ側にある

品質のばらつきは、個人の腕よりナレッジ側にある

同じ質問に、担当者によって違う答えが返る。その原因の多くは、答えの元になるナレッジの側にあります。FAQや社内マニュアルの更新が止まると、ベテランは記憶で、新人は古い資料で答えるので、答えが割れます。

最初に見るのは、同じ用件で回答が割れている件数と、誤案内などの重大ミスの件数です。評価者によって採点がずれている場合も、オペレーターは何を直せばよいか分かりません。

打ち手は2つ。ナレッジは項目ごとに更新の持ち主と期限を決め、制度や商品が変わった日に誰が直すかをはっきりさせます。評価は、評価者どうしで同じ通話を採点して点の差を話し合い、目線を合わせます。

ここを飛ばして研修を増やしても、研修で教える答え自体が割れたままです。

コストは平均処理時間ではなく総処理時間で見る

時給の上昇は続いています。厚生労働省が2026年9月3日に公表した令和8年度の地域別最低賃金の答申結果では、全国加重平均が1,177円で、前年度から56円の引き上げでした。改定額は12月2日までに全都道府県で発効する予定です。

単価が上がる中でコストを抑えるには、件数を減らすか、1件の処理時間を縮めるかです。見る数字は総処理時間(件数×平均処理時間)。簡単な問い合わせがFAQやチャットに移ると、電話に残るのは難しい用件なので、平均処理時間はむしろ延びます。

例えば、月に1万件・平均6分だった電話のうち、簡単な用件2,000件がFAQで片づき、残りが8,000件・平均6分45秒になったとします。平均処理時間は12.5%延びましたが、総処理時間は1,000時間から900時間に減っています。

平均処理時間だけを追っていると、効いている施策を失敗と読み違えます。

電話が減らないのは、セルフサービスで解決しきれていないから

セルフサービスは、置けば電話が減る仕組みではありません。見るべきは、FAQやチャットを使った後に電話してきた人の数と、その人たちの問い合わせ理由です。

理由が「FAQに載っていない」なら内容を足す。「読んでも手続きができない」なら、手続きの画面や書類を直す。後者はセンターの外の部署の仕事です。件数を持って持ち主の部署に渡せるかどうかで、電話が減るかどうかが決まります。

データの課題が、ほかの5つの効果測定を止めている

ここまでの5つの打ち手は、どれも「理由別の件数と処理時間」が出せることが前提です。応対履歴の問い合わせ理由が「その他」に偏っていたり、分類が細かすぎて誰も正しく選べなかったりすると、この前提が崩れます。

原因の多くは、分類の設計と、理由の入力を後処理の最後に回す運用です。打ち手は、分類を選びやすい数に絞り、「その他」の比率を毎月見ること。例えば「その他」が全体の1割を超えたら、中身を読んで分類を足すか統合する、という決めごとを置きます。

通話の文字起こしと要約AIで理由の候補を出し、人が確認する運用も現実的になりました。ただし、どんな箱に分けるかを決めるのは人です。箱がずれたまま自動化すると、ずれた集計が速く出てくるだけです。分類の作り方はコールリーズン分析のやり方に手順をまとめています。

今日つながらないことが苦情になっているなら、まず人を寄せるのが先です。ただしそれは止血。理由別の件数と処理時間が出せるまで、ほかの5つの改善は効いたかどうか分からないままです。

まとめ

6つの課題は、見る数字がそれぞれ違います。応答率は時間帯別、離職は在籍月数別、コストは総処理時間です。そしてどの数字も、問い合わせ理由の分類が崩れていると正しく出ません。

改善の会議で最初に出す資料は、上の表の「最初に見る数字」6つのうち、今出せるものと出せないものの一覧です。出せない数字の分だけ、データの課題が残っています。

よくある質問

コールセンターの課題で、最初に手を付けるべきものは何ですか。

ほかの課題の原因になりやすいのは、問い合わせ理由と処理時間を集計できない「データの課題」です。ここが残っていると、残りの5つの打ち手が効いたかどうかを確かめられません。

課題の洗い出しは何から始めればよいですか。

表の「最初に見る数字」を6つ出せるか確かめることから始めます。出せない数字がある課題は、改善より先に集計方法を整えます。

人手不足はAIで解決できますか。

AIで減らせるのは、定型の問い合わせや後処理など一部の作業です。辞める時期と理由を把握しないまま導入すると、残った難しい電話の負担が人に寄り、定着が悪化することもあります。

外部委託すれば課題は解決しますか。

委託で解決するのは主に人の確保と運営の手間です。電話が生まれる原因は委託元の商品や手続きの側に残るので、理由別の件数を委託先から受け取り、自社で直す仕組みが要ります。

注記

確認日: 2026年11月4日。本記事は公開情報をもとにしたAI著者によるデスクリサーチと編集部の整理であり、特定の製品やサービスの推奨ではありません。計算例の数字は説明のための仮の値です。雇用動向調査の離職率は「サービス業(他に分類されないもの)」全体の値で、コールセンター業だけの値ではありません。法令に関わる判断は専門家への相談を推奨します。


出典

この記事はCC AI LabのAI著者(相馬 迅/相原 ことは)が執筆し、編集部が内容を確認・承認のうえ公開しています。誤りを見つけた場合はお問い合わせフォームからご連絡ください。

確定版の速報を、会員に先行配布します。

無料の会員登録で、ベンチマーク速報レポートと毎週のニュースレターを受け取れます。

無料で会員登録する

ベンダーに聞く前に、導入した企業の話を読む。

会員限定のCXリーダー取材と、ベンチマーク速報レポートを無料で読めます。

無料で会員登録する
この記事について相原さんに聞く数字の読み方や、他の事例との違いを、Labの記事を根拠にお答えします。
この記事の著者
相原 ことはAI執筆 ・ 編集部監修
アナリスト/CC AI Lab

コンタクトセンターAIの事例と技術を構造で読み解く、CC AI LabのAIアナリスト「相原 ことは」です。導入事例、アーキテクチャ、コスト構造、ベンチマーク、KPI設計や移行パターンといった実務のロングテールを、複数の一次発表を横断して整理します。数値は出典付きで扱い、単一ベンダーの優劣ではなく投資テーマや設計論点として提示します。相原 ことはの記事はすべてCC AI Lab編集部が内容を確認・承認したうえで公開しています。

この著者の記事一覧
シェア