レイクハウスが保険業界のカスタマーサービス分析にNLPを活用した理由

マルセラ・グラナドス、Rafael Pierre、アンナ・キュイジアによる投稿

May 12, 2023 in 業界

Share this post

Original : How Lakehouse powers NLP for Customer Service Analytics in Insurance

翻訳： junichi.maruyama

Download the Databricks Insurance NLP Solution Accelerator

はじめに

現在の経済・社会情勢は、お客様の期待や嗜好を再定義しています。社会はデジタル化を余儀なくされ、それは保険会社における顧客サービスにも及んでいます。

しかし、データドリブンの考え方でこの問題に取り組むには、大きな課題があります。歴史的に、構造化されたデータは、企業が未来を理解し予測するために過去を分析することを可能にする主な材料であった。しかし、自然言語処理（NLP）を活用することで、電話の音声やチャットメッセージのテキストなど、顧客が生成したさまざまな非構造化データを分析することができます。

自然言語処理（NLP）とは、コンピュータが人間の言葉を理解し、解釈し、生成することを可能にする一連の技術のことを指します。保険業界では、特に顧客サービス、クレーム処理、引受業務など、大量の文章や話し言葉を理解し処理する必要がある業務の自動化にNLPを活用することができます。

今日、顧客は商品のカスタマイズや価値に関して異なる期待を持っています。年に1度更新する保険ではなく、日常生活に溶け込んだ保険が求められています。TalkDeskによると、58％の消費者が、カスタマーサービスへの期待が1年前よりも高まっていると回答しており、シームレスな顧客体験が期待されています。ベイン・アンド・カンパニーの別のレポートによると、世界14カ国、28,765人の消費者のうち59％が、生命保険会社が健康的な生活に対して報酬を与えることを望んでいることが明らかになった。

保険会社の立場からすると、顧客の要求に対応し続けることは困難なことです。Forrester社は、パンデミックが始まって以来、サポートチームの53％がサポートに関する問い合わせが増加したと推定しています。保険のコンタクトセンターへの圧力を軽減するためには、デジタルでセルフサービスな体験を提供することが最も重要になります。

保険会社は何年も前からチャットボットやIVRを使用して、保険金請求状況の確認、保険金請求の報告、保険内容の理解など、保険に関する一般的なトピックに関する顧客の問い合わせに対応してきました。しかし、IVRの課題は、複雑すぎるオーバーヘッドでカスタマーサービス担当者を圧倒することなく、魅力的なユーザー体験を提供できるようにすることです。オリバー・ワイマンによると、理想的とは言えない顧客体験の原因となるペインポイントの多くは以下の通りです：

スクリーニング: カスタマーチャットボットは、より複雑な顧客の要望を解釈するのに苦労することがよくあります。これらのチャットボットは理解能力に限界があり、顧客からの電話の理由を理解することが困難な場合があります。大規模言語モデル（LLM）は、この分野において、従来の自然言語処理（NLP）と比較して、改善された能力を示しています。
ルーティング: チャットボットが顧客の要求の本質を十分に理解していない可能性があるため、顧客のルーティングに制限があり、その結果、顧客は人にルーティングされ、ほとんどの場合、再び保留で待つことになります。
解決力: カスタマーサービスエージェントは、問い合わせを迅速に解決するための必須ツールが不足しています。チャットボットは、顧客の要望を正確に要約したり、保険適用を確認するための保険書類を取得したり、エージェントに関連するソリューションのリストを提供したりできない場合があります。その結果、代理店はお客様に電話した理由をもう一度聞く必要があり、お客様の保険証券や関連する詳細を検索するためにさらなる遅延を引き起こすだけでなく、顧客サービス体験の低下も引き起こします。

顧客体験を向上させるために、保険会社はLLMなどのより高度なテクノロジーを活用し、チャットボットの理解力とルーティング能力を強化することを検討すべきです。また、顧客情報や関連リソースに素早くアクセスできる包括的なツールを代理店に提供することで、解決プロセスを効率化することもできます。

保険会社にとって、より良いカスタマーエクスペリエンスとケアを提供するための最適な戦略を定義する一方で、カスタマーサービス人材の規模拡大や育成という課題に対処することは、大変なことです。このコインの両面を適切にバランスさせるにはどうすればよいのでしょうか。そして最も重要なことは、何から手をつければいいのかということです。

NLPをカスタマーサービスに適用することで得られる可能性のある成果

全体的なデジタルトランスフォーメーション戦略に投資することで、保険会社は、予算や人的資源を業務プロセスから実際の商品や価値の創造にシフトさせながら、業務をシームレスに拡張することができます。顧客サービスの文脈では、このような戦略を策定する際に重要な検討事項の1つは、コールディフレクションです。一般的な顧客のペインポイントを理解し、セルフサービスチャネルで権限を与えることで、保険会社は、より迅速で適切な顧客体験を提供しながら、より簡単に拡張することができます。

デジタル・トランスフォーメーションを保険分野のカスタマーサービスに適用するには、顧客がなぜコンタクトを取るのかを理解する必要があります。例えば、次のようなことを知りたいと思うかもしれません：

お客様からのお電話の理由トップ10は何ですか？
生命保険や医療保険など、他の商品と比較して、自動車保険に関するお問い合わせはどの程度あるのでしょうか。
これらの分布は、前月比や前年比ではどのように変化しているのでしょうか？

これらのインサイトは、カスタマーサービスだけでなく、マーケティングやユーザビリティなどの他の分野でも適切な戦略を立てることができます。また、同じお客様からの問い合わせが多い場合など、どの製品やトピックに問題があるのかを分析することができます。最後に、カスタマーサービスチームがお客様にサービスを提供するための準備を十分に整えているかどうかを調査する必要があります。

このような分析を行うには、組織が生のテキストを理解しやすい文（分類されたテキスト）に変換する必要があり、構造化データに依存する。自然言語処理の文脈では、BERT、GPT、ChatGPTなどの変換モデルによって、企業はこの種のデータから価値ある構造化された洞察を前例のない規模で抽出することが可能になりました。これらのモデルは、特定の顧客の意図に基づいて顧客の発話を簡単に分類し、顧客の感情を測定することを可能にします。

実装の課題とモチベーション

企業が顧客を理解すれば、Data and AI Maturity Curveの右側に移動することができます。自然言語処理（NLP）とTransformerのモデルは、チャットボットを使ったエンゲージメントのような顧客体験の自動化や、過去の履歴に基づいて顧客の意図や次のインタラクションを予測するようなパーソナライゼーションを支援することができます。NLPとTransformerの可能性にもかかわらず、ほとんどの企業における現在の採用状況は、未開発の大きな機会があることを示しています。マッキンゼーによると、2022年末の時点で、AI製品の一部としてTransformerモデルを搭載している、または搭載する予定の企業はわずか11%に過ぎません。

ソリューション

この度、保険コールセンター分析のためのNLPおよびTransformersモデルの作成と保守に関する技術的ベストプラクティスと再利用可能な機能を設定するために特別に設計された新しいソリューションアクセラレータを発表します。ソリューション・アクセラレータは、機械学習ソリューションの開発・導入に先手を打つための成果物（データ、ノートブック、コード、ビジュアライゼーション）のセットである。以下のセクションでは、このソリューションアクセラレータのさまざまなコンポーネントについて見ていきます。

Insurance NLP Solution Accelerator

このソリューションアクセラレータの目的は2つあります：

対話型音声応答（IVR）ストリームからのテキストデータ、または顧客とサービスエージェント間の最初の対話に基づき、顧客の意図を大規模に検出する。
顧客からカスタマーサービス・チャットボットへの冒頭文をリアルタイムで分類する。

まとめ

結論として、NLP、Transformer、Large Language Models (LLM)の能力は今後も進化し続けるでしょう。しかし、保険会社が完璧なデータを保有しているわけではないことに注意する必要があります。インフレ、サプライチェーンの混乱、損害傾向の進化、気候変動が大災害に与える影響など、最近のマクロ経済環境の変化と、労働力の変化、引受規則や補償対象基準の更新により、保険会社の事業構成は大きく変化しています。その結果、過去のデータは将来のシナリオを効果的に一般化できない可能性があります。

保険会社は、業務システムから得られる構造化データ（保険契約、エクスポージャー、保険料、補償、保険金請求など）を補完するために外部や第三者のデータを取得するか、音声通話/音声、画像、テキスト、動画などの内部の非構造化データで内部の構造化データを強化するかの2つの選択肢を持っています。