Salesforce Einstein Next Best Action 徹底解説：コンサルタントが教える顧客エンゲージメント向上術

日付:

背景と適用シナリオ

現代のビジネス環境において、顧客一人ひとりに合わせたパーソナライズされた体験を提供することは、成功への鍵となります。しかし、営業担当者やサービスエージェントは日々多くの情報に晒されており、その時々で「顧客にとって最適なアクションは何か？」を瞬時に判断することは非常に困難です。例えば、営業担当者はアップセルやクロスセルの機会を逃したり、サービスエージェントは顧客の解約リスクの兆候を見逃したりすることがあります。これらは、結果として収益の機会損失や顧客満足度の低下に直結します。

このような課題を解決するために Salesforce が提供するのが、Einstein Next Best Action (アインシュタイン ネクストベストアクション) です。これは、AI を活用して、特定の状況下で顧客やユーザーに対して取るべき最善の行動（レコメンデーション）をリアルタイムで提示する強力な機能です。単なる静的な提案リストではなく、企業のビジネスルール、予測モデル、顧客の過去の行動など、様々なデータソースを統合的に評価し、文脈に応じたインテリジェントな推奨事項を導き出します。

私たち Salesforce コンサルタントがお客様のビジネス課題をヒアリングする中で、Einstein Next Best Action の適用シナリオは多岐にわたります。

  • 営業支援：取引先担当者のページで、関連性の高い新製品をクロスセル提案として表示する。商談のフェーズが停滞している場合に、効果的なディスカウントオファーを提示する。
  • カスタマーサービス：顧客からの問い合わせ内容に基づき、最適なナレッジ記事や解決策をエージェントに推奨する。解約の兆候が見られる顧客に対して、リテンション（引き止め）のための特別なオファーを提示する。
  • マーケティング：ウェブサイト訪問者の行動履歴から、パーソナライズされたキャンペーンやコンテンツを推奨する。

このように、Einstein Next Best Action は、あらゆる顧客接点において、データに基づいた一貫性のあるインテリジェントなアクションを促し、従業員の生産性向上と顧客エンゲージメントの最大化を実現します。

原理説明

Einstein Next Best Action の強力な機能は、いくつかの主要コンポーネントの組み合わせによって実現されています。コンサルタントとしてこれらの構成要素を理解することは、お客様の要件を最適なソリューションに落とし込む上で不可欠です。

1. Recommendations (レコメンデーション)

これは「何を」推奨するかを定義する、提案そのものです。Salesforce 上では「Recommendation」という標準オブジェクトのレコードとして管理されます。各レコードには、表示するテキスト（例：「プレミアムサポートプランをご提案」）、説明、承認された際に実行されるアクション、アイコン画像など、推奨事項に関するすべての情報が含まれています。これらは手動で作成することも、データローダーで一括登録することも可能です。

2. Flows (フロー)

これは、ユーザーがレコメンデーションを「承認」したときに「何が起きるか」を定義する自動化プロセスです。Salesforce の Flow Builder (フロービルダー) を使用して作成します。例えば、画面上で追加情報を入力させたり、関連レコードを更新したり、メールを送信したり、さらには後述する Apex アクションを呼び出して複雑な処理を実行したりと、非常に柔軟なアクションを定義できます。レコメンデーションとフローを連携させることで、「提案」から「実行」までをシームレスに繋げることができます。

3. Strategy Builder (ストラテジービルダー)

これが Einstein Next Best Action の「頭脳」にあたる部分です。Strategy Builder (ストラテジービルダー) は、どのレコメンデーションを、いつ、誰に表示するかを決定するロジックを構築するための宣言的な（コードを書かない）ツールです。フローチャートのようなビジュアルインターフェース上で、以下の要素を組み合わせて戦略を設計します。

  • Load (読み込み): 特定の条件に合致する Recommendation レコードを戦略内に取り込みます。
  • Filter (絞り込み): ビジネスルールに基づき、レコメンデーションを絞り込みます。例えば、「顧客の契約期間が1年未満の場合は、このアップセル提案を除外する」といったルールを適用します。顧客のレコード情報や関連オブジェクトの情報をリアルタイムで評価できます。
  • Sort (並び替え): 複数のレコメンデーションが候補として残った場合に、どれを優先して表示するかを決定します。例えば、「期待収益が高い順」や「緊急性が高い順」に並べ替えます。
  • Limit (制限): 最終的にユーザーに表示するレコメンデーションの数を制限します。通常、最も関連性の高い1〜3件に絞り込むのが一般的です。
  • Map (マップ): 異なる要素のロジックを組み合わせたり、レコメンデーションの情報を動的に加工したりする高度な処理を行います。

これらの要素を組み合わせることで、非常に洗練されたレコメンデーションロジックを、コードを一行も書くことなく構築できるのが Strategy Builder の最大の特長です。

4. Einstein Prediction Builder / Einstein Recommendation Builder

さらに高度なパーソナライズを実現するために、Einstein の AI 機能を活用することも可能です。Einstein Prediction Builder (Einstein 予測ビルダー) を使って「顧客がこの製品を購入する可能性」や「解約スコア」などを予測し、その結果を Strategy Builder の絞り込み条件として利用できます。また、Einstein Recommendation Builder (Einstein レコメンデーションビルダー) を使えば、過去のインタラクション履歴から AI が自動で推奨事項を生成し、それを Next Best Action のインプットとして活用することも可能です。

示例代码

Einstein Next Best Action は主に宣言的なツールですが、Flow から Invocable Apex (呼び出し可能な Apex) を呼び出すことで、その能力を大幅に拡張できます。例えば、外部システムとの連携や、Flow だけでは実現が難しい複雑なデータ処理を実行するケースです。

ここでは、「プレミアムサポートプランを提案する」というレコメンデーションが承認された際に、Flow が起動し、その Flow が顧客の適格性をチェックする Apex クラスを呼び出すシナリオを想定します。この Apex は、標準機能では難しい複雑なビジネスロジック（例：複数の関連オブジェクトにまたがる集計や特定の計算）を実行します。

以下は、Salesforce の公式ドキュメントで解説されている @InvocableMethod アノテーションの使用方法に準拠したサンプルコードです。

Apex クラス: CustomerEligibilityCheck

public class CustomerEligibilityCheck {

    // Flow から呼び出される InvocableMethod を定義します。
    // label: Flow Builder 内で表示されるアクション名
    // description: アクションの説明
    // category: Flow Builder 内でのアクションの分類
    @InvocableMethod(label='Check Premium Support Eligibility' description='Checks if an account is eligible for premium support based on their history.' category='Account')
    public static List<Boolean> checkEligibility(List<Id> accountIds) {
        
        List<Boolean> results = new List<Boolean>();
        
        // パフォーマンス向上のため、渡されたIDリストを一度のクエリで処理します（Bulkification）。
        Map<Id, Account> accounts = new Map<Id, Account>([
            SELECT Id, AnnualRevenue, NumberOfEmployees
            FROM Account
            WHERE Id IN :accountIds
        ]);

        // 渡された各取引先IDに対してループ処理を行います。
        for (Id accountId : accountIds) {
            Account acc = accounts.get(accountId);
            
            // 適格性チェックのビジネスロジック。
            // 実際のシナリオでは、より複雑な計算や関連オブジェクトの参照、
            // さらには外部APIへのコールアウトなどが含まれる場合があります。
            // この例では、「年間売上が100万ドルを超え、かつ従業員数が100人以上」を条件とします。
            if (acc != null && acc.AnnualRevenue > 1000000 && acc.NumberOfEmployees > 100) {
                // 条件を満たす場合は true を返す
                results.add(true);
            } else {
                // 条件を満たさない場合は false を返す
                results.add(false);
            }
        }
        
        // Flow に結果（Boolean のリスト）を返します。
        return results;
    }
}

この Apex コードを組織にデプロイすると、Flow Builder の「アクション」要素から「Check Premium Support Eligibility」という名前で呼び出すことができるようになります。Flow はこの Apex アクションから返された true/false の結果に基づき、後続の処理（例：対象項目の更新、Chatter 投稿、担当者への通知など）を分岐させることができます。

注意事項

Einstein Next Best Action を導入・運用する際には、いくつかの点に注意が必要です。コンサルタントとして、これらの点を事前にお客様に説明し、設計に織り込むことがプロジェクトの成功に繋がります。

権限 (Permissions)

  • ユーザー権限: レコメンデーションを表示・実行するユーザーには、「フローを実行」システム権限が必要です。また、レコメンデーションオブジェクトや、それが起動する Flow が参照・更新するオブジェクトや項目への適切なアクセス権も必要です。
  • セキュリティ: Strategy Builder 内で参照されるオブジェクトや項目は、実行ユーザーの共有ルールや項目レベルセキュリティが適用されます。ユーザーに見せるべきでない情報に基づいてレコメンデーションがフィルタリングされないよう、データアクセスモデルを慎重に設計する必要があります。

API 制限 (API Limits)

  • ガバナ制限: レコメンデーションが Flow を起動し、その Flow が SOQL クエリ、DML 操作、Apex コードの呼び出しを行う場合、それらはすべて Salesforce の標準的なガバナ制限の対象となります。特に、一度に多くのユーザーがレコメンデーションを実行する可能性があるページでは、処理が Bulkify (一括処理) されていることを確認し、制限を超えないように注意が必要です。
  • パフォーマンス: 非常に複雑な Strategy は、ページの読み込みパフォーマンスに影響を与える可能性があります。Strategy 内でのオブジェクトの読み込みやフィルタリングロジックは、できるだけ効率的に設計することが推奨されます。インデックスが設定された項目でフィルタリングするなどのベストプラクティスを遵守してください。

エラー処理 (Error Handling)

Flow には堅牢なエラー処理を組み込むことが不可欠です。Apex アクションが失敗した場合や、レコードの更新中に予期せぬエラーが発生した場合に備え、Flow の「障害パス」コネクタを使用して、エラーをキャッチし、管理者に通知したり、ユーザーに分かりやすいメッセージを表示したりする処理を実装すべきです。

まとめとベストプラクティス

Salesforce Einstein Next Best Action は、単なるレコメンデーションエンジンではなく、ビジネスルール、AI、自動化を組み合わせて、あらゆる顧客接点でインテリジェントな意思決定を支援する戦略的なプラットフォームです。正しく活用することで、顧客満足度の向上、収益の増加、業務効率の改善といった具体的なビジネス価値を創出できます。

コンサルタントとしての経験から、成功に向けたベストプラクティスをいくつかご紹介します。

  1. 小さく始めて大きく育てる (Start Small, Grow Big): 最初から複雑で大規模な戦略を構築するのではなく、まずは一つの明確なユースケース（例：特定の製品のクロスセル）に絞って実装し、成功体験を積み重ねましょう。
  2. 効果を測定し改善する (Measure and Iterate): レコメンデーションの表示回数、承認率、却下率を継続的にモニタリングすることが重要です。Recommendation オブジェクトの標準項目やカスタムレポートを活用して、どの戦略が効果的で、どれが改善を必要としているかをデータに基づいて判断し、継続的にロジックを洗練させていきましょう。
  3. ビジネス部門との連携 (Collaborate with Business): 効果的なレコメンデーションは、技術だけで生まれるものではありません。現場の営業担当者やサービスエージェント、マーケティング担当者など、ビジネスの最前線にいるステークホルダーと密に連携し、彼らの知見やニーズを戦略に反映させることが成功の鍵です。
  4. ユーザーエクスペリエンスを重視する (Focus on User Experience): レコメンデーションは、ユーザーにとって「ノイズ」ではなく「価値ある情報」でなければなりません。本当に役立つ、文脈に合った提案を、適切なタイミングで、押し付けがましくない形で提供することを常に心がけてください。

Einstein Next Best Action を活用して、データドリブンな次世代の顧客体験を構築する旅を、ぜひ始めてみてください。

コメント

コメントを投稿