電話をかけることからモノの購入、Webページの閲覧にいたるまで、すべてがインターネットを介して行われ、あらゆるものがネットワーク化する時代です。さらに、自動車や冷蔵庫、服飾品までもがネットワークにつながる IoT の出現により、世界中のデータの量は爆発的に増加しています。

これらのデータは売上の改善やマーケティングの最適化、個別化したカスタマーサービスの提供などに活用することができます。しかし、絶え間なく生まれる膨大なデータから、どのようビジネスに役立つインサイトを導き出せばよいのでしょうか?その答えが人工知能です。

対話型のガイドツアーで詳細をご覧ください。 

人工知能(AI)の概念は、機械が「人間のように考える」ことです。つまり、推論する、構想する、学習する、言語を理解するといったタスクを行わせます。 現在、あるいは近い将来に AI が人間と同じ知性を持つと考える人はいないでしょう。しかし、AI と私たちの生活には非常に密接な関係があります。 人工知能における頭脳とは、機械学習と呼ばれるテクノロジーであり、人間の仕事を簡単にし、生産的にするよう設計されています。 

様々な要因が重なり現在、AI が大きな進歩を遂げています。この 60 年間で、コンピュータの処理能力は 1 兆倍も速くなっています。データ処理のためのコストも、著しく下がりました。顧客の行動からより多くの兆候を得るためには、膨大なデータを解析する必要があります。コンシューマアプリにおいて、 AI は大きく進化しています。いまや顧客は、企業に対してすべてのエクスペリエンスが同様に進化することを求めています。

はい。 コンピューター、スマートフォンなどのデバイスを持っている人のほとんどが、AI を日々の生活に役立てています。

  • Siri や Cortana は、音声処理によってパーソナルアシスタントの役割を果たしています。
  • Facebook は、画像認識によって写真のタグ付けを勧めます。
  • Amazon は機械学習のアルゴリズムによって商品を薦めます。
  • Waze は、予測モデル、フォアキャスティング、最適化の技術を組み合わせて用いることで、最適なドライブルートを知らせます。

AI はすでに顧客の期待のあり方を変えています。 Uber、Google、Amazon を利用しながら生活している顧客のことを考えてみてください。 その人がスーツを買うために百貨店を訪れた場合、慣れ親しんでいるサービスと同等のサービスを提供するためには何が必要でしょうか。

店舗側は、この人について知っておかなければなりません。なぜなら、すでに何かをオンラインで購入しているからです。 購入履歴から、サイズや好みを知っておかなければならないのです。 そして、彼がどんなスーツを選ぼうと、それにぴったりと合う靴をお勧めできなくてはなりません。

どんなタイプのビジネスにも同じ原理が当てはまります。 顧客は、店舗側に自分のデータがあることを知っています。 店舗側がそのデータを用いてできることをすべて知っているのです。 そしてそのデータが使われることで、すべてのやり取りにおいて、スピーディでスマートなパーソナライズされたエンゲージメントが提供されることを期待しています。

AI を氷山のようなものと、とらえてみてください。 ユーザーとして目にするのはほんの一角です。しかし、その下にはデータサイエンティストやエンジニアによる大規模なサポートシステム、膨大な量のデータ、人手によるデータの抽出と作成、そして巨大なテクノロジーインフラストラクチャーが隠れているのです。

データサイエンティストや開発者から成る専門チームが、適切なデータにアクセスし、データを作成し、適切なモデルを構築し、予測を統合して、それを CRM のようなエンドユーザーのエクスペリエンスに還元します。

弊社は Salesforce Einstein を作ることによって、こうしたお客様の課題をすべて引き受けました。 つまり、すべての人が CRM をスマートに実行するために AI を使うことができるようになりました。

AI プロジェクトを軌道に乗せるには、長い時間と大変な労力を要します。 まず、ビジネス上の問題を洗い出します。 次に、その問題を解決するために使えるデータを割り出します。 そして、必要なリソースやインフラストラクチャーを割り当てて、問題解決に取り組みます。

Einstein の優れているところは、お客様が必要とするすべての AI テクノロジーがお使いの CRM アプリに組み込まれている点です。 わずらわしい操作なしで、専門の AI チームによるものと同等の成果が得られます。

別の言い方をすれば、「AI によって、これまでとは違う何が可能になるのか?」となります。 もっとも価値が高く、もっとも一般的な成果として、予測スコアリング、フォアキャスティング、レコメンデーションの 3 つがあります。

予測スコアリング — Einstein はスコアを出すと同時に、どうしてそのスコアになったかについてインサイトも提供します。 たとえば、予測リードスコアリングでは、それぞれのセールスリードについて、商談に変換されそうかどうかを示すスコアを出します。 また、そのスコアが導き出された理由もわかります。たとえば、リードソース、業種、その他いくつかの要因は、リードが変換されるか否かを示す、特に強力な指標となります。

フォアキャスティング — AI の予測能力の用途はスコアリングに限らず、あるものについて、その将来的な価値を予測するために使用できます。たとえば、株式ポートフォリオ、不動産投資などです。 たとえば営業マネジャーの場合、AI は四半期の受注額を予測し、チームが順調にノルマに達成できそうか、前もって知らせてくれます。

レコメンデーション — オンラインショッピングをする人なら誰でも、AI が購入商品を薦めることを知っています。しかし、AI はそれだけでなく、ビジネスソフトウェアや、貨物コンテナの税金コンサルティングなど、あらゆる商品・サービスカテゴリーでスマートレコメンデーションを実行することができます。 また AI は、商品以外のものを薦めることもできます。たとえば、商談を成立させるチャンスを最大限に利用するには、どういったホワイトペーパーを見込み客にメールすればよいかなどを教えてくれます。

これまで、AI はとても複雑で大変コストがかかるものでした。そのため、ほんの少数の選ばれた人しか、本当に意味のある使い方をすることができませんでした。 Salesforce Einstein は、そうした状況を永久に変えます。 組織の誰もが、AI を使って簡単にデータを分析し、次のステップの予測をしてプランを立て、自分のタスクや意思決定を自動化することができるようになりました。 Einstein のコンプリヘンシブ AI では、各部門で次のようなことが可能です。

  • 営業では、次の商談を予想し、顧客のニーズを、顧客に先んじて知ることで、期待を上回ることができます。
  • カスタマーサービスでは、発生するケースを予期し、問題が表面化する前にそれを解決することで、プロアクティブなサービスを提供できます。
  • マーケティングでは、プレディクティブジャーニーを生み出し、これまでにないカスタマーエクスペリエンスをパーソナライズできます。
  • IT では、あらゆるところにインテリジェンスを組み込むことで、社員や顧客のためによりスマートなアプリケーションを作ることができます。

社内にデータサイエンティストがいる場合、Einstein は、その生産性を高める最先端の AI テクノロジーを提供します。 ただし、社内にデータサイエンティストがいなくても問題ありません。 AI を実用化した Einstein は、すべての人が簡単に CRM を利用できるようにします。 弊社の世界トップレベルのデータサイエンティストが、お客様のために働いているのです。

私たちが生きている間には、それはあり得ないでしょう。 AI は、生産性や価値をこれまでにないほど高めてくれます。 情報をすばやく、深く分析し、顧客のニーズを予想し、データ入力のように繰り返し手作業で行うタスクを自動化できるようになります。

実際、Narrative Science 社によれば、経営幹部の 80% は、人工知能は従業員のパフォーマンスを改善し、仕事を生み出すと考えています。

機械学習は、AI を動かす核となるものです。 最小限のプログラミングで、コンピュータにデータから学ばせようというものです。

機械学習では、構造化されたデータから、インサイトが得られるパターンを見つけ出します。 日常的な例としては、Amazon や Netflix のようなサービスにおけるパーソナライズされたレコメンデーションが挙げられます。 金融関連では、機械学習によって不良債権を予測し、信用リスクの高い取引先を見つけ出し、信用度を決定するといったことが行われています。

営業 — メール、カレンダー、CRM データの情報を分析することで、メールへの最適な返事、商談の進め方など、プロアクティブにアクションをレコメンドすることが可能です。

カスタマーサービス — 自動的にケースを分類し、インテリジェントに最適な担当者にルーティングできます。

マーケティング — 顧客がメールを開封する、ニュースレターを購読する、商品またはサービスを購入するといった可能性について、インテリジェントにスコアリングすることが可能です。

ディープラーニングとは、ドメイン内で複雑なアルゴリズムを使用してタスクを実行する AI であり、そのドメイン内でほとんど、またはまったく人間の指示なしで学習します。 つまり、どう学習するかを機械が学習するということです。

ディープラーニングに関しては、多くの興味深い実験が行われていますが、よく知られているもっとも実用的なアプリケーションは、画像解析をベースにしたものです。 画像解析では、膨大な数の画像やそれらのデータポイントを解析することで、画像の分類を学習します。 たとえば、Google Photos や Facebook といったコンシューマアプリでは、写真の顔認識を強化するためにディープラーニングを用いています。

営業 —  取引に付随する商品画像を解析し、その情報を使用することで、もっとも好ましいアップセルやクロスセルの商談を提案できます。

カスタマーサービス —  サービスケースに付随する商品画像を解析し、その情報を使用することで、ケースを分類し、最適な担当者にルーティングできます。

マーケティング —  Facebook、 Pinterest、Twitter 上の画像を解析することで、近日行う広告キャンペーンへの使用に最適なビジュアルを提案できます。 画像の中のブランドを、テキストで記されているか否かに関わらず、識別します。

NLP は、膨大なデータセットからパターンを見つけ出すことで、言語およびその用法と文法のルールを多数認識する AI です。

NLP の用途で増えているのが、ソーシャルメディアにおける感情分析です。 コンピューターがアルゴリズムを用いて Twitter や Facebook などのソーシャルネットワークにおけるユーザーの投稿の中からパターンを見つけ出し、ある特定のブランドや商品について、顧客がどう感じているかを把握します。

営業 —  NLP は、顧客と交わしたメールに記されたテキストを探ることで、販売見込みがどのくらいあるかを見積もり、もっとも成立の可能性の高い取引を見つけ出し、チームが失う可能性がもっとも高い取引を見極め、営業プロセスを改善するためのアクションを提案することができます。

カスタマーサービス —  NLP は、顧客のメールに書かれた内容を解析することで、メールを担当者にルーティングし、より効率的に返信できるようにします。

マーケティング —  NLPをテキストに表れた感情の分析に使うことで、自社の特定のブランドや商品について顧客がどう感じているかを把握できます。