JP7306513B2 - 営業活動支援システム、営業活動支援方法および営業活動支援プログラム - Google Patents
営業活動支援システム、営業活動支援方法および営業活動支援プログラム Download PDFInfo
- Publication number
- JP7306513B2 JP7306513B2 JP2022041299A JP2022041299A JP7306513B2 JP 7306513 B2 JP7306513 B2 JP 7306513B2 JP 2022041299 A JP2022041299 A JP 2022041299A JP 2022041299 A JP2022041299 A JP 2022041299A JP 7306513 B2 JP7306513 B2 JP 7306513B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- success
- user
- contract
- sales activity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims description 202
- 238000000034 method Methods 0.000 title claims description 21
- 238000012549 training Methods 0.000 claims description 90
- 238000012545 processing Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 2
- 239000000047 product Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 36
- 238000012795 verification Methods 0.000 description 22
- 238000013500 data storage Methods 0.000 description 16
- 238000013524 data verification Methods 0.000 description 7
- 230000010365 information processing Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008241 heterogeneous mixture Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、ユーザの営業活動を支援する営業活動支援システム、営業活動支援方法および営業活動支援プログラムに関する。
成熟する国内環境において、営業現場では、今後、人材の確保が難しくなることが予見される。そのような中でも、営業活動の監督者には、業績成績の維持向上だけでなく、人材が不足しても将来に渡り営業基盤を基準量確保しておくために、労働基準を満たしつつも、人手の確保および人材の育成を行っていくことが所望されている。
このような状況下では、高い成績を収めるハイパフォーマンス層の人たちは益々忙しくなり、高い成績を収められないローパフォーマンス層の人たちとの差(営業成績および労働時間の差)が大きくなると考えられる。すると、ハイパフォーマンス層においては、自身の営業時間の確保が難しくなるだけでなく、仕事が集中することによる不満や、ローパフォーマンス層にノウハウを引き継ぎたくても指導時間がとれないといった問題が生じることが考えられる。
一方、ローパフォーマンス層においても、営業を行う対象(潜在顧客)がいないもしくはわからない、上司等が忙しく教育を十分してもらえない、時間をかけて営業活動を行っても結果が出ないなどといった不満や不安が生じることが考えられる。
そこで、予測モデルなどに代表されるAI(artificial intelligence)技術を用いて、顧客管理、販売予測、ノウハウの分析(データ化)などを行い、それらを通して営業活動の効率化等を図るシステム等が種々開発されている。
AI技術を利用した営業活動支援に関連して、例えば、特許文献1には、まだ販売されていない商品の販売数予測を行うシステムの例が示されている。また、例えば、特許文献2には、顧客ニーズと、制約のあるベンダー群の中から販売成功がより高いと見込まれるベンダーとを整合させるように、ベンダーのフィルタリング、選択および提示を行うシステムが記載されている。また、例えば、特許文献3には、商品の性質、商品同士の関係、過去の購入履歴などに基づいて、既存の顧客の中から新たな商品の購入提案が可能な顧客を抽出し見込み顧客リストとして提示するシステムが記載されている。
今後、ますます人材が不足する中で労働基準を守りつつ営業成績を維持向上するためには、ハイパフォーマンス層の負担軽減とローパフォーマンス層の稼働率の向上をともに実現できる営業活動支援システムが望まれる。
これらをバランスよく、かつ事業所全体の営業成績に結び付くように実現するためには、単純に予測精度を高める等のアプローチだけでは不十分であり、例えば、導入の容易性、提供する情報の使いやすさ、効果の検証性を高めるなど、システムとしての利用価値を高める必要がある。
例えば、分析結果等を提供する際に、情報が複雑すぎると、経験の浅い営業マンなどは、情報を処理しきれずに、具体的な営業活動につなげられないといった問題も考えられる。その一方で、情報が少なすぎても、営業活動の相手先が特定できずに具体的な営業活動につなげられなかったり、営業活動の相手先が特定できても特定された根拠がわからないと、営業活動をしてもアプローチが弱く成績に結びつかないといった問題も考えられる。
また、例えば、マーティングや見込み顧客の分析を精度良く行うためには、事業所内の顧客情報や販売実績などの多くの既存データだけでなく世の中の知識データベース等を十分に活かす必要があるが、システムの利用者側のみで、多種多様な既存データの中から機械による分析に適したデータを取捨選択、収集、整理するのは困難である。
そこで、本発明は、ユーザの営業活動をより効果的に支援できる営業活動支援システム、営業活動支援方法および営業活動支援プログラムを提供することを目的とする。
本発明による営業活動支援システムは、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測する予測部と、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得する取得部と、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力する出力部と、を備え、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。
また、本発明による営業活動支援方法は、情報処理装置が、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測し、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得し、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力し、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。
また、本発明による営業活動支援プログラムは、コンピュータに、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測する処理と、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得する処理と、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力する処理と、を実行させ、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。
本発明によれば、営業活動をより効果的に支援できる。
実施形態1.
以下、本発明の実施形態について図面を参照して説明する。図1は、第1の実施形態の営業活動支援システムの構成例を示すブロック図である。図1に示す営業活動支援システムは、データ記憶部11と、学習部12と、予測部13と、出力部14とを備える。
以下、本発明の実施形態について図面を参照して説明する。図1は、第1の実施形態の営業活動支援システムの構成例を示すブロック図である。図1に示す営業活動支援システムは、データ記憶部11と、学習部12と、予測部13と、出力部14とを備える。
データ記憶部11は、本システムで使用するデータを記憶する。図2は、本実施形態のデータ記憶部11が記憶するデータの例を示す説明図である。図2に示すように、本実施形態のデータ記憶部11は、少なくとも訓練データD1を記憶する。
訓練データD1は、ユーザの営業活動における所定の目的の成否と、当該所定の目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である。なお、上記目的の成否は、後述する予測モデルにおいて目的変数とされ、上記目的の成否に相関し得る複数の変数は、後述する予測モデルにおいて説明変数とされる。
訓練データD1における、ユーザの営業活動における所定の目的は、ユーザが自由に設定できる。ここで、目的の例としては、そのユーザが提供する商品またはサービスの契約(売買契約、賃貸契約等を含む)や、顧客へ訪問の約束の取り付け、他の人を紹介してもらう等が挙げられる。
図3は、訓練データD1の例を示す説明図である。図3に示す例は、ある特定の商品(以下、目的商品という)の購入を、ユーザの営業活動における目的すなわち目的変数とした場合の訓練データD1の例である。図3に示すように、データ記憶部11は、訓練データD1として、目的商品の過去の購入の有無と対応づけて、該購入の有無に相関し得る複数の所定の変数を記憶してもよい。
なお、図3に示す訓練データD1は、Y:“目的商品の購入有無”を示す情報と、顧客の特徴として、X1:“年齢”、X2:“性別”、X3:“住所”、X4:“既婚か否か”、X5:“年収”、X6:“職業”、X7:“商品Aの購入有無”およびX8:“商品Bの購入有無”を示す情報とが関連付けられている。図3において、Y:“目的商品の契約の有無”欄の「1」は購入あり、「-1」は購入なしを表している。また、X2:“性別”欄の「1」は女性、「0」は男性を表している。ここで、X7の“商品A”やX8の“商品B”は、例えば、目的商品と関連する他の商品や、目的商品であってもよい。ただし、後者の場合は、説明変数で表される“目的商品”とは異なる個体であるとする。このように、説明変数に、目的変数で表す目的商品の購入有無より前の“目的商品の購入有無”を含ませることも可能である。
このような訓練データD1は、ユーザが保有している情報、例えば、過去の契約に関する情報である契約情報や、顧客に関する情報である顧客情報や、商品に関する情報である商品情報等から、過去に目的商品を購入した顧客の特徴や、逆に購入しなかった顧客の特徴等を抽出することにより作成できる。なお、目的商品の購入の有無と対応づける変数には、顧客の特徴だけでなく、そのときの状況(営業担当、天気、時期、キャンペーン有無等)などを含めることも可能である。
なお、図1では、データ記憶部11が訓練データD1を記憶する例を示したが、訓練データD1は本システム内で記憶されずに他のシステムに記憶されていてもよい。その場合、ユーザや当該他のシステムが訓練データD1を適宜入力してもよいし、後述する学習部12が必要に応じて当該他のシステムから訓練データD1を取得してもよい。
学習部12は、訓練データD1を用いて、上記目的の成否が未知の目的変数の組み合わせである予測対象データセットD2に対して上記目的の成否や成功率を予測するための予測モデルを学習する。例えば、学習部12は、上記目的の成否のみを予測してもよいし、上記目的の成功確率のみを予測してもよいし、上記目的の成否と成功確率の両方を予測してもよい。
学習部12が行う学習方法は、特に限定されないが、教師あり学習、教師なし学習、半教師あり学習、強化学習など様々考えられる。また、機械学習のアルゴリズムの例としては、一般的な教師あり学習の一つであるニューラルネットワークが挙げられる。さらに、他の例として、サポートベクターマシン、ディープラーニング、ガウシアンプロセス、決定木、ランダムフォレストなどが挙げられる。また、予測モデルの例としては、線形モデル、区分線形モデル、回帰モデル、ロジスティック回帰モデル、重回帰モデル、場合分け付き重回帰モデルなどが挙げられる。
学習部12は、例えば、訓練データD1を用いた機械学習により目的変数に対する複数の説明変数の各々の寄与度を特定可能な学習器を利用して、予測モデルを学習してもよい。また、学習部12は、その際、スパース性および正則化のうち少なくともいずれかを制約に用いて、予測モデルを学習してもよい。一例として、学習部12は、場合分け付き重回帰分析に基づく学習器の1つであって、非線形でかつスパースな問題を高精度にホワイトボックスで解く異種混合学習を利用して、予測モデルの学習を行ってもよい。
図4は、学習済みモデルの例を説明図である。図4には、学習モデルの例として、正規化後の予測式が示されている。また、図5は、該予測式における各変数の係数の一覧である。また、図6は、学習の結果特定される各説明変数の係数を示すグラフである。学習部12は、学習の結果、モデル式の各変数の係数の大きさ(絶対値)を寄与度として特定してもよい。このとき、寄与度がゼロの変数を、説明変数から除外してもよい。
予測部13は、営業活動の相手先候補に関する情報が入力されると、該情報と、学習済みの予測モデルとに基づいて、入力された相手先候補における目的の成否または成功確率を予測する。予測部13は、例えば、営業活動の相手先候補に関する情報から、予測対象とする説明変数の組み合わせである予測対象データセットD2を作成し、学習済みの予測モデルに適用することにより、入力された相手先候補における目的の成否または成功確率を予測してもよい。
図7は、予測対象データセットD2の例を示す説明図である。図7に示す例では、予測対象データセットD2として、相手先候補を識別するための“顧客ID”と対応づけられて、該“顧客ID”が示す人物等についての学習済みの予測モデルにおける説明変数の各々の値が登録されている。より具体的には、本例の予測対象データセットD2として、“顧客ID”と対応づけて、“X1:年齢”、“X2:性別”、“X4:既婚か否か”、“X5:年収”および“X7:商品Aの購入有無”という5つの説明変数について各々値が示されている。なお、予測対象データセットD2は複数あってもよい。
予測部13は、例えば、このような顧客IDと対応づけられた説明変数の組み合わせ(予測対象データセットD2)の各々に対して、予測モデルを適用して、当該顧客IDで示される相手先候補における目的の成否または成功率を予測する。
予測部13は、例えば、相手先候補に関する情報を、ユーザが保有している顧客情報等から取得してもよい。その場合、ユーザの既存の顧客が相手先候補とされる。また、相手先候補は既存の顧客に限らず、例えば、予測の都度ユーザが相手先候補に関する情報を入力することも可能である。
図8は、図7に示す予測対象データセットD2に対する予測結果の例を示す説明図である。図8に示す例では、予測結果として、予測対象データセットD2の各々を予測モデルに適用したときに予測モデルから出力されるスコアを示している。当該スコアが、目的の成功確率に相当する。
また、予測部13は、目的の成功確率を予測するとともに、その成功確率の導出に用いられた複数の説明変数の各々の寄与度を取得してもよい。これら寄与率は、学習部12から取得できる。その場合、学習部12は、モデルパラメータとして保持している予測式に用いた各説明変数の係数を基に寄与率を特定して出力すればよい。
また、予測部13は、予測モデルが、説明変数をその値によって場合分けする門関数を含むような場合分け付き判別モデル(例えば、区分線形モデルや場合分け付き重回帰モデルなど)である場合に、成功確率を予測するとともに、その成功確率の導出に用いられた場合分け条件および複数の説明変数の各々の寄与度を取得してもよい。場合分け条件および寄与率は、学習部12から取得できる。その場合、学習部12は、モデルパラメータとして保持している場合分け条件を出力するとともに、該条件ごとの予測式に用いた各説明変数の係数を基に寄与率を特定して出力すればよい。
出力部14は、予測部13の予測結果に基づいて、営業活動の優先順位が付けられた相手先候補の情報または営業活動の優先度を含む相手先候補の情報を出力する。
出力部14は、例えば、図9に示すように、スコアに基づき予測対象データセットD2をソートして、ユーザに提供する相手先候補(本例の場合、顧客ID)を選択してもよい。図9は、予測結果とともに予測対象データセットD2のソート結果の例を示す説明図である。出力部14は、そのようにして選択した相手先候補のスコア(成功確率)を営業活動の優先度に変換して、図10に示すような相手先候補リストD3を作成してもよい。図10は、相手先候補リストD3の例を示す説明図である。なお、図10では、相手先候補に関する情報とともに、営業活動の優先度としての営業員向けの“オススメ度合い”を表示している。相手先候補リストD3に含ませる相手先候補に関する情報は、受け取ったユーザまたは営業員が相手先候補を特定できる情報であれば特に限定されない。図10に示す例では、相手先候補に関する情報として、“顧客ID”、“氏名”、“年齢”および“性別”が含まれている。また、“オススメ度合い”は黒の星印の数が多い程、オススメ度合いが高いものとする。本例では、成功確率を5段階のオススメ度合いに変換した上で、成功確率の高い顧客から順に提示する相手先候補リストD3が作成される。なお、相手先候補リストD3は、必ずしも営業活動の優先度順にソートされていなくてもよい。相手先候補リストD3に優先度の情報が含まれていれば、ユーザ側でソートできるからである。
このとき、出力部14は、予測された成功確率が所定の条件を満たす相手先候補を選択して、相手先候補リストD3を作成してもよい。
また、出力部14は、図11に示すように、予測された成功確率が所定の条件を満たす相手先候補について、該成功確率が高い相手先候補ほど優先(上位に提示)されており、かつ相手先候補に関する情報と、順位付けまたは営業活動の優先度の根拠を示す情報を含む相手先候補リストD3を作成して、出力してもよい。このとき、出力部14は、選択した相手先候補の各々について、上記の順位または優先度の根拠を示す情報として、その相手先候補の成功確率への寄与度が大きい変数に関する情報を含む相手先候補リストD3を作成して、出力してもよい。換言すると、出力部14は、相手先候補の各々について、それら相手先が目的(一例として、商品)に関心が高いと予測した根拠を示す情報を含む相手先候補リストD3を、ユーザに対して提供する。その際、それら変数に関する情報の表示態様を、所定の条件に従って異ならせてもよい。
例えば、出力部14は、根拠として提示する寄与度が、プラスの寄与度すなわち目的変数に対して正の相関のある説明変数の場合、その説明変数が数値変数であってその値が訓練データD1の平均より大きい場合もしくは二値変数であってその値が1である場合にハイライト表示してもよい。一方、マイナスの寄与度すなわち目的変数に対して負の相関のある説明変数の場合、その説明変数が数値変数であってその値が訓練データD1の平均より小さい場合もしくは二値変数であってその値が0である場合にハイライト表示してもよい。例えば、図12では、ハイライト表示の例として、上記条件を満たす説明変数の値を網掛けで示している。
また、出力部14は、予測に用いた予測モデルが場合分け付き重回帰判別モデルである場合には、図12に示すように、場合分け条件ごとに、順位付けまたは営業活動の優先度の根拠を示す情報を提示するリストを作成して、出力してもよい。場合分け条件によって説明変数の寄与度が異なる場合には、このように寄与度の高い説明変数の情報を、場合分け条件によって分類して提示すると、見る側がより理解しやすい。
また、出力部14は、営業活動を行う人(営業員)ごとに、相手先候補リストD3を作成することも可能である。その場合において、出力部14は、例えば、予測結果から上位の相手先候補を選択するごとに、選択された相手先候補をいずれかの営業員に振り分けることにより、営業員ごとの相手先候補リストを作成してもよい。
または、学習に用いる訓練データD1の複数の変数の中に営業員の特徴を含ませ、予測部13に、さらに営業員に関する情報に基づいて、営業員ごとの相手先候補における目的の成否または成功確率を予測させ、その結果に基づいて、出力部14が営業員ごとの相手先候補リストを作成してもよい。なお、営業員同士で相手先候補が重複した場合には、出力部14が、一人の営業員のリストにのみ含まれるように調整してもよい。
また、出力部14は、図13に示すように、営業活動の結果を入力ための記入欄を含む相手先候補リストD3を作成して、出力してもよい。このとき、該相手先候補リストD3に、上記記入欄に対して集計機能を付加してもよい。すなわち、出力部14は、記入欄と、該記入欄の集計機能を含む相手先候補リストD3を作成して、出力してもよい。出力部14は、そのために、相手先候補リストD3を、例えば、表計算ソフトウエアのフォーマットで作成することも可能である。また、出力部14は、例えば、記入欄を含む相手先候補リストD3を、営業活動を行う人が所持する端末等の画面に出力してもよい。その上で、出力部14は、該画面上において記入欄への入力を受け付けて、集計を行い、集計結果をさらに出力することも可能である。なお、記入欄への入力の受け付け方法および集計結果の出力方法は、上記に限定されない。
図13を用いて例示した相手先候補リストには、一例として、係る予測結果を利用して営業活動を行った結果を示す「結果」欄だけでなく、営業活動を行った営業員の所感を示す「活用者所感」欄を含むこととする。しかしながら、この構成に限定されない。
次に、本実施形態の動作を説明する。図14は、本実施形態の営業活動支援システムの動作の一例を示すフローチャートである。図14に示す例では、まず、学習部12が、訓練データD1を用いて、予測モデルを学習する(ステップS11)。
次に、予測部13が、営業活動の相手先候補に関する情報と、学習済みの予測モデルとに基づいて、相手先候補における営業活動の目的の成功確率を予測する(ステップS12)。予測部13は、上述したように、営業活動の相手先候補に関する情報から予測対象データセットD2を作成し、予測対象データセットD2に対して営業活動の成功確率を予測してもよい。なお、予測部13は、営業活動の成功確率に代えて、営業活動の成否を予測してもよい。
次に、出力部14が、予測部13による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報として相手先候補リストD3を出力する(ステップS13)。出力部14は、予測結果に基づいて、上述したような相手先候補リストD3を作成して、出力する。なお、出力部14は、作成した相手先候補リストD3を保持しておき、ユーザからのダウンロード要求にしたがって、保持している相手先候補リストD3を出力することも可能である。
以上のように、本実施形態では、訓練データD1を用いて学習された予測モデルを用いて、相手先候補に対する営業活動の目的の成否または成功確率を予測し、その結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する。したがって、営業員は、本システムが出力した情報を基に、成功の見込みが高い相手先を優先的に訪問することができる。その結果、営業活動の効率化が図れるだけでなく、該効率化に伴って組織全体の活動量の増加および業績の向上が見込める。
例えば、本実施形態によれば、属人化されていた営業活動を、AIを活用することにより効率化できるので、営業員の対面時間が増加したり、それに伴って経験値が向上するなどの効果が期待される。これにより、経験の浅い営業員の即戦力化やモチベーションの向上なども期待できる。
また、本実施形態によれば、予測結果に対して、その根拠も含めて情報提供するので、営業員は営業施策の検討に役立てることができる。
また、出力する情報に対して営業活動の結果などを入力するための記入欄を付すことで、ユーザ側で営業活動の結果の集計のための負担の軽減できるとともに、簡単に効果測定を行うことができる。
実施形態2.
次に、本発明の第2の実施形態について説明する。図15は、第2の実施形態の営業活動支援システムの構成例を示すブロック図である。図15に示す営業活動支援システムは、図1に示す第1の実施形態に比べて、ユーザ保有情報取得部15と、データ検証加工部16とを備える点が異なる。
次に、本発明の第2の実施形態について説明する。図15は、第2の実施形態の営業活動支援システムの構成例を示すブロック図である。図15に示す営業活動支援システムは、図1に示す第1の実施形態に比べて、ユーザ保有情報取得部15と、データ検証加工部16とを備える点が異なる。
ユーザ保有情報取得部15は、ユーザが保有している情報であるユーザ保有情報D0を入力(取得)する。ユーザ保有情報取得部15は、例えば、ユーザ保有情報D0として、ユーザが取り扱う商品もしくはサービスの契約に関する情報や、顧客に関する情報や、商品もしくはサービスに関する情報を入力してもよい。なお、ユーザ保有情報取得部15は、これら情報のうち、特定の情報を入力してもよい。例えば、ユーザ保有情報取得部15は、ユーザ保有情報D0として、ユーザが取り扱う商品もしくはサービスの契約に関する情報のうち特定の情報や、顧客に関する情報のうち特定の情報や、商品もしくはサービスに関する情報のうち特定の情報や、またはそれらの組み合わせを入力してもよい。
ユーザが取り扱う商品またはサービスの契約に関する情報の例としては、既存の契約内容に関する情報の履歴である契約履歴情報、すなわち全ての商品またはサービスに関わる契約情報(例えば、契約日、契約者(顧客)、契約された商品またはサービス、オプション、そのときの担当支店、営業担当者など)が挙げられる。また、顧客に関する情報の例としては、ユーザの顧客に関する基本的な情報である顧客情報(例えば、性別、年齢、家族構成、担当支店、営業担当、勤め先、年収、他社商品利用情報など)が挙げられる。また、商品もしくはサービスに関する情報の例としては、ユーザが取り扱う商品もしくはサービスの内容(例えば、価格、種別、特徴、オプションなど)が挙げられる。
なお、ユーザ保有情報取得部15は、上記以外にも、ユーザ保有情報D0として、例えば、面談日時や営業活動内容などといったユーザにおける顧客との接点に関する情報である顧客接点情報や、営業員の属性等を示す担当者情報などを入力してもよい。また、ユーザ保有情報取得部15は、出力部14が出力した相手先候補リストD3(営業を行う人が記入欄に営業活動の結果を入力した相手先候補リストD3を含む)を、ユーザ保有情報D0として入力してもよい。
なお、ユーザ保有情報取得部15は、ユーザから直接、上記情報を入力するものに限定されない。ユーザ保有情報取得部15は、例えば、他のシステムが記憶している、ユーザにかかる上記情報を取得することも可能である。そのような場合であっても、本システムでは、取得された上記情報を、ユーザ保有情報D0として扱う。すなわち、ユーザ保有情報D0は、ユーザが、自身の情報として所持または管理している情報であればよい。
データ検証加工部16は、ユーザ保有情報取得部15が入力した情報や出力部14が出力した情報を検証する。その際、データ検証加工部16は、これら情報を本システムが使用しやすいように加工したものをデータ記憶部11に記憶させることができる。
図16は、本実施形態のデータ記憶部11が記憶するデータの例を示す説明図である。図16に示すように、本実施形態のデータ記憶部11は、ユーザ保有情報D0と、訓練データD1とを少なくとも記憶する。
また、図17は、データ検証加工部16の構成例を示すブロック図である。図17に示すように、データ検証加工部16は、訓練データ作成部161と、予測対象データセット作成部162と、効果検証部163とを含んでいてもよい。なお、データ検証加工部16は、これら全てを含んでいなくてもよく、例えば、これらのうちいずれか1つを含んでいればよい。
訓練データ作成部161は、ユーザ保有情報D0から訓練データD1を作成する。訓練データ作成部161は、例えば、予め定められた訓練データD1のデータ構造に基づいて、ユーザ保有情報D0から所定の特徴量を選択もしくは新たに抽出して、訓練データD1を作成する。このとき、訓練データ作成部161は、ユーザ保有情報D0として入力された上記の情報を、顧客の識別子や営業担当の識別子等を基に連結して、1つの仮想データベースを構築してもよい。
ここで、所定の特徴量は、ユーザ保有情報D0に含まれる項目(変数)の値そのものであってもよいし、ユーザ保有情報D0に含まれる項目の値から加工されたものであってもよい。前者の場合において、例えば、システム管理者が予めその項目を指定することにより、特徴量として選択される。後者の場合において、例えば、システム管理者が予め加工対象とする項目およびその項目に対する加工方法(四則演算、平均、分散等の統計処理全般、対応する文字列や値への変換等)を指定しておき、指定された項目に対して指定された加工方法を適用することにより、新たな特徴量として抽出される。加工の際、外部から得られる情報を利用することも可能である。
その上で、訓練データ作成部161は、該仮想データベースの情報を基に、例えば、上記のような所定の特徴量の選択または新たな抽出等を行って、目的の成否と該成否に関連する複数の変数とからなるデータの集合を作成する。ここで、作成されたデータの集合は、訓練データD1の原型とされる。その上で、訓練データ作成部161は、作成されたデータの集合(訓練データD1の原型)に対して、訓練データD1のデータ構造に基づき、項目の追加、データの補完、データの加工、データの無効化およびデータの削除のうち少なくともいずれかを行って、最終的な訓練データD1を作成してもよい。
項目の追加の例としては、統計情報を示す変数の追加などが挙げられる。また、データの補完の例としては、項目のうち値が登録されていないデータを、他の項目の値や外部から得られる情報等に基づいて補完することなどが挙げられる。また、データの加工の例としては、文字情報を数値変数や二値変数に変換することなどが挙げられる。また、データの無効化の例としては、更新日等に基づいて一定以上古い情報を無効にすることなどが挙げられる。データの削除の例としては、更新日等に基づいて一定以上古い情報に基づくデータセット(ある目的の成否に関連づける変数の組み合わせ)を削除することなどが挙げられる。
予測対象データセット作成部162は、ユーザ保有情報D0から予測対象データセットD2を作成する。予測対象データセット作成部162は、例えば、既存の顧客全てを相手先候補とし、ユーザ保有情報D0から各顧客について、学習済みの予測モデルの説明変数に対応する情報を収集して、予測対象データセットD2を作成してもよい。
効果検証部163は、例えば、営業活動の結果が記入された相手先候補リストD3を取得して、その営業活動の結果から相手先候補リストD3を評価する。また、効果検証部163は、評価結果を示す効果検証情報D4を作成して出力する。
図18は、営業活動の結果が記入された相手先候補リストD3の例を示す説明図である。効果検証部163は、図18に示すように、出力部14により作成された営業活動の結果を入力するための記入欄を含む相手先候補リストD3であって、その後ユーザにより該記入欄に営業活動の結果が入力された相手先候補リストD3を回収(取得)して、該相手先候補リストD3に記入された営業活動の結果に基づいて、相手先候補リストD3の効果を検証してもよい。なお、営業活動の結果の取得方法は上記に限定されない。営業活動の結果は、例えば、ユーザ保有情報D0とされる相手先候補リストD3や契約履歴情報や顧客接点情報から取得することも可能である。また、例えば、出力部14が集計用に営業活動の結果を取得している場合などには、出力部14から営業活動の結果を得ることも可能である。データ記憶部11は、このようにして得られる営業活動の結果と、予測された目的の成否および成功確率の少なくともいずれかとを関連付けて記憶しておいてもよい。例えば、データ記憶部11は、予測結果と営業活動の結果とを含む相手先候補リストD3を記憶してもよい。
このとき、効果検証部163は、営業活動の結果と、営業活動を行った人に関する情報とに基づいて、営業活動を行った人の属性ごとに相手先候補リストD3を評価してもよい。図19および図20は、効果検証部163による相手先候補リストD3の効果の検証例を示す説明図である。
例えば、効果検証部163は、図19に示すように、営業活動の結果を含む相手先候補リストD3に、当該相手先候補リストD3を活用した営業員(活用者)の情報を付加する。そして、効果検証部163は、該相手先候補リストD3の記入欄に記入されている営業活動の結果を、活用者の情報のセグメント(例えば、入社年数など)ごとに集計して評価する。このとき、効果検証部163は、図20に示すように、得られた集計結果を、同じセグメントに属し、かつ相手先候補リストD3を活用していない営業員の営業活動の結果と比較することにより、相手先候補リストD3の効果を評価してもよい。効果検証部163は、例えば、図20に示すような効果検証情報D4を作成して出力してもよい。
図20に示す例によれば、入社年度が5年以上の営業員よりも5年未満の営業員の方が提案件数および契約件数の増加率が高く、相手先候補リストD3を活用した効果が大きいことがわかる。
また、効果検証部163は、相手先候補リストD3を提示後に得られた営業活動の結果などの情報を基に、相手先候補リストD3の効果の検証だけでなく、相手先候補リストD3で提示した相手先候補の優先度または優先順位やその基となった予測結果やそれを導出した予測モデルやその学習に用いた訓練データD1の見直しを行ってもよい。
例えば、効果検証部163は、活用者の所感を構文解析等した結果に基づいて、目的の成否と相関の高いと判断された変数を、訓練データD1の説明変数に追加してもよい。図20に示す例でいうと、“前回購入からの経過日数”が目的の成否と相関の高いと判断できるので、効果検証部163は、“前回購入からの経過日数”を訓練データD1の説明変数に追加する旨の決定または訓練データD1のデータ構造の変更を行ってもよい。
訓練データ作成部161は、このような効果検証部163の決定または変更がされると、新たな訓練データD1のデータ構造に従い、新たな訓練データD1を作成する。なお、図21は、効果検証部163の決定または変更に基づき作成された新たな訓練データD1の例を示す説明図である。図21に示す例では、目的の成否に関連し得る変数として、新たに“X8:前回購入からの経過日数”が追加されている。
なお、訓練データ作成部161は、効果検証部163の決定や変更がない場合にも、相手先候補リストD3を提示後に得られた営業活動の結果など、新たに取得された情報に基づいて適宜訓練データD1を追加して、予測モデルの精度を向上させるのが好ましい。
学習部12は、例えば、訓練データD1のデータ構造が変更されたり、新たな訓練データD1が所定量追加されたタイミングで、予測モデルの学習を行ってもよい。なお、予測モデルの学習タイミングは、上記に限定されず、システムの管理者の指示により行ったり、定期的に行うなどが考えられる。
次に、本実施形態の動作を説明する。図22は、本実施形態の営業活動支援システムの動作の一例を示すフローチャートである。図22に示す例では、まず、ユーザ保有情報取得部15が、ユーザ保有情報D0を取得する(ステップS21)。
次に、訓練データ作成部161が、ユーザ保有情報D0から訓練データD1を作成する(ステップS22)。
次に、学習部12が、訓練データD1を用いて、予測モデルを学習する(ステップS23)。
次に、予測対象データセット作成部162が、ユーザ保有情報D0を基に、予測対象データセットD2を作成する(ステップS24)。
次に、予測部13が、予測対象データセットD2に対して、学習済みの予測モデルを適用して、予測対象データセットD2が示す相手先候補(顧客)の営業活動の成功確率を予測する(ステップS25)。第1の実施形態と同様、予測部13は、営業活動の成功確率に代えて、営業活動の成否を予測してもよい。
次に、出力部14が、出力部14が、予測部13による予測の結果に基づいて、相手先候補リストD3を作成して、出力する(ステップS26、S27)。
次に、効果検証部163が、出力部14が出力した相手先候補リストD3の効果(営業活動の成否)を示す情報を取得し、効果を検証する(ステップS28)。ステップS28では、ユーザ保有情報取得部15が、相手先候補リストD3を提示した後のユーザ保有情報を取得することにより、効果検証部163が、相手先候補リストD3の効果(営業活動の成否)を示す情報を得てもよい。
次に、効果検証部163が、効果の検証結果を示す効果検証情報D4を作成する(ステップS29)。また、効果検証部163は、訓練データD1のデータ構造の見直しを行う(ステップS30)。そして、ステップS21に戻り、一連の処理を繰り返す。
本実施形態によれば、このようなユーザからのデータ提供を受けて、相手先候補リストを作成、提供するとともに、そのリストを基に実際に営業活動を行った結果を取得して、効果検証情報D4や次のリスト作成時、モデル学習時などにフィードバックしてユーザに還元できる。したがって、予測精度の向上だけでなく、ユーザ側のデータ準備負担の軽減や、本システム導入にかかる効果の測定支援ができる。
また、図23は、本発明の各実施形態にかかるコンピュータの構成例を示す概略ブロック図である。コンピュータ1000は、CPU1001と、主記憶装置1002と、補助記憶装置1003と、インタフェース1004と、ディスプレイ装置1005と、入力デバイス1006とを備える。
上述の各実施形態の営業活動支援システムが備えるサーバその他の装置等は、コンピュータ1000に実装されてもよい。その場合、各装置の動作は、プログラムの形式で補助記憶装置1003に記憶されていてもよい。CPU1001は、プログラムを補助記憶装置1003から読み出して主記憶装置1002に展開し、そのプログラムに従って各実施形態における所定の処理を実施する。なお、CPU1001は、プログラムに従って動作する情報処理装置の一例であり、CPU(Central Processing Unit)以外にも、例えば、MPU(Micro Processing Unit)やMCU(Memory Control Unit)やGPU(Graphics Processing Unit)などを備えていてもよい。
補助記憶装置1003は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース1004を介して接続される磁気ディスク、光磁気ディスク、CD-ROM、DVD-ROM、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ1000に配信される場合、配信を受けたコンピュータは1000がそのプログラムを主記憶装置1002に展開し、各実施形態における所定の処理を実行してもよい。
また、プログラムは、各実施形態における所定の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置1003に既に記憶されている他のプログラムとの組み合わせで各実施形態における所定の処理を実現する差分プログラムであってもよい。
インタフェース1004は、他の装置との間で情報の送受信を行う。また、ディスプレイ装置1005は、ユーザに情報を提示する。また、入力デバイス1006は、ユーザからの情報の入力を受け付ける。
また、実施形態における処理内容によっては、コンピュータ1000の一部の要素は省略可能である。例えば、コンピュータ1000がユーザに情報を提示しないのであれば、ディスプレイ装置1005は省略可能である。例えば、コンピュータ1000がユーザから情報入力を受け付けないのであれば、入力デバイス1006は省略可能である。
また、上記の各実施形態の各構成要素の一部または全部は、汎用または専用の回路(Circuitry)、プロセッサ等やこれらの組み合わせによって実施される。これらは単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、上記の各実施形態各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
上記の各実施形態の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
次に、本発明の概要を説明する。図24は、本発明の営業活動支援システムの概要を示すブロック図である。図24に示す営業活動支援システム500は、予測部501を備える。
予測部501(例えば、予測部13)は、ユーザの営業活動における所定の目的の成否と、目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する。
このような構成により、例えば、相手先候補に対する予測結果を利用して営業活動を行うことによって、営業活動の効率化をバランスよく、例えば、ハイパフォーマンス層の負担軽減とローパフォーマンス層の稼働率の向上をともに実現できるので、より効果的な支援を行うことができる。
なお、上記の各実施形態は以下の付記のようにも記載できる。
(付記1)ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する予測部を備えることを特徴とする営業活動支援システム。
(付記2)訓練データを記憶するための訓練データ記憶部と、訓練データを用いて、予測モデルを学習するモデル学習部とを備える付記1に記載の営業活動支援システム。
(付記3)予測部による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する出力部とを備える付記1または付記2に記載の営業活動支援システム。
(付記4)訓練データを記憶するための訓練データ記憶部と、訓練データを用いて、予測モデルを学習するモデル学習部と、予測部による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する出力部とを備える付記1に記載の営業活動支援システム。
(付記5)モデル学習部は、機械学習により目的の成否に対する複数の変数の各々の寄与度を特定可能な学習器を利用して、予測モデルを学習し、予測部は、営業活動の相手先候補に関する情報と、予測モデルとに基づいて、相手先候補における目的の成功確率を予測するとともに、成功確率の導出に用いられた複数の変数の各々の寄与度を取得し、出力部は、成功確率が所定の条件を満たす相手先候補のリストであって、成功確率が高い相手先候補ほど優先されており、かつ相手先候補に関する情報と、順位または優先度の根拠を示す情報として、当該相手先候補の成功確率への寄与度が大きい変数に関する情報とが関連付けられたリストを出力する付記4に記載の営業活動支援システム。
(付記6)予測モデルが、場合分け付き判別モデルであり、予測部は、営業活動の相手先候補に関する情報と、予測モデルとに基づいて、相手先候補における目的の成功確率を予測するとともに、成功確率の導出に用いられた場合分け条件および複数の変数の各々の寄与度を取得し、出力部は、成功確率が所定の条件を満たす相手先候補のリストであって、成功確率が高い相手先候補ほど優先されており、かつ相手先候補に関する情報と、順位または優先度の根拠を示す情報として、当該相手先候補の成功確率への寄与度が大きい変数に関する情報であって場合分け条件により分類された情報とが関連付けられたリストを出力する付記4または付記5に記載の営業活動支援システム。
(付記7)モデル学習部は、スパース性および正則化のうち少なくともいずれかを制約に用いて、予測モデルを学習する付記2、4-6のうちのいずれかに記載の営業活動支援システム。
(付記8)出力部は、営業活動を行う人ごとに、リストを作成して出力する付記3から付記7のうちのいずれかに記載の営業活動支援システム。
(付記9)訓練データの複数の変数には、目的のための営業活動を行った人の特徴を示す変数が含まれ、予測部は、営業活動の相手先候補に関する情報と、営業活動を行う人に関する情報と、予測モデルとに基づいて、営業活動を行う人ごとの相手先候補における目的の成否および成功確率の少なくともいずれかを予測する付記8に記載の営業活動支援システム。
(付記10)営業活動の結果と、予測された目的の成否および成功確率の少なくともいずれかとを関連付けて記憶する記憶部を備える付記1から付記9のうちのいずれかに記載の営業活動支援システム。
(付記11)営業活動の結果からリストの効果を検証し、検証結果を出力する評価部を備える付記10に記載の営業活動支援システム。
(付記12)評価部は、営業活動の結果と、営業活動を行った人に関する情報とに基づいて、営業活動を行った人の属性ごとにリストの効果を評価する付記11に記載の営業活動支援システム。
(付記13)訓練データを作成する訓練データ作成部を備え、訓練データ作成部は、営業活動の結果に基づいて、訓練データを更新する付記10から付記12のうちのいずれかに記載の営業活動支援システム。
(付記14)ユーザが保有している情報を取得するユーザ保有情報取得部と、入力された情報から、訓練データを作成する訓練データ作成部とを備え、訓練データ作成部は、予め定められた訓練データのデータ構造に基づいて、入力された情報から所定の特徴量を選択もしくは新たに抽出して、訓練データを作成する付記1から付記12のうちのいずれかに記載の営業活動支援システム。
(付記15)ユーザ保有情報取得部は、ユーザが保有している情報として、ユーザが取り扱う商品もしくはサービスの契約に関する情報と、顧客に関する情報と、商品もしくはサービスに関する情報とを少なくとも取得し、訓練データ作成部は、取得された情報に基づいて、目的の成否と成否に関連する複数の変数とからなるデータの集合を構築し、構築されたデータの集合に対して、項目の追加、データの補完、データの加工、データの無効化およびデータの削除のうち少なくともいずれかを行って訓練データを作成する付記14に記載の営業活動支援システム。
(付記16)情報処理装置が、ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測することを特徴とする営業活動支援方法。
(付記17)コンピュータに、ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する処理を実行させるための営業活動支援プログラム。
以上、本実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
本発明は、営業活動を行うユーザであれば、どのような業種、目的であっても好適に適用可能である。
11 データ記憶部
12 学習部
13 予測部
14 出力部
15 ユーザ保有情報取得部
16 データ検証加工部
161 訓練データ作成部
162 予測対象データセット作成部
163 効果検証部
1000 コンピュータ
1001 CPU
1002 主記憶装置
1003 補助記憶装置
1004 インタフェース
1005 ディスプレイ装置
1006 入力デバイス
500 営業活動支援システム
501 予測部
12 学習部
13 予測部
14 出力部
15 ユーザ保有情報取得部
16 データ検証加工部
161 訓練データ作成部
162 予測対象データセット作成部
163 効果検証部
1000 コンピュータ
1001 CPU
1002 主記憶装置
1003 補助記憶装置
1004 インタフェース
1005 ディスプレイ装置
1006 入力デバイス
500 営業活動支援システム
501 予測部
Claims (8)
- ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測する予測部と、
前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得する取得部と、
前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力する出力部と、を備え、
前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
前記顧客接点情報は、面談日時を含む
営業活動支援システム。 - 前記出力部は、前記優先度の根拠を示す情報を所定の条件に従って異なる表示態様で出力する
請求項1に記載の営業活動支援システム。 - 前記出力部は、前記営業活動を行う人ごとに、前記相手先候補に関する情報と、前記根拠を示す情報と、を関連付けて出力する
請求項1または2に記載の営業活動支援システム。 - 前記訓練データの複数の前記変数には、前記営業活動を行う人の特徴を示す変数が含まれ、
前記予測部は、前記相手先候補に関する情報と、前記営業活動を行う人に関する情報と、前記予測モデルとに基づいて、前記営業活動を行う人ごとの前記相手先候補における前記契約の成功確率を予測する
請求項1から請求項3のうちのいずれかに記載の営業活動支援システム。 - 前記顧客接点情報を含む、ユーザが保有しているユーザ保有情報を取得するユーザ保有情報取得部と、
前記ユーザ保有情報に基づいて前記訓練データを生成する訓練データ生成部とを備え、
前記訓練データ生成部は、予め定められた訓練データのデータ構造に基づいて、前記ユーザ保有情報から所定の特徴量を選択もしくは新たに抽出して、前記訓練データを生成する
請求項1から請求項4のうちのいずれかに記載の営業活動支援システム。 - 前記ユーザ保有情報取得部は、前記ユーザ保有情報として、ユーザが取り扱う商品もしくはサービスの契約に関する情報と、顧客に関する情報と、前記商品もしくは前記サービスに関する情報とを少なくとも取得する
請求項5に記載の営業活動支援システム。 - コンピュータが、
ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測し、
前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得し、
前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力し、
前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
前記顧客接点情報は、面談日時を含む
営業活動支援方法。 - コンピュータに、
ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測する処理と、
前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得する処理と、
前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力する処理と、を実行させ、
前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
前記顧客接点情報は、面談日時を含む
営業活動支援プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022041299A JP7306513B2 (ja) | 2017-10-25 | 2022-03-16 | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017206058A JP7043786B2 (ja) | 2017-10-25 | 2017-10-25 | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム |
JP2022041299A JP7306513B2 (ja) | 2017-10-25 | 2022-03-16 | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017206058A Division JP7043786B2 (ja) | 2017-10-25 | 2017-10-25 | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022069602A JP2022069602A (ja) | 2022-05-11 |
JP7306513B2 true JP7306513B2 (ja) | 2023-07-11 |
Family
ID=87072514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022041299A Active JP7306513B2 (ja) | 2017-10-25 | 2022-03-16 | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7306513B2 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000222486A (ja) | 1999-02-02 | 2000-08-11 | Toshiba Corp | 訪問販売における営業職員活動分析システム |
JP2003167992A (ja) | 2001-11-30 | 2003-06-13 | Ricoh Co Ltd | 販売活動管理システム、販売活動管理方法、プログラム、及び記録媒体 |
JP2005322094A (ja) | 2004-05-11 | 2005-11-17 | Hitachi Ltd | 営業支援方法および営業支援システム |
JP2006127452A (ja) | 2004-03-31 | 2006-05-18 | Denso It Laboratory Inc | 情報提示装置および情報提示方法 |
US20110246255A1 (en) | 2009-12-11 | 2011-10-06 | James Gilbert | System and method for advancing marketing opportunities to sales |
WO2016147298A1 (ja) | 2015-03-16 | 2016-09-22 | 株式会社 東芝 | 推薦装置、推薦決定方法、およびコンピュータプログラム |
JP2016184330A (ja) | 2015-03-26 | 2016-10-20 | 株式会社 みずほ銀行 | アプローチ支援システム、アプローチ支援方法及びアプローチ支援プログラム |
WO2016194628A1 (ja) | 2015-05-29 | 2016-12-08 | 日本電気株式会社 | 解約予測を用いた営業活動支援装置及び営業活動支援方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5495014B2 (ja) * | 2009-09-09 | 2014-05-21 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
JP2011086143A (ja) * | 2009-10-16 | 2011-04-28 | Spec Group:Kk | 人材紹介方法、人材紹介システムおよびサーバ装置 |
JP6187977B2 (ja) * | 2014-06-20 | 2017-08-30 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 解析装置、解析方法及びプログラム |
JP6031165B1 (ja) * | 2015-07-27 | 2016-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム |
JP6035404B1 (ja) * | 2015-11-17 | 2016-11-30 | 日本生命保険相互会社 | 訪問準備システム |
-
2022
- 2022-03-16 JP JP2022041299A patent/JP7306513B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000222486A (ja) | 1999-02-02 | 2000-08-11 | Toshiba Corp | 訪問販売における営業職員活動分析システム |
JP2003167992A (ja) | 2001-11-30 | 2003-06-13 | Ricoh Co Ltd | 販売活動管理システム、販売活動管理方法、プログラム、及び記録媒体 |
JP2006127452A (ja) | 2004-03-31 | 2006-05-18 | Denso It Laboratory Inc | 情報提示装置および情報提示方法 |
JP2005322094A (ja) | 2004-05-11 | 2005-11-17 | Hitachi Ltd | 営業支援方法および営業支援システム |
US20110246255A1 (en) | 2009-12-11 | 2011-10-06 | James Gilbert | System and method for advancing marketing opportunities to sales |
WO2016147298A1 (ja) | 2015-03-16 | 2016-09-22 | 株式会社 東芝 | 推薦装置、推薦決定方法、およびコンピュータプログラム |
JP2016184330A (ja) | 2015-03-26 | 2016-10-20 | 株式会社 みずほ銀行 | アプローチ支援システム、アプローチ支援方法及びアプローチ支援プログラム |
WO2016194628A1 (ja) | 2015-05-29 | 2016-12-08 | 日本電気株式会社 | 解約予測を用いた営業活動支援装置及び営業活動支援方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2022069602A (ja) | 2022-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7043786B2 (ja) | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム | |
CN111160992A (zh) | 一种基于用户画像体系的营销*** | |
Song et al. | An environmentally conscious PSS recommendation method based on users' vague ratings: A rough multi-criteria approach | |
KR102045477B1 (ko) | 이커머스 플랫폼 평가 시스템 | |
CN109189904A (zh) | 个性化搜索方法及*** | |
TW201935344A (zh) | 一種獲取多標籤使用者肖像的方法和裝置 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
KR102046501B1 (ko) | 창업 기업 진단에 기반한 가치 평가 및 육성 지원을 위한 서비스 제공 장치 및 방법 | |
US20090099920A1 (en) | Data Mining | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
Wu et al. | An approach of product usability evaluation based on Web mining in feature fatigue analysis | |
US20220172258A1 (en) | Artificial intelligence-based product design | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
Javan et al. | A hybrid advertising media selection model using AHP and fuzzy-based GA decision making | |
Parthiban et al. | An integrated multi-objective decision making process for the performance evaluation of the vendors | |
US20200320468A1 (en) | Computer System for Optimizing Garment Inventory of Retailer Based on Shapes of Users | |
WO2023284516A1 (zh) | 基于知识图谱的信息推荐方法、装置、设备、介质及产品 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及*** | |
CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
JP7306513B2 (ja) | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム | |
CN116385076A (zh) | 广告推荐方法、装置、终端设备和计算机可读存储介质 | |
JP7212103B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN111400567B (zh) | 一种基于ai的用户数据的处理方法、装置及*** | |
Leng et al. | Geometric deep learning based recommender system and an interpretable decision support system | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220316 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230530 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230612 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7306513 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |