本文へスキップ
tech公開更新約4分で読めます

【2分でわかる】ボイスボットを入れたらオペレーターは何人要るか WFMの人数計算

シェア

仮にボイスボットが電話の3割を受けても、オペレーターの必要人数は3割までは減りません。

電話の量が減るほど、待ち時間の目標を守るための余裕の人数が占める割合が増えます。さらに人に残る用件は難しいものが多く、1件にかかる時間が伸びやすいからです。人数は、ボットが受ける分を差し引いたうえで、用件ごとの時間で計算し直します。

▼動画で見る(約2分)

人数を決めるWFMは、予測・人数計算・シフト作成の3段

どの時間帯に何人のオペレーターを置くかを決める仕事が、要員管理(WFM)です。

WFMは3段で進みます。電話がどれだけ来るかを予測し、その量をさばくのに要る人数を計算し、実際の勤務の割り当てを組みます。

ボットを入れたときに大きく変わるのは、2段目の人数計算です。

要員管理は予測、人数計算、シフト作成の3段で進み、AIはそれぞれの段に入る図

予測はAIが過去の着信と曜日や行事から見積もる

1段目では、AIが過去の着信に加えて曜日や季節、行事の影響を学び、時間帯ごとの電話の数を見積もります。

障害や販促で増えた日を理由付きで記録して戻すと、次の予測が当たりやすくなります。詳しい手順は呼量予測の計算の考え方にまとめています。

過去の着信の棒グラフにAIの予測線が重なる。例のない急増は読めないため、特別な日は理由を付けて記録し次の予測に戻す図

計算例では、電話が3割減っても人数は2割強しか減らない

2段目では、予測した電話の数から、まずボイスボットで済む分を差し引きます。残った電話をさばくのに要る人数を、時間帯ごとに計算します。

ここで、人数は電話の量に比例しては減りません。待ち行列には規模の効果があるからです。

電話が多い時間帯は、手が空いた人にすぐ次の電話が回り、1人あたりの稼働を高く保てます。

電話が減ると、待ち時間の目標を守るための余裕の人数が、全体の中で重くなります。

仮の数字で計算してみます。例えば1時間に200件、1件5分(会話と後処理を含む)、20秒以内に8割の電話に出る目標なら、アーランCという待ち行列の式で必要人数は21人です。

ボットが3割を受けて140件になると、必要人数は16人。電話は30%減っても、人は約24%減にとどまります。式が何を計算しているかはアーラン式の解説で詳しく扱っています。

人に残る用件は長くなり、1件の時間を用件ごとに見直す

ボットが山の時間帯の電話を受けると、お客さまの待ち時間は大きく縮みます。

その一方で、ボットが簡単な用件を受けるようになると、人に残るのは難しい用件が中心になります。オペレーターが1件にかける時間は伸びやすくなります。

先ほどの例で、残った140件の1件の時間が5分から6分に伸びたとします。必要人数は18人です。電話は3割減ったのに、人は約14%しか減りません。

全体の平均時間のまま計算すると、必要人数を少なく見積もります。ボット導入後の計算には、用件の種類ごとの時間を使います。

ボットが山の時間の電話を受けると待ち時間が大きく縮む。人に残るのは難しい用件が多く1件の時間が伸びるため、用件の種類ごとの時間で計算する図

シフト案はAIが組み、当日の組み替えも提案する

3段目のシフト作成では、AIが時間帯ごとの必要人数に合わせてシフトの案を組みます。どの時間帯に何人足りないか、どこが余っているかを見ながら、割り当ての下書きを作ります。

当日は、予測と実績のずれを見ながら、休憩の時間をずらす、別の窓口から応援を回すといった組み替えを提案する使い方もあります。

AIが時間帯ごとの必要人数に合わせてシフトの案を組み、当日は予測と実績のずれを見て休憩や応援の組み替えを提案する図

まとめ 稟議の人数は、差し引きと用件ごとの時間の両方で出す

ボット導入の効果を人数で示すなら、2つの計算をそろえます。ボットが受ける分を時間帯ごとに差し引くこと。残る用件の1件の時間を、用件ごとに見直すことです。

片方だけで出した人数は、削減を大きく見せます。電話の減り方をそのまま人の減り方に置き換えた稟議は、導入後に人が足りなくなる側に外れると見ています。

AIが受け持つのは、予測、差し引き後の人数計算、シフト案と当日の組み替えです。予測が外れた日に誰がどう人を回すかは、人が先に決めておきます。

予測が外れた日に誰がどう人を回すかは人が先に決めておく。ボットで減る電話を人数に置き換える計算がAI導入の効果を示す根拠になる図

用語メモ

  • 要員管理(WFM): どの時間帯に何人のオペレーターを置くかを決める仕事です。予測、人数計算、シフト作成の3段で進みます。
  • 特別な日: 障害や販促など、ふだんと違う理由で電話が増減する日です。理由を付けて記録し、次の予測に生かします。
  • 予測誤差: 予測した電話の数と、実際に来た数とのずれです。当日の組み替えは、このずれを見ながら行います。
  • ボットが受ける分の差し引き: 予測した電話の数から、ボイスボットで済む分を引くことです。残りで人の必要数を計算します。
  • 規模の効果: 電話の量が多いほど、1人あたりの稼働を高くできる性質です。量が減ると、人数は量ほどには減りません。
  • アーランC: 電話の量、1件の時間、待ち時間の目標から、必要な人数を計算する待ち行列の式です。
  • 用件の種類ごとの時間: 用件の種類ごとに、オペレーターが1件にかける時間を分けて見たものです。ボット導入後の人数計算に使います。
  • 自動シフト作成: 時間帯ごとの必要人数に合わせて、AIがシフトの案を組むことです。

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