想い：営業職に挑戦する若者をサポートしたい
学生の就職活動を支援している企業、新入社員営業研修を行っている企業の話によると、
・学生の本音
営業にだけはなりたくない（きついノルマ、上司と顧客から怒られるというイメージ先行）
・営業部部門に配属された新入社員（大手IT企業）
入社３年で３割が退職してしまう
少しでも多くの若者が営業職という仕事の本当のことを理解し自ら希望して
営業の仕事に挑戦してもらい豊かな人生の架け橋として欲しい、その絶好の機会が営業職だ！！と訴えたく
２０１６年３月 「１年目の営業辞典」 ｉＰｈｏｎｅアプリをリリース
２０１６年６月 「はじめて営業になる君に知っておいて欲しい７つのこと」 Ｋｉｎｄｌｅ本を出版しました。
次に目指したいことは、
「経験を積まないと身につかない洞察力や対応力をAIでアシストしよう」という試みである
「営業プロセスの抜け（穴）、この先の展開リスクを予見して、次に打つべきアクションを導いてくれる人工知能エンジン」を共感・共鳴いただける企業様のお力をお借りして共同で作りたいと考えております。
知識データ・ベースに関わる過去の取り組み
中小・中堅企業市場での新規顧客開拓の仕事の中で
１） ＩＴ技術者がいない又は少ないお客様が効率よく業務アプリケーションを導入できるようにする。
２） 多くの新規顧客を獲得することを期待されている営業マンの生産性をサポートしたい。
２つの観点から、同じ業種のお客様であれば、お客様のニーズの８０%は同一であり、一見異なる商談として捉えていたものが、実は類似商談にすることができることに着目し“特化して繰り返す”営業戦略を推進しました。
その過程で知識データ・ベースとして、
１） お客様オブジェクション予測・対応知識データ・ベース
２）類似商談知識データ・ベース
を作ることに力を注ぎました。
１９９１年の取り組みですので２５年も前のことになります。
今般解散発表したＳＭＡＰも結成２５年とのことですが、私は今から再出発です!!
当時はまだＷｅｂもなく、ＡＩの研究は第二の冬の時代だったそうで、今日のような進化があれば実に面白い展開になっていたものと思います。
お客様オブジェクション予測・対応知識データ・ベース
＜流通業編と製造業編を作りました＞
【狙い】
営業プロセス過程で直面する｢否定的お客様の一言｣を抽出し、ナレッジ化して、その裏側に潜む｢本音｣や社内部門間の｢あつれき｣や｢真のニーズ｣を深堀りして、お客様から指摘される前に解決・解消してしまう予測能力を身につけること。
類似商談知識データ・ベース
＜営業部・課長/SE課長の戦略：類似商談知識データ・ベースを確立し、商談にフル活用する＞
私が提供できる知識コンテンツ
・提案営業における知識；経験的知識＋理論的知識＋人間心理に関わる知識ディジタルコンテンツを使用権の形で提供できます。
・経験的知識とは；経験から得た知識を抽象化した一種のセオリーのようなもので、完全に正しいという保証はないが、対象となる問題の大半で成り立つという性質の知識
・理論的知識とは；その問題領域の背後に存在する数学的、科学的理論
・人間心理に関わる知識とは；営業の仕事は複数の立場、価値観の異なる人との交渉事であり、まさに心理戦であり人間心理に関する洞察知識
最終的には
・ルール、セオリー化するために、“営業プロセスの定義”、“ケース毎のリスク（よく失敗するあるあるケース）”、“それぞれに対する正しい対応策”を定義します。
・あるあるコーナーに書いてある失敗例や陥りやすいケースを補充します。
提供できる知識コンテンツ-1
1)iPhonAppl「１年目の営業辞典」
2)Kindle「はじめて営業になる君に知っておいて欲しい７つのこと」のデジタルコンテンツ
Ⅰ章 営業の仕事とは何か？知っておこう
1． 企業における営業の役割り（やや理論的知識）
2． 営業を取り巻くステークホルダー（やや理論的知識）
Ⅱ章 心の状態が成果を左右することを知っておこう
1． 営業という仕事は心理状況が大きく影響すること（人間心理知識）
2． 躍動感を感じている時に湧き出る発想力と行動力を活かそう（人間心理知識）
3． 心がけて欲しいこと
Ⅲ章 提案営業の基本の流れ（プロセス）を押さえておこう
1． 営業の仕事の流れ （セオリー的でやや理論的知識）
2． 仕事の流れの詳細説明 （セオリー的でやや理論的知識）
Ⅳ章 お客様を深く知ることが、お客様に頼られる営業になる近道であることを知っておこう
1．お客様に興味を持つ、好きになることが力になること（経験的知識）
2．準備すること（経験的知識）
3．情報収集とお客様を知る/調べる方法（理論的知識）
4. お客様経営者が注視している経済情勢と経済指標 70項目（理論的知識）
Ⅴ章 お客様に提案内容をどう伝えたら響くのか？を知っておこう（総て経験的知識）
1. 提案の着眼点/メリットの見つけ方
2. セールスポイントの探り方
3. セールスポイント、生産財の例
4. 投資効果の数値化算出例
5. プレゼンテーション
6. デモンストレーション
７. 導入事例,採用事例を活かす
８. 機械メーカーのマーケティングとセールスプログラム
９. 究極のマーケティング
Ⅵ章 ビジネスマナーを知っておこう（経験的知識＋理論的知識）
1. 身だしなみ
2. 話し方
３. 電話
４. Eメール
５. アポイントメントの取得
６. お客様訪問
７. お客様の来社
８. 移動時のマナー(タクシーなど）
９. セミナー
１０. 接待
１１. 慶事
１２. 弔事
Ⅶ章 お客様と共に成長することが喜びであることを知っておこう
〈基本的には、経験的知識であるが部分的に心理的知識が含まれている〉
1. お客様から必要とされていると知った瞬間を逃さないこと
2. お客様から必要とされる存在になるために身に付けたい習慣
1) 前向きな精神状態を作り維持する習慣
2) 朝の時間帯に「考え創造する仕事」をする習慣
3) お客様を理解しようとする姿勢と習慣
4) お客様の「事前期待」を想像する習慣
5) 「観察力」と「予測する力」を磨く習慣
6) 周到に事前準備する習慣
7) ヒアリング力を身に付ける習慣
8) お客様メリットを深く考える習慣
9) 商品・サービス知識をお客様メリット志向で高めていく習慣
10)商談が失速、暗礁に乗り上げたとき、基本に戻ってみる習慣
11)社内・ビジネスパートナーと良好な関係を育む習慣
Appendix 1. 一般的知識 2. 営業マンの悩みQ&A
大企業を担当する営業にとっての環境変化
提案先企業の複数キーマンの“合意形成”をとることが重要な課題になりつつあります。
・営業はこれまで顧客企業内で決裁権を持つ経営幹部を探すように教えられてきました。
例えば、IT提案の場合情報システム部門が説得対象部署でした。
・ICTが進化した今日企業はICTを活用した事業を考えることが当たり前となり、購買の意思決定に関与する部署・キーマンが複数となるケースが増えてきました。売り込み先の規模が50人であれ5万人であれ一人で決定を下せる企業は稀です。
その結果；担当する営業、技術（営業）は複数の味方をつくる「合意形成力」が問われるようになりました。負担も大きく対応を間違えたら大きな損失を招くことになります。
「従来より難しさを増した営業活動に直面する
経験の浅い営業・技術（営業）を導いてくれるAI技術を活用した営業支援システムを作りませんか？」
AI営業支援システム(アクション・レコメンドシステム)のご提案
営業系全体をどう変えたいか？
営業部員；
・知識DBとAIの支援を活用し上司からでなく、自ら営業活動を点検をする
習慣が付き成長を助ける
・知識の共有や相互支援により発想力と行動力が高まり心の躍動感が高まる
営業マネジメント；
・部下の基本部分の指導は知識DBに肩代わりさせ、管理者としてより創造的
な支援
（AIではできない人間関係、心理や感情の読み、全社サポート体制を引き出
すなど）をする
・ログデータにより個々の商談が時系列で解析可能となり見えるようになる
統括マネジメント；
・営業成績のバラツキの是正
・営業活動全体や顧客、市場の動向を知ることができ、全社サポート力の向
上を整備できる
・一件一件が個別の商談と捉えていたものを、類似商談と捉え顧客へのサポ
ート力を高める
全体；
・技術系営業の営業力の水準を上げる
・営業部門の意識レベルの向上（顧客ファーストの精神が浸透する）
・営業・サポート技術者のワークロードの削減、残業の減少
営業がどう変わるか？
－技術職から社内配転した営業も－
1）上司から言われて動くスタイルから自ら考えて動く姿勢の変わる。
入力した営業行動データにより、システムが時系列で営業プロセスをみて、抜けていること？これから起こり得るリスクをガイドしてくれるので営業はシステムにメリットを感じ精度の高い行動データを入力するようになる。
2）AIで自動的に準備されたお客様への説明資料に、営業がより説得力ある内容を加味することが可能となる。
3）個人の経験値での状況判断ではなく、起こりうる複数の想定セオリーを聞こうとするようになる。
4）上司への相談のレベルが上がるので次のアクションのスピードと精度が向上する。
なぜ変わるのか？
１）ログデータ（営業活動履歴＋AI支援履歴）により特定の商談について、これまでに何が成され、何ができていないのか？さらに商談が一定の水準に達するまでに残されたアクションなどがガイドされる。(営業を点ではなく線（時系列）で捉えられるようになる)
ログデータにより日々で分割されてしまっている情報を統一的に解析することでガイドできるようになる。
2）システムがマネジメントの仕事の一部を肩代わりしてくれるようになるから上司からの日常的指摘が減り気分もよくなる
個人の経験値によるオペレーションから、日々の営業活動全体を源泉とする知識や気付きにより補強されるようになるから
実現への留意事項
「多数のAI、ビッグデータを手がけてきたビジネスプロデューサ兼データサイエンティスト五木宏氏へのヒアリング」
【結論】
現在の人工知能技術で上記のエンジンを作成することは技術的には可能です。
ただし、キレイなデータ（日報とDigital情報＝ルール）を準備できることが前提条件となります。
以下、詳述します。
【人工知能による営業支援ふたつの側面】
人工知能と言っても、「次のアクションを教えて」とインプットすると人間のようにあれやこれやと気をまわして考えて答えてくれるような人工知能の実現は当分先になります。（IBM Watsonはそう見えるようにできているだけで、実際はたいへんなティーチングやチューニング作業が必要です。）
営業への人工知能の適用には、ふたつの方途があると考えます。 ひとつは、正解となる情報（今回で言えば、基本プロセス）があり、それと現実（今回で言えば、営業日報やCRM、SFAデータ）を比較し、“抜け”や“問題”とその解決策としてのアクションを提示するという使い方です。これは、エキスパートシステムやリコメンデーションの領域といえます。ご質問のイメージはこちらではないかと推察します。
もうひとつは、蓄積されたデータから新たな知見を、人工知能技術を利用して抽出するという使い方です。これはビッグデータを人工知能技術で操作するイメージです。マーケティングで使われるアソシエーション分析などの更に高度なもの、といったところでしょうか。
【データのキレイさ】
ひとつめの適用方法である営業エキスパートシステムにおいて、「営業プロセスの穴、リスクを予見し、今打つべきアクションを知らせてくれる」という場合、“営業プロセス定義”や、“ケースごとのリスクリスト”、そしてそれぞれに対する“対応策”（正解）が決まっていることが必要です。
この方法は1980年代の第二次人工知能ブームのときに主流であった“ルールベース”の“エキスパート･システム”と同じではないかとの批判があるかもしれませんが、実は基本は大きく変わっていないのが実態だと思います。
営業プロセス情報やリスクリスト、それらへの対応策を網羅的に準備する作業にかかるワークロードはかなりの大きさです。もちろん、営業マニュアルやトークスクリプト、標準提案書、見込み客管理シート（項目、進捗チェックシート）が存在すれば、ルールや正解情報の整理はかなり楽になりますが、とはいえ使いものになるデータの生成は大変な作業であろうと思います。
今回は、竹内氏がかなり網羅的に作ったデータがあるので、かなりのワークロードが削減されるものと思います。
竹内氏の経験的知識を正解知に仕立てる作業は残ります。
ふたつめの適用領域である、人工知能による新規の知見の抽出・獲得においては、最近、人工知能の話題の中でクローズアップされることの多い”ディープラーニング（深層学習）”や”機械学習”が活躍すると思います。
それらの特徴はひとことで言うと、「人間が見つけられないルールや正解を、人工知能がデータから勝手に探しだしてくれる」ということです。
これまでのように、人間がいろいろな仮説をたてて検証するではなく、”AIが勝手にやってくれる” というところが最近の人工知能ブームの原因のひとつです。
営業上のこれまで知られていなかったルールや正解、例えば「予算と決定権者が不明な場合に見込み客とコンタクトをとらない日数がある閾値を超えると急激に成約確率が下がる。
しかし、予算と決定権者がわかっている場合は下がらない。」といったような事象を抽出することも人工知能にできる可能性があります。
ただし、これも学習させるデータのキレイさが問題になります。
営業活動を支援するにしても、新たな知見を得るにしても、とにかくキレイなルールや正解の情報や活動情報が、データとして利用できるようになっている、もしくは、できるようにすることが必須です。
ちなみに、ビッグデータや人工知能の業界ではGarbage in, garbage out（ガベッジイン・ガベッジアウト）という格言があります。
これは、「ゴミデータをいくら分析してもゴミな結果しかでてこない。＝キレイなデータが重要」という意味です。
【営業支援エンジンのイメージ】
前述のように、キレイなデータがあり、解決したい課題が明確であれば、人工知能やそれ以前のBI的な機能により、かなりの効率化が可能だと思います。
データと課題が与えられれば、人工知能のさまざまな技法のなかからどの技法を当てはめればよいかが自ずと決まるからです。
また、さらに殆どの人工知能技術には、それを適用した結果の良し悪しをチェックするアルゴリズムが存在しますので、感覚ではなく、数理的にシステムの適不適を判断できます。
実際のエンジンのイメージとしては、
・ルール・正解登録モジュール
・営業活動状況入力モジュール
・営業活動状況集約モジュール
・営業活動助言モジュール
・助言結果チェックモジュール
・全体統計モジュール
などのサブタスクで構成されることになると思います。
尚、それらのバックグラウンドには、営業日報を解釈するための自然言語処理エンジンや検索エンジンも必要です。
将来的には、営業活動をAIが支援した結果を集約して、さらに新たなルールを生成して、より”利口な”エンジンに仕上げてゆくことも必要かと思います。
【営業支援エンジンの課題】
上記のように、人工知能による営業支援エンジンの可能性は大きいと思いますが、課題もあると思います。
ひとつは、業種業態、営業方法、営業部員の資質、さらには企業風土などの環境が千差万別であることです。
我々はシステムのソリューション営業がベースになった発想ですが、他の業種業態でも利用可能な汎用エンジンを作ろうとすると、Sales Forceのような巨大なものになるか、プラットフォームだけのエンジンになってしまうのではないかと思います。
当初は、業種業態、営業方法を絞ったエンジンにすることが必要かと思います。
基本エンジンが出来上がれば、PACKシリーズのようにサブモジュールで業種業態対応をしてゆくのも良い方策かもしれません。
もうひとつの課題は、現在の人工知能の限界に由来するものです。
それは、心理や感情、人間関係などを読み取ることが人工知能にはまだ苦手であるという限界です。営業活動では、アンチマンやフェイバー、インサイドセールスの区別や、社内の力関係や思惑、さらにはそれらが時時刻刻変化することを考慮して戦略や戦術を考えなければならない場面が多々ありますが、それらを検知したり、考慮してのアドバイスはまだ人工知能にはできません。そこはまだまだ優秀で心理戦に長けた人間が担当せざるを得ない領域と考えます。
そういう意味では、優秀なアドバイザーではあり得るかもしれませんが、優秀な上司の役割はまだ無理だと思います。