JP6908308B2 - 営業支援装置および営業支援プログラム - Google Patents

Description

本発明は、企業の経営情報を解析して不動産取引の動向などを予測し、営業を支援するための営業支援装置および営業支援プログラムに関する。

企業の経営情報を分析するシステムとして、特許文献１のような決算分析システムが知られている。特許文献１のシステムは、決算書などの決算関連情報を形態素分析し、各要素をラベリングしたパターンから特定事象の要因を自動的に抽出するものである。

特許６１５５４０９号公報

しかしながら、特許文献１のシステムでは不動産関連情報の取り扱いまでは記載がないが、仮に不動産関連情報を特定事象として分析できたとしても、その要因を抽出するだけでは不動産取引需要の可能性があるかどうかまで予測するのは困難である。従来は不動産取引需要の可能性のありそうな企業を営業先として探し出すには、多大な手間と時間がかかり、熟練営業マンの経験と勘に頼らざるを得なかった。このような事情を考慮して、本発明は、経営情報の解析を行うことで不動産取引需要の可能性のある企業を予測し自動的に選定して表示させることができる営業支援装置および営業支援プログラムを提供することを目的とする。

上記課題を解決するために、本発明の営業支援装置は、不動産取引に関連性のある特定キーワードを記憶する記憶部と、複数の企業の経営情報を取得する情報取得部と、情報取得部で取得された経営情報に、記憶部に記憶された特定キーワードが含まれるか否かを判定する特定キーワード判定を行うキーワード判定部と、キーワード判定部によって経営情報に特定キーワードが含まれると判定された企業を営業先企業候補として選定する企業選定部と、営業先企業候補を表示させる表示データを出力する出力部とを備える。

本態様の営業支援装置によれば、複数の企業の経営情報を取得し、不動産取引に関連性のある特定キーワードが経営情報に含まれるか否かを判定する解析を行うことで、不動産取引需要の可能性のある企業を予測できる。さらに特定キーワードが経営情報に含まれると判定された企業を営業先企業候補として選定し表示データを出力するので、不動産取引需要の可能性のある企業を営業先企業候補として自動的に選定して端末装置などに表示させることができる。これにより、熟練営業マンの経験と勘に頼らなくても、営業先企業候補を選定できる。したがって、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、営業活動を効率化できる。

本発明の好適な態様において、経営情報は、異なる種類の経営情報を含み、特定キーワードは、異なる種類の特定キーワードを含み、キーワード判定部は、経営情報の種類に応じて特定キーワードの種類を変えて特定キーワード判定を行う。本態様によれば、経営情報の種類に応じて特定キーワードの種類を変えることで、異なる種類の経営情報に同じ特定キーワードを用いる場合に比較して、経営情報の特定キーワード判定による解析結果を有力な営業先企業候補の選定につなげる効果を高めることができる。したがって、営業先企業候補の選定精度を向上することができる。

本発明の好適な態様において、経営情報は、経営計画情報を含む第１経営情報と、第１経営情報とは異なる種類の経営情報であって役員情報を含む第２経営情報とを含み、特定キーワードは、不動産取引の動向を予測するための第１特定キーワードと、不動産取引のキーマンとなる役員がいる企業を探すための第２特定キーワードとを含み、キーワード判定部は、第１経営情報を第１特定キーワードによって特定キーワード判定を行い、第２経営情報を第２特定キーワードによって特定キーワード判定を行う。

本態様によれば、経営情報の種類に応じてアプローチを変えた営業先企業候補の選定が可能となる。経営計画情報を含む第１経営情報は不動産取引の動向を予測するための第１特定キーワードで判定するので、その企業に不動産取引需要があるかどうかというアプローチで営業先企業候補を選定できる。他方、役員情報を含む第２経営情報は不動産取引のキーマンとなる役員がいる企業を探すための第２特定キーワードで判定するので、その企業に不動産流動化の必要性を理解してもらいやすいキーマンがいるかどうかを含めた異なるアプローチで営業先企業候補を選定できる。これにより、経営情報の種類に応じて特定キーワード判定による解析結果を有力な営業先企業候補の選定につなげる効果を大幅に高めることができる。したがって、営業先企業候補の選定精度を大幅に向上することができる。

本発明の好適な態様において、表示データは、第１経営情報により選定される営業先企業候補と、第２経営情報により選定される営業先企業候補と、を別々に表示させるデータを含む。本態様によれば、第１経営情報による営業先企業候補と、第２経営情報による営業先企業候補とを別々に表示するので、営業先企業候補がどの経営情報によって選定されたかが分かりやすくなる。これにより、営業先企業候補に挙げられる企業への営業戦略を立てやすくなる。

本発明の好適な態様において、記憶部には、不動産取引に関連する企業経営上の特徴に応じて、特定キーワードがグループ化された複数のキーワードグループとこれらに関連づけられた重み係数とが予め記憶され、キーワード判定部は、経営情報に含まれる特定キーワードの出現回数とその特定キーワードを含むキーワードグループの重み係数に基づいて、その経営情報のスコアを算出して取得するスコア取得部を備え、表示データは、経営情報のスコアが高い順に営業先企業候補を表示させるデータを含む。

本態様によれば、不動産取引に関連する企業経営上の特徴に応じて、特定キーワードがグループ化された複数のキーワードグループとこれらに関連づけられた重み係数とが予め記憶されるので、不動産取引に関連する企業経営の見知から不動産取引に対する関心の高さを反映させた経営情報の解析が可能となる。これにより、営業先として有力な企業が選定されやすくなる。しかも、表示データによって、端末装置などに経営情報のスコアが高い順に営業先企業候補を表示させることができる。したがって、不動産取引需要の可能性の高い有力な営業先企業候補ほど上位になるように企業を表示させることができる。

本発明の好適な態様において、記憶部には、特定キーワードの出現回数の情報を入力することでスコアを出力するように学習された学習済みモデルが記憶され、キーワード判定部は、経営情報に含まれる特定キーワードの出現回数の情報を入力することで学習済みモデルから出力されるスコアをその経営情報のスコアとして取得するスコア取得部を備え、表示データは、経営情報のスコアが高い順に営業先企業候補を表示させるデータを含む。本態様によれば、経営情報の特定キーワード判定処理に学習済みモデルを用いて、特定キーワード出現回数の情報を入力することで、重み係数を予め設定しなくても、学習済みモデルにより重みが最適化されたスコアを取得できる。これにより、経営情報の特定キーワードによる解析結果を有力な営業先企業候補の選定に効果的につなげることができる。したがって、営業先企業候補の選定精度を高めることができる。

本発明の好適な態様において、記憶部には、経営情報と特定キーワードの情報を入力することでスコアを出力するように学習された学習済みモデルが記憶され、キーワード判定部は、経営情報と特定キーワードの情報を入力することで学習済みモデルから出力されるスコアをその経営情報のスコアとして取得するスコア取得部を備え、表示データは、経営情報のスコアが高い順に営業先企業候補を表示させるデータを含む。本態様によれば、経営情報の特定キーワード判定処理に学習済みモデルを用いて、経営情報と特定キーワード情報を入力することで学習済みモデルの出力からスコアを取得できる。これにより、特定キーワード判定処理を簡素化できる。

本発明の好適な態様において、記憶部は、企業毎に経営情報のスコアを蓄積するスコアデータベースを備え、企業選定部は、スコア取得部で取得した経営情報のスコアが、所定の閾値以上であってスコアデータベースから取得した直前のスコアよりも大きい企業を営業先企業候補として選定する。企業では経営方針が変わると、経営情報で使用されるキーワードも変わる可能性が高い。したがって、経営情報のスコアの変化で経営方針の変化があったことを推測できるので、不動産取引の動向の変化も予測できる。スコアが直前のスコアよりも大きい企業は、不動産取引に関連性のある特定キーワードが増えていることから、営業を掛けるタイミングとして最適と考えられる。

本態様によれば、経営情報のスコアが所定の閾値以上であって直前のスコアよりも大きい企業を営業先企業候補として選定するから、最新の経営情報のスコアだけでは不可能であった経営方針の変化があったかどうかまで推測できる。しかもスコアが大きくなる方向に経営方針が変化した企業を優先的に抽出して表示させることができる。したがって、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、最新の経営情報のスコアだけから企業を選定する場合よりもさらに営業活動を効率化できる。

本発明の好適な態様において、記憶部は、企業毎に経営情報のスコアを蓄積すると共に、経営情報の特定キーワードの出現回数をキーワードグループ毎に蓄積するスコアデータベースを備え、企業選定部は、スコア取得部で取得した経営情報のスコアが所定の閾値以上であって、スコア取得部で取得した経営情報の特定キーワードの出現回数がスコアデータベースから取得した直前の経営情報の特定キーワードの出現回数よりも大きいキーワードグループがある企業を営業先企業候補として選定する。上記のとおりキーワードグループは、不動産取引に関連する経営上の特徴に応じて特定キーワードを分けたものである。したがって、どのキーワードグループの出現回数が増えたかによりどの方向に経営方針が変更されたかまで分かる。

本態様によれば、経営情報のスコアが所定の閾値以上であって特定キーワード出現回数が直前の出現回数よりも大きいキーワードグループがある企業を営業先企業候補として選定するから、経営方針の変化があったかどうか推測できるだけでなく、経営方針の変化の方向性まで推測できる。したがって、営業を掛けるタイミングだけでなく、経営方針の方向性に合わせた適切な営業戦略も立てやすくなる。

本発明の好適な態様において、経営情報は、経営計画情報を含む第１経営情報と、第１経営情報とは異なる種類の経営情報であって役員情報を含む第２経営情報とを含み、営業先企業候補は、第１営業先企業候補と第２営業先企業候補を含み、企業選定部は、スコア取得部で取得した第１経営情報のスコアが所定の閾値以上であって、スコア取得部で取得した第１経営情報の第１特定キーワードの出現回数が記スコアデータベースから取得した直前の第１経営情報の第１特定キーワードの出現回数よりも大きいキーワードグループがある企業を第１営業先企業候補として選定すると共に、スコア取得部で取得した第２経営情報のスコアが所定の閾値以上であって、スコア取得部で取得した直前の第２経営情報の第２特定キーワードの出現回数がスコアデータベースから取得した第２経営情報の第２特定キーワードの出現回数よりも大きいキーワードグループがある企業を第２営業先企業候補として選定する。

本態様によれば、第１経営情報のスコアが所定の閾値以上であって第１特定キーワード出現回数が直前の出現回数よりも大きいキーワードグループがある企業を第１営業先企業候補として選定するから、経営方針の変化があったかどうか推測できるだけでなく、経営方針の変化の方向性まで推測できる。しかも不動産取引の動向が記載されやすい経営計画を含む第１経営情報から経営方針の変化を推測できるので、不動産取引の動向まで予測できる。したがって、営業を掛けるタイミングだけでなく、経営方針の方向性に合わせた適切な営業戦略も立てやすくなる。また、第２経営情報のスコアが所定の閾値以上であって第２特定キーワード出現回数が直前の出現回数よりも大きいキーワードグループがある企業を第２営業先企業候補として選定するから、経営方針の変化があったかどうか推測できるだけでなく、経営方針の変化の方向性まで推測できる。しかも役員情報を含む第２経営情報から推測できるので、不動産取引に応じてもらいやすい人材が役員になったかどうか推測ができる。したがって、営業を掛けるタイミングだけでなく、経営方針の方向性に合わせた適切な営業戦略も立てやすくなる。

上記課題を解決するために、本発明の営業支援プログラムは、複数の企業の経営情報を取得し、取得された経営情報に、記憶部に記憶された不動産取引に関連性のある特定キーワードが含まれるか否かを判定する特定キーワード判定を行い、経営情報に特定キーワードが含まれると判定された企業を営業先企業候補として選定し、営業先企業候補を表示させる表示データを出力する、処理をコンピュータに実行させる。本態様のプログラムを実行することで、コンピュータを営業支援装置として機能させることができる。

本発明によれば、企業の経営情報を解析して不動産取引需要の可能性ある企業を営業先企業候補として自動的に選定して表示させることができるので、有力な営業先企業候補の選定を経験と勘に頼ることなく、営業前にかかる手間と時間を大幅に省くことができ、営業活動を効率化できる。

第１実施形態の営業支援システムの構成を示す図である。 第１実施形態の営業支援システムの具体的構成例を示すブロック図である。 キーワードデータベースの構成例を示す図である。 スコアデータベースの構成例を示す図である。 表示画面の具体例を示す図である。 経営情報解析処理の具体例を示すフローチャートである。 特定キーワード判定処理の具体例を示すフローチャートである。 第２実施形態の営業支援システムの具体的構成例を示すブロック図である。 動向キーワードの具体例を示す図である。 キーマンキーワードの具体例を示す図である。 設備状況キーワードの具体例を示す図である。 第１スコア情報の具体例を示す図である。 第２スコア情報の具体例を示す図である。 第１経営情報解析処理の具体例を示すフローチャートである。 第１特定キーワード判定処理の具体例を示すフローチャートである。 第２経営情報解析処理の具体例を示すフローチャートである。 第２特定キーワード判定処理の具体例を示すフローチャートである。 第２実施形態の表示画面の具体例を示す図である。 第２実施形態の表示画面の他の具体例を示す図である。 第３実施形態の営業支援システムの具体的構成例を示すブロック図である。 第３実施形態の学習済みモデルの構成例を示す図である。 第３実施形態の学習済みモデルの他の構成例を示す図である。 第４実施形態の営業支援システムの具体的構成例を示すブロック図である。 第１学習済みモデルの構成例を示す図である。 第２学習済みモデルの構成例を示す図である。 第１学習済みモデルの他の構成例を示す図である。 第２学習済みモデルの他の構成例を示す図である。 第４実施形態の学習済みモデルの他の構成例を示す図である。 第５実施形態の営業先企業候補選定処理の具体例を示すフローチャートである。 第１スコアの推移の比較例を示す図である。 第１スコアの推移の具体例を示す図である。 第１変形例に係る第１営業先企業候補選定処理の具体例を示すフローチャートである。 第１変形例に係る第１スコア推移の表示例を示す図である。 第１経営情報におけるキーワード出現回数の推移の比較例を示す図である。 第１経営情報におけるキーワード出現回数の推移の具体例を示す図である。 第２変形例に係る第１営業先企業候補選定処理の具体例を示すフローチャートである。 第２変形例に係るキーワード出現回数推移の表示例を示す図である。 第２経営情報におけるキーワード出現回数の推移の比較例を示す図である。 第２経営情報におけるキーワード出現回数の推移の具体例を示す図である。 第３変形例に係る第２営業先企業候補選定処理の具体例を示すフローチャートである。 第３変形例に係るキーワード出現回数推移の表示例を示す図である。

＜第１実施形態＞
以下、本発明の第１実施形態に係る営業支援システム１００について図面を参照しながら説明する。図１は、第１実施形態に係る営業支援システム１００の構成を示す図である。図１に示すように営業支援システム１００は営業支援装置１０と端末装置２０とを備える。第１実施形態の営業支援装置１０は、経営計画書などの経営情報に不動産取引に関連性のある特定のキーワードが含まれる企業を営業先企業候補として選定し、選定された企業情報を表示させる表示データを端末装置２０に出力する。ここでの営業支援装置１０は、端末装置２０をクライアントとするサーバコンピュータで構成する場合を例示する。

営業支援装置１０は、複数台で分散処理するように構成してもよく、また１台のサーバ装置に設けられた複数の仮想マシンによって構成してもよい。また、営業支援装置１０は、パーソナルコンピュータで構成してもよく、クラウドサーバで構成してもよい。営業支援装置１０と端末装置２０とはインターネットなどのネットワークＮを介して互いに通信可能に構成されている。

営業支援装置１０は、ネットワークＮを介して外部の経営情報提供サーバ３０と通信可能に構成されている。経営情報提供サーバ３０は、経営計画書や有価証券報告書などの企業の経営情報を提供するサーバである。経営情報提供サーバ３０は、企業のホームページなどで経営情報を提供するサーバでもよく、複数の企業の経営情報を提供する経営情報サイトなどを運営する事業者のサーバであってもよい。なお、ネットワークＮは、営業支援装置１０と端末装置２０とを接続する企業内のイントラネットと、営業支援装置１０と経営情報提供サーバ３０とを接続するインターネットとで構成してもよい。

端末装置２０は、ユーザによって利用される情報処理装置である。端末装置２０は、例えばスマートフォン、タブレット、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）などの携帯端末や、デスクトップ型パーソナルコンピュータ、ノート型パーソナルコンピュータなどである。ネットワークＮには複数の端末装置２０が接続されていてもよい。

図２は、第１実施形態に係る営業支援システム１００の具体的構成例を示すブロック図である。図２に示す営業支援装置１０は、通信部１１と制御部１２と記憶部１４とを備える。通信部１１と制御部１２と記憶部１４とは、それぞれバスライン１０Ｌに接続され、相互に情報（データ）のやり取りが可能である。

通信部１１は、ネットワークＮと有線又は無線で接続され、端末装置２０との間や経営情報提供サーバ３０との間で情報（データ）の送受信を行う。通信部１１は、インターネットやイントラネットの通信インターフェースとして機能し、例えばＴＣＰ／ＩＰを用いた通信などが可能である。

制御部１２は、営業支援装置１０全体を統括的に制御する。制御部１２は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの集積回路で構成される。制御部１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を備える。制御部１２は、必要なプログラムをＲＯＭにロードし、ＲＡＭを作業領域としてそのプログラムを実行することで、各種の処理（後述する経営情報解析処理など）を行う。

記憶部１４は、制御部１２で実行される各種プログラムやこれらのプログラムによって使用されるデータ（特定キーワードや重み係数など）を記憶する。記憶部１４は、ハードディスクや光ディスクなどの記憶装置で構成される。記憶部１４の構成はこれらに限られず、記憶部１４をＲＡＭやフラッシュメモリなどの半導体メモリで構成してもよい。例えば記憶部１４をＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成することもできる。

記憶部１４は、プログラム記憶部１４１、企業情報データベース１４２（企業情報ＤＢ）、経営情報データベース１４３（経営情報ＤＢ）、キーワードデータベース１４４（キーワードＤＢ）、スコアデータベース１４５（スコアＤＢ）などを備える。

プログラム記憶部１４１は、制御部１２で実行される各種プログラムを記憶する。制御部１２は、プログラム記憶部１４１から必要なプログラムを読み出して、後述する経営情報解析処理など各種の処理を実行する。

企業情報データベース１４２は、上場企業の会社名、証券コード（銘柄コード）、上場市場（東京証券取引所、名古屋証券取引所、福岡証券取引所など）などの企業情報を記憶する。その他、企業情報データベース１４２には、各企業への不動産取引の営業に役立つ情報を記憶できる。例えば資本金、業種、業態、従業員数、決算日、所在地などの企業基本情報を企業情報データベース１４２に記憶してもよい。

経営情報データベース１４３は、営業支援装置１０で不動産取引の営業先企業候補を選定するための解析処理を行う経営情報を企業毎に記憶する。経営情報としては、経営計画書（中期経営計画書など）、有価証券報告書、四半期報告書、決算説明会報告書など投資家向けのＩＲ（Ｉｎｖｅｓｔｏｒ Ｒｅｌａｔｉｏｎｓ）情報が挙げられる。なお、経営情報としては、ＩＲ情報に限られず、例えば企業のホームページなどで公開されている経営に関する情報も含まれる。

キーワードデータベース１４４は、経営情報の解析に用いる特定キーワードや重み係数を記憶する。特定キーワードは、不動産取引に関連性のあるキーワードである。キーワードデータベース１４４には、解析する経営情報の種類に応じて１つ以上の特定キーワードが予め設定される。

特定キーワードは、不動産取引の可能性を予測可能なキーワードであることが好ましい。例えば特定キーワードは、不動産取引需要（例えば不動産の売買や賃貸などの需要やその潜在需要も含む）のある企業の経営情報に含まれる可能性のあるキーワードを設定することで、営業成功率の高い企業を選定できる。このような特定キーワードとしては、例えば企業の不動産取引の動向を予測するための「動向予測キーワード」、不動産流動化の必要性を理解してもらいやすい役員などがいる企業を探し出すための「キーマンキーワード」、不動産取引需要のありそうな不動産や不動産設備を所有する企業を探し出すための「設備状況キーワード」などが挙げられる。

これらのどの特定キーワードがどのくらい経営情報に含まれるかを解析することで、営業成功の可能性の高い営業先企業を効率的に選定できる。経営情報にこれらの特定キーワードが含まれる企業は不動産取引需要を掘り起こしやすいので、営業先企業候補として選定する価値が高い。例えば「動向予測キーワード」としては「資産効率化」「有利子負債削減」などが挙げられる。不動産を売却して整理することは資産の効率化や負債削減に寄与するので、経営情報に「資産効率化」「有利子負債削減」などの特定キーワードが含まれる場合には、不動産売却需要を掘り起こしやすい。

ところで、例えば企業の不動産取引の動向を予測するための「動向予測キーワード」としては多くの特定キーワードが考えられ、特定キーワードの種類（単語の種類）によって営業成功率も変わる可能性が高い。そこで、第１実施形態は、不動産取引に関連する企業経営上の様々な特徴を表す複数の特定キーワードが特徴に応じてグループ化された複数のキーワードグループを備える。共通の特徴を表す複数の特定キーワードは同じキーワードグループにグループ化されており、異なる特徴を表す複数の特定キーワードは異なるキーワードグループにグループ化されている。

このようなキーワードグループとしては、例えば資産の効率化などに関連する「効率化系キーワード」、財務の改善などに関連する「財務系キーワード」などが挙げられる。「効率化系キーワード」には例えば上述した「資産効率化」などの特定キーワードが含まれる。「財務系キーワード」には例えば上述した「有利子負債削減」などが含まれる。このようにキーワードグループ毎に特徴が異なり、企業の経営情報への特定キーワードの使われ方によってその企業の不動産取引に対する関心の高さも異なる。したがって、経営情報にどのキーワードグループの特定キーワードが含まれるかによって、営業成功率も変わる可能性が高い。

このような知見に基づいて第１実施形態では、これらキーワードグループ毎に重み係数を設定する。これにより、不動産取引に関連する企業経営上の異なる特徴を表す特定キーワードには異なる重み係数を付与できる。また共通の特徴をもつ特定キーワードには同じ重み係数を付与できる。このように、キーワードグループ毎に重み係数を設定することで、不動産取引に関連する企業経営上の特徴に応じて重み係数を関連づけることができる。これにより、不動産取引に関連する企業経営の見知から不動産取引に対する関心の高さを反映させた経営情報の解析が可能となるので、営業先として有力な企業が選定されやすくなる。

特定キーワードと重み係数はキーワードグループ毎に関連づけられキーワードデータベース１４４に記憶される。なお、動向予測キーワードに含まれる特定キーワードをグループ分けする場合を例示したが、上述したキーマンキーワードや設備状況キーワードに含まれる特定キーワードについてもグループ分けして重み係数を関連づけるようにしてもよい。

ここで、キーワードデータベース１４４の構成例について図３を参照しながら説明する。上述した「動向予測キーワード」に含まれる特定キーワードをｎ個のキーワードグループ（ＫＷグループ）に分けた場合を例に挙げる。なお、キーワードデータベース１４４の構成は、図３に示すものに限られない。

図３のキーワードデータベース１４４（キーワードＤＢ）は、ｎ個のキーワードグループ（ＫＷグループ）ＧＡ１、ＧＡ２、・・・、ＧＡｎと、各キーワードグループに関連づけられるｎ個の重み係数ＷＡ１、ＷＡ２、・・・、ＷＡｎと、各キーワードグループに含まれる特定キーワード（特定ＫＷ）とを記憶する。

特定キーワードＫＡ１１、ＫＡ１２、・・・は、キーワードグループＧＡ１に含まれ、特定キーワードＫＡ２１、ＫＡ２２、・・・は、キーワードグループＧＡ２に含まれる。なお、「ＫＡ１１」などの表記は、特定キーワードの文字列を概念的に表現したものである。キーワードグループＧＡ１は例えば経営情報に資産などの効率化を掲げる場合に使用される「効率化系キーワード」であり、このＧＡ１に含まれる特定キーワードＫＡ１１は例えば上述した「資産効率化」である。キーワードグループＧＡ２は例えば財務改善などを推進したい場合に使用される「財務系キーワード」であり、このＧＡ２に含まれる特定キーワードＫＡ２１は例えば上述した「有利子負債削減」である。

キーワードグループＧＡ１の重み係数はＷＡ１であり、キーワードグループＧＡ２の重み係数はＷＡ２である。例えば経営情報にキーワードグループＧＡ２の特定キーワードが出現する場合の方が、キーワードグループＧＡ１の特定キーワードが出現する場合よりも営業成功の可能性が高い場合には、重み係数ＷＡ２が重み係数はＷＡ１よりも大きくなるように設定される。

スコアデータベース１４５は、企業毎に各経営情報に関連づけられた特定キーワードの出現回数とスコア（指標値）を記憶する。スコアは、経営情報毎に算出され、例えばアプローチ情報として営業先企業候補の選定や表示順序を決めるのに利用される。スコアは、各キーワードグループにおける特定キーワードの出現回数と重み係数とに基づいて算出される。具体的には、キーワードグループ毎に特定キーワードの出現回数から得られるワードヒット情報と重み係数からスコアが算出される。ワードヒット情報は、キーワードグループ毎に、そのキーワードグループに含まれる各特定キーワードがどのくらい経営情報に含まれたか（ヒットしたか）の指標となる情報である。ワードヒット情報によれば、経営情報にどのキーワードグループの特定キーワードがどのくらい出現したかが分かる。

ワードヒット情報としては、例えばキーワードグループに含まれるすべての特定キーワードの出現回数の総和である。ただし、これに限られず、例えばキーワードグループに含まれる特定キーワードのうちの１つでも経営情報に含まれれば、ワードヒット情報を１（ヒット）にするようにしてもよい。また、キーワードグループに含まれる各特定キーワードの出現回数を正規化又は標準化した数値をワードヒット情報としてもよい。

このように各キーワードグループのワードヒット情報と重み係数でスコアを算出することで、経営情報にどのキーワードグループの特定キーワードがどのくらい出現したかによってスコアが変わるようにすることができる。この点で、スコアは特定キーワードのワードカバー率とも解することができる。このようなスコアの高い順に営業先企業候補をリストアップすることで、営業成功の可能性の高い順に企業リストを表示できる。

ここで、スコアデータベース１４５の構成例について図４を参照しながら説明する。経営情報としてＡ社の経営計画書を取得して図３の特定キーワードで解析した場合を例に挙げる。なお、スコアデータベース１４５の構成は、図４に示すものに限られない。

図４のスコアデータベース１４５（スコアＤＢ）は、Ａ社の経営計画書を解析する特定キーワード（特定ＫＷ）の出現回数ＨＡ１１、ＨＡ１２、・・・とスコアＳａを記憶する。図４に示すようにスコアデータベース１４５は、企業ＩＤ、経営情報の種類、企業名などの経営計画書の基本情報を記憶する。図４に示すようにスコアデータベース１４５は、経営情報の解析に使用されたキーワードグループ、重み係数、特定キーワードなどの情報を記憶してもよい。

図４の出現回数ＨＡ１１は、キーワードグループ（ＫＷグループ）ＧＡ１の特定キーワードＫＡ１１の出現回数であり、出現回数ＨＡ２１は、キーワードグループＧＡ２の特定キーワードＫＡ２１の出現回数である。図４における各キーワードグループのワードヒット情報は、例えばそのキーワードグループに含まれる各特定キーワードの出現回数の総和である。例えばＨＧＡ１は、キーワードグループＧＡ１の特定キーワードの出現回数ＨＡ１１、ＨＡ１２、・・・をすべて足し算したものである。図４のキーワードグループがｎ個の場合、そのワードヒット情報ＨＧＡ１〜ＨＧＡｎと重み係数ＷＡ１〜ＷＡｎからスコアＳａは下記数式（１）で表すことができる。ただし、スコアＳａの算出式は、下記数式（１）に限られない。

Ｓａ＝ＨＧＡ１×ＷＡ１＋ＨＧＡ２×ＷＡ２＋・・・＋ＨＧＡｎ×ＷＡｎ
・・・（１）

各キーワードグループの重み係数は、自由に設定できる。例えば熟練営業マンが自らの経験に基づいて重み係数を予め設定することで、不動産取引需要の可能性の高い有力な営業先企業の経営情報ほどスコアが高くなるようにすることができる。上述したように第１実施形態では共通の特徴に応じて特定キーワードをグループ分けして重み係数を予め設定することので、企業経営の考え方の特徴や重要度を経営情報のスコアに反映させることができる。これにより、不動産取引需要の可能性に応じたスコアを取得できる。

図２に示す制御部１２は、情報取得部１２１とキーワード判定部１２２と企業選定部１２４と出力部１２６とを備える。これら制御部１２の各構成要素は、物理的な回路で構成してもよく、ＣＰＵが実行可能なプログラムで構成してもよい。制御部１２の構成は、図２に示す構成に限られない。

情報取得部１２１は、経営情報提供サーバ３０から通信部１１を介して複数の企業の経営情報を取得する。例えば情報取得部１２１は、経営情報提供サーバ３０で運営される経営情報提供サイトをスクレイピングし、複数の企業の経営情報の文書データを取得する。情報取得部１２１は、特定の経営情報提供サイトを定期的にクローリングして様々な企業の経営情報の文書データを自動的に取得できる。

情報取得部１２１は、取得した経営情報が文字列検索（テキスト検索）できる文書データ（ＰＤＦ、ＸＭＬ、ＸＢＲＬなど）の場合はそのまま経営情報データベース１４３に記憶し、文字列検索できない文書データ（文書が画像として取り込まれたＰＤＦなど）の場合は文字列検索できるデータに変換して経営情報データベース１４３に記憶する。ＸＢＲＬ（ｅＸｔｅｎｓｉｂｌｅ Ｂｕｓｉｎｅｓｓ Ｒｅｐｏｒｔｉｎｇ Ｌａｎｇｕａｇｅ）は、ＸＭＬ（ｅＸｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）をベースにした報告書記述言語である。

なお、別ルートで入手した経営情報の文書データを情報取得部１２１により経営情報データベース１４３に追加することもできる。具体的には情報取得部１２１は、端末装置２０からのユーザ操作に応じて経営情報の文書データを受信し経営情報データベース１４３に追加する。これにより、例えば非上場企業の経営情報やや非公開の経営情報の文書データを入手した場合でも経営情報データベース１４３に追加できる。

キーワード判定部１２２は、情報取得部１２１で取得された経営情報に、キーワードデータベース１４４の特定キーワードが含まれるか否かを判定する特定キーワード判定を行い、経営情報の解析結果としてスコアを取得する。キーワード判定部１２２は、経営情報データベース１４３から経営情報の文書データを読み出して特定キーワード判定を行う。キーワード判定部１２２は、情報取得部１２１で取得された経営情報毎に特定キーワード判定を行って各キーワードグループにおける特定キーワードの出現回数をカウントし、カウントされた出現回数をスコアデータベース１４５に記憶する。

キーワード判定部１２２は、スコア取得部１２３を備える。スコア取得部１２３は、特定キーワード判定による経営情報の解析結果としてスコアを取得する。具体的にはスコア取得部１２３は、各キーワードグループにおける特定キーワードの出現回数と重み係数から経営情報のスコアを算出して取得する。キーワード判定部１２２は、スコア取得部１２３で取得されたスコアを経営情報に関連づけてスコアデータベース１４５に記憶する。

企業選定部１２４は、キーワード判定部１２２によって経営情報に特定キーワードが含まれると判定された企業を営業先企業候補として選定する。営業先企業候補の選定には、上述した経営情報のスコアが利用される。例えば企業選定部１２４は、スコアデータベース１４５に記憶された経営情報のスコアが所定の閾値以上の企業を営業先企業候補として選定する。これによれば、上記所定の閾値を調整することで、営業先企業候補の数を調整できるので、例えばスコアが低い営業先企業候補が多くなりすぎることを抑制できる。

特定キーワードが１つも含まれない経営情報は、特定キーワードの出現回数がゼロなのでスコアもゼロになる。特定キーワードが１つでも含まれる経営情報のスコアは１以上になる。そこで、営業先企業候補が少ない場合は、例えば経営情報のスコアが閾値１以上の企業を営業先企業候補として選定するようにしてもよい。これにより、特定キーワードが１つでも含まれる企業を営業先企業候補として選定できるので、営業先企業候補を増やすことができる。

出力部１２６は、企業選定部１２４で選定された営業先企業候補の企業リストを表示させる表示データを生成して出力する。出力部１２６は、経営情報のスコアの高い順に企業リストを表示させる表示データを生成する。表示データは、通信部１１を介して端末装置２０に送信される。端末装置２０は、表示データに基づいて営業先企業候補の企業リストを表示する。なお、表示データはＷｅｂ画面データであってもよい。具体的には営業支援装置１０は、Ｗｅｂ画面に営業先企業候補をリスト表示させる。端末装置２０はそのＷｅｂ画面データを受信してブラウザに表示する。

次に、端末装置２０の構成例について図２を参照しながら説明する。図２に示す端末装置２０は、通信部２１と制御部２２と記憶部２４と入力部２５と表示部２６とを備える。通信部２１と、制御部２２と、記憶部２４と、入力部２５と、表示部２６とは、それぞれバスライン２０Ｌに接続され、相互に情報（データ）のやり取りが可能である。

通信部２１は、ネットワークＮと有線又は無線で接続され、営業支援装置１０との間で情報（データ）の送受信を行う。通信部２１は、インターネットやイントラネットの通信インターフェースとして機能し、例えばＴＣＰ／ＩＰを用いた通信などが可能である。

制御部２２は、端末装置２０全体を統括的に制御する。制御部２２は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの集積回路で構成される。制御部２２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を備える。制御部２２は、必要なプログラムをＲＯＭにロードし、ＲＡＭを作業領域としてそのプログラムを実行することで、各種の処理を行う。

記憶部２４は、制御部２２で実行される各種プログラムやこれらのプログラムによって使用されるデータを記憶する。記憶部２４は、ハードディスクや光ディスクなどの記憶装置で構成される。記憶部２４の構成はこれらに限られず、記憶部２４をＲＡＭやフラッシュメモリなどの半導体メモリで構成してもよい。例えば記憶部２４をＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成することもできる。

入力部２５は、キーボード及びマウスなどを備え、ユーザからの操作入力を受け付けて操作内容に対応した制御信号を制御部２２へ送信する。入力部２５は、タッチパネルを備えていてもよい。

表示部２６は、液晶ディスプレイや有機ＥＬディスプレイなどであり、制御部２２からの指示に従って各種情報を表示する。制御部２２は、営業支援装置１０から通信部２１を介して受信した表示データに基づいて営業先企業候補の企業リストを表示部２６に表示する。

ここで、表示部２６に表示される表示画面ＳＣの具体例を図５に示す。表示画面ＳＣには、営業支援装置１０で選定された営業先企業候補がアプローチ情報としてリスト表示される。営業先企業候補は、スコアが高いほど上位に表示されるようにする。これにより、営業成功の可能性が高い企業ほど上位に表示できる。なお、図５の表示画面ＳＣにおいてアプローチ情報はそれぞれスクロールすることによって下位の企業も表示されるようにすることができる。

アプローチ情報の表示項目は、「日付」、「企業名」、「株式コード」、「営業情報」、「スコア」、「備考」などである。アプローチ情報の表示項目は、図５に示すものに限られず、例えば「上場市場」、「資本金」、「業種」、「業態」、「従業員数」、「決算日」、「所在地」などの項目を追加してもよい。検索期間の項目を設けてその項目に期間を入力可能とし、入力した期間内の経営情報の解析で選択された企業に絞り込んで表示できるようにしてもよい。また「評価」の項目を設けるようにしてもよい。「評価」の項目には、例えば営業に役に立ったかどうかを３段階や５段階などの複数段階で評価する数値を入力できるようにする。「経営情報」の項目に表示される文字には、経営情報データベース１４３の経営情報の文書データが表示されるようにリンクを貼り付けるようにしてもよい。入力部２５のマウスなどで経営計画書の文字がクリックされると、制御部２２は経営情報データベース１４３の当該経営計画書の文書データを表示部２６に表示させる。

「備考」には、重み係数が所定値以上のキーワードグループの特定キーワードが含まれる場合にそれを示唆する文字列（例えば図５に示す「重要ＷＯＲＤ ＨＩＴ」などを表示する。また、「備考」には、特定キーワードが含まれるキーワードグループの特徴を示す文字列（例えば効率化系キーワードを含む場合は「効率化系ＷＯＲＤ ＨＩＴ」、財務系キーワードを含む場合は「財務系ＷＯＲＤ ＨＩＴ」など）を表示してもよい。これらを表示することで、その企業の営業戦略を立てやすくなる。

次に、第１実施形態に係る営業支援装置１０が行う経営情報解析処理について図６を参照しながら説明する。図６は、経営情報解析処理の具体例を示すフローチャートである。経営情報解析処理は、制御部１２（情報取得部１２１、キーワード判定部１２２、スコア取得部１２３、企業選定部１２４、出力部１２６など）によってプログラム記憶部１４１から必要なプログラムが読み出されて実行される。

先ず図６に示すステップＳ１１０にて制御部１２は、各企業の経営情報を取得する。具体的には情報取得部１２１が、経営情報提供サーバ３０から通信部１１を介して各企業の経営情報の文書データを取得して経営情報データベース１４３に記憶する。情報取得部１２１は、取得した経営情報が文字列検索（テキスト検索）できる文書データ（テキストを含むＰＤＦ、ＸＭＬ、ＸＢＲＬなど）の場合はそのまま経営情報データベース１４３に記憶し、文字列検索できない文書データ（文書が画像として取り込まれたＰＤＦなど）の場合は文字列検索できるデータに変換して経営情報データベース１４３に記憶する。

次いでステップＳ１２０にて制御部１２は、情報取得部１２１で取得された経営情報の文書データのそれぞれについて特定キーワード判定を行う。特定キーワード判定では、各キーワードグループの特定キーワードが経営情報の文書データに含まれるか否かが判断され、特定キーワードの出現回数とその経営情報のスコアが取得される。特定キーワード判定は、例えば図７に示すように行われる。

図７は、特定キーワード判定処理の具体例を示す図である。図７に示すステップＳ１２１にて制御部１２は、キーワードグループ毎に各特定キーワード（特定ＫＷ）の出現回数を取得する。具体的にはキーワード判定部１２２が、経営情報データベース１４３の経営情報の文書データを読み出して、その文書データにキーワードデータベース１４４にキーワードグループ毎に関連づけられた特定キーワードが含まれるか否かを判定し、特定キーワードの出現回数をカウントする。キーワード判定部１２２は、カウントされた出現回数を当該経営情報に関連づけてスコアデータベース１４５に記憶する。

次にステップＳ１２２にて制御部１２は、経営情報に関連づけられた特定キーワードの出現回数と重み係数に基づいて当該経営情報のスコアを算出する。具体的にはスコア取得部１２３が、キーワードグループ毎に特定キーワードの出現回数から得られるワードヒット情報と重み係数からスコアを算出し、当該経営情報に関連づけてスコアデータベース１４５に記憶する。ステップＳ１２２のスコアの算出は、情報取得部１２１で取得したすべての経営情報の文書データについて行う。このスコアが特定キーワード判定による経営情報の解析結果となる。

次に図６に示すステップＳ１３０にて制御部１２は、特定キーワード判定による経営情報の解析結果から営業先企業候補を選定する。具体的には企業選定部１２４が、スコアデータベース１４５に記憶された経営情報のスコアが所定の閾値以上の企業を営業先企業候補として選定する。なお、ステップＳ１３０の処理は、スコアデータベース１４５に記憶されたすべての企業について最新の経営情報のスコアを対象にして行われる。これにより、常に最新の経営情報から営業先企業候補を選定できる。

次にステップＳ１４０にて制御部１２は、ステップＳ１３０で選定された企業を端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０にアプローチ情報として表示させる。例えば出力部１２６は、選定された企業がスコアの高い順に上位に表示されるように表示データを生成する。なお、ステップＳ１４０の処理は、端末装置２０からアプローチ情報の表示リクエストを受信することで出力部１２６が実行するようにしてもよい。他方、ステップＳ１１０〜ステップＳ１３０の処理は、特定の経営情報提供サイトの定期的なクローリングにより自動的に実行されるようにしてもよく、端末装置２０からのリクエストで実行されるようにしてもよい。

以上のような第１実施形態に係る営業支援装置１０によれば、複数の企業の経営情報を取得し、不動産取引に関連性のある特定キーワードが経営情報に含まれるか否かを判定する解析を行うことで、不動産取引需要の可能性のある企業を予測できる。さらに特定キーワードが経営情報に含まれると判定された企業を営業先企業候補として選定するので、不動産取引需要の可能性のある企業を営業先企業候補として自動的に選定できる。これにより、熟練営業マンの経験と勘に頼らなくても、営業先企業候補を選定できる。したがって、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、営業活動を効率化できる。

＜第２実施形態＞
本発明の第２実施形態について説明する。以下に例示する各形態において実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。第２実施形態では、企業が公開する経営情報が不動産取引に関連性のある特定キーワードを含むかどうかの特定キーワード判定において、経営情報の種類に応じて特定キーワードの種類を変える場合を例示する。なお、経営情報の種類や特定キーワードの種類は以下に例示するものに限られない。

ここでの特定キーワードの種類は、第１実施形態で例示した「動向予測キーワード」「キーマンキーワード」「設備状況キーワード」などである。「動向予測キーワード」は企業の不動産取引の動向を予測するための特定キーワードである。「キーマンキーワード」は不動産流動化の必要性を理解してもらいやすい役員などがいる企業を探し出すための特定キーワードである。「設備状況キーワード」は不動産取引需要のありそうな不動産や不動産設備を所有する企業を探し出すための特定キーワードである。

ところで、企業が公開する経営計画書などの経営情報には様々な情報が含まれている。しかしながら、経営情報の種類によって含まれる内容も異なるので、出現しやすい特定キーワードも経営情報の種類によって異なる。

例えば中期経営計画書には、資産効率化、有利子負債削減などの不動産取引の動向を予測可能な「動向予測キーワード」が出現しやすい。このような特定キーワードで中期経営計画書を解析することで、その解析結果を営業先企業候補の選定に効果的につなげることができる。

ところが、中期経営計画書には役員の詳細情報などは含まれてないことが多い。このため「キーマンキーワード」が出現する可能性は低く、出現したとしてもそれはキーマンとは関係がない項目にたまたまヒットした可能性が高い。このような特定キーワードを用いた解析結果ではキーマンがいる営業先企業候補の選定に効果的につなげることができない。

他方、有価証券報告書には、役員の詳細情報や設備状況が記載されるので、有価証券報告書に出現した「キーマンキーワード」や「設備状況キーワード」がキーマンや不動産設備を探すために利用できる可能性が高い。したがって、このような特定キーワードを用いた解析結果をキーマンや不動産設備をもつ営業先企業候補の選定に効果的につなげることができる。

そこで、第２実施形態では、経営情報の種類に応じて特定キーワードの種類を変えて特定キーワード判定を行う。具体的には例えば第２実施形態のキーワード判定部１２２は、経営計画情報を含む第１経営情報（中期経営計画書、四半期報告書、決算説明会報告書など）を第１特定キーワード（動向予測キーワード）で判定し、第１経営情報とは異なる種類の経営情報であって役員情報や設備情報を含む第２経営情報（有価証券報告書など）を第１特定キーワードとは種類の異なる第２特定キーワード（キーマンキーワードや設備状況キーワード）で判定する。

これによれば、経営情報の種類に応じて営業先企業候補を選定するアプローチを変えることができる。例えば経営計画情報を含む中期経営計画書の場合は「動向予測キーワード」を用いるので、その企業に不動産取引需要があるかどうかというアプローチで営業先企業候補を選定できる（ここでは第１アプローチと称する）。他方、役員情報や設備情報を含む有価証券報告書の場合は「動向予測キーワード」ではなく「キーマンキーワード」や「設備状況キーワード」を用いる。この場合には、その企業に不動産流動化の必要性を理解してもらいやすいキーマンがいるかどうかや、不動産取引需要のある設備を所有しているかどうかなどを含めた異なるアプローチで営業先企業候補を選定できる（ここでは第２アプローチと称する）。このように経営情報の種類に応じて特定キーワードの種類を変えることで、異なる種類の経営情報に同じ特定キーワードを用いる場合に比較して、経営情報の特定キーワード判定による解析結果を有力な営業先企業候補の選定につなげる効果を大幅に高めることができる。したがって、営業先企業候補の選定精度を向上することができる。

図８は、第２実施形態に係る営業支援システム１００の具体的構成例を示すブロック図である。図８の経営情報データベース１４３（経営情報ＤＢ）は、第１経営情報１４３Ａ（例えば中期経営計画書）と第２経営情報１４３Ｂ（例えば有価証券報告書）とを記憶する。図８のキーワードデータベース１４４（キーワードＤＢ）は、動向予測キーワード１４４Ａ、キーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃとを記憶する。動向予測キーワード１４４Ａは、第１経営情報１４３Ａを判定するための第１特定キーワードの例示であり、キーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃはそれぞれ第２経営情報１４３Ｂを判定するための第２特定キーワードの例示である。

動向予測キーワード１４４Ａは、例えば「資産効率化」「有利子負債削減」などが挙げられる。不動産を売却して整理することは資産の効率化に寄与するので、経営情報に「資産効率化」などの特定キーワードが含まれる場合には、不動産売却需要を掘り起こしやすい。不動産を売却して整理することは財務に直結するので、経営情報に「有利子負債削減」などの特定キーワードが含まれる場合には、不動産売却需要を掘り起こしやすい。したがって、これらの動向予測キーワード１４４Ａが経営情報に含まれる企業は、営業先企業候補として有望である。

キーマンキーワード１４４Ｂは、例えば「銀行」などである。有価証券報告書の役員の欄に「銀行」などが含まれるか否かによって、銀行出身の役員がいる企業を探すことができる。銀行出身の役員がいる企業は不動産流動化の必要性を理解してもらいやすいので、営業先企業候補として有望である。「設備状況キーワード」は例えば「賃貸」などである。有価証券報告書の設備の欄に「賃貸」などが含まれるか否かによって、賃貸している不動産設備を所有する企業を探すことができる。賃貸している不動産設備を所有する企業は、その不動産設備の整理需要の可能性があるため、営業先企業候補として有望である。

ここで、第２実施形態のキーワードデータベース１４４（キーワードＤＢ）の構成例について図９乃至図１１を参照しながら説明する。図９は動向予測キーワード１４４Ａの具体例を示す図であり、図１０はキーマンキーワード１４４Ｂの具体例を示す図であり、図１１は設備状況キーワード１４４Ｃの具体例を示す図である。ここでは、動向予測キーワード１４４Ａ、キーマンキーワード１４４Ｂ、設備状況キーワード１４４Ｃのそれぞれの特定キーワードを複数のキーワードグループ（ＫＷグループ）に分けた場合を例に挙げる。なお、動向予測キーワード１４４Ａ、キーマンキーワード１４４Ｂ、設備状況キーワード１４４Ｃの構成は、図示のものに限られない。例えばキーマンキーワード１４４Ｂや設備状況キーワード１４４Ｃは必ずしもキーワードグループに分けなくてもよい。

図９の動向予測キーワード１４４Ａは、ｎ個のキーワードグループ（ＫＷグループ）ＧＡ１、ＧＡ２、・・・、ＧＡｎと、各キーワードグループに関連づけられるｎ個の重み係数ＷＡ１、ＷＡ２、・・・、ＷＡｎと、各キーワードグループに含まれる特定キーワード（特定ＫＷ）とを記憶する。

特定キーワードＫＡ１１、ＫＡ１２、・・・は、キーワードグループＧＡ１に含まれ、特定キーワードＫＡ２１、ＫＡ２２、・・・は、キーワードグループＧＡ２に含まれる。キーワードグループＧＡ１は例えば経営情報に資産などの効率化を掲げる場合に使用される「効率化系キーワード」であり、このＧＡ１に含まれる特定キーワードＫＡ１１は例えば上述した「資産効率化」である。キーワードグループＧＡ２は例えば財務を改善したい場合に使用される「財務系キーワード」であり、このＧＡ２に含まれる特定キーワードＫＡ２１は例えば上述した「有利子負債削減」である。

図１０のキーマンキーワード１４４Ｂは、ｎ個のキーワードグループ（ＫＷグループ）ＧＢ１、ＧＢ２、・・・、ＧＢｎと、各キーワードグループに関連づけられるｎ個の重み係数ＷＢ１、ＷＢ２、・・・、ＷＢｎと、各キーワードグループに含まれる特定キーワード（特定ＫＷ）とを記憶する。特定キーワードＫＢ１１、ＫＢ１２、・・・は、キーワードグループＧＢ１に含まれ、特定キーワードＫＢ２１、ＫＢ２２、・・・は、キーワードグループＧＢ２に含まれる。キーワードグループＧＢ１は銀行出身の役員がいる企業を探すために使用される「銀行出身系キーワード」であり、このＧＢ１に含まれる特定キーワードＫＢ１１は例えば「銀行」である。

図１１の設備状況キーワード１４４Ｃは、ｎ個のキーワードグループ（ＫＷグループ）ＧＣ１、ＧＣ２、・・・、ＧＣｎと、各キーワードグループに関連づけられるｎ個の重み係数ＷＣ１、ＷＣ２、・・・、ＷＣｎと、各キーワードグループに含まれる特定キーワード（特定ＫＷ）とを記憶する。特定キーワードＫＣ１１、ＫＣ１２、・・・は、キーワードグループＧＣ１に含まれ、特定キーワードＫＣ２１、ＫＣ２２、・・・は、キーワードグループＧＣ２に含まれる。キーワードグループＧＣ１は賃貸不動産設備を所有する企業を探すために使用される「賃貸不動産設備系キーワード」であり、このＧＣ１に含まれる特定キーワードＫＣ１１は例えば「賃貸」である。

図８のスコアデータベース１４５（スコアＤＢ）は、第１スコア情報１４５Ａと第２スコア情報１４５Ｂを記憶する。第１スコア情報１４５Ａは、企業毎に各第１経営情報１４３Ａに関連づけられた特定キーワードの出現回数と第１経営情報の解析結果となる第１スコア（指標値）の情報を備える。第１スコアは、第１経営情報毎に算出される。第１スコアは、例えば第１アプローチ情報として営業先企業候補の選定や表示順序を決めるのに利用される。第１スコアは、動向予測キーワード１４４Ａの各キーワードグループにおける特定キーワードの出現回数と重み係数とに基づいて算出される。

第２スコア情報１４５Ｂは、企業毎に各第２経営情報１４３Ｂに関連づけられた特定キーワードの出現回数と第２経営情報の解析結果となる第２スコア（指標値）の情報を備える。第２スコアは、第２経営情報毎に算出される。第２スコアは、例えば第２アプローチ情報として営業先企業候補の選定や表示順序を決めるのに利用される。第２スコアは、キーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃとの各キーワードグループにおける特定キーワードの出現回数と重み係数とに基づいて算出される。

ここで、第１スコア情報１４５Ａ及び第２スコア情報１４５Ｂの具体例について図１２及び図１３を参照しながら説明する。図１２は第１スコア情報１４５Ａの具体例を示す図であり、図１３は第２スコア情報１４５Ｂの具体例を示す図である。

図１２の第１スコア情報１４５Ａは、Ａ社の中期経営計画書（第１経営情報１４３Ａの例示）を解析する動向予測キーワード１４４Ａの特定キーワード（特定ＫＷ）の出現回数ＨＡ１１、ＨＡ１２、・・・と第１スコアＳａ１の情報を備える。図１２に示すように第１スコア情報１４５Ａは、企業ＩＤ、経営情報の種類、企業名などの基本情報を備える。図１２に示すように第１スコア情報１４５Ａは、解析に使用されたキーワードの種類、キーワードグループ、重み係数、特定キーワードなどの情報を備えてもよい。

図１２の出現回数ＨＡ１１は、キーワードグループ（ＫＷグループ）ＧＡ１の特定キーワードＫＡ１１の出現回数であり、出現回数ＨＡ２１は、キーワードグループＧＡ２の特定キーワードＫＡ２１の出現回数である。図１２の各キーワードグループのワードヒット情報は、そのキーワードグループに含まれる各特定キーワードの出現回数の総和である。例えばＨＧＡ１は、キーワードグループＧＡ１の特定キーワードの出現回数ＨＡ１１、ＨＡ１２、・・・をすべて足し算したものである。図１２のキーワードグループがｎ個の場合、そのワードヒット情報ＨＧＡ１〜ＨＧＡｎと重み係数ＷＡ１〜ＷＡｎから第１スコアＳａ１は下記数式（２）で表すことができる。ただし、第１スコアＳａ１の算出式は、下記数式（２）に限られない。

Ｓａ１＝ＨＧＡ１×ＷＡ１＋ＨＧＡ２×ＷＡ２＋・・・＋ＨＧＡｎ×ＷＡｎ
・・・（２）

図１３の第２スコア情報１４５Ｂは、Ａ社の有価証券報告書（第２経営情報１４３Ｂの例示）を解析するキーマンキーワード１４４Ｂの特定キーワード（特定ＫＷ）の出現回数ＨＢ１１、ＨＢ１２、・・・と、設備状況キーワード１４４Ｃの特定キーワード（特定ＫＷ）の出現回数ＨＣ１１、ＨＣ１２、・・・と、第２スコアＳａ２との情報を備える。図１３に示すように第２スコア情報１４５Ｂは、企業ＩＤ、経営情報の種類、企業名などの基本情報を備える。図１３に示すように第２スコア情報１４５Ｂは、解析に使用されたキーワードの種類、キーワードグループ、重み係数、特定キーワードなどの情報を備えてもよい。

さらに第２スコア情報１４５Ｂは、「キーマン」や「設備」の有無の情報を備える。図１３の「キーマン」の欄は、例えばキーマンがいる場合は「ＨＩＴ」、キーマンがいない場合は「ＮＯＮＥ」とする。キーマンがいる場合は「１」、キーマンがいない場合は「０」としてもよい。図１３の「設備」の欄は、例えば不動産設備がある場合は「ＨＩＴ」、不動産設備がいない場合は「ＮＯＮＥ」とする。不動産設備がある場合は「１」、不動産設備がない場合は「０」としてもよい。

図１３の出現回数ＨＢ１１は、キーワードグループ（ＫＷグループ）ＧＢ１の特定キーワードＫＢ１１の出現回数であり、出現回数ＨＢ２１は、キーワードグループＧＢ２の特定キーワードＫＢ２１の出現回数である。出現回数ＨＣ１１は、キーワードグループ（ＫＷグループ）ＧＣ１の特定キーワードＫＣ１１の出現回数であり、出現回数ＨＣ２１は、キーワードグループＧＣ２の特定キーワードＫＣ２１の出現回数である。

図１３の各キーワードグループのワードヒット情報は、そのキーワードグループに含まれる各特定キーワードの出現回数の総和である。例えばＨＧＢ１は、キーワードグループＧＢ１の特定キーワードの出現回数ＨＢ１１、ＨＢ１２、・・・をすべて足し算したものである。図１３のキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃとのキーワードグループがｎ個の場合、そのワードヒット情報ＨＧＢ１〜ＨＧＢｎ、ＨＧＣ１〜ＨＧＣｎと重み係数ＷＢ１〜ＷＢｎ、ＷＣ１〜ＷＣｎから第２スコアＳａ２は下記数式（３）で表すことができる。ただし、第２スコアＳａ２の算出式は、下記数式（３）に限られない。

Ｓａ２＝ＨＧＢ１×ＷＢ１＋ＨＧＢ２×ＷＢ２＋・・・＋ＨＧＢｎ×ＷＢｎ
＋ＨＧＣ１×ＷＣ１＋ＨＧＣ２×ＷＣ２＋・・・＋ＨＧＣｎ×ＷＣｎ
・・・（３）

図１２及び図１３におけるキーワードグループの重み係数は、自由に設定できる。熟練した営業マンが自らの経験を基づいて重み係数を設定することで、不動産取引需要の可能性の高い有力な営業先企業の経営情報ほど第１スコア、第２スコアが高くなるようにすることができる。このように、特定キーワードをグループ分けすることで、不動産取引需要の可能性に応じて重み係数を変えることができる。

次に、第２実施形態に係る営業支援装置１０が行う経営情報解析処理について図１４乃至図１７を参照しながら説明する。図１４は第１経営情報解析処理の具体例を示すフローチャートであり、図１５は第１経営情報解析処理における第１特定キーワード判定の具体例を示すフローチャートである。図１６は第２経営情報解析処理の具体例を示すフローチャートであり、図１７は第２経営情報解析処理における第２特定キーワード判定の具体例を示すフローチャートである。

図１４の第１経営情報解析処理と図１６の第２経営情報解析処理とでは、営業先企業候補を選定するためのアプローチ方法が異なる。第１経営情報解析処理では、各企業の中期経営計画（第１経営情報１４３Ａの例示）を動向予測キーワード１４４Ａ（第１特定キーワードの例示）によって判定し、その解析結果から営業先企業候補を選定する。すなわち、第１経営情報解析処理では、不動産取引の動向を予測可能な特定キーワードが多く含まれやすい中期経営計画を対象とし、動向予測キーワード１４４Ａがどのくらい含まれるかによって有力な営業先企業候補を選定できる（第１アプローチ）。

他方、第２経営情報解析処理では、各企業の有価証券報告書（第２経営情報１４３Ｂの例示）をキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃ（第２特定キーワードの例示）によって判定し、その解析結果から営業先企業候補を選定する。すなわち、役員情報や設備情報に関する特定キーワードが含まれやすい有価証券報告書を対象とし、不動産取引のキーマンとなり得る人材や不動産設備によって営業先企業候補を選定できる（第２アプローチ）。

第１経営情報解析処理及び第２経営情報解析処理は、制御部１２（情報取得部１２１、キーワード判定部１２２、スコア取得部１２３、企業選定部１２４、出力部１２６など）によってプログラム記憶部１４１から必要なプログラムが読み出されて実行される。

先ず図１４に示す第１経営情報解析処理について詳細に説明する。ステップＳ２１０にて制御部１２は、各企業の第１経営情報１４３Ａを取得する。具体的には情報取得部１２１が、経営情報提供サーバ３０から通信部１１を介して各企業の中期経営計画書を第１経営情報１４３Ａとして取得し経営情報データベース１４３に記憶する。情報取得部１２１は、取得した中期経営計画書が文字列検索（テキスト検索）できる文書データ（テキストを含むＰＤＦなど）の場合はそのまま経営情報データベース１４３に記憶し、文字列検索できない文書データ（文書が画像として取り込まれたＰＤＦなど）の場合は文字列検索できるデータに変換して経営情報データベース１４３に記憶する。

次いでステップＳ２２０にて制御部１２は、情報取得部１２１で取得された中期経営計画書の文書データのそれぞれについて第１特定キーワード判定を行う。第１特定キーワード判定は、中期経営計画書に含まれる第１特定キーワードの出現回数を取得し、その出現回数と重み係数から第１スコアを取得する。ここでの第１特定キーワードは、動向予測キーワード１４４Ａの各キーワードグループに含まれる特定キーワードである。

第１特定キーワード判定は、例えば図１５に示す手順で実行される。ステップＳ２２１にて制御部１２は、キーワードグループ毎に各第１特定キーワード（第１特定ＫＷ）の出現回数を取得する。具体的にはキーワード判定部１２２が、経営情報データベース１４３の中期経営計画書の文書データを読み出して、その文書データにキーワードグループ毎に関連づけられた第１特定キーワードが含まれるか否かを判定する。キーワード判定部１２２は、第１特定キーワードの出現回数をカウントし、カウントされた出現回数を当該経営情報に関連づけてスコアデータベース１４５に第１スコア情報１４５Ａとして記憶する。

次にステップＳ２２２にて制御部１２は、当該中期経営計画書に関連づけられた第１特定キーワードの出現回数と重み係数に基づいて当該中期経営計画書の第１スコアを算出する。具体的にはスコア取得部１２３が、キーワードグループ毎に第１特定キーワードの出現回数から得られるワードヒット情報と重み係数から第１スコアを算出し、当該中期経営計画書に関連づけてスコアデータベース１４５に第１スコア情報１４５Ａとして記憶する。ステップＳ２２２の第１スコアの取得は、情報取得部１２１で取得したすべての中期経営計画書の文書データについて行う。この第１スコアが第１特定キーワード判定による第１経営情報１４３Ａの解析結果となる。

次に図１４に示すステップＳ２３０にて制御部１２は、第１特定キーワード判定による第１経営情報１４３Ａの解析結果から営業先企業候補を選定する。具体的には企業選定部１２４が、スコアデータベース１４５に記憶された中期経営計画書の第１スコアが所定の閾値（第１閾値）以上の企業を営業先企業候補として選定する。なお、ステップＳ２３０の処理は、スコアデータベース１４５に記憶されたすべての企業について最新の中期経営計画書の第１スコアを対象にして行われる。これにより、常に最新の中期経営計画書から営業先企業候補を選定できる。

次にステップＳ２４０にて制御部１２は、ステップＳ２３０で選定された企業を端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０に第１アプローチ情報として表示させる。例えば出力部１２６は、選定された企業が第１スコアの高い順に上位に表示されるように表示データを生成する。なお、ステップＳ２４０の処理は、端末装置２０からアプローチ情報の表示リクエストを受信することで出力部１２６が実行するようにしてもよい。他方、ステップＳ２１０〜ステップＳ２３０の処理は、特定の経営情報提供サイトの定期的なクローリングにより自動的に実行されるようにしてもよく、端末装置２０からのリクエストで実行されるようにしてもよい。

次に図１６に示す第２経営情報解析処理について詳細に説明する。ステップＳ３１０にて制御部１２は、各企業の第２経営情報１４３Ｂを取得する。具体的には情報取得部１２１が、経営情報提供サーバ３０から通信部１１を介して各企業の有価証券報告書を第２経営情報１４３Ｂとして取得し経営情報データベース１４３に記憶する。情報取得部１２１は、取得した有価証券報告書が文字列検索（テキスト検索）できる文書データ（テキストを含むＰＤＦ、ＸＭＬ、ＸＢＲＬなど）の場合はそのまま経営情報データベース１４３に記憶し、文字列検索できない文書データ（文書が画像として取り込まれたＰＤＦなど）の場合は文字列検索できるデータに変換して経営情報データベース１４３に記憶する。

次いでステップＳ３２０にて制御部１２は、情報取得部１２１で取得された有価証券報告書の文書データのそれぞれについて第２特定キーワード判定を行う。第２特定キーワード判定は、有価証券報告書に含まれる第２特定キーワードの出現回数を取得し、その出現回数と重み係数から第２スコアを取得する。ここでの第２特定キーワードは、キーマンキーワード１４４Ｂ及び設備状況キーワード１４４Ｃの各キーワードグループに含まれる特定キーワードである。

第２特定キーワード判定は、例えば図１７に示す手順で実行される。ステップＳ３２１にて制御部１２は、キーマンキーワード１４４Ｂの特定キーワードを含むキーマンがいるか否かを判断する。具体的にはキーワード判定部１２２が、ステップＳ３２１にて第２スコア情報１４５Ｂを参照し、キーマンキーワード１４４Ｂの特定キーワードが出現する場合は、ステップＳ３２２にてキーマンありとする。具体的には図１３に示すように第２スコア情報１４５Ｂのキーマンの欄を「ＨＩＴ」又は「１」にする。ステップＳ３２１にてキーマンキーワード１４４Ｂの特定キーワードが出現しない場合は、キーマンなしとして第２スコア情報１４５Ｂのキーマンの欄を「ＮＯＮＥ」又は「０」にする。

次いでステップＳ３２３にて制御部１２は、設備状況キーワード１４４Ｃの特定キーワードを含む設備があるか否かを判断する。具体的にはキーワード判定部１２２は、ステップＳ３２３にて第２スコア情報１４５Ｂを参照し、設備状況キーワード１４４Ｃの特定キーワードが出現する場合は、ステップＳ３２４にて設備ありとする。具体的には図１３に示すように第２スコア情報１４５Ｂの設備の欄を「ＨＩＴ」又は「１」にする。ステップＳ３２４にて設備状況キーワード１４４Ｃの特定キーワードが出現しない場合は、設備なしとして第２スコア情報１４５Ｂの設備の欄を「ＮＯＮＥ」又は「０」にする。

次いでステップＳ３２５にて制御部１２は、キーワードグループ毎に各第２特定キーワード（第２特定ＫＷ）の出現回数を取得する。具体的にはキーワード判定部１２２が、経営情報データベース１４３の有価証券報告書の文書データを読み出して、その文書データにキーワードグループ毎に関連づけられた第２特定キーワードが含まれるか否かを判定する。キーワード判定部１２２は、第２特定キーワードの出現回数をカウントし、カウントされた出現回数を当該経営情報に関連づけてスコアデータベース１４５に第２スコア情報１４５Ｂとして記憶する。

次にステップＳ３２６にて制御部１２は、当該有価証券報告書に関連づけられた第２特定キーワードの出現回数と重み係数に基づいて当該有価証券報告書の第２スコアを算出する。具体的にはスコア取得部１２３が、キーワードグループ毎に第２特定キーワードの出現回数から得られるワードヒット情報と重み係数から第２スコアを算出し、当該有価証券報告書に関連づけてスコアデータベース１４５に第２スコア情報１４５Ｂとして記憶する。ステップＳ３２６の第２スコアの取得は、情報取得部１２１で取得したすべての有価証券報告書の文書データについて行う。この第２スコアが第２特定キーワード判定による第２経営情報１４３Ｂの解析結果となる。

なお、第２特定キーワード判定を行う場合に、第２経営情報１４３Ｂの領域を特定して判定するようにしてもよい。例えば有価証券報告書の役員に関する欄の領域を特定してキーマンキーワード１４４Ｂが含まれるか否かを判定し、有価証券報告書の設備に関する欄の領域を特定して設備状況キーワード１４４Ｃが含まれるか否かを判定する。これにより、役員や設備とは別の欄で特定キーワードがヒットすることを避けることができるので、役員や設備をもつ企業を見つけやすくなる。

次に図１６に示すステップＳ３３０にて制御部１２は、第２特定キーワード判定による第２経営情報１４３Ｂの解析結果から営業先企業候補を選定する。具体的には企業選定部１２４が、スコアデータベース１４５に記憶された有価証券報告書の第２スコアが所定の閾値（第２閾値）以上の企業を営業先企業候補として選定する。なお、ステップＳ３３０の処理は、スコアデータベース１４５に記憶されたすべての企業について最新の有価証券報告書の第２スコアを対象にして行われる。これにより、常に最新の有価証券報告書から営業先企業候補を選定できる。

次にステップＳ３４０にて制御部１２は、ステップＳ３３０で選定された企業を端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０に第２アプローチ情報として表示させる。例えば出力部１２６は、選定された企業が第２スコアの高い順に上位に表示されるように表示データを生成する。なお、ステップＳ３４０の処理は、端末装置２０からアプローチ情報の表示リクエストを受信することで出力部１２６が実行するようにしてもよい。他方、ステップＳ３１０〜ステップＳ３３０の処理は、特定の経営情報提供サイトの定期的なクローリングにより自動的に実行されるようにしてもよく、端末装置２０からのリクエストで実行されるようにしてもよい。

図１８は、端末装置２０の表示部２６に表示される表示画面の具体例を示す図である。図１８の表示画面ＳＣ１には、営業支援装置１０で選定された第１営業先企業候補が第１アプローチ情報としてリスト表示され、営業支援装置１０で選定された第２営業先企業候補が第２アプローチ情報としてリスト表示される。

なお、図１８の表示画面ＳＣ１は、第１アプローチ情報と第２営業先企業候補を同時に表示する場合を例示したが、これに限られず、第１アプローチ情報と第２営業先企業候補の何れか一方の表示を選択できるようにしてもよい。営業支援装置１０は、端末装置２０からのリクエストに応じて第１アプローチ情報と第２営業先企業候補の両方または何れか一方を表示する表示データを生成し、端末装置２０に送信する。

第１アプローチ情報の表示項目は、「日付」、「企業名」、「株式コード」、「第１営業情報」、「第１スコア」、「備考」などである。第２アプローチ情報の表示項目は、「日付」、「企業名」、「株式コード」、「第２営業情報」、「第２スコア」、「キーマン」、「設備」などである。第１営業先企業候補は、第１スコアが高いほど上位に表示され、第２営業先企業候補は、第２スコアが高いほど上位に表示されるようにする。これにより、営業成功の可能性が高い企業ほど上位に表示することができる。

第１アプローチ情報と第２アプローチ情報の表示項目は、図１８に示すものに限られない。例えば「上場市場」、「資本金」、「業種」、「業態」、「従業員数」、「決算日」、「所在地」などの項目を設けるようにしてもよい。検索期間の項目を設けてその項目に期間を入力可能とし、入力した期間内の第１経営情報１４３Ａ又は第２経営情報１４３Ｂの解析で選択された企業に絞り込んで表示できるようにしてもよい。

さらに「評価」の項目を設けるようにしてもよい。「評価」の項目には、第１実施形態の場合と同様に例えば営業に役に立ったかどうかを３段階や５段階などの複数段階で評価する数値を入力できるようにする。また、第１実施形態のように「第１経営情報」の項目に表示される文字には、経営情報データベース１４３の第１経営情報１４３Ａの文書データが表示されるようにリンクを貼り付けるようにしてもよい。「第２経営情報」の項目に表示される文字には、経営情報データベース１４３の第２経営情報１４３Ｂの文書データが表示されるようにリンクを貼り付けるようにしてもよい。

図１９は、端末装置２０の表示部２６に表示される表示画面の他の具体例を示す図である。図１９の表示画面ＳＣ２は、図１８と同様の第１アプローチ情報と第２アプローチ情報に加えて、総合アプローチ情報を表示する場合を例示する。総合アプローチ情報は、第１アプローチ情報と第２アプローチ情報を総合して順位づけした営業先企業候補をリスト表示するものである。総合アプローチ情報では、総合スコアが高い順に営業先企業候補がリスト表示される。

総合スコアは、例えば企業毎に第１スコアと第２スコアとを加算して算出される。具体的には図１９のＡ企業は第１スコアが「７０」で第２スコアが「８０」であるため、総合スコアが「１５０」であり、Ｂ企業は第１スコアが「８０」で第２スコアが「５０」であるため、総合スコアが「１００」である。したがって、総合アプローチ情報では総合スコアが高いＡ企業がＢ企業よりも総合で上位に表示される。総合スコアの算出方法は、例示したものに限られない。例えば重み係数を付与した第１スコアと第２スコアを加算して総合スコアを算出してもよい。なお、図１８の表示画面ＳＣ１及び図１９の表示画面ＳＣ２において第１アプローチ情報、第２アプローチ情報、総合アプローチ情報はそれぞれスクロールすることによって下位の企業も表示されるようにすることができる。

以上のような第２実施形態に係る営業支援装置１０によれば第１実施形態と同様に、企業の経営情報から不動産取引需要の可能性のある企業を営業先企業候補として自動的に選定できる。したがって、営業先企業候補を選定する時間と手間を大幅に省くことができ、営業活動を効率化できる。さらに、第２実施形態では、第１経営情報１４３Ａや第２経営情報１４３Ｂのように経営情報の種類に応じて特定キーワードの種類を変えることで、異なる種類の経営情報に同じ特定キーワードを用いる場合に比較して、経営情報の特定キーワード判定による解析結果を有力な営業先企業候補の選定につなげる効果を大幅に高めることができる。したがって、有力な営業先企業候補が選定される精度を大幅に高めることができる。また、図１８や図１９のように第１経営情報１４３Ａによる営業先企業候補と、第２経営情報１４３Ｂによる営業先企業候補とを別々に表示するので、営業先企業候補がどの経営情報によって選定されたかが分かりやすくなる。これにより、営業先企業候補に挙げられる企業への営業戦略を立てやすくなる。

＜第３実施形態＞
本発明の第３実施形態について説明する。第１実施形態の特定キーワード判定処理（図６のステップＳ１２０）では、経営情報の文書データに含まれる特定キーワードの出現回数と重み係数に基づいてその経営情報のスコアを算出する場合を例示した。これに対して第３実施形態の特定キーワード判定処理では、学習済みモデル（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）によって経営情報のスコアを取得する場合を例示する。図２０は、第３実施形態に係る営業支援システム１００の具体的構成例を示すブロック図であり、図２に対応する。図２０の記憶部１４は、学習済みモデル１４６を記憶する点で図２と異なる。

図２１は、学習済みモデル１４６の構成例を示す図である。図２１の学習済みモデル１４６は、経営情報の文書データに含まれる特定キーワードの出現回数情報を入力することでその経営情報のスコアを出力するように学習されている。例えば特定キーワードは、動向予測キーワードにおけるキーワードグループのそれぞれに含まれる各特定キーワードである。

特定キーワードの出現回数情報は、例えば各キーワードグループに関連づけられた特定キーワードの出現回数の情報である。具体的には特定キーワードの出現回数情報は、図４に示す各キーワードグループのワードヒット情報ＨＧＡ１〜ＨＧＡｎであり、これらが別々に学習済みモデル１４６に入力される。ただし、特定キーワードの出現回数情報はワードヒット情報に限られず、例えば図４に示す各キーワードグループに含まれる各特定キーワードの出現回数ＨＡ１１、ＨＡ１２、・・・、ＨＡ２１、ＨＡ２２、・・・が別々に学習済みモデル１４６に入力されるようにしてもよい。

このように学習済みモデル１４６には、不動産取引に関連する企業経営上の異なる特徴を表すキーワードグループのそれぞれに関連づけられた特定キーワードの出現回数の情報（例えばワードヒット情報）が別々に入力される。これにより、特定キーワードの出現回数の情報をまとめて入力する場合に比較して、不動産取引に関連する企業経営上の特徴が反映されやすい学習済みモデル１４６を構成できる。このような学習済みモデル１４６の出力されるスコアから営業先企業候補を選定することで、有力な営業先企業が選定される精度を高めることができる。

図２１には、機械学習によって学習されたニューラルネットワークで構成される学習済みモデル１４６を例示する。学習済みモデル１４６は、入力層、中間層、出力層を備える。それぞれの層は、複数のノードで構成される。例えば特定キーワードの出現回数情報として図４のｎ個のキーワードグループのワードヒット情報を入力し、経営情報のスコアを出力する学習済みモデル１４６では、入力層のノード数はｎ個であり、出力層のノード数は１である。各層に含まれるノードの数や中間層の層数は図示したものに限られない。学習済みモデル１４６は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）で構築してもよく、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）で構成してもよい。

学習済みモデル１４６は、例えば深層学習アルゴリズムを用いて教師あり学習で構築したディープラーニングモデルである。具体的には学習済みモデル１４６は、経営情報の文書データに含まれる特定キーワードの出現回数情報とその経営情報のスコア（正解ラベル）を１セットとした教師データを用いて学習する。学習済みモデル１４６は、教師データに含まれる特定キーワードの出現回数情報を入力層に入力した場合に、スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示すスコアに近づくような学習処理を行う。学習処理において学習済みモデル１４６は、入力に対して行う所定の演算を規定する関数の係数や閾値等のデータを最適化する。

第３実施形態に係る営業支援装置１０が行う経営情報解析処理は、図６に示すものと同様である。第３実施形態ではスコアの取得方法（図７のステップＳ１２２）が第１実施形態と異なる。図７に示す特定キーワード判定処理のうちステップＳ１２２において、第１実施形態では、特定キーワードの出現回数と重み係数に基づいてスコアを算出して取得するのに対して、第３実施形態では、学習済みモデル１４６の出力からスコアを取得する点で異なる。具体的には第３実施形態ではステップＳ１２２にてキーワード判定部１２２は、特定キーワード出現回数を入力して得られる学習済みモデル１４６の出力からスコアを取得する。

このように、経営情報の特定キーワード判定処理に図２１のような学習済みモデル１４６を用いて、特定キーワード出現回数情報を入力することで、第１実施形態のように特定キーワードの重み係数を予め設定しなくても、学習済みモデル１４６により重みが最適化されたスコアを取得できる。これにより、経営情報の特定キーワード判定による解析結果を有力な営業先企業候補の選定に効果的につなげることができる。なお、入力に用いられる出現回数情報は、正規化又は標準化したものを教師データとして用いることができる。

図２２は、学習済みモデル１４６の他の構成例を示す図である。図２２の学習済みモデル１４６は、経営情報と特定キーワード情報とを入力することでスコアを出力するように学習されている。図２２の学習済みモデル１４６も図２１と同様に機械学習によって学習されたニューラルネットワークで構成される。具体的には図２２の学習済みモデル１４６は、経営情報と特定キーワード情報とスコア（正解ラベル）を１セットとした教師データを用いて学習する。

図２２の学習済みモデル１４６は、教師データに含まれる経営情報と特定キーワード情報とを入力層に入力した場合に、スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示すスコアに近づくような学習処理を行う。

学習済みモデル１４６に入力する経営情報は、例えば経営計画書や有価証券報告書などの文書データに含まれるキーワード（単語など）を既知の方法で数値化（例えばベクトル化）したものである。特定キーワード情報は、各キーワードグループに関連づけられた特定キーワードを既知の方法で数値化（例えばベクトル化）したものである。例えば図４に示すキーワードグループのそれぞれに含まれる各特定キーワードＫＡ１１、ＫＡ１２、・・・、ＫＡ２１、ＫＡ２２、・・・を数値化したものである。経営情報と特定キーワード情報は、例えば数値化したデータを正規化又は標準化したものを入力データや教師データとして用いることができる。

このように、経営情報の特定キーワード判定処理に図２２のような学習済みモデル１４６を用いることで、経営情報と特定キーワード情報を入力することで学習済みモデル１４６の出力からスコアを取得できる。これにより、特定キーワード判定処理を簡素化できる。

図２１及び図２２の学習済みモデル１４６を学習させる際に、教師データに含まれる正解ラベルを示すスコアを、熟練営業マンが知識や経験などから得られるスコアにすることで、熟練営業マンの知識や経験を学習させることができる。これにより、熟練営業マンが算出するような最適なスコアを出力するように学習済みモデル１４６を構築できるから、不動産取引需要のある有力な営業先企業候補を効率よく探し出すことができる。なお、学習済みモデル１４６を追加学習させることで、スコアの精度を高めることができる。

＜第４実施形態＞
本発明の第４実施形態について説明する。第４実施形態の特定キーワード判定処理では、第２実施形態の第１経営情報１４３Ａの第１スコアと第２経営情報１４３Ｂの第２スコアとを別々の学習済みモデル（ＡＩ）によって取得する場合を例示する。図２３は、第４実施形態に係る営業支援システム１００の具体的構成例を示すブロック図であり、図８に対応する。図２３の記憶部１４は、２つの第１学習済みモデル１４６Ａ及び第２学習済みモデル１４６Ｂを記憶する点で図８と異なる。また説明を分かり易くするため、キーワードデータベース１４４（キーワードＤＢ）が記憶する特定キーワードを第１特定キーワード１４４ａと第２特定キーワード１４４ｂとした。

図２４は、第１学習済みモデル１４６Ａの構成例を示す図であり、図２５は、第２学習済みモデル１４６Ｂの構成例を示す図である。図２４の第１学習済みモデル１４６Ａは、第１経営情報１４３Ａに含まれる第１特定キーワード１４４ａの出現回数情報を入力することで第１スコアを出力するように学習されている。図２５の第２学習済みモデル１４６Ｂは、第２経営情報１４３Ｂに含まれる第２特定キーワード１４４ｂの出現回数情報を入力することで第２スコアを出力するように学習されている。

第１特定キーワード１４４ａは第２実施形態と同様に、動向予測キーワード１４４Ａにおけるキーワードグループのそれぞれに含まれる各特定キーワードである。第１特定キーワード１４４ａの出現回数情報は、例えば動向予測キーワード１４４Ａにおけるキーワードグループのそれぞれに関連づけられた各特定キーワードの出現回数の情報である。具体的には第１特定キーワード１４４ａの出現回数情報は、図１２に示す動向予測キーワード１４４Ａにおける各キーワードグループのワードヒット情報ＨＧＡ１〜ＨＧＡｎであり、これらが別々に第１学習済みモデル１４６Ａに入力される。ただし、第１特定キーワード１４４ａの出現回数情報はワードヒット情報に限られず、例えば図１２に示す動向予測キーワード１４４Ａにおける各キーワードグループに含まれる各特定キーワードの出現回数ＨＡ１１、ＨＡ１２、・・・、ＨＡ２１、ＨＡ２２、・・・が別々に第１学習済みモデル１４６Ａに入力されるようにしてもよい。

第２特定キーワード１４４ｂは第２実施形態と同様に、キーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃにおけるキーワードグループのそれぞれに含まれる各特定キーワードである。なお、第２特定キーワード１４４ｂはキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃの一方のみに含まれる特定キーワードであってもよい。第２特定キーワード１４４ｂの出現回数情報は、例えばキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃにおけるキーワードグループのそれぞれに関連づけられた各特定キーワードの出現回数の情報である。

具体的には第２特定キーワード１４４ｂの出現回数情報は、図１３に示すキーマンキーワード１４４Ｂにおける各キーワードグループのワードヒット情報ＨＧＢ１〜ＨＧＢｎと、設備状況キーワード１４４Ｃにおける各キーワードグループのワードヒット情報ＨＧＣ１〜ＨＧＣｎとであり、これらが別々に第２学習済みモデル１４６Ｂに入力される。ただし、第２特定キーワード１４４ｂの出現回数情報はワードヒット情報に限られず、例えば図１３に示すキーマンキーワード１４４Ｂの各キーワードグループに含まれる各特定キーワードの出現回数ＨＢ１１、ＨＢ１２、・・・、ＨＢ２１、ＨＢ２２、・・・と、設備状況キーワード１４４Ｃの各キーワードグループに含まれる各特定キーワードの出現回数ＨＣ１１、ＨＣ１２、・・・、ＨＣ２１、ＨＣ２２、・・・と、が別々に第２学習済みモデル１４６Ｂに入力されるようにしてもよい。

第１学習済みモデル１４６Ａと第２学習済みモデル１４６Ｂはそれぞれ、機械学習によって学習されたニューラルネットワークで構成される。第１学習済みモデル１４６Ａ及び第２学習済みモデル１４６Ｂはそれぞれ、入力層、中間層、出力層を備える。入力層、中間層、出力層のそれぞれの層は、複数のノードで構成される。

例えば第１特定キーワード１４４ａの出現回数情報として図１２に示す動向予測キーワード１４４Ａのｎ個のワードヒット情報を入力し、第１スコアを出力する学習済みモデル１４６Ａでは、入力層のノード数はｎ個であり、出力層のノード数は１である。また第２特定キーワード１４４ｂの出現回数情報として図１３に示すキーマンキーワード１４４Ｂのｎ個のワードヒット情報と設備状況キーワード１４４Ｃのｎ個のワードヒット情報とを入力し、第２スコアを出力する学習済みモデル１４６Ｂでは、入力層のノード数はｎ個＋ｎ個であり、出力層のノード数は１である。各層に含まれるノードの数や中間層の層数は図示したものに限られない。第１学習済みモデル１４６Ａ及び第２学習済みモデル１４６ＢはＣＮＮで構成してもよく、ＲＮＮで構成してもよい。

第１学習済みモデル１４６Ａと第２学習済みモデル１４６Ｂは、例えば深層学習アルゴリズムを用いて教師あり学習で構築したディープラーニングモデルである。具体的には第１学習済みモデル１４６Ａは、第１経営情報１４３Ａの文書データに含まれる第１特定キーワード１４４ａの出現回数情報と第１スコア（正解ラベル）を１セットとした教師データを用いて学習する。第１学習済みモデル１４６Ａは、教師データに含まれる第１特定キーワード１４４ａの出現回数情報を入力層に入力した場合に、第１スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示す第１スコアに近づくような学習処理を行う。

第２学習済みモデル１４６Ｂは、第２経営情報１４３Ｂの文書データに含まれる第２特定キーワード１４４ｂの出現回数情報と第２スコア（正解ラベル）を１セットとした教師データを用いて学習する。第２学習済みモデル１４６Ｂは、教師データに含まれる第２特定キーワード１４４ｂの出現回数情報を入力層に入力した場合に、第２スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示す第２スコアに近づくような学習処理を行う。

教師データに含まれる正解ラベルを示す第１スコア及び第２スコアは、熟練営業マンが知識や経験などから得られるスコアにすることで、熟練営業マンの知識や経験を学習させることができる。これにより、熟練営業マンが算出するような最適なスコアを出力するように第１学習済みモデル１４６Ａ及び第２学習済みモデル１４６Ｂを構築できる。

このように、第４実施形態では、異なる種類の第１経営情報１４３Ａと第２経営情報１４３Ｂを別々に解析するための２つの学習済みモデル１４６Ａと学習済みモデル１４６Ａを備えることで、第１特定キーワード出現回数情報の入力による第１スコアの出力と、第２特定キーワード出現回数情報による第２スコアの出力とを別々に得られるので、１つの学習済みモデルで第１スコアの出力と第２スコアの出力を得る場合に比較して、第１経営情報と第２経営情報の解析精度を高めることができる。

第１特定キーワード判定処理に図２４のような学習済みモデル１４６Ａを用いて、第１経営情報１４３Ａの第１特定キーワード出現回数情報を入力することで、第２実施形態のように重み係数を予め設定しなくても、第１学習済みモデル１４６Ａにより重みが最適化された第１スコアを取得できる。これにより、第１経営情報１４３Ａの第１特定キーワード判定による解析結果を有力な営業先企業候補の選定に効果的につなげることができる。

第２特定キーワード判定処理に図２５のような学習済みモデル１４６Ｂを用いて、第２経営情報１４３Ｂの第２特定キーワード１４４ｂの出現回数情報を入力することで、第２実施形態のように重み係数を予め設定しなくても、第２学習済みモデル１４６Ｂにより重みが最適化された第２スコアを取得できる。これにより、第２経営情報１４３Ｂの第２特定キーワード判定による解析結果を有力な営業先企業候補の選定に効果的につなげることができる。

図２６は、第１学習済みモデル１４６Ａの他の構成例を示す図である。この第１学習済みモデル１４６Ａは、例えば機械学習によって学習されたニューラルネットワークで構成され、第１経営情報１４３Ａと第１特定キーワード情報とを入力することで第１スコアを出力するように学習されている。具体的には図２６の第１学習済みモデル１４６Ａは、第１経営情報１４３Ａと第１特定キーワード情報と第１スコア（正解ラベル）を１セットとした教師データを用いて学習する。

図２６の第１学習済みモデル１４６Ａは、教師データに含まれる第１経営情報１４３Ａと第１特定キーワード情報とを入力層に入力した場合に、第１スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示す第１スコアに近づくような学習処理を行う。

第１学習済みモデル１４６Ａに入力する第１経営情報１４３Ａは、例えば経営計画書などの文書データに含まれるキーワード（単語など）を既知の方法で数値化（例えばベクトル化）したものである。第１特定キーワード情報は、例えば図１２の動向予測キーワード１４４Ａにおける各キーワードグループに関連づけられた特定キーワードを既知の方法で数値化（例えばベクトル化）したものである。経営情報と特定キーワード情報は、例えば数値化したデータを正規化又は標準化したものを入力データや教師データとして用いることができる。

図２７は、第２学習済みモデル１４６Ｂの他の構成例を示す図である。この第２学習済みモデル１４６Ｂは、例えば機械学習によって学習されたニューラルネットワークで構成され、第２経営情報１４３Ｂと第２特定キーワード情報とを入力することで第２スコアを出力するように学習されている。具体的には図２７の第２学習済みモデル１４６Ｂは、第２経営情報１４３Ｂと第２特定キーワード情報と第２スコア（正解ラベル）を１セットとした教師データを用いて学習する。図２７の第２学習済みモデル１４６Ｂは、教師データに含まれる第２経営情報１４３Ｂと第２特定キーワード情報とを入力層に入力した場合に、第２スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示す第２スコアに近づくような学習処理を行う。

第２学習済みモデル１４６Ｂに入力する第２経営情報１４３Ｂは、例えば有価証券報告書などの文書データに含まれるキーワード（単語など）を既知の方法で数値化（例えばベクトル化）したものである。第２特定キーワード情報は、例えば図１３のキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃの各キーワードグループに関連づけられた特定キーワードを既知の方法で数値化（例えばベクトル化）したものである。第２経営情報１４３Ｂと第２特定キーワード情報は、例えば数値化したデータを正規化又は標準化したものを入力データや教師データとして用いることができる。

このように、第１経営情報１４３Ａの第１特定キーワード判定処理に図２６のような第１学習済みモデル１４６Ａを用いることで、第１経営情報１４３Ａと第１特定キーワード情報を入力することで第１学習済みモデル１４６Ａの出力から第１スコアを取得できる。これにより、第１特定キーワード判定処理を簡素化できる。また第２経営情報１４３Ｂの第２特定キーワード判定処理に図２７のような第２学習済みモデル１４６Ｂを用いることで、第２経営情報１４３Ｂと第２特定キーワード情報を入力することで第２学習済みモデル１４６Ｂの出力から第２スコアを取得できる。これにより、第２特定キーワード判定処理を簡素化できる。

上記第４実施形態では、種類が異なる２つの第１経営情報１４３Ａと第２経営情報１４３Ｂからそれぞれのスコアを取得する２つの第１学習済みモデル１４６Ａと第２学習済みモデル１４６Ｂを例示したが、学習済みモデルは２つに限られない。３種類以上の経営情報のスコアを算出する場合には、３つ以上の学習済みモデルを経営情報の種類毎に設けるようにしてもよい。

また、上記第４実施形態では、経営情報毎に別々の学習済みモデルで別々のスコアを取得する場合を例示したが、これに限られず、例えば図２８に示すように１つの学習済みモデルで複数の経営情報から総合スコアを企業毎に取得するようにしてもよい。

図２８は、学習済みモデルの他の構成例を示す図である。図２８は、１つの第３学習済みモデル１４６Ｃで第１経営情報１４３Ａと第２経営情報１４３Ｂから図１９に示すような総合スコアを企業毎に取得する場合を例示する。図１９では、スコア取得部１２３が総合スコアを算出して取得する場合を例示したが、図２８では、スコア取得部１２３が第３学習済みモデル１４６Ｃの出力から総合スコアを取得する場合を例示する。

第３学習済みモデル１４６Ｃは、１つの企業の第１経営情報１４３Ａに関連づけられた第１特定キーワード１４４ａの出現回数情報と、その企業の第２経営情報１４３Ｂに関連づけられた第２特定キーワード１４４ｂの出現回数情報とを入力することで、その企業の総合スコアを出力するように学習されている。総合スコアは、企業毎に関連づけられて記憶部１４のスコアデータベース１４５に総合スコア情報として記憶される。

第１経営情報１４３Ａに関連づけられた第１特定キーワード１４４ａの出現回数情報は、第１経営情報１４３Ａ中の第１特定キーワード１４４ａの出現回数の情報である。例えば動向予測キーワード１４４Ａにおけるキーワードグループのそれぞれに関連づけられた各特定キーワードの出現回数の情報である。具体的には図１２に示す動向予測キーワード１４４Ａにおける各キーワードグループのワードヒット情報ＨＧＡ１〜ＨＧＡｎである。ただし、これに限られず、第１特定キーワード１４４ａの出現回数情報は例えば図１２に示す動向予測キーワード１４４Ａにおける各キーワードグループに含まれる各特定キーワードの出現回数であってもよい。

第２経営情報１４３Ｂに関連づけられた第２特定キーワード１４４ｂの出現回数情報は、第２経営情報１４３Ｂ中の第２特定キーワード１４４ｂの出現回数の情報である。例えばキーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃにおけるキーワードグループのそれぞれに関連づけられた各特定キーワードの出現回数の情報である。具体的には図１３に示すキーマンキーワード１４４Ｂにおける各キーワードグループのワードヒット情報ＨＧＢ１〜ＨＧＢｎと、設備状況キーワード１４４Ｃにおける各キーワードグループのワードヒット情報ＨＧＣ１〜ＨＧＣｎとである。ただし、これに限られず、第２特定キーワード１４４ｂの出現回数情報は例えば図１３に示すキーマンキーワード１４４Ｂの各キーワードグループに含まれる各特定キーワードの出現回数と、設備状況キーワード１４４Ｃの各キーワードグループに含まれる各特定キーワードの出現回数との一方または両方であってもよい。

第３学習済みモデル１４６Ｃは、機械学習によって学習されたニューラルネットワークで構成される。第３学習済みモデル１４６Ｃは、入力層、中間層、出力層を備える。入力層、中間層、出力層のそれぞれの層は、複数のノードで構成される。各層に含まれるノードの数や中間層の層数は図示したものに限られない。第３学習済みモデル１４６ＣはＣＮＮで構成してもよく、ＲＮＮで構成してもよい。

第３学習済みモデル１４６Ｃは、例えば深層学習アルゴリズムを用いて教師あり学習で構築したディープラーニングモデルである。具体的には第３学習済みモデル１４６Ｃは、第１経営情報１４３Ａに関連づけられた第１特定キーワード１４４ａ（第１特定ＫＷ）の出現回数情報と第２経営情報１４３Ｂに関連づけられた第２特定キーワード１４４ｂ（第２特定ＫＷ）の出現回数情報と総合スコア（正解ラベル）を１セットとした教師データを用いて学習する。第３学習済みモデル１４６Ｃは、第１経営情報１４３Ａに関連づけられた第１特定キーワード１４４ａの出現回数情報と第２経営情報１４３Ｂに関連づけられた第２特定キーワード１４４ｂの出現回数情報とを入力層に入力した場合に、総合スコアに対応する出力層の出力が教師データに含まれる正解ラベルを示す総合スコアに近づくような学習処理を行う。

図２３の記憶部１４には、第１学習済みモデル１４６Ａと第２学習済みモデル１４６Ｂに第３学習済みモデル１４６Ｃを追加で記憶するようにしてもよい。この場合、図１９に示すように第１学習済みモデル１４６Ａからの第１スコアは第１アプローチ情報に表示し、第２学習済みモデル１４６Ｂからの第２スコアは第２アプローチ情報に表示し、第３学習済みモデル１４６Ｃからの総合スコアは総合アプローチ情報に表示する。なお、図２３の記憶部１４には、第１学習済みモデル１４６Ａと第２学習済みモデル１４６Ｂの代わりに第３学習済みモデル１４６Ｃを記憶するようにしてもよい。

図２８の第３学習済みモデル１４６Ｃによれば、異なる種類の複数の経営情報にそれぞれ関連づけられた特定キーワード出現回数の情報を別々に入力するので、複数の経営情報における特定キーワードの出現回数をまとめて入力する場合に比較して総合スコアの精度を高めることができる。

＜第５実施形態＞
本発明の第５実施形態について説明する。第５実施形態は企業毎に蓄積された経営情報のスコアの推移から経営方針の変化を推測し、方針変化のある企業を選定する場合を例示する。経営方針が変化した企業は、営業を掛けるタイミングが最適な企業である可能性が高い。経営方針が変わると経営情報の内容も変わるので、使われる特定キーワードも変わる可能性が高い。そのため、例えば特定キーワードが増えて経営情報のスコアが高くなれば不動産取引需要の可能性が高まったことが分かる。

そこで本実施形態では、経営情報の特定キーワードのスコアの推移から経営情報に変化がある企業を見つけ出して抽出する。これにより、経営方針が変化した企業を抽出できるから、営業を掛けるタイミングが最適な企業に優先してアプローチできるようになる。

第５実施形態では、図２のスコアデータベース１４５（スコアＤＢ）に、企業毎に各期（各次）の経営情報のスコアが蓄積される。図２の企業選定部１２４が行う第５実施形態の営業先企業候補の選定処理では、スコア取得部１２３で取得した経営情報のスコアが、所定の閾値以上であってスコアデータベース１４５から取得した直前のスコアよりも大きい企業を営業先企業候補として選定する。

第５実施形態による営業先企業候補の選定処理は、例えば図２９に示す手順で実行される。図２９は、第５実施形態の営業先企業候補選定処理の具体例を示すフローチャートであり、図６のステップＳ１３０の変形例に相当する。

第５実施形態では図６のステップＳ１３０にて制御部１２は、最新の経営情報のスコアが直前の経営情報のスコアよりも大きい企業を営業先企業候補として選定する。具体的には、図２９のステップＳ１３１にて企業選定部１２４は、スコアデータベース１４５に記憶された最新の経営情報のスコア（最新のスコア）が所定の閾値以上か否かを判断する。企業選定部１２４は、ステップＳ１３１にて最新の経営情報のスコアが所定の閾値以上であると判断した場合は、ステップＳ１３２にてスコアデータベース１４５からその企業の直前の経営情報のスコア（直前のスコア）を取得する。

次いでステップＳ１３３にて企業選定部１２４は、最新の経営情報のスコアが直前の経営情報のスコアよりも大きいか否かを判断する。企業選定部１２４は、ステップＳ１３３にて最新の経営情報のスコアが直前の経営情報のスコアよりも大きいと判断した場合は、ステップＳ１３４にてその企業を経営先企業として選定する。

企業選定部１２４は、最新の経営情報のスコアが所定の閾値以上でないと判断した場合（ステップＳ１３１のＮＯ）、直前の経営情報のスコアよりも大きくないと判断した場合（ステップＳ１３３のＮＯ）は、その企業を経営先企業として選定しない。

第５実施形態のステップＳ１３０の処理は、スコアデータベース１４５に記憶されたすべての企業について最新の経営情報についてのスコアを対象にして行われる。すべての企業について選定処理が終了すると、制御部１２は図６のステップＳ１４０にて、ステップＳ１３０で選定された企業を端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０にアプローチ情報として表示させる。例えば出力部１２６は、選定された企業がスコアの高い順に上位に表示されるように表示データを生成する。

このように第５実施形態によれば、最新の経営情報のスコアからだけでは分からない直前の経営情報からのスコアの変化まで分かる。すなわち、最新の経営情報のスコアだけでは不可能であった経営方針の変化があったかどうかを推測できる。第５実施形態によれば、最新の経営情報のスコアが所定の閾値以上であって直前の経営情報のスコアよりも大きい企業を営業先企業候補として選定するから、スコアが大きくなる方向に経営方針が変化した企業を優先的に抽出して表示させることができる。

これにより、熟練営業マンの経験と勘に頼らなくても、経営情報のスコアの推移から営業を掛けるタイミングの最適な企業を予測でき、そのような企業リストを表示できる。したがって、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、最新の経営情報のスコアだけから企業を選定する場合よりもさらに営業活動を効率化できる。

（第５実施形態の第１変形例）
次に、第５実施形態の第１変形例として、第２実施形態による第１経営情報１４３Ａ（中期経営計画書など）の第１スコアから企業を抽出する第５実施形態を適用する場合を例示する。ここでは先ず最新の第１経営情報１４３Ａの第１スコアが同じでも、直前の第１経営情報から第１スコアが変化していない場合と変化している場合を比較しながら説明する。

図３０は、第１経営情報１４３Ａの第１スコアの推移の比較例を示す図であり、図３１は、第１経営情報の第１スコアの推移の具体例を示す図である。図３０と図３１は第１期から第３期の第１経営情報１４３Ａの第１スコアの推移を表すグラフである。横軸は時期であり、縦軸は第１スコアである。第３期が最新の第１経営情報１４３Ａの第１スコアであり、第２期が直前の第１経営情報の第１スコアである。

図３０と図３１とでは最新の第１経営情報１４３Ａ（第３期）の第１スコアが同じであるが、直前の第１経営情報（第２期）の第１スコアが異なる。図３０では直前の第１経営情報１４３Ａ（第２期）の第１スコア「８０」と比較的高いものの、最新の第１経営情報１４３Ａ（第３期）の第１スコア「８０」と同じである。すなわち、図３０では最新の第１経営情報１４３Ａ（第３期）の第１スコアが直前の第１経営情報（第２期）の第１スコアから変化していない。

他方、図３１は最新の第１経営情報１４３Ａ（第３期）が図３０と同じ比較的高い第１スコア「８０」ではあるが、直前の第１経営情報（第２期）の第１スコア「２０」よりも大きい４倍に変化している。

したがって、最新の第１経営情報１４３Ａにおいて図３０では経営方針の変化がない可能性が高いのに対して、図３１では経営方針が大きく変化したと推測できる。図３１は例えば動向予測キーワード１４４Ａとして「資産効率化」などの第１特定キーワードが、直前の第１経営情報１４３Ａには含まれていなかったのに、最新の第１経営情報に含まれるようになった場合である。

このような企業では不動産を売却して整理するなど「資産効率化」を目指すように経営方針を変化させたと推測できる。これは不動産設備の整理需要の可能性が低かった企業が、不動産設備の整理需要の可能性が高くなったタイミングである。図３１のように第１経営情報１４３Ａの第１スコアに変化のある企業にそのタイミングで営業をかければ、図３０のように第１経営情報の第１スコアに変化のない企業と比較して不動産売買契約が成立する可能性が格段と高くなると言える。

図３０と図３１によれば企業の経営方針に変化があったかどうかは、最新の第１経営情報１４３Ａの第１スコアだけを見ても分からないことが理解できる。最新の第１経営情報１４３Ａの第１スコアを直前の第１経営情報の第１スコアと比較することで、経営方針に変化があったことを推測できるようになる。

第５実施形態の第１変形例による第１営業先企業の選定処理は、例えば図３２に示す手順で実行される。図３２は、第５実施形態の第１変形例に係る第１営業先企業候補選定処理の具体例を示すフローチャートであり、図１４のステップＳ２３０の変形例に相当する。

第５実施形態では図１４のステップＳ２３０にて制御部１２は、最新の第１経営情報１４３Ａの第１スコアが所定の閾値（第１閾値）以上の企業のうち、最新の第１経営情報の第１スコアが直前の第１経営情報の第１スコアよりも大きい企業を第１営業先企業候補として選定する。具体的には、図３２のステップＳ２３１にて企業選定部１２４は先ず、第１スコア情報１４５Ａに記憶された最新の第１経営情報１４３Ａの第１スコア（最新の第１スコア）が所定の閾値以上か否かを判断する。企業選定部１２４は、ステップＳ２３１にて最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上であると判断した場合は、ステップＳ２３２にてスコアデータベース１４５からその企業の直前の第１経営情報１４３Ａの第１スコア（直前の第１スコア）を取得する。

次いでステップＳ２３３にて企業選定部１２４は、最新の第１経営情報１４３Ａの第１スコアが直前の第１経営情報の第１スコアよりも大きいか否かを判断する。企業選定部１２４は、ステップＳ２３３にて最新の第１経営情報１４３Ａの第１スコアが直前の第１経営情報の第１スコアよりも大きいと判断した場合は、ステップＳ２３４にてその企業を第１経営先企業として選定する。

企業選定部１２４は、最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上でないと判断した場合（ステップＳ２３１のＮＯ）、直前の第１経営情報の第１スコアよりも大きくないと判断した場合（ステップＳ２３３のＮＯ）は、その企業を第１経営先企業として選定しない。

第１変形例の図１４のステップＳ２３０（図３２のステップＳ２３１〜ステップＳ２３４）の処理は、スコアデータベース１４５に記憶されたすべての企業について行われる。すべての企業について選定処理が終了すると、制御部１２は図１４のステップＳ２４０にて、ステップＳ２３０で選定された企業を第１営業先候企業補選定として端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０に第１アプローチ情報として表示させる。

例えば出力部１２６は、選定された企業が第１スコアの高い順に上位に表示されるように表示データを生成する。これにより、営業支援装置１０で選定された第１営業先企業候補は、例えば図１８の表示画面ＳＣ１の第１アプローチ情報としてリスト表示される。表示画面ＳＣ１には、直前の第１スコアからのスコア変化量を表示するようにしてもよい。例えば図３１の場合は、最新の第１スコア「８０」から直前の第１スコア「２０」を引き算した「６０」がスコア変化量となる。

なお、例えば図１８の表示画面ＳＣ１の企業Ａをクリックすると、図３３の表示画面ＳＣ１１に示すように過去から最新の第１スコアの推移を表示できるようにしてもよい。図３３の表示画面ＳＣ１１は最新の第１スコアが「７０」の場合である。このように第１スコアの推移を表示することで、直前の第１経営情報１４３Ａからの第１スコアの変化を一目で確認することができる。さらに過去の第１スコアを複数表示することで、どのように第１スコアの過去の推移まで確認でき、その企業の経営方針の変化を見える化できる。

このように第５実施形態の第１変形例によれば、最新の第１経営情報１４３Ａからだけでは分からない直前の第１経営情報からの第１スコアの変化まで分かる。すなわち、最新の第１経営情報１４３Ａの第１スコアだけでは不可能であった経営方針の変化を推測できる。第１変形例によれば、最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上であって直前の第１経営情報の第１スコアよりも大きい企業を営業先企業候補として選定するから、第１スコアが大きくなる方向に経営方針が変化した企業を優先的に抽出して表示させることができる。

これにより、第１経営情報１４３Ａの第１スコアの推移から営業を掛けるタイミングの最適な企業を高い確率で予測でき、そのような企業のリストを表示できる。したがって、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、最新の第１経営情報１４３Ａの第１スコアだけから企業を選定する場合よりもさらに営業活動を効率化できる。また、第１スコアの推移を表示することで、熟練営業マンの経験と勘に頼らなくても、有力な営業先企業候補が分かるだけでなく、その企業に営業を掛ける最適なタイミングまで一目で分かる。

なお、第１変形例では、第２実施形態による第１経営情報１４３Ａ（中期経営計画書など）の第１スコアから企業を抽出する第５実施形態を適用する場合を例示したが、これに限られるものではない。第２実施形態による第２経営情報１４３Ｂ（有価証券報告書など）の第２スコアや総合スコアから企業を抽出する場合に第５実施形態を適用してもよい。

（第５実施形態の第２変形例）
次に、第５実施形態の第２変形例として、企業毎に蓄積された第１経営情報１４３Ａ（中期経営計画書など）の第１特定キーワード出現回数から企業を抽出する場合を例示する。上記第１変形例では最新のスコアを直前のスコアと比較することで、経営方針に変化があったかどうか推測できる。これに対して、第２変形例では、最新の第１特定キーワード出現回数を直前の第１特定キーワード出現回数と比較することで、経営方針に変化があったかどうかだけでなく、経営方針がどの方向に変化したか（経営方針の変化の方向性）まで推測できる。

図３４は、第１経営情報１４３Ａにおける第１特定キーワード出現回数の推移の比較例を示す図であり、図３５は、第１経営情報における第１特定キーワード出現回数の推移の具体例を示す図である。図３４と図３５は第１期から第３期の第１経営情報１４３Ａにおけるキーワードグループごとの第１特定キーワード出現回数の推移を表すグラフである。第３期が最新の第１経営情報１４３Ａの第１特定キーワード出現回数であり、第２期が直前の第１経営情報の第１特定キーワード出現回数である。

図３４と図３５では、動向予測キーワード１４４Ａにおける２つのキーワードグループ「効率化系キーワード」と「財務系キーワード」とを上下に別々に表示したものである。横軸は時期であり、縦軸は第１特定キーワード出現回数である。ここでの第１特定キーワード出現回数は、例えば動向予測キーワード１４４Ａにおけるキーワードグループのそれぞれに関連づけられた各第１特定キーワードの出現回数である。具体的には第１特定キーワードの出現回数は、図１２に示す動向予測キーワード１４４Ａにおけるワードヒット情報ＨＧＡ１〜ＨＧＡｎのうちの「効率化系キーワード」と「財務系キーワード」のワードヒット情報である。

ここでのワードヒット情報ＨＧＡ１〜ＨＧＡｎは、各キーワードグループに含まれる複数の第１特定キーワードが第１経営情報１４３Ａに１つも出現しなければ「０」であり、キーワードグループに含まれる複数の第１特定キーワードが第１経営情報に１つでも出現すれば「１」である。なお、ワードヒット情報ＨＧＡ１〜ＨＧＡｎはこれに限られず、例えばキーワードグループに含まれる複数の第１特定キーワードが第１経営情報１４３Ａに出現した回数の合計値としてもよい。

図３４は第１期から第３期までの第１経営情報１４３Ａに「効率化系キーワード」と「財務系キーワード」の出現回数に変化がない。したがって、図３４の企業は、最新の第１経営情報１４３Ａにおいて少なくとも「効率化系」と「財務系」については経営方針の変化はないと推測できる。

他方、図３５は直前の第１経営情報１４３Ａ（第２期）までは出現しなかった「効率化系キーワード」が最新の第１経営情報１４３Ａ（第３期）で出現している。しかも直前の第１経営情報１４３Ａ（第２期）までは出現していた「財務系キーワード」が最新の第１経営情報１４３Ａ（第３期）では出現しなくなっている。したがって、図３５の企業は、最新の第１経営情報１４３Ａにおいて「財務系」から「効率化系」へ経営方針を変化させたことが推測できる。

「財務系キーワード」のキーワードグループには「有利子負債削減」などの第１特定キーワードが含まれ、「効率系キーワード」のキーワードグループには「資産効率化」などの第１特定キーワードが含まれる。したがって、図３５の企業は、「有利子負債削減」などで財務改善の推進を進めていたものを、不動産資産の売却などをより積極的に進める「資産効率化」に方針を変化させたものと推測できる。

そうすると、このタイミングで営業を掛ければ不動産取引が成功する可能性が高いと考えられる。しかも資産効率化をキーワードとするアプローチをかければ不動産取引が成功する可能性がさらに高まると予想される。このように、第２変形例では経営方針がどう変わったかを推測できるので、経営方針の方向性に合わせた適切な営業戦略も立てやすくなる。しかも不動産取引の動向が記載されやすい経営計画を含む第１経営情報１４３Ａから経営方針の変化を推測できるので、不動産取引の動向まで予測できる。このように、熟練営業マンの経験と勘に頼らなくても、その企業ごとに最適なアプローチで営業できるようになる。

第５実施形態の第２変形例では、図８のスコアデータベース１４５（スコアＤＢ）に、企業毎に各期の第１経営情報１４３Ａの第１スコアが蓄積されると共に、各期の第１経営情報１４３Ａの第１特定キーワード出現回数がキーワードグループ毎に蓄積される。図８の企業選定部１２４が行う第２変形例の営業先企業候補の選定処理では、図８のスコア取得部１２３で取得した最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上であって、スコア取得部１２３で取得した第１経営情報１４３Ａの第１特定キーワードの出現回数がスコアデータベース１４５から取得した第１経営情報１４３Ａの第１特定キーワードの出現回数よりも大きいキーワードグループがある企業を第１営業先企業候補として選定する。

第５実施形態の第２変形例による第１営業先企業の選定処理は、例えば図３６に示す手順で実行される。図３６は、第５実施形態の第２変形例に係る第１営業先企業候補選定処理の具体例を示すフローチャートであり、図１４のステップＳ２３０の他の変形例に相当する。

第５実施形態では図１４のステップＳ２３０にて制御部１２は、最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上の企業のうち、最新の第１経営情報１４３Ａの第１特定キーワード出現回数が直前の第１経営情報１４３Ａの第１特定キーワード出現回数よりも大きい企業を第１営業先企業候補として選定する。具体的には、図３６のステップＳ２３５にて企業選定部１２４は先ず、スコアデータベース１４５に記憶された最新の第１経営情報１４３Ａの第１スコア（最新の第１スコア）が所定の閾値以上か否かを判断する。

企業選定部１２４は、ステップＳ２３５にて最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上であると判断した場合は、ステップＳ２３６にてスコアデータベース１４５からその企業の最新の第１経営情報１４３Ａの各ワードグループのワードヒット情報を第１特定キーワード出現回数（最新のＫＷ出現回数）として取得する。また企業選定部１２４は、ステップＳ２３６にてスコアデータベース１４５からその企業の直前の第１経営情報１４３Ａの各ワードグループのワードヒット情報を第１特定キーワード出現回数（直前のＫＷ出現回数）として取得する。

次いでステップＳ２３７にて企業選定部１２４は、最新の第１経営情報１４３Ａの第１特定キーワード出現回数が直前の第１経営情報の第１特定キーワード出現回数より大きいキーワードグループがあるか否かを判断する。具体的には、ワードグループ毎に最新の第１経営情報１４３Ａのワードヒット情報と直前の第１経営情報のワードヒット情報とを比較して、最新の第１経営情報のワードヒット情報が直前の第１経営情報のワードヒット情報よりも大きいキーワードグループがあるか否かを判断する。

例えば図３４では「財務系キーワード」と「効率系キーワード」はいずれも最新の第１特定キーワード出現回数（第３期）が「０」で直前の第１特定キーワード出現回数（第２期）も「０」である。したがって、キーワードグループが「財務系キーワード」と「効率系キーワード」だけであると仮定すれば、図３４の場合はステップＳ２３７において最新の第１特定キーワード出現回数が直前の第１特定キーワード出現回数より大きいキーワードグループがないと判断される。

他方、図３５では「財務系キーワード」は最新の第１特定キーワード出現回数（第３期）が「１」で直前の第１特定キーワード出現回数（第２期）が「０」である。したがって、キーワードグループが「財務系キーワード」と「効率系キーワード」だけであると仮定すれば、図３５の場合はステップＳ２３７において最新の第１特定キーワード出現回数が直前の第１特定キーワード出現回数より大きいキーワードグループがあると判断される。

企業選定部１２４は、ステップＳ２３７にて最新の第１経営情報１４３Ａの第１特定キーワード出現回数が直前の第１経営情報の第１特定キーワード出現回数より大きいキーワードグループがあると判断した場合は、ステップＳ２３８にてその企業を第１経営先企業として選定する。

企業選定部１２４は、最新の第１経営情報１４３Ａの第１スコアが所定の閾値以上でないと判断した場合（ステップＳ２３５のＮＯ）、最新の第１経営情報の第１特定キーワード出現回数が直前の第１経営情報の第１特定キーワード出現回数より大きいキーワードグループがないと判断した場合（ステップＳ２３７のＮＯ）は、その企業を第１経営先企業として選定しない。

第２変形例の図１４のステップＳ２３０（図３６のステップＳ２３５〜ステップＳ２３８）の処理は、スコアデータベース１４５に記憶されたすべての企業について行われる。すべての企業について選定処理が終了すると、図１４のステップＳ２４０にて制御部１２は、ステップＳ２３０で選定された企業を第１営業先候企業補選定として端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０に第１アプローチ情報として表示させる。

例えば出力部１２６は、選定された企業が第１スコアの高い順に上位に表示されるように表示データを生成する。これにより、営業支援装置１０で選定された第１営業先企業候補は、例えば図１８の表示画面ＳＣ１の第１アプローチ情報としてリスト表示される。表示画面ＳＣ１には、直前の第１特定キーワード出現回数より大きいキーワードグループを表示するようにしてもよい。例えば図３５の場合は、直前の第１特定キーワード出現回数より大きいキーワードグループとして「効率化系キーワード」の文字を表示してもよい。

なお、例えば図１８の表示画面ＳＣ１で第１アプローチ情報の企業Ａをクリックすると、図３７の表示画面ＳＣ１２に示すように過去から最新の第１特定キーワード出現回数の推移を表示できるようにしてもよい。このように第１特定キーワード出現回数の推移を表示することで、直前の第１経営情報１４３Ａからの第１特定キーワード出現回数の変化を一目で確認することができる。さらに過去の第１特定キーワード出現回数を複数表示することで、どのように第１特定キーワード出現回数の過去の推移まで確認でき、その企業の経営方針の変化を見える化できる。

このように第５実施形態の第２変形例によれば、最新の第１特定キーワード出現回数からだけでは分からない直前の第１特定キーワード出現回数からの変化が分かるので、第１特定キーワード出現回数が大きくなる方向に経営方針が変化した企業を優先的に抽出して表示させることができる。さらに不動産取引に関連する企業経営上の特徴毎に第１特定キーワードをキーワードグループに分けることで、そのキーワードグループ毎の第１特定キーワード出現回数の推移が分かる。これによれば、営業を掛けるタイミングの最適な企業を予測でき、そのような企業のリストを表示できる。

これにより、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、最新の第１経営情報１４３Ａの第１特定キーワード出現回数から企業を選定する場合よりもさらに営業活動を効率化できる。また、第１特定キーワード出現回数の推移を表示することで、熟練営業マンの経験と勘に頼らなくても有力な営業先企業候補が分かるだけでなく、その企業に営業を掛ける最適なタイミングまで一目で分かる。

（第５実施形態の第３変形例）
次に、第５実施形態の第３変形例として、第２実施形態による第２経営情報１４３Ｂ（有価証券報告書など）の第２特定キーワード出現回数から企業を抽出する場合を例示する。第３変形例では、役員情報や設備情報を含む第２経営情報１４３Ｂの最新の第２特定キーワード出現回数を直前の第２特定キーワード出現回数と比較することで、役員情報や設備情報に変化があったかどうかを推測できる。

図３８は、第２経営情報１４３Ｂにおける第２特定キーワード出現回数の推移の比較例を示す図であり、図３９は、第２経営情報における第２特定キーワード出現回数の推移の具体例を示す図である。図３８と図３９は第１期から第３期の第２経営情報１４３Ｂにおけるキーワードグループごとの第２特定キーワード出現回数の推移を表すグラフである。第３期が最新の第２経営情報１４３Ｂの第２特定キーワード出現回数であり、第２期が直前の第２経営情報の第２特定キーワード出現回数である。

図３８と図３９では、キーマンキーワード１４４Ｂと設備状況キーワード１４４Ｃとの２つのキーワードグループを上下に別々に表示したものである。横軸は時期であり、縦軸は第２特定キーワード出現回数である。ここでの第２特定キーワード出現回数は、例えばキーマンキーワード１４４Ｂにおけるキーワードグループと設備状況キーワード１４４Ｃにおけるキーワードグループのそれぞれに関連づけられた各第２特定キーワードの出現回数である。

具体的には第２特定キーワードの出現回数は、図１３に示すキーマンキーワード１４４Ｂにおけるワードヒット情報ＨＧＢ１〜ＨＧＢｎのうちの１つのワードヒット情報と、設備状況キーワード１４４Ｃにおける各キーワードグループのワードヒット情報ＨＧＣ１〜ＨＧＣｎのうちの１つのワードヒット情報である。

ここでのワードヒット情報ＨＧＢ１〜ＨＧＢｎ、ＨＧＣ１〜ＨＧＣｎはそれぞれ、各キーワードグループに含まれる複数の第２特定キーワードが第２経営情報１４３Ｂに１つも出現しなければ「０」であり、キーワードグループに含まれる複数の第２特定キーワードが第２経営情報に１つでも出現すれば「１」である。なお、ワードヒット情報ＨＧＢ１〜ＨＧＢｎ、ＨＧＣ１〜ＨＧＣｎはこれに限られず、例えばキーワードグループに含まれる複数の第２特定キーワードが第２経営情報１４３Ｂに出現した回数の合計値としてもよい。

図３８は第１期から第３期までの第２経営情報１４３Ｂに「キーマンキーワード」と「設備状況キーワード」の出現回数に変化がない。したがって、図３４の企業は、最新の第２経営情報１４３Ｂにおいて少なくとも「キーマン」と「設備状況」については経営方針の変化はないと推測できる。

他方、図３９は直前の第２経営情報１４３Ｂ（第２期）までは出現しなかった「キーマンキーワード」が最新の第２経営情報１４３Ｂ（第３期）で出現している。したがって、図３９の企業は、最新の第２経営情報１４３Ｂにおいて「キーマン」に変化があったと推測できる。例えば経営方針の変化で今までいなかった銀行出身者が役員になった場合が考えられる。銀行出身者は、不動産融資や不動産担保など不動産取引の経験や知見があるので、他の役員よりも不動産取引に応じてもらいやすいキーマンとなる可能性が高い。したがって、銀行出身者が役員になったタイミングは不動産取引の営業を掛けるのに最適なタイミングである。

また図３９は直前の第２経営情報１４３Ｂ（第２期）までは出現しなかった「設備状況キーワード」が最新の第２経営情報１４３Ｂ（第３期）で出現している。したがって、図３９の企業は、最新の第２経営情報１４３Ｂにおいて「設備状況」に変化があったと推測できる。例えば経営方針の変化で不動産などの設備を取得した場合が考えられる。

そうすると、このタイミングで営業を掛ければ不動産取引が成功する可能性が高いと考えられる。例えばキーマンとして銀行出身者が役員になったタイミングでアプローチをかければ不動産取引が成功する可能性が高まり、設備状況として新たに不動産を取得したタイミングでアプローチをかければその不動産を利用する提案を含む取引などが成功する可能性が高まると考えられる。このように、第３変形例ではキーマンや設備状況の変化を第２経営情報１４３Ｂから推測できるので、そのような経営方針の方向性に合わせた適切な営業戦略も立てやすくなる。このように、熟練営業マンの経験と勘に頼らなくても、その企業ごとに最適なアプローチで営業できるようになる。

第５実施形態の第３変形例では、図８のスコアデータベース１４５（スコアＤＢ）に、企業毎に各期の第２営情報１４３Ｂの第２スコアが蓄積されると共に、各期の第２経営情報１４３Ｂの第２特定キーワード出現回数がキーワードグループ毎に蓄積される。図８の企業選定部１２４が行う第３変形例の営業先企業候補の選定処理では、図８のスコア取得部１２３で取得した最新の第２経営情報１４３Ｂの第２スコアが所定の閾値（第２閾値）以上であって、スコア取得部１２３で取得した第２経営情報１４３Ｂの第２特定キーワードの出現回数がスコアデータベース１４５から取得した第２経営情報１４３Ｂの第２特定キーワードの出現回数よりも大きいキーワードグループがある企業を第２営業先企業候補として選定する。

第５実施形態の第３変形例による第２営業先企業の選定処理は、例えば図４０に示す手順で実行される。図４０は、第５実施形態の第３変形例に係る第２営業先企業候補選定処理の具体例を示すフローチャートであり、図１６のステップＳ３３０の変形例に相当する。

第５実施形態では図１６のステップＳ３３０にて制御部１２は、最新の第２経営情報１４３Ｂの第２スコアが所定の閾値以上の企業のうち、最新の第２経営情報の第２特定キーワード出現回数が直前の第２経営情報の第２特定キーワード出現回数よりも大きい企業を第２営業先企業候補として選定する。具体的には、図４０のステップＳ３３５にて企業選定部１２４は先ず、スコアデータベース１４５に記憶された最新の第２経営情報１４３Ｂの第２スコア（最新の第２スコア）が所定の閾値以上か否かを判断する。

企業選定部１２４は、ステップＳ３３５にて最新の第２経営情報１４３Ｂの第２スコアが所定の閾値以上であると判断した場合は、ステップＳ３３６にてスコアデータベース１４５からその企業の最新の第２経営情報１４３Ｂの各ワードグループのワードヒット情報を第２特定キーワード出現回数（最新のＫＷ出現回数）として取得する。また企業選定部１２４は、ステップＳ３３６にてスコアデータベース１４５からその企業の直前の第２経営情報１４３Ｂの各ワードグループのワードヒット情報を第２特定キーワード出現回数（直前のＫＷ出現回数）として取得する。

次いでステップＳ３３７にて企業選定部１２４は、最新の第２経営情報１４３Ｂの第２特定キーワード出現回数が直前の第２経営情報の第２特定キーワード出現回数より大きいキーワードグループがあるか否かを判断する。具体的には、ワードグループ毎に最新の第２経営情報１４３Ｂのワードヒット情報と直前の第２経営情報のワードヒット情報とを比較して、最新の第２経営情報のワードヒット情報が直前の第２経営情報のワードヒット情報よりも大きいキーワードグループがあるか否かを判断する。

例えば図３９では「キーマンキーワード」と「設備状況キーワード」はいずれも最新の第２特定キーワード出現回数（第３期）が「０」で直前の第２特定キーワード出現回数（第２期）も「０」である。この場合、第２スコアは「０」となるので、ステップＳ３３５の所定の閾値が１以上であれば、最新の第２経営情報１４３Ｂの第２スコアが所定の閾値以上でないとされる。仮にステップＳ３３５で第２スコアが所定の閾値以上であると判断された場合でも、ステップＳ３３７において最新の第２特定キーワード出現回数が直前の第２特定キーワード出現回数より大きいキーワードグループがないと判断される。

他方、図４０では「キーマンキーワード」と「設備状況キーワード」は最新の第２特定キーワード出現回数（第３期）が「１」で直前の第２特定キーワード出現回数（第２期）が「０」である。したがって、図３９の場合はステップＳ３３７において最新の第２特定キーワード出現回数が直前の第２特定キーワード出現回数より大きいキーワードグループがあると判断される。

企業選定部１２４は、ステップＳ３３７にて最新の第２経営情報１４３Ｂの第２特定キーワード出現回数が直前の第２経営情報の第２特定キーワード出現回数より大きいキーワードグループがあると判断した場合は、ステップＳ３３８にてその企業を第２経営先企業として選定する。

企業選定部１２４は、最新の第２経営情報１４３Ｂの第２スコアが所定の閾値以上でないと判断した場合（ステップＳ３３５のＮＯ）、最新の第２経営情報の第２特定キーワード出現回数が直前の第２経営情報の第２特定キーワード出現回数より大きいキーワードグループがないと判断した場合（ステップＳ３３７のＮＯ）は、その企業を第２経営先企業として選定しない。

第３変形例の図１６のステップＳ３３０（図４０のステップＳ３３５〜ステップＳ３３８）の処理は、スコアデータベース１４５に記憶されたすべての企業について行われる。すべての企業について選定処理が終了すると、図１６のステップＳ３４０にて制御部１２は、ステップＳ３３０で選定された企業を第２営業先候企業補選定として端末装置２０に表示させる。具体的には出力部１２６が、表示データを生成して端末装置２０に送信することで、企業選定部１２４で選定された企業リストを端末装置２０に第２アプローチ情報として表示させる。

例えば出力部１２６は、選定された企業が第２スコアの高い順に上位に表示されるように表示データを生成する。これにより、営業支援装置１０で選定された第２営業先企業候補は、例えば図１８の表示画面ＳＣ１の第２アプローチ情報としてリスト表示される。表示画面ＳＣ１には、直前の第２特定キーワード出現回数より大きいキーワードグループを表示するようにしてもよい。例えば図３５の場合は、直前の第２特定キーワード出現回数より大きいキーワードグループとして「キーマンキーワード」「設備状況キーワード」の文字を表示してもよい。

なお、例えば図１８の表示画面ＳＣ１で第１アプローチ情報の企業Ａをクリックすると、図４１の表示画面ＳＣ１３に示すように過去から最新の第２特定キーワード出現回数の推移を表示できるようにしてもよい。このように第２特定キーワード出現回数の推移を表示することで、直前の第２経営情報１４３Ｂからの第２特定キーワード出現回数の変化を一目で確認することができる。さらに過去の第２特定キーワード出現回数を複数表示することで、どのように第２特定キーワード出現回数の過去の推移まで確認でき、その企業の経営方針の変化を見える化できる。

このように第５実施形態の第３変形例によれば、最新の第２特定キーワード出現回数からだけでは分からない直前の第２特定キーワード出現回数からの変化が分かるので、第２特定キーワード出現回数が大きくなる方向に経営方針が変化した企業を優先的に抽出して表示させることができる。さらに不動産取引に関連する第２特定キーワードをキーマンと設備状況のキーワードグループに分けることで、そのキーワードグループ毎の第２特定キーワード出現回数の推移が分かる。これによれば、第１アプローチとは異なる第２アプローチで営業を掛けるタイミングの最適な企業を予測でき、そのような企業のリストを表示できる。

これにより、営業先企業候補の選定にかかる時間と手間を大幅に省くことができ、最新の第２経営情報１４３Ｂの第２特定キーワード出現回数から企業を選定する場合よりもさらに営業活動を効率化できる。また、第２特定キーワード出現回数の推移を表示することで、熟練営業マンの経験と勘に頼らなくても有力な営業先企業候補が分かるだけでなく、その企業に営業を掛ける最適なタイミングまで一目で分かる。

＜変形例＞
本発明は、上述した各実施形態に限定されず、例えば以降に説明する各種の応用・変形が可能である。また、これらの変形の態様および上述した各実施形態は、任意に選択された一または複数を適宜組み合わせることも可能である。また当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

（１）上記第１実施形態乃至第４実施形態における記憶部２４には、例えば図５や図１９に表示される営業先企業候補のリストが役立ったかどうかなどがリスト毎に評価された評価情報を記憶してもよい。例えば図５や図１９の表示項目に「評価」の項目を追加し、各リストの「評価」の項目に入力された評価値を評価情報としてもよい。評価情報は評価されたリストの経営情報に関連づけられ、例えばスコアデータベース１４５に記憶される。

「評価」の項目には、上述したように例えば営業に役に立ったかどうかなどを３段階や５段階のように複数段階の評価をリスト毎に入力可能である。３段階で評価する場合には例えば、役に立たなかった場合は１、役に立った場合は３、どちらとも言えない場合は２を「評価」の項目に評価値として入力する。また５段階で評価する場合には例えば、役に立たなかった場合は１、アポ取りできた場合は２、営業ができた場合は３、興味を持ってもらった場合は４、契約まで至った場合は５を「評価」の項目に評価値として入力する。なお、評価値はこれらに限られない。

また、上記第１実施形態乃至第４実施形態における記憶部２４には、例えば図５や図１９に表示される営業先企業候補の所有する不動産が売却されたか否かが分かる売却情報を評価情報として記憶してもよい。既に不動産が売却されたことは高い評価に繋がるだけでなく、そのような企業を営業先から外すことができれば営業効率を高めることができる。例えば図５や図１９の表示項目に「売買」の項目を追加し、各リストの「売買」の項目にオンオフできる売却ボタンを設けるようにしてもよい。売却ボタンは、例えばスライダーボタン、ラジオボタンなどどのような構成であってもよい。デフォルトでは売却ボタンをオフにしておき、不動産が売却された場合には売却ボタンをオンにすることができるようにする。これによれば、営業先企業候補として表示された企業の所有する不動産が売却されたか否かが一目で分かるから、未だ不動産が売却されていない企業に営業を掛けることで営業効率を高めることができる。

（２）上記第１実施形態乃至第２実施形態における特定キーワードは、追加や削除が可能である。例えば経営情報の機械学習により抽出されるキーワードをキーワードデータベース１４４へ追加してもよい。具体的には機械学習により上記実施形態における特定キーワードに共起するキーワード（共起語）を抽出し、それを特定キーワードとしてキーワードデータベース１４４へ追加してもよい。

また特定キーワードは、上述した評価情報との関連性に応じて追加又は削除するようにしてもよい。例えば上記評価情報に対する特定キーワードの相関を求め、相関が所定値以下の特定キーワードを削除してもよい。また上記評価情報を目的変数、各特定キーワードの出現回数を説明変数として重回帰分析などによって回帰式を求め、各説明変数の係数が所定値以下の特定キーワードを削除してもよい。これにより、評価情報との相関が高い特定キーワードで特定キーワード判定できるので、評価の高い営業先企業候補の選定精度を高めることができる。

（３）上記第３実施形態又は第４実施形態において、図２１、図２２、図２４乃至図２７の各学習済みモデルは、機械学習によって学習されたニューラルネットワークで構成される場合を例示したが、ニューラルネットワークに限られず、例えばＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）など任意の種類のもので構成してもよい。上述した各学習済みモデルは、教師あり学習で学習させた場合を例示したが、半教師あり学習、教師なし学習などどのような機械学習を用いてもよい。

（４）上記第３実施形態又は第４実施形態における各学習済みモデルの入力は、さらに「年度」や「期」の異なる経営情報毎に特定キーワードの出現回数を入力するようにしてもよい。例えば図２１の学習済みモデル１４６には、今年度や今期など現在の経営情報の特定キーワードの出現回数と、前年度や前期など過去の経営情報の特定キーワードの出現回数とを入力できる。これにより、経営情報に含まれる特定キーワードの出現回数の経時的な変化を出力に反映させることができるので、経時的変化によるノイズ要因を排除できる。しかも過去に比べて現在の経営情報の内容が変わることによる不動産取引の動向の変化を出力に反映させることができるので、その出力されたスコアから有力な営業先企業候補の選定精度を高めることができる。

１００…営業支援システム、１０…営業支援装置、１１…通信部、１２…制御部、１２１…情報取得部、１２２…キーワード判定部、１２３…スコア取得部、１２４…企業選定部、１２６…出力部、１４…記憶部、１４１…プログラム記憶部、１４２…企業情報データベース、１４３…経営情報データベース、１４３Ａ…第１経営情報、１４３Ｂ…第２経営情報、１４４…キーワードデータベース、１４４ａ…第１特定キーワード、１４４ｂ…第２特定キーワード、１４４Ａ…動向予測キーワード、１４４Ｂ…キーマンキーワード、１４４Ｃ…設備状況キーワード、１４５…スコアデータベース、１４５Ａ…第１スコア情報、１４５Ｂ…第２スコア情報、１４６…学習済みモデル、１４６Ａ…第１学習済みモデル、１４６Ｂ…第２学習済みモデル、１４６Ｃ…第３学習済みモデル、２０…端末装置、２１…通信部、２２…制御部、２４…記憶部、２５…入力部、２６…表示部、３０…経営情報提供サーバ、ＧＡ１、ＧＡ２…キーワードグループ、ＧＢ１、ＧＢ２…キーワードグループ、ＧＣ１、ＧＣ２…キーワードグループ、Ｎ…ネットワーク、Ｓａ…スコア、Ｓａ１…第１スコア、Ｓａ２…第２スコア。

Claims (9)

1. 不動産取引に関連性のある特定キーワードを記憶する記憶部と、
   複数の企業の経営情報を取得する情報取得部と、
   前記情報取得部で取得された経営情報に、前記記憶部に記憶された特定キーワードが含まれるか否かを判定する特定キーワード判定を行うキーワード判定部と、
   前記キーワード判定部によって前記経営情報に前記特定キーワードが含まれると判定された企業を営業先企業候補として選定する企業選定部と、
   前記営業先企業候補を表示させる表示データを出力する出力部と、を備え、
   前記経営情報は、経営計画情報を含む第１経営情報と、前記第１経営情報とは異なる種類の経営情報であって役員情報を含む第２経営情報とを含み、
   前記特定キーワードは、不動産取引の動向を予測するための第１特定キーワードと、不動産取引のキーマンとなる役員がいる企業を探すための第２特定キーワードとを含み、
   前記キーワード判定部は、前記第１経営情報を前記第１特定キーワードによって前記特定キーワード判定を行い、前記第２経営情報を前記第２特定キーワードによって前記特定キーワード判定を行う
   営業支援装置。
2. 前記表示データは、前記第１経営情報により選定される営業先企業候補と、前記第２経営情報により選定される営業先企業候補と、を別々に表示させるデータを含む
   請求項１に記載の営業支援装置。
3. 前記記憶部には、不動産取引に関連する企業経営上の特徴に応じて、前記特定キーワードがグループ化された複数のキーワードグループとこれらに関連づけられた重み係数とが予め記憶され、
   前記キーワード判定部は、前記経営情報に含まれる前記特定キーワードの出現回数とその特定キーワードを含む前記キーワードグループの重み係数に基づいて、その経営情報のスコアを算出して取得するスコア取得部を備え、
   前記表示データは、前記経営情報のスコアが高い順に前記営業先企業候補を表示させるデータを含む
   請求項１又は請求項２に記載の営業支援装置。
4. 前記記憶部には、前記特定キーワードの出現回数の情報を入力することでスコアを出力するように学習された学習済みモデルが記憶され、
   前記キーワード判定部は、前記経営情報に含まれる前記特定キーワードの出現回数の情報を入力することで前記学習済みモデルから出力されるスコアをその経営情報のスコアとして取得するスコア取得部を備え、
   前記表示データは、前記経営情報のスコアが高い順に前記営業先企業候補を表示させるデータを含む
   請求項１から請求項３の何れかに記載の営業支援装置。
5. 前記記憶部には、前記経営情報と前記特定キーワードの情報を入力することでスコアを出力するように学習された学習済みモデルが記憶され、
   前記キーワード判定部は、前記経営情報と前記特定キーワードの情報を入力することで前記学習済みモデルから出力されるスコアをその経営情報のスコアとして取得するスコア取得部を備え、
   前記表示データは、前記経営情報のスコアが高い順に前記営業先企業候補を表示させるデータを含む
   請求項１から請求項４の何れかに記載の営業支援装置。
6. 前記記憶部は、前記企業毎に前記経営情報のスコアを蓄積するスコアデータベースを備え、
   前記企業選定部は、前記スコア取得部で取得した前記経営情報のスコアが、所定の閾値以上であって前記スコアデータベースから取得した直前のスコアよりも大きい企業を前記営業先企業候補として選定する
   請求項３に記載の営業支援装置。
7. 前記記憶部は、前記企業毎に前記経営情報のスコアを蓄積すると共に、前記経営情報の特定キーワードの出現回数を前記キーワードグループ毎に蓄積するスコアデータベースを備え、
   前記企業選定部は、前記スコア取得部で取得した前記経営情報のスコアが所定の閾値以上であって、前記スコア取得部で取得した前記経営情報の特定キーワードの出現回数が前記スコアデータベースから取得した直前の前記経営情報の特定キーワードの出現回数よりも大きい前記キーワードグループがある企業を前記営業先企業候補として選定する
   請求項３に記載の営業支援装置。
8. 前記経営情報は、経営計画情報を含む第１経営情報と、前記第１経営情報とは異なる種類の経営情報であって役員情報を含む第２経営情報とを含み、
   前記営業先企業候補は、第１営業先企業候補と第２営業先企業候補を含み、
   前記企業選定部は、前記スコア取得部で取得した前記第１経営情報のスコアが所定の閾値以上であって、前記スコア取得部で取得した前記第１経営情報の第１特定キーワードの出現回数が前記スコアデータベースから取得した直前の前記第１経営情報の第１特定キーワードの出現回数よりも大きい前記キーワードグループがある企業を前記第１営業先企業候補として選定すると共に、
   前記スコア取得部で取得した前記第２経営情報のスコアが所定の閾値以上であって、前記スコア取得部で取得した前記第２経営情報の第２特定キーワードの出現回数が前記スコアデータベースから取得した直前の前記第２経営情報の第２特定キーワードの出現回数よりも大きい前記キーワードグループがある企業を前記第２営業先企業候補として選定する
   請求項７に記載の営業支援装置。
9. 複数の企業の経営情報を取得し、
   取得された前記経営情報に、記憶部に記憶された不動産取引に関連性のある特定キーワードが含まれるか否かを判定する特定キーワード判定を行い、
   前記経営情報に前記特定キーワードが含まれると判定された企業を営業先企業候補として選定し、
   前記営業先企業候補を表示させる表示データを出力する処理であって、
   前記経営情報は、経営計画情報を含む第１経営情報と、前記第１経営情報とは異なる種類の経営情報であって役員情報を含む第２経営情報とを含み、
   前記特定キーワードは、不動産取引の動向を予測するための第１特定キーワードと、不動産取引のキーマンとなる役員がいる企業を探すための第２特定キーワードとを含み、
   前記第１経営情報を前記第１特定キーワードによって前記特定キーワード判定を行い、前記第２経営情報を前記第２特定キーワードによって前記特定キーワード判定を行う
   処理をコンピュータに実行させる営業支援プログラム。

Images