WFMは、入電予測や要員計画、稼働状況の管理を通じて、顧客体験と運営コストの最適化を目指す管理手法です。近年はAIによる需要予測や在宅オペレーター管理への対応も進み、コールセンター運営における重要性が高まっています。
この記事では、コールセンターにおけるWFMの概要やシフト管理との違いを解説したうえで、AIによる効率化方法なども解説します。
株式会社ストラーツの「電話応対AIサービス」は、注文受付や契約確認、配送状況の確認といった定型的な問い合わせ対応をAIが流暢な発話で代行し、人件費や対応時間の削減につなげることが可能です。コールセンターの一次対応の自動化で省人化を図りたい場合にはぜひご相談ください。
1．コールセンターにおけるWFMの概要
まずはWFMの定義と基本サイクル、シフト管理との違い、主な機能とKPIについて整理します。
（1）コールセンターのWFMとは？概要と基本サイクル
WFMとは、顧客体験向上とコスト最適化を両立させる経営管理手法です。
コールセンターでは、入電数が時間帯や曜日によって大きく変動するため、必要な人員を過不足なく配置できなければ、応答率の低下や顧客満足度の悪化、あるいは過剰人員によるコスト増のいずれかが発生します。
WFMはこの課題に対して、データに基づくアプローチを取ります。基本となるサイクルは以下の4段階です。
このサイクルを継続的に回すことで、WFMは単発の改善策ではなく、コールセンター運営全体を最適化し続ける仕組みとして機能します。
（2）WFMとシフト管理の違い
WFMとシフト管理は、WFMが算出した必要人員数の枠組みの中で、シフト管理がスタッフの希望を調整するという、補完的な関係と位置付けられます。
両者には以下のような違いがあります。
| WFM | シフト管理 | |
|---|---|---|
| 基本的な考え方 | 業務量予測を起点に最適化 | スタッフ都合を起点に調整 |
| 計画手法 | トップダウン型 | ボトムアップ型 |
| シフト作成の基準 | 必要人員数・業務量予測 | 希望休・出勤可能日数 |
| 人員配置の考え方 | 必要な人数を確保するよう配置 | 出勤可能な人を配置 |
| 主な目的 | 応答率維持と人件費最適化 | シフト作成・勤務調整 |
WFMは、過去データや繁閑予測に基づいて算出した必要リソースから逆算するため、シフト管理の起点となります。
一方でシフト管理だけの場合、スタッフ側の事情を起点に組み立てるため、現場の納得感を得やすい一方、業務量とのズレが生じやすいという側面があります。
（3）コールセンターにおけるWFM
WFMを運用する上で意識すべき主要なKPIは以下のとおりです。
| KPI | 概要 |
|---|---|
| サービスレベル | 一定時間内に応答できた入電の割合 |
| 応答率 | 全入電数に対して実際に応答できた割合 |
| 稼働率（オキュパンシー） | オペレーターが対応業務に費やしている時間の割合 |
| CPH（Call Per Hour） | 1時間あたりに対応できる入電件数 |
| シュリンケージ | 休憩・研修・システム障害などにより対応不可となる時間の割合 |
これらのKPIは、互いの関係性を踏まえて評価することが重要です。
例えば稼働率を上げすぎるとシュリンケージが見えにくくなり、結果としてサービスレベルが悪化するといった連動が起こり得ます。
（4）コールセンターのWFMにおけるAI活用の動向
WFMの現場では、AIを予測精度の向上や業務効率化に活用する動きが広がっています。
例えば、アイルランドの保険会社AXA Insurance Irelandでは、自社のWFMシステムが備える予測機能だけに頼らず、CCmath社が開発した高度な予測モデルを組み込むことで精度を高めています。
同社の戦略的労働力計画マネージャーは「最悪の日でも、我々の予測は実際の数値から1〜2パーセントの誤差に収まっている」と、その効果を明らかにしています。
また、AIを計画担当者のアシスタントとして活用する動きもあり、将来的には計画担当者がAIに優先事項を伝えるだけで、AIが最適な人員配置の方法を計算し提案してくれるようになる可能性があるとされています。
一方で、自動化が進むことで残る問い合わせは複雑化する傾向があり、平均処理時間（AHT）が伸びるケースも指摘されており、今後のKPI指標が変化する可能性があります。
つまり、AI活用は予測精度の向上だけでなく、担当者がより戦略的な判断に集中できるよう支援する方向に広がっています。
参考：https://cxfoundation.com/blog/contact-center-workforce-management
2．コールセンターでWFMを実現する方法
WFMの考え方を実際の運用に落とし込むには、入電予測から当日のリアルタイム管理、在宅運用やAI活用まで、複数のプロセスを段階的に整備する必要があります。
ここでは、コールセンターでWFMを実現するための具体的な手順を解説します。
（1）入電予測と必要人員を算出する
WFM運用の出発点は、入電予測の精度を高めることです。入電予測では、過去の入電データを以下の観点で分解し、傾向を分析します。
| 時間帯別の傾向 | 1日の中でも入電が集中する時間帯と少ない時間帯があるなど |
|---|---|
| 曜日別の傾向 | 平日と休日で入電量が異なるなど |
| 季節要因 | 決算期やキャンペーン時期など、特定の時期に入電が増減する |
| コールリーズン別の傾向 | 問い合わせ内容（契約変更、クレーム、新規申し込みなど）によって、入電が集中するタイミングが異なる |
これらの傾向をもとに、将来の入電量を見積もります。
入電予測ができたら、目標とするサービスレベル（例：20秒以内に80%のコールに応答する、といった指標）を満たすために必要な人員数を算出します。ただし、稼働率やシュリンケージといったKPIを加味しないと、現場で実際に必要な人数より少ない計算となるため注意が必要です。
また、AHT（平均処理時間）はコールリーズンによってばらつきがあるため、コールリーズン別の人員算出が必要になる場合もあります。
必要人員の算出には、コールセンター業界で広く使われているアーランC公式（待ち行列理論に基づく計算式）を用いるのが一般的です。
なおWFM最適化に用いられるシフト管理システムの多くは、このような計算をシステム上で自動化しており、時間帯ごとの必要人員数を簡単に算出できます。
（2）需要予測に基づいてシフトを作成する
シフト作成では、時間帯ごとの必要人数を満たすことに加えて、以下のような個別要素を反映させる必要があります。
| オペレーターのスキルレベル | 対応可能なコールリーズンや、対応スピード・品質 |
|---|---|
| 勤務条件 | 契約上の勤務時間、1日あたりの最大稼働時間、休憩時間の規定など |
| シフト希望 | オペレーターが事前に申請した休暇や、勤務可能な時間帯の希望 |
| 法定の労働条件 | 連続勤務日数の上限、勤務間インターバル、深夜勤務に関する規定など |
WFMでは、需要予測とシフト作成を一連の流れとして扱うことで、両者の整合性を保つことが可能となります。
（3）リアルタイムで稼働状況を管理し、KPIを改善する
突発的な入電増加や、オペレーターの欠勤・遅刻といった事態に対応するためには、リアルタイムでの稼働状況の把握が必要です。
リアルタイム管理で確認すべき指標には、以下のようなものがあります。
| 現在のサービスレベル | 目標値（例：20秒以内に80%応答）に対する実績の進捗 |
|---|---|
| 応答率・放棄呼率 | 入電に対してどの程度応答できているか、顧客が応答前に切断した割合 |
| オペレーターの稼働状況 | 対応中、待機中、休憩中、離席中などのステータス別人数 |
| キューの状況 | 応答待ちで滞留している件数や、最長待ち時間 |
これらの指標をモニタリングし、目標値からの乖離が見られた場合には、当日中に調整を行います。具体的な調整手段には、対応可能なオペレーターの再配置や応援要員の投入などが挙げられます。
しかし、現実問題として対応が難しい場合には一次対応をAIに任せる方法が有効です。
（4）在宅オペレーター運用に対応する
日本コンタクトセンター協会（CCAJ）の2025年度実態調査によると、在宅オペレーションを既に実施している企業は65社中39社にのぼり、その理由として「働き方の多様化のため」が84.6%、「BCP対策のため」が61.5%を占めています。
在宅オペレーターが含まれる体制では、出社時とは異なる管理上の課題が発生します。
| 勤怠・稼働状況の可視化 | システム上でログイン状況や対応状況、離席・着席の切り替えを把握する仕組みが必要 |
|---|---|
| 応対品質の維持 | 通話内容のモニタリングやコーチングを、対面と同じ精度で行う体制が求められる |
| セキュリティ・情報管理 | 顧客情報を扱う業務である以上、自宅環境での情報漏洩リスクへの対策が必須 |
| コミュニケーションの確保 | 出社時のような声かけや相談がしづらく、孤立感や対応の属人化が生じやすい |
在宅勤務者と出社勤務者が混在する場合、両者のシフトや稼働状況を一元的に管理できる体制を整えることで、人員配置の偏りを防ぎやすくなります。例えば、在宅勤務者のみで対応可能な時間帯を設定する、あるいは出社者と在宅者を組み合わせたシフトを組むといった運用方法があります。
参考：https://ccaj.or.jp/telemarketing/doc/outsourcing_research_2025.pdf
（5）AIを活用して予測精度を高める
AIは膨大な過去データから、人手では発見しにくい複雑なパターンや相関関係を学習できるため、以下のような効果が期待できます。
| 複数要因の同時分析 | 曜日・時間帯・季節要因に加え、天候やキャンペーン、メディア露出といった外部要因も組み合わせて分析できる |
|---|---|
| イレギュラーな入電傾向への対応 | 単純な過去データの延長では捉えにくい変動も、パターンとして学習できる |
| 継続的な精度向上 | 学習データが増えるほど予測精度が向上していく特性があり、運用を継続するほど効果が高まる |
AIを活用した高精度な需要予測は、コールセンターにおけるコスト削減と顧客満足度向上を両立させるWFM戦略におけるアプローチと位置付けられます。
3．コールセンター向けWFMシステムの選び方
WFMの考え方や実現方法を理解した上で、実際にシステムを導入する際は、現場にあわせた視点が欠かせません。
ここでは、コールセンター向けWFMシステムを選定する際に確認すべき4つの視点を解説します。
（1）需要予測モデルの精度
WFMシステムの中核となるのは需要予測機能ですが、各社の予測モデルには精度の差があります。比較の際は、以下の点を確認します。
| 予測の粒度 | 時間帯・曜日・季節要因をどこまで細かく分解できるかコールリーズン別の予測に対応しているか |
|---|---|
| 特殊要因への対応力 | キャンペーンや新商品発売といったイレギュラー要因を、補正値として手動で組み込めるか |
| 外部データとの連携 | 天候データやマーケティング施策のスケジュールなど、社内データ以外の要因を予測に反映できるか |
| AIモデルの拡張性 | システム標準のAIモデルのみか、外部の専門的な予測モデルを組み込める拡張性があるか |
予測の粒度が細かいシステムほど、コールリーズン別の傾向を正確に捉え、現場の実態に合ったシフトを生成できます。
（2）シフト生成における制約条件
需要予測に基づいてシフトを自動生成する機能は、多くのシステムに搭載されていますが、考慮できる制約条件の幅に差があります。
| 対応可能な制約の種類 | スキルレベル、勤務条件、希望休、連続勤務日数の上限、勤務間インターバルといった条件を、どこまで細かく設定できるか |
|---|---|
| 複数スキル・複数チャネルへの対応 | 電話だけでなくメール・チャットなど複数チャネルを兼任するオペレーターのシフトを、統合的に最適化できるか |
| シフト変更時の再計算速度 | 需要予測が更新された場合や、オペレーターの欠勤が発生した場合に、シフト全体を再計算する処理速度 |
| 手動調整のしやすさ | システムが生成したシフトに対し、現場担当者が手動で微調整する際の操作性 |
制約条件の表現力が高いシステムほど、手動調整の手間を抑えながら、自動化の効果を最大限に引き出せます。
（3）リアルタイムでの当日対応力
当日の稼働状況をリアルタイムで可視化し、目標値からの乖離に即応できるかは、運用負荷を左右する重要な視点です。
| 可視化の即時性 | サービスレベル・応答率・稼働状況などのKPIが、どの程度のタイムラグで反映されるか |
|---|---|
| アラート機能 | 目標値からの乖離が発生した際に、担当者へ通知する仕組みがあるか |
| 拠点・チャネルをまたいだ統合管理 | 複数拠点やチャネルを横断した稼働状況を、単一のダッシュボードで管理できるか |
当日対応力の高いシステムであれば、突発的な入電増加や欠勤にも迅速に対応し、サービスレベルを安定して維持できます。
（4）既存システム・運用体制との適合性
WFMシステムは単独で機能するのではなく、CTIやPBX、CRMといった既存のコールセンターシステムと連携し、自社の運用体制に組み込まれることで効果を発揮します。
| 確認ポイント | 内容 |
|---|---|
| 既存システムとの連携実績 | 自社で使用しているCTI・PBX・CRMとの連携実績や、API連携の柔軟性 |
| データ連携の自動化 | 入電実績や勤怠データを、手動でのエクスポート・インポートなしに連携できるか |
| 導入時のサポート | 要件整理やPoC（概念実証）の支援体制があるか |
| 運用開始後のサポート | トラブル対応や機能更新時のサポート窓口、SLAの有無 |
連携性とサポート体制が整っているシステムを選ぶことで、導入後の運用負荷を抑え、WFM本来の効果を長期的に発揮し続けられます。
4．コールセンター向けおすすめWFMシステム
（1）CTBASE/WFM Cloud クラウド型WFM
CTBASE/WFM Cloudはクラウド型のWFMシステムで、コールリーズン別の呼量予測に基づき、オペレーターの適正配置を実現します。スタッフィング業務を担うスーパーバイザーの属人化した負担を軽減し、サービス品質を維持しながらコールセンターの運営効率化につなげられる点が特徴です。
| 料金 | お問い合わせください |
|---|---|
| 特徴 | ・季節変動やイベントを踏まえた呼量予測 ・待ち時間シミュレーション評価を付加したシフト最適化機能を搭載 ・運用定着支援を提供 |
| 運営会社 | NTTテクノクロス株式会社 |
（2）Zendesk WFM
Zendesk WFMは、AIを活用してオペレーターの人員配置を最適化するワークフォースマネジメントソリューションです。過去のデータから指定の日・月・季節に必要な人員を予測し、シフトの自動作成からリアルタイムのアクティビティ管理まで一貫して行えます。
クラウド型カスタマーサービスプラットフォームのZendeskのBasicプランまたはSuiteプランの利用者が追加できる機能として提供されています。
| 料金 | お問い合わせください |
|---|---|
| 特徴 | ・AIによる人員予測とシフト自動作成 ・リアルタイムのアクティビティ追跡 ・エージェント支援 |
| 運営会社 | 株式会社Zendesk |
（3）Sweet Series
Sweet Seriesは、コンタクトセンターに特化したリソースマネジメントソフトです。AI（機械学習型エンジン）による精度の高い呼量予測とシフト作成の自動化を実現し、導入実績国内トップクラスのノウハウを持ちます。
| 料金 | お問い合わせください |
|---|---|
| 特徴 | ・AI（機械学習型）エンジンによる業務量予測 ・公平性を考慮したシフト自動承認 ・在宅勤務・フリーシートへの対応 |
| 運営会社 | PWソリューションズ株式会社 |
5．コールセンターのWFMにおける成功事例
（1）株式会社TMJ：オペレーター300人の勤務シフトを最適化で充足率を10%向上
株式会社TMJは、コールセンター業務などBPO（ビジネスプロセスアウトソーシング）サービスを展開しています。
入電量を予測し、それに対応した人数のオペレーターを揃える必要がある一方、オペレーター個人の勤務日程希望や能力レベルを勘案しながら300人分のシフトを組む作業は、担当者が毎月3日間も張り付く負担となっていました。
この課題に対し、勤務シフト最適化システムを導入し、入電予測量の変動に合わせてオペレーターを配置する仕組みによって、充足率が平均約10%向上し、従来80%だった充足率が88%まで改善しました。
参考：https://www.msiism.jp/pdf/interview_11.pdf
（2）三井住友フィナンシャルグループ：CMOSアニーリングで余剰配置を約80%削減
三井住友フィナンシャルグループは、CMOSアニーリングを用いた勤務シフト最適化システムをコールセンター数ヵ所で活用しています。
シフト作成の担当者は、オペレーターのスキル・希望シフト・休暇予定など、さまざまな条件を考慮しながら膨大な時間と労力をかけて毎月勤務シフトを作成していましたが、人手での作成には限界があり、本来必要な人数に対して過不足が発生するという問題がありました。
この課題に対し、時間ごとの必要人数やタスク、休暇希望、勤務頻度、通勤時間といった複合的な制約を考慮した要員配置システムを導入したことで、人手で作成する従来の勤務シフトと比較して、余剰配置の発生を約80%削減できました。
参考：https://www.nedo.go.jp/content/800020904.pdf
（3）アルティウスリンク：シフト管理デジタル化で業務工数を最大83%削減
株式会社KDDIエボルバ（現：アルティウスリンク）は、全国40拠点のBPO・コンタクトセンターにおいて、勤務シフト管理および人件費算出業務のデジタル化を推進しています。
従来、スタッフの希望とクライアント側の要件（稼働日やスキルなど）をすり合わせるシフト作成業務は極めて複雑であり、熟練の管理者であっても最大120時間もの作業が発生していたほか、紙運用による申請漏れや手動データ連携に伴う効率性と品質の課題を抱えていました。
この課題に対し、シフト管理システムと自社のRPAサービスを連携させた自動化ソリューションを導入したことで、勤務シフト作成・調整業務の工数を最大83%（年間約4.4万時間）削減することに成功しました。さらに、スマートフォンからの24時間シフト申請を可能にしたことでスタッフの利便性を向上させるとともに、年間約35万枚のペーパーレス化や人件費計算の自動化（年間約1.1万時間削減）など、組織全体の働き方改革と劇的な業務平準化を実現しています。
参考：https://prtimes.jp/main/html/rd/p/000000253.000019180.html
（4）ゆうちょ銀行 コールセンター部：WFMツールによる要員配置適正化
ゆうちょ銀行は、札幌と福岡の2拠点で合計約410人のオペレーターおよびSVが在籍するコールセンターにおいて、WFM（ワークフォースマネジメント）ツールを活用したリソースマネジメントを推進しています。
同行のセンターでは、問い合わせ窓口が細かく分かれていることに加え、短時間勤務を希望する子育て世代などに対応するためシフトが15種類にも及び、さらに個人のスキルも3段階に分かれていることから、シフト管理の複雑化が課題となっていました。
この課題に対し、東京本社が実施する予測呼量（入電予測）と必要要員数の算出データをもとに、各センターの稼働状況や人員配置をシステム上で一元管理・運用する体制を構築しました。これにより、イレギュラーな休暇申請に対するアラート機能や、画面上で完結する休暇の申請・承認プロセスが実現し、管理者が不足人数の把握や人員補充を迅速に行えるようになりました。
結果として、オペレーターに求められる知識やスキルの多様化が進むなかでも、適正な要員配置の維持と、現場の「休みやすさ・働きやすさ」の双方を両立する職場づくりを実現しています。
参考：https://www.mirait-one.com/info/attachment/76ea45ab0cb22a24629188a36b1f68226497a154.pdf
6．まとめ
WFMを実現するには、入電予測と必要人員の算出から、需要予測に基づくシフト作成、当日のリアルタイム管理、在宅オペレーター運用への対応まで、複数のプロセスを段階的に整備する必要があります。
一方で、人員配置の最適化を実現させるためにも応対業務そのものを効率化する選択肢として、AIによる自動化・効率化が有効です。
流暢で自然な音声による応対に加え、名前や電話番号といった特定情報のヒアリングにも対応し、聞き直しや復唱によって取次対応の確実性を確保しています。
24時間365日対応にも切り替えられるため、営業時間外の入電や繁忙期の人員不足といった、WFMだけでは解決しにくい課題への対応策としても活用できます。
コールセンターにおける人員配置の最適化とAIによる応対の効率化を組み合わせることで、コストと顧客体験の両立を一段進めたい場合には、ぜひご相談ください。
