LOHACOのAIチャットボット事例｜問い合わせ対応を学習型にする

結論：AIチャットボットは問い合わせをゼロにするのではなく切り分ける仕組み

ECサイトにおけるAIチャットボットの導入目的は、顧客からの問い合わせをゼロにすることではありません。定型的な質問をチャットボット側で効率的に整理し、スタッフが時間をかけて対応すべき相談事項を見えやすくすることが本来の狙いです。

アスクルなどの公開情報では、LOHACOのAI型チャットボット「マナミさん」において、IBM Watsonをベースとした対話システムが導入された事例が紹介されています。

チャットツールを導入するだけで顧客対応の課題が解消するわけではありません。回答できなかった内容をどのように収集し、どのような手順でデータベースへ反映して学習させていくかという運用の仕組みづくりこそが、導入を成功させるための重要な分岐点になります。

LOHACO「マナミさん」の公開事例における要点

24時間365日の応対と直面した運用課題

LOHACOでは、2014年9月からチャットボットによる24時間365日の応対と、専任スタッフによる対応の両立を進めていました。ECサイトの利用者は夜間や休日を問わず買い物を楽しむため、時間帯を選ばずに疑問を解消できる体制を整えることは顧客満足度の向上につながります。

一方で、運用を継続する中で大きな課題となったのが、精度の維持と向上にかかる運用負担でした。チャットボットが適切に回答できなかった質問をログから抽出し、新しい回答文を作成してデータベースへ入力し続ける作業は、運用の現場にとって少なくない負荷を生じさせていました。

回答精度を高める学習プロセスの導入

こうした背景から導入されたのが、IBM Watsonを基盤とした対話システムです。LOHACOの取り組みにおいて注目すべき点は、単に質問に自動回答するツールを画面上に設置したことではなく、回答できなかった質問を効率的に学習させて精度を高めるプロセスそのものを設計したところにあります。

チャットボットは導入初期の段階ですべての質問に完璧に回答できるわけではありません。日々の顧客とのやり取りを通じて、言い回しの違いや想定外の質問を学習し、徐々に回答できる領域を広げていく学習サイクルが前提となっています。

AIが回答する領域と有人スタッフへ渡す領域の分離

ECサイトに寄せられる問い合わせには、配送状況、返品、キャンセル、注文変更、会員情報、決済、クーポンなど、比較的定型化しやすい内容が多く存在します。これらはAIチャットボットによる自動応答と親和性が高い領域です。

しかし、顧客個別の注文状況や荷物の追跡確認、個別の事情に応じた判断が必要な問い合わせも同時に存在します。すべてのやり取りをAIだけで完結させようとするのではなく、AIが回答を受け持つ領域と、有人スタッフへ引き継ぐ領域をあらかじめ明確に分けておく設計が欠かせません。

【編集部の示唆】ECにおけるAIチャットボット運用の着眼点

公開事例を踏まえ、編集部として整理したEC運用における着眼点は以下の通りです。

定型問い合わせの自動化と有人対応の価値向上

ECにおける問い合わせの多くは、配送目安や送料、利用可能な決済方法といったFAQにすでに記載されている定型的な質問です。これらをAIチャットボットが即時に案内できるようになれば、顧客は回答を待つストレスから解放されます。

さらに重要なのは、スタッフ側が定型的な案内業務から解放される点です。定型業務の負担が軽減されることで、配送トラブルの対応や特別な配慮が必要な相談、手厚い接客といった、人間が判断すべき重要な対応に時間を割くことが可能になります。

ナレッジベースの鮮度維持とガバナンス

チャットボットが参照する知識（FAQや回答データベース）の鮮度と正確性は、顧客体験に直結します。価格改定や配送規約の変更、季節ごとのキャンペーン情報などが更新されないまま放置されると、チャットボットが古い情報を誤って案内してしまうリスクが生じます。

そのため、ツール自体の性能だけでなく、社内の情報更新をどのようにチャットボットのデータベースへ反映させるかというガバナンス体制の構築が重要です。

【自社で試す手順】中小ECが学習型チャットボットを導入する流れ

自社でAIチャットボットを導入・運用する際、中小規模のEC事業者が無理なく進めやすい手順を4つのステップで解説します。

手順1：過去の問い合わせ内容を分類・集計する

最初に取り組むべきは、過去に顧客から寄せられた問い合わせ履歴の棚卸しです。配送、返品、商品仕様、在庫、注文変更、決済、会員登録、クレームといった大項目に分類します。

分類した項目を件数が多い順に並べ、どの問い合わせが顧客対応の負荷を圧迫しているのかを把握します。件数が多く、かつ回答内容が一定であるパターンから順に自動応答の対象として検討します。

手順2：FAQの「正本」を整備する

チャットボットに読み込ませる前に、社内のFAQデータを「正本（信頼できる唯一の情報源）」として整備します。

担当者によって案内文の表現が異なっていたり、過去のキャンペーンの例外ルールが混ざっていたりすると、チャットボットが混乱して不適切な回答を返す原因になります。表現の統一と古い記述の精査を行い、誰が見ても誤解のない公式回答を1つにまとめます。

手順3：人に引き継ぐエスカレーション条件を定義する

どのような状況になったら有人対応へ切り替えるのか、引き継ぎ基準をあらかじめ定めます。

具体的には、返金可否の個別判断、注文内容の変更手続き、重大なクレーム、個人情報の照会、配送事故の報告といった内容は、無理にAIで解決しようとせず、初期の段階から有人スタッフへスムーズにエスカレーションする導線を用意する方が安全です。

手順4：学習と更新の運用ルーティンを決める

チャットボットが回答できなかった質問ログを定期的に確認し、FAQを追加するルーティンを定めます。

毎週あるいは毎月など定期的な見直しのタイミングを設け、ログを分析して不足しているキーワードや回答文をデータベースへ反映します。この学習のサイクルを無理なく回し続けられる体制を作ることが、長期的な精度維持につながります。

【運用上の注意】トラブルを防ぎ品質を維持するための注意点

AIチャットボットを実務に導入するにあたって、予期せぬトラブルを避けるための注意点をまとめました。

未回答ログや転送理由を放置しない

チャットボットを公開しただけで完了とみなし、その後の利用状況を見ずに放置してしまうと、誤った案内や「わかりません」という回答が繰り返され、顧客の満足度が著しく低下します。

回答できなかった質問ログ、誤回答の傾向、スタッフへの転送理由、やり取り後の満足度アンケートなどを定期的に点検し、回答文の修正や選択肢の改善を継続的に行う姿勢が必要です。

基幹情報とFAQの不一致を防ぐ

ECサイトにおいて、商品の販売価格、在庫状況、配送予定日、返品可否の条件は、顧客との間で最もトラブルに発展しやすい項目です。

自社システム上の最新規約とチャットボットの回答内容に食い違いが生じないよう、規約や配送ポリシーが変更された際には、誰がチャットボットのデータベースを更新し、誰が確認を行うのかというチェックフローを運用ルールとして定めておくことが望まれます。

現場スタッフの負担を考慮した体制構築

運用の改善を現場任せにしてしまうと、日々の問い合わせ対応に追われてチャットボットの更新作業が後回しになりがちです。

LOHACOの事例が示しているように、回答文の入力や精度の見直しには相応の運用負荷がかかります。担当者の通常業務とのバランスを考慮し、運用の優先順位を社内で明確にしておくことが安定した運用の助けとなります。

参考にした公開事例

本記事の執筆にあたり、アスクルなどの公開情報を参考にしています。

• PR TIMES: LOHACOのチャットボット「マナミさん」がIBM Watsonによってさらに進化

次に読む記事

問い合わせ対応の改善や自動化の検討をさらに進める場合は、以下の解説記事もあわせて参考にしてください。

• 問い合わせ対応AI化の準備
• 返品返金FAQの整え方