見つけたい情報が素早く見つけられる「KIBIT」の仕組み

このように、客観的な判断が難しい「言葉」という定性データでも、見つけたい行動や感情、反応などを発見する「センサー」として用いることができます。「お客様の声」からクレームを検知する場合にセンサーの役割を果たすのは、蓄積してきた過去のクレームデータです。解析のイメージは 図1 のとおりです。

「お客様の声」からクレームを見つける場合、KIBITに与える機械学習の教師データは、例えば、実際に過去にあった数十件の「見つけたい」「重要な」クレームデータです。1件のデータは、100字から200字の程度の短い文章でも構いません（「「言葉をセンサーに」膨大な“お客様の声”から価値を見つけ、業務を変える」図3参照）。合わせて、クレームではない「見つけなくてもよい」「重要ではない」の「お客様の声」のデータも同じく数十件か、もう少し多くKIBITに学習させます。そして解析の対象となる、問い合わせ記録やアンケート、音声記録などの「お客様の声」を用意すれば、準備完了です。

KIBITは与えられた教師データから単語と文章のつながりを学び、クレームの文章に似ているか、クレームではない一般の文章とは似ていないか、などを判別し、スコアリング（点数づけ）を行っていきます。

学習する時にクレームにあらわれるキーワードを見るのと同時に、キーワードの周りの言葉も見ていくため、新しいデータを判断する際、同じキーワードが無くても、周りの言葉の類似性から点数をつけることができます。KIBITに用いられている独自のアルゴリズムでは、「見つけたい」「重要」と判定した単語に重みを多く割り振り、「見つけなくてもよい」「重要ではない」に重みを低く割り振ります。そうやって、解析の対象となるデータの集団の中で、相関や類似性が高いものと、低いものとの点数の差がつき、仕分けをすることができます。

日々あがってくる報告書や、お客様の声を全件チェックしなくても、スコアの高い順に確認することで、作業の負担や工数が軽減されたり、ユーザーが必要とする情報をいち早く抽出するができます。これらの一連のプロセスを経ることが、KIBITが言葉の多義性や揺らぎに強く、あたかも文脈を読んでいるように解析ができる理由です。

図1. KIBITの事前学習と解析イメージ

「お客様の声」の解析にKIBIT を活用することで、（実際の業務で）どのくらいの効果が出せるのでしょうか？これまでの導入事例や実証実験、PoC（概念検証）でのケースを見てみましょう。（図2）

図2. KIBITを用いた様々なケース

これまで見てきたケース以外にも、現在「お客様の声」は、店頭やコールセンターに寄せられるものだけでなく、チャットボットを使ったコミュニケーション、SNSなどを通じたソーシャルメディアへのレビューの書き込み、スマホアプリやスマートスピーカーなどの音声認識を使ったやりとりなど、企業が役立てられるコミュニケーションデータがどんどん増加しています。これらのデータの中から、例えばクレームを正しく把握することで、自社製品やサービスの問題を早期に発見できる「センサー」として活用することができます。

今回は「お客様の声」の例を挙げてきましたが、同じように、人の感情や感想、気持ち、出来事をあらわした「自然言語」の文章は、例えば、営業日報や調査、人事面談、看護・介護などの様々な記録など、日常的な仕事に数多く表れています。これまで取り扱いが難しかった定性データを、人工知能KIBIT で解析することで、企業は様々な機会や課題の発見に活用することができます。皆さんも是非、「自然言語× AI」を使いこなすことで、リスクやチャンスを発見できる仕組みを考えてみてください。