CSの生産性改善を支える分析環境 Mercari CS/CRE Tech Talk #1

Transcript

1. 1
   CSの生産性改善を支える分析環境
   Mercari CS/CRE Tech Talk #1
   @ukitaka
   

   View Slide

2. 2
   2018年にiOSエンジニアとしてメルカリ 福岡
   オフィスに入社、その後色々あって現在は
   CRE/CX-PlatformのEngineering Manager. 

   音楽とアイドルとSplatoonと野鳥が好きで
   す。

   Yuki Takahashi (@ukitaka)

   

   View Slide

3. 3
   今日の話
   メルカリのお問い合わせ対応ツール(以下、Contact-Tool) を
   作っている僕らのチームが、どのようにデータを活用しながら
   CSの生産性改善を行っているのか、その環境やツールについて
   簡単に紹介します。
   

   View Slide

4. 4
   Contact-Toolについて
   ● Contact-Toolを内製しているメインの理由は、メルカリというプロダクトに最適
   化されたお客様体験を提供するため
   ● とはいえお客様体験だけを追い求めればよいというわけではない
   ● CSの方々に使ってもらうために、ツールとして効率性・生産性・コストなどに責任
   を持つ必要がある
   お客様体験の改善と生産性の改善
   

   View Slide

5. 5
   画像

   良いコンタクトセンターが考慮すべきこと
   お客様に価値を届けるためには、効率性を
   考えなければいけません。
   効率的な運用ができないと、コスト面で会
   社にとっての負担が大きくなってしまうばか
   りか、お客様に良い体験を提供することす
   らままならなくなってしまいます。
   なのでツールとしても効率性に責任を持つ
   必要があります。
   「コールセンターマネジメント 戦略的顧客応対 理論と実践」 からの引用
   

   View Slide

6. 6
   生産性を図るための指標の1つ: AHT
   ● AHT = 1件のお問い合わせの対応にかかる平均時間
   ● ものすごく単純化すると、すべてのお問い合わせに返信するためには、 お問い
   合わせ数 × AHT 秒分の時間が必要になる
   ● これに応じて必要人員が計算され、その人数に応じたコストがかかってくる構造
   AHT (Average Handling Time)
   

   View Slide

7. 7
   お問い合わせ数 × AHT
   コスト削減へのアプローチ (お客様側)
   ● VoCを元にプロダクト改善を行い、お困りごと自体を減らす
   ● ガイドやチャットボットによって自己解決率をあげる
   

   View Slide

8. 8
   お問い合わせ数 × AHT
   コスト削減へのアプローチ (ツール側)
   ● ツールのUIや機能によって対応を効率化する
   ● CSの方々のオペレーションを改善する
   

   View Slide

9. 9
   ここまでのまとめ
   ● お問い合わせ対応ツールとして、お客様体験の向上だけでなく、効率性・生産性
   ・コストに責任をもつ必要がある
   ● 効率性・生産性を改善し、コスト削減につなげるために、ツールとして追うべき指
   標の1つにAHT(Average Handling Time) がある
   

   View Slide

10. 10
    生産性改善に取り組むための仕組み
    

    View Slide

11. 11
    生産性改善に取り組むための仕組み
    ● AHTを計測し、そのデータを集めることができる必要がある
    ● そこから仮説をたて、改善し、効果を検証する
    ● それを繰り返すことで成果を積み重ねていく
    計測して改善する
    

    View Slide

12. 12
    生産性改善に取り組むための仕組み
    ● データ計測: FE/BEでのロギングの仕組み
    ● データ収集: CloudSQLからBigQueryに集めるpipeline
    ● 分析環境: BigQuery, AI Platform Notebooks
    ● 可視化: Looker, AI Platform Notebook
    利用しているツール・仕組み
    

    View Slide

13. 13
    Contact-Toolのアーキテクチャについて
    自分自身でデータストアをもつ
    

    View Slide

14. 14
    Contact-Toolのアーキテクチャについて
    FE/BEがわかれている
    

    View Slide

15. 15
    HTを計測するためのログの仕組み
    ● Backendでのログ
    ○ アクションしたログが確実に存在するが、APIが叩かれる単位でしかログが
    取れない
    ● Frontendでのログ
    ○ 細かい操作のログまで取れるが、欠損・遅延も起こる
    ○ クライアントPCの時刻設定に依存してしまう
    ● 基本はBackendのログを使いつつ、詳細な分析が必要な場合にはFrontend
    のログを組み合わせて使う
    Frontend/Backendそれぞれでログの仕組み(自作) を持つ
    

    View Slide

16. 16
    参考: なぜGoogle AnalyticsやDatadog UX Monitoring を活用しないか？
    ● Google AnalyticsやDatadog User Monitoringなど、代替となるツールは
    いくつかある
    ● しかし個人情報を扱う業務の性質上、セキュリティ的なリスクや、そもそも外部に
    アクセスできないなどのシステム的な制約があった
    ● 結果として自作することになった
    

    View Slide

17. 17
    データを収集するための仕組み
    ● 前提として、メルカリはマイクロサービスアーキテクチャを採用している
    ● 先程あげたようなログも一度Contact-ToolのCloudSQLに保存された後、分
    析のためにBigQueryに集められる
    ● Cloud Composer / Cloud Dataflow等を組み合わせたパイプラインの仕組
    みを弊社データプラットフォームチームが提供している
    BigQueryに集められる
    

    View Slide

18. 18
    データを収集するための仕組み (参考記事)
    メルペイにおける大規模バッチ処理
    メルカリ・メルペイの成長を支える データ基盤と
    はどんなものか
    

    View Slide

19. 19
    データ分析する環境について
    ● BigQueryのdataViewer権限を持っている人であれば、自由にデータを使っ
    た分析が行える
    ● クエリで完結するようなシンプルな分析であればBigQueryを使うことが多い
    ● 一方でRやPythonを使って高度な分析を行いたい場合もある
    BigQueryとNotebookの２つの環境
    

    View Slide

20. 20
    データ分析する環境について
    ● AI Platform Notebooks = Google Cloud Platformのマネージド型の
    JupyterLab ノートブック インスタンス
    ● BigQueryへのアクセスが可能
    ● ローカルマシンでの分析も可能ではあるが、チームの共通の分析環境を設ける
    ことで、分析作業の属人化を防ぐ
    ● 分析の過程や考えをそのままシェアできるのもGood
    高度な分析環境としてのAI Platform Notebooks
    

    View Slide

21. 21
    データを可視化するツール
    Looker
    CloudSQL BigQuery
    

    View Slide

22. 22
    Looker
    

    View Slide

23. 23
    まとめ
    ● データ計測: FE/BEでのロギングの仕組み
    ● データ収集: CloudSQLからBigQueryに集めるpipeline
    ● 分析環境: BigQuery, AI Platform Notebooks
    ● 可視化: Looker, AI Platform Notebook
    利用しているツール・仕組み
    

    View Slide

24. 24
    ありがとうございました
    

    View Slide