THEORY & EVIDENCE

【Data Layer 連携】：01｜DATA

顧客を理解するためには、企業規模や業種などの属性情報だけでなく、事業環境の変化や顧客が置かれている状況を捉えることが重要です。

BizBrainingでは、顧客情報や企業の変化、商談履歴などを手がかりに、顧客の課題や営業が介入するタイミングを考察します。

経験や勘に頼っていたターゲット選定を、情報に基づいて見直すための方法を研究します。

【Application Layer 連携】：02｜DECISION

顧客自身がまだ明確に認識していない課題や、現状を維持することで生じる機会損失に目を向けることは、営業における重要な役割です。

BizBrainingでは、顧客の現状、目指す状態、その間にあるギャップを捉え、課題を明確にするための問いや仮説の立て方を研究します。

COI（Cost of Inaction：何もしないことによるコスト）などの考え方も活用し、顧客が自ら課題と向き合い、意思決定できるよう支援する方法を考えます。

【Application Layer 連携】：03｜EXECUTION 

営業活動の改善を、行動の変化だけで評価することはできません。

受注率、商談期間、案件の進捗、顧客生涯価値（LTV）など、事業成果との関係を捉えることが重要です。

BizBrainingでは、営業活動や管理方法の変化が経営指標にどう関係するのかを考え、改善施策の優先順位や投資対効果を検討するための評価方法を研究します。

課題

上位層の営業担当者に売上が偏り、中間層の案件が最終段階で「検討・保留」となるなど、パイプラインの停滞が見られた組織において、営業活動の属人化からの脱却と、次世代の営業人材育成が課題となっていました。

アプローチ

トップ営業の商談ログを分析し、顧客へのリスク開示や合意形成に関する行動を抽出。分析結果をもとに、中間層の商談を振り返るための事後分析・改善支援の仕組みを試作しました。あわせて、全5回の研修トレーニングを実施しました。

確認されたこと

AIを活用した商談分析と、合意形成や関係者調整といった営業実務を組み合わせることで、現場での受容性や実践につながる可能性を確認しました。参加者アンケートでは高い評価が得られ、対象部門は当年度の営業目標を達成しました。（※結果であり、研修との因果は検証していません）

研究課題

一般的な生成AIは、幅広い知識をもとに回答できますが、企業ごとの営業プロセス、業界特有の商慣習、社内の判断基準や暗黙知まで、最初から理解しているわけではありません。そのため、一般論としては正しくても、実際の営業現場では使いにくい回答になることがあります。

研究・開発の方向性

BizBrainingでは、企業固有の情報や営業知見を生成AIの活用に反映させるため、RAG（検索拡張生成）を活用した営業支援モデルを研究しています。

- 業界特有の用語、規制、商慣習などの情報整理

- 企業固有の営業プロセスや判断基準の反映

- 商談記録や営業ノウハウなど、非構造化データの活用

- SPINやチャレンジャー・セールスなどの営業理論を、状況に応じて活用するための設計

目指す姿

一般的な回答を返すだけのAIではなく、企業の営業方針や現場の文脈を踏まえ、人の判断や行動を支援するAI環境を目指します。

ただし、AIが企業や顧客を完全に理解するわけではありません。人による確認と判断を前提に、現場で役立つ支援モデルの実現可能性を検証していきます。