はじめに

最近、Amazon Connect 導入において「インバウンドからアウトバウンドへ」 という流れが加速しています。

インバウンド対応の工数を削減
アウトバウンドへリソースをシフト
結果として 売上増・LTV向上を狙う

日本国内でもアウトバウンドキャンペーンのローンチから一定期間が経過し、本格的な活用フェーズに入るお客様が増えてきました。

しかし、Amazon Connect のアウトバウンドキャンペーンは単に 「電話を自動でかける」だけでは不十分 だと考えています。

技術者として本当に取り組むべきは、

「架電で得られる膨大なデータをどう回収し、
生成AIで価値あるインサイトに変え、
次のアクションまで自動化するか」

という データパイプライン全体の設計 です。

本記事では、Amazon Bedrock を組み合わせた高度なデータ活用アーキテクチャと実装例を解説します。

全体アーキテクチャ

今回の構成では、以下を実現します。

架電結果の リアルタイム捕捉
通話終了後の 音声解析
Amazon Bedrock による生成AI分析
構造化データとしての蓄積・分析

※ 下記は構成イメージです。（最近、こういった仕組みが多いですね。CRM側で処理するものも多い）

処理フロー概要

① リアルタイム処理

EventBridge がアウトバウンドキャンペーンのイベント
（応答／留守電／失敗など）を即座に捕捉
結果を DynamoDB に記録

② 音声解析

通話終了後、Contact Lens が音声をテキスト化
解析結果を Amazon S3 に出力

③ 生成AI解析

S3 への保存をトリガーに Lambda を起動
Amazon Bedrock（Claude 3） を呼び出し
通話内容から 「ネクストアクション」 を抽出

④ データ活用

構造化データを
- CRM 連携
- Athena での分析
- QuickSight 可視化
  へ展開

技術的な工夫ポイント

1. EventBridge による低遅延フィードバック

標準のレポート（CTR）の出力を待つのではなく、EventBridge が発行するキャンペーンイベントを直接フックします。

これにより、

「話し中 → 10分後に再架電」
「留守電 → 翌日同時間帯に再トライ」

といった リアルタイム制御 が可能になります。

2. Bedrock による「非構造化データ」の「構造化」

Contact Lens のテキスト化だけでは、結局 人間が全文を読む必要 があります。

そこで Bedrock を活用し、

JSON形式での出力をプロンプトで強制
後続システム（CRM / MA / BI）が
即座に扱えるデータ に変換

という設計を採用します。

3.実装例：Bedrock による通話分析 Lambda

以下は、Contact Lens の出力をトリガーにBedrock を呼び出して分析結果を DynamoDB に保存する Lambda のサンプルです。

Python（Lambda）

import json
import boto3
import os
from datetime import datetime

# AWSクライアントの初期化
bedrock_runtime = boto3.client('bedrock-runtime')
s3_client = boto3.client('s3')
dynamodb = boto3.resource('dynamodb')

# 環境変数
BEDROCK_MODEL_ID = "anthropic.claude-3-sonnet-20240229-v1:0"
TABLE_NAME = os.environ.get('TABLE_NAME', 'OutboundAnalysisResults')

def lambda_handler(event, context):
    """
    S3に保存された通話テキストをBedrockで解析し、DynamoDBに格納する
    """
    try:
        # S3イベントからバケット名とキーを取得
        bucket = event['Records'][0]['s3']['bucket']['name']
        key = event['Records'][0]['s3']['object']['key']
        
        # Contact Lens の出力を取得
        response = s3_client.get_object(Bucket=bucket, Key=key)
        cl_data = json.loads(response['Body'].read().decode('utf-8'))
        
        # テキスト抽出（スキーマに応じて調整）
        transcript = " ".join([s['Content'] for s in cl_data.get('Transcript', [])])
        contact_id = cl_data.get('CustomerMetadata', {}).get('ContactId', 'unknown')

        # Bedrock用プロンプト（JSON出力を強制）
        prompt = f"""
        Human: 以下の通話記録を分析し、指定のJSONフォーマットで回答してください。

        <transcript>
        {transcript}
        </transcript>

        JSONフォーマット:
        {{
            "summary": "100字以内の要約",
            "sentiment": "Positive/Negative/Neutral",
            "interest_score": 1から5の数値,
            "next_action": "資料送付/再架電/不要",
            "action_details": "具体的な指示内容"
        }}
        Assistant: {{
        """

        body = json.dumps({
            "anthropic_version": "bedrock-2023-05-31",
            "max_tokens": 1000,
            "messages": [{"role": "user", "content": prompt}]
        })

        res = bedrock_runtime.invoke_model(
            modelId=BEDROCK_MODEL_ID,
            body=body
        )

        res_body = json.loads(res['body'].read())
        analysis_result = json.loads("{" + res_body['content'][0]['text'])

        table = dynamodb.Table(TABLE_NAME)
        table.put_item(Item={
            'ContactId': contact_id,
            'Timestamp': datetime.utcnow().isoformat(),
            'Analysis': analysis_result
        })

        return {'statusCode': 200, 'body': 'Analysis Completed'}

    except Exception as e:
        print(f"Error: {str(e)}")
        raise e

4. データ活用：Athena による「勝てる時間帯」の可視化

DynamoDB に蓄積された customer_interest（顧客関心度） をAmazon Athena で分析することで、アウトバウンドキャンペーンの 投資対効果（ROI）を最大化 できます。

本アーキテクチャでは、生成AI（Bedrock）が判定した「会話の質」を数値化しているため、単なる通話実績では見えなかった “本当に価値のある時間帯” を可視化できます。

SQL例：時間帯別の平均顧客関心度

以下は、時間帯ごとの平均関心度と架電件数 を算出するクエリ例です。

-- 時間帯別の平均顧客関心度を算出
SELECT 
    hour(from_iso8601_timestamp(Timestamp)) AS call_hour,
    avg(cast(Analysis.customer_interest AS double)) AS avg_interest,
    count(*) AS call_count
FROM 
    "outbound_db"."analysis_table"
GROUP BY 
    1
ORDER BY 
    avg_interest DESC;

このアーキテクチャの強み

単なる 「応答率」 の可視化ではありません。

「何時にかければ、
生成AIが判定した“質の高い会話（関心度4以上）”ができるか」

をデータとして把握できる点こそが、本アーキテクチャ最大の強みです。

まとめ

Amazon Connect のアウトバウンドキャンペーンにおけるデータ活用の鍵は、

EventBridge による即時性
Amazon Bedrock による解釈の自動化

この 2つの組み合わせ にあります。

我々のようなAmazon Connectを活用したSIerが、このデータパイプラインを構築することで、

エージェントは 「記録作業」から解放 され
顧客は 「自分に合ったタイミングで、質の高い案内」 を受け取れる

という、
顧客体験・業務効率・成果向上を同時に実現する次世代アウトバウンド基盤 を構築できます。