cs-analytics

カスタマーサービス分析

フレームワーク

IRON LAW: Measure Satisfaction AND Efficiency — Never Just One

High CSAT with terrible resolution time = unsustainable (agents spend
too long per ticket). Fast resolution with low CSAT = cutting corners.
Both dimensions must be tracked and balanced.

主要指標

満足度指標

指標	測定対象	収集方法	ベンチマーク
CSAT	特定のやり取りに対する満足度	やり取り後のアンケート（1～5段階）	> 4.0/5
NPS	推奨する可能性	「どの程度おすすめしたいですか？」（0～10）	> 30
CES	解決に必要な労力	「どの程度簡単に解決できましたか？」（1～7）	> 5.0/7

効率性指標

指標	計算式	ベンチマーク
初回コンタクト解決率（FCR）	初回の問い合わせで解決した件数 / 問い合わせ総数	> 70%
平均対応時間（AHT）	対応時間の合計 / 問い合わせ総数	5～8 分（業界によって異なります）
平均応答時間	チケット作成から最初の応答までの時間	< SLA の目標値
未対応件数	未解決チケット数 / 1 日あたりの処理件数	< 1 日
エスカレーション率	エスカレーションされたチケット数 / チケット総数	< 20%
再オープン率	再オープンされたチケット数 / 解決済みチケット数	< 5%

運用指標

指標	計算式	用途
チケット件数	1 日／週／月あたりのチケット数	人員配置の計画
チャネル構成	チャネル別の割合（メール、チャット、電話、LINE）	リソース配分
ピーク時間帯	時間帯別の件数	シフト計画
カテゴリ分布	問題の種類別の割合	プロセス改善の優先順位付け

分析ワークフロー

1. 問い合わせ理由の上位分析

• すべてのチケットを理由別に分類します（自動タグ付けまたは手動）
• パレート図を作成します。通常、上位 5 件の理由で全体の 60～80% を占めます
• 上位の理由ごとに、セルフサービス化、自動化、または発生源での解消が可能かを検討します

2. チケットのテキストマイニング

• チケットの説明から頻出するキーワードやフレーズを抽出します
• トピックにクラスタリングします（LDA、BERTopic、またはシンプルな TF-IDF）
• 新たに出現したトピックなど、新たな問題を特定します（最近数週間に出現したトピック）
• 顧客メッセージの感情を分析します

3. 人員配置の最適化

Required Agents = Peak Hour Volume × AHT / (60 × Utilization Target)

Example: 50 tickets/hour × 8 min AHT / (60 × 0.75 utilization) = 8.9 → 9 agents

休憩、会議、研修のためのバッファを追加します（約 15～20%）。

4. エージェントのパフォーマンス

指標	比較	アクション
個人の CSAT とチーム平均	コーチングが必要な点を特定	平均を下回る場合はトレーニング
個人の AHT とチーム平均	効率性の課題を特定	高い成果を上げている人の対応を見学
エージェント別 FCR	ナレッジの不足を特定	ナレッジベースを改善

VOC（顧客の声）の追跡

シグナル	ソース	頻度
新たに生じた苦情	チケットのテキストマイニング	毎週
機能リクエスト	タグ付きチケットとアンケート	毎月
解約の兆候	「解約」の意図を示すチケット、低い CSAT の傾向	毎週
称賛の傾向	高い CSAT と肯定的なコメント	毎月（チームと共有）

出力形式

# CS Analytics Report: {Period}

## Summary Dashboard
| Metric | Current | Prior | Target | Status |
|--------|---------|-------|--------|--------|
| CSAT | {X}/5 | {X}/5 | >4.0 | 🟢/🟡/🔴 |
| FCR | {%} | {%} | >70% | 🟢/🟡/🔴 |
| Avg Response Time | {hrs} | {hrs} | <{X}hrs | 🟢/🟡/🔴 |
| Ticket Volume | {N} | {N} | — | ↑/↓ |

## Top Contact Reasons (Pareto)
| # | Reason | Volume | % | Self-Servable? |
|---|--------|--------|---|---------------|
| 1 | {reason} | {N} | {%} | Y/N |

## Emerging Issues
{New topics detected in text mining this period}

## Staffing
- Current agents: {N}
- Required (based on volume): {N}
- Gap: {over/under-staffed by N}

## Recommendations
1. {highest-impact improvement}

注意点

• CSAT の回答バイアス：アンケートに回答する顧客は 10～20% にすぎず、その多くは非常に満足しているか、非常に不満を感じています。大多数を占める無回答者の体験はわかりません。行動データ（再問い合わせ、解約）で補完してください。
• NPS は戦略的、CSAT は戦術的：NPS はブランドへの総合的なロイヤルティ（長期）を測定します。CSAT は個々のやり取りの品質（短期）を測定します。個々のエージェントの評価に NPS を使わないでください。
• AHT の最適化は品質を損なう可能性があります：AHT を短縮するプレッシャーによって、エージェントが対応を急ぎ、FCR と CSAT が低下することがあります。まず FCR を最適化し、その後で AHT を確認してください。
• チケット分類の陳腐化：製品の進化に伴い、カテゴリは現状に合わなくなります。カテゴリの分類体系を四半期ごとに見直し、更新してください。
• CS データにおける相関関係 ≠ 因果関係：「テンプレートを多く使うエージェントは CSAT が高い」という場合、テンプレートが役立っている可能性もありますが、テンプレートを使うことが多い経験豊富なエージェントの能力が高いだけかもしれません。

参考資料

• NPS アンケートの設計については、references/nps-methodology.md を参照してください
• サポートチケットのテキストマイニングについては、references/ticket-text-mining.md を参照してください