SERVICE
SERVICE DETAIL
オフライン施策をDX化
AI予測×アウトバウンド
で受注率が大幅上昇
AIを活用した
顧客スコアリングで
アウトバウント成果を
短期間で最大化
自社データを学習して様々な目的で
顧客に獲得見込スコアを付与する
AIモデルを構築します。
顧客リストの選定と優先順位の決定により、
アウトバウンドの成果を最大化します。
目的設定
データ加工
データ加工
- 目的ヒアリング
- 要件定義
- データ統合/加工
AI予測スコアリング
顧客リスト作成
顧客リスト作成
- AIモデル構築
- 目的別の
顧客スコアリング - AI予測結果の読み解き
アウトバウンド
架電
架電
- トライアル施策設計
- アウトバウンド実行
- 効果検証/ROI評価
アウトバウンド
成果最大化
成果最大化
- 受注率アップ
- コスト削減
- ROI上昇
AI予測×アウトバウンド
パッケージサービスの特徴
AIに設定可能な
目的の一覧
アウトバウンド架電における成果向上を目的に様々な課題を解決します。
新規獲得、既存育成、効率化など様々な目的に対して各種AI予測スコアリングとオペレーションの実装が可能です。
アウトバウンド架電の成果を
今よりも上げる
新規顧客を増やしたい
- 新規顧客
獲得予測 - LTV
予測 - 購入商品
予測 - キャンペーン
反応予測
既存顧客を育成したい
- ロイヤル
顧客予測 - クロスセル
顧客予測 - 解約見込み
顧客予測 - 休眠復帰
顧客予測
効率化したい
- オペレーター
マッチング - リスト作成
自動化 - 成果要因
分析 - 実運用の
組み込み
シンカー×
ベルシステム24の強み
AI予測モデルで豊富な実績があり、アウトバウンドの運用経験を踏まえた具体的な提案を行います。
THINKER x
BELL SYSTEM24
高精度の運用実績がある
AI予測モデル
高い予測精度
様々な業界の実績
- 百貨店
- 生命保険
- アパレル
シンカーでは様々な業界でAI予測モデルの開発と運用を行い、売上・コスト削減につながる実績があります。次ページ以降で具体的な事例をご紹介します。
THINKER x
BELL SYSTEM24
スコア上位要因の
説明が可能
例：影響している要因の重要度
架電リストに対してのスコアリング結果の納品だけではなく、なぜそのような予測結果が出たのかを報告するレポートを作成します。
THINKER x
BELL SYSTEM24
アウトバウンド実行チームと
連携したAIモデル構築
データのみで進める
プロジェクト
オペレーション現場経験
データで進める
プロジェクト
AIモデル構築、アウトバウンド対象選定、スクリプト作成まで2社で協業して進行します。AIを用いた施策で成果を出すには現場経験のデータ反映が不可欠です。
事例01
小売業季節商材アウトバウンドで
受注率が4倍
季節商材を既存顧客に案内をする際、以前は管理者の方が過去の経験から顧客リストを作成していました。
弊社でAI予測を用いて対象月に季節商材を購入する顧客の予測を行ったところ受注率は4倍になりました。
以前の方法
過去リストから”人”が架電対象者を選定
-
季節商材の
過去購買データ確認 -
管理者が
対象顧客を選定 -
架電開始
AI予測×アウトバウンド導入後
過去の顧客データ・購買データから
AIが顧客をスコアリングし選定
事例02
金融（外資）顧客×
オペレーターマッチングで
売上1.4倍
オペレーターマッチングで
今までは顧客リスト作成の仕組みが属人化していましたが、AI予測に切り替えることでリスト作成が自動化され、
さらに顧客とオペレーターの得意・不得意を加味して最適なリスト作成が可能になりました。
以前の方法
顧客リスト作成と
対象オペレーター(OP)の
選定に時間がかかり属人化していた
-
主にWEB広告で
資料請求を
獲得 -
どの顧客にどのOPが
電話するかを管理者が選定 -
配布された
顧客リストに
OPが架電
AI予測×アウトバウンド導入後
データの取得を自動化し、
AIがオペレーターの
得意・不得意を
加味した顧客リストを自動作成
AIが顧客と最適な
オペレーターをマッチング
成約確率80%
さらに当日のシフト、推奨時間など
様々な変数を追加してリスト作成
事例03
金融（国内）外部データ活用で
予測精度が16%上昇
既にAI予測を実施している企業についてはさらに予測精度を上げられる可能性があります。
外部データを加えて自社データに意味を加えることで予測精度が大きく上昇した事例です。
以前の方法
単純な契約可能性スコアリングのため
実運用には活用が難しい予測精度だった
-
過去契約データを
取得 -
契約可能性の
スコアリングを
実施 -
予測精度55%
実運用には
活用が難しい
予測精度
AI予測×アウトバウンド導入後
官公庁などが出している
外部データを活用し、
施策に活用できる予測精度まで改善
「東京都 港区在住」にはどのような意味があるのかを外部データからAIに教える
- 地域医療施設数
- 地域人口構成
- 地価データ
- 地域産業構成
AI予測に必要な
データ例
過去データの質と量(項目数、レコード数)がAIモデル構築に重要です。
目的により必要なデータが変わりますのでまずはご相談ください。
01REQUIRED
DATA
顧客属性データ
- 顧客ID
- 年齢、性別
- 住所(市区町村)
- 会員登録日
- 顧客ランク
- etc.
02REQUIRED
DATA
購買 / 契約データ
- 購入日、購入商品
- 累計購入回数
- 最終購入日
- LTV
- 購入カテゴリ数
- etc.
03REQUIRED
DATA
架電データ
- 架電時間
- 接続時間、接続率
- 対応者
- 対応履歴
- 顧客評価
- etc.
04REQUIRED
DATA
オペレーターデータ
- 年齢、性別
- 業務経験期間
- シフト時間
- 1ヵ月あたり対応可能回数
- 得意、不得意領域
- etc.
ROI改善のイメージ
顧客リスト数が多いほど改善の影響度が大きくなります。
シミュレーション用のスプレッドシートもご用意しています。
受注率が2倍になった場合の
ROIのシミュレーション例
RETURN
従来の結果
例
顧客リスト
10,000人/月
受注率5%
受注単価20,000円
6ヵ月
スコアリングの
結果
例
※仮に受注率が5%から10%と2倍のになった場合
INVESTMENT
オペレーター
費用
例
人月50万円
10名
6ヵ月
AI予測
スコアリング
例
6ヵ月※仮にAI予測スコアリングの費用が50万円×6ヵ月の場合
AI予測結果の
読み解き
弊社では架電リストに対してのスコアリング結果の納品だけではなく、
なぜそのような予測結果が出たのかを報告するレポートを作成します。
対象者選定スコアに
影響する要素
AI予測では様々なデータで複雑な計算をしているため、
スコアはついていても傾向を読み取ることは難しい
- 年代・性別
- 職業・年収
- 住所
- 初回流入経路
- CV流入経路
- CVまでの期間
- セッション数
- 特定ページ閲覧
- カート情報
- お気に入り登録
- 予約方法
- 決済方法
- SNS連携
- レビュー情報
- 保有ポイント数
- 購入商品
- 購入金額
- 購入店舗
スコア影響度分析
重要度を把握することが可能
