AIBR プレミアム
拓海さん、最近現場から「AIで対応品質を上げられないか」と言われましてね。何から手を付ければ良いのか見当がつきません。
素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。今回の論文では決定木（Decision Tree）を使って現場のノウハウを可視化し、誰がアドバイザーになりやすいかを見つける方法が紹介されていますよ。
決定木というと、分岐を辿るだけの図のことですね。これって要するに現場の判断基準を図にしているということですか？
その通りです。要点を三つにまとめると、1) データから分岐ルールを作る、2) そのルールでよく合う技術者を見つける、3) 良い技術者のやり方を同僚に提示して学習させる、という流れが肝です。
なるほど。で、現場には測定値や場所情報、顧客属性など色々ありますが、それらをどう扱うのですか。全部入れればいいのですか？
全てを無差別に入れるわけではありません。比喩で言えば、材料は多いが料理に合う素材だけ使うイメージです。重要なのは、説明に使える特徴を選び、過去の判定結果と照らして分岐ルールを作ることですよ。
具体的にはどんなデータでやっているのですか。うちのような中小企業でも使えるものですか。
論文ではインターネットやIPTVの不具合対応で、同期状況や銅線関連の指標など現場測定を用いています。中小企業でも、まずは代表的なトラブルケースと数十〜数百件の過去データがあれば試せます。大切なのは段階的に導入することです。
それだと、上手な担当者と下手な担当者を自動で判別して、上手な人をアドバイザーにするんですか？
はい。ただし注意点があります。判別は確率的であり、アドバイスは“ヒント”として出すのが安全です。あまり断定的に出すと現場が反発するため、提示方法と運用ルールが成功の鍵ですよ。
投資対効果の観点で、どの段階で手を打てば早く効果が出ますか。初期コストが心配です。
三つの段階で進めると良いです。1) まず少数の代表ケースでモデルを作る、2) アドバイスは試験的に一部チームで提示する、3) 効果を定量化して展開する。この手順だと早期に小さな成功を作れますよ。
運用のところで現場の抵抗がありそうですね。現場教育とシステムの関係をどう作るかが重要そうだと感じました。
まさに仰る通りです。現場には指示ではなく提示を行い、学びの仕組みを作ることが重要です。監視して終わりにせず、ピアトレーニング（peer-training）で“人から人へ伝える”仕掛けを閉ループで回すことが成功の秘訣ですよ。
分かりました。これって要するに「過去の対応データで良い人のやり方を見つけて、それを周囲にヒントとして回す仕組みを作る」ということですね？
正確です。大丈夫、一緒にやれば必ずできますよ。まずは小さなケースで試し、効果が出たら段階的に拡大しましょう。
ありがとうございます。では、まず過去データの整理から社内で始めてみます。私の言葉で整理すると、「過去対応の良い人の判断ルールを決定木で見つけ、それをヒントとして現場に回すことで対応品質を上げる仕組みを作る」という理解で合っていますか。
