JP2014238620A - 営業支援方法 - Google Patents

Abstract

【課題】
従来技術では、見込み顧客の特定が困難であったことを解決することを、本発明の課題とする。
【解決手段】
ここで、営業活動においては、顧客(既契約者)についての情報は商品・サービス提供者側で把握している。例えば、顧客がどのような性格であるかや年齢等の属性情報を把握している。本発明では、この属性情報を用いて、見込み顧客を紹介する可能性の高い顧客を特定し、特定された顧客からの情報収集を行い、見込み顧客への営業活動（アプローチ、売込み、宣伝等）を可能とするものである。この営業（サービス）は、特に保険業における加入に関するものである。
【選択図】 図１

Description

本発明は、営業活動の支援を行うための技術に関する。その中でも特に、見込み顧客（潜在顧客）を発見するための技術に関する。

保険業などの営業活動においては、新規な顧客を獲得することが企業活動上重要である。このために、営業員は、顧客になり得る見込み顧客を発見し、見込み顧客に勧誘を行うなどの営業活動を行っている。このような営業活動を支援するために、販売員に見込み顧客を提示する技術として、特許文献１が存在する。従来、通信販売やインターネットショッピングにおける、ダイレクトメールは購入意思のない者に送付されることが多かった。また、ダイレクトメールを受けた者の中には、購入するする強い意思はないものの該当商品、サービスについて興味は持っており、将来購入の可能性のある見込み顧客が存在するが、これを判別できない。

特許文献１では、これらの課題を解決するために、商品の宣伝に対する見込み顧客の反応を検知し、この反応に基づいた見込みの度合いを記録し、この度合いで異なった勧誘を行う構成を取っている。

特開２０００−８２０９５号公報

特許文献１では、宣伝等の活動が必要になってくる。この場合、どの人間に宣伝をかけるかが問題になってくる。つまり、無制限に宣伝は掛けられないし、また、何からの方法で宣伝相手を制限・限定した場合、みすみす見込み顧客を逃す可能性を否定できない。これは、特許文献１を初めてとする従来技術では、顧客以外の情報の収集が困難なため、生じると思われる。この点に起因して、従来技術では、見込み顧客の特定が困難であった。

ここで、営業活動においては、顧客(既契約者)についての情報は商品・サービス提供者側で把握している。例えば、顧客がどのような性格であるかや年齢等の属性情報を把握している。本発明では、この属性情報を用いて、見込み顧客を紹介する可能性の高い顧客を特定し、特定された顧客からの情報収集を行い、見込み顧客への営業活動（アプローチ、売込み、宣伝等）を可能とするものである。

本発明のより具体的な態様は、顧客毎に当該顧客の特性を示す属性情報を記憶しておき、見込み顧客紹介要求を受付け、受け付けられた紹介要求に基づき、属性情報から紹介可能顧客を特定する際、属性情報として、顧客自身の特性に加え、サービス提供状況（回数、頻度、時期、特殊性）、紹介履歴、営業員からのコンタクト履歴を含む。ここで、サービス提供状況については、サービスの提供が肯定的なものであるほど重み付けするないし肯定的なものに限定して考慮するようにしてもよい。このサービス提供とは、保険業においては、保険料の支払いがあり、肯定的とは、クレームがなかったことや、ガン保険の支払いなど特別な支払いがあったものである。

本発明によれば、顧客情報との既存の情報を利用することにより、見込み顧客の発見をより高精度に行うことが可能になる。

本発明の一実施形態におけるシステム構成図である。 本発明の一実施形態で用いられる契約データ１０１を示す図である。 本発明の一実施形態で用いられる支払いデータ１０２を示す図である。 本発明の一実施形態で用いられる紹介者データ１０３およびコンタクト履歴１０４を示す図である。 本発明の一実施形態で実行されるフローチャートである。 本発明の一実施形態で用いられる対応表である。 本発明の一実施形態における決定木を用いた算出処理の概念を示す図である。

以下、本発明の一実施形態を図面を用いて説明する。なお、本実施形態では、生命保険業を例に説明するが、他業種への適用も可能である。
図１は、本実施形態のシステム構成図である。１００は、本実施形態で主たる処理を実行するサーバ装置である。サーバ装置１００は、生命保険会社が管理ないし利用するものであって、会社ごと、支店毎などを単位に設けられる。また、２００は、保険外交員等が利用する端末装置であり、サーバ装置１００とネットワークを介して接続され、処理要求や処理結果を送受信可能である。なお、サーバ装置１００、端末装置２００とも、いわゆるコンピュータで実現され、各機能（後述）はプログラムに従って実行される。なお、特に端末装置２００には、タブレットやスマートフォンも含まれる。

ここで、サーバ装置１００は、モデル算出機能１００１、高得点者抽出機能１００２および通知機能１００３を有する。また、サーバ装置１００は、記憶装置に格納された契約データ１０１、支払いデータ１０２、紹介者１０３、コンタクト履歴１０４、モデル１０５および計算結果１０６にアクセスないしこれらを格納することが可能である。これら各機能およびデータの詳細については、後述する。

次に、本実施形態でのモデル算出機能１００１の処理内容を説明する。これは、見込み顧客を紹介してくれそうな顧客を特定するためのモデル算出処理である。

まず、図５に示すＳ０〜１０において、モデル算出の前処理を実行する。本前処理においては、まずＳ０で、モデル算出の対象＝候補データを特定する。これは、契約者それぞれであってもよいし、なんらかの条件で検索されたデータであってもよいし、保険会社社員等が、紹介の可能性がある顧客を経験などで特定してもよい。以下、Ｓ１〜１０において、これらのデータについて、前処理として、数値化処理を施す。また、本処理では、契約者を識別する契約者No.を特定する処理としてもよいし、契約データ１０１中でまず契約者名を特定し、契約者No．の特定を、Ｓ１などで契約データ１０１を用いて行ってもよい。

次に、Ｓ１において、Ｓ０で特定されたデータ（つまり、見込み顧客を紹介する可能性のある者の候補）に対し、その契約データ１０１の住所を数値化する。契約データ１０１は、図２に示すもので、各契約者のデータが記録されている。ここで、Ｓ１では、まず、契約データ１０１のうち、任意の契約者のデータを読み出し、それに含まれる住所を数値化する。これは、予め設定された数値化規則に従って、住所毎に定められた数値に変換する。例えば、北海道＝１、東北＝２…や、政令指定都市＝１、市＝２、町＝３のように行う。ここで、これらの規則は併用してもよいし、いずれか１つを用いてもよい。併用する場合、都道府県、市町村で桁数を定めておき、変換された数値をそれぞれの桁に当てはめてもよいし、それぞれを足し合わせたり、掛け合わせたりして数値化してもよい。さらに、予め数値化を行っており、算出されたデータを契約データ１０１に格納しておき、これを抽出してもよい。

また、Ｓ２において、Ｓ０で特定されたデータに対し、契約データ１０１の生年月日から年齢を算出し、年齢についてさらに数値化する。ここで、年齢の数値化は、現在の年から生年月日の年を引いて算出する。ここでも、予め年齢データを、契約データ１０１に格納しておき、これを抽出する構成としてもよい。その上で、年齢毎に、代表数値化を行う。例えば、２９歳以下＝１、３０歳代＝２、４０歳代＝３…とのように、数値化する。ここで、この算出も予め行っておき、契約データ１０１に格納しておき、これを抽出してよい。

また、Ｓ３において、Ｓ０で特定されたデータに対し、紹介タイミングを、支払いデータ１０２を用いて算出する。これは、Ｓ０ないしＳ１等で特定された契約者No.に対応する支払い日を支払いデータ102から特定する。そして、現在との差分である日数を算出し、この日数に対応する数値を算出する。例えば、日数が1週間未満＝１、1週間以上1ヶ月未満＝２、…との数値を算出する。

次に、Ｓ４において、Ｓ０で特定されたデータに対し、（１）コンタクト履歴１０４のコンタクト日を特定し、（２）支払いデータ１０２から支払い日を特定する。この２つの数値から支払いとコンタクト日との期間を算出し、。例えば、期間が１週間未満なら１、１週間以上１ヶ月なら２というように数値化する。ここで、期間の算出の入力となるコンタクト日は、支払い日のあと最初のコンタクト日または、支払い日のあと、２回目コンタクト日や３回目コンタクト日などあらかじめ決められたコンタクト日、または、紹介フラグが「有」となっている支払い日あと最初の紹介してもらったコンタクト日である。

また、Ｓ５において、Ｓ０で特定されたデータに対し、性別を数値化する。例えばm男性を１、女性を２とする。同様に、Ｓ６において、Ｓ０で特定されたデータに対して、職業を数値化する。例えば、営業を１、自営業を２、主婦を３、事務を４とする。さらに、Ｓ７において、Ｓ０で特定されたデータに対して、保険会社からの支払い金額の数値化（正規化）を行う。たとえば、500,000円未満を１、500,000円以上、1,000,000円未満を２、1,000,000円以上、10,000,000を３といった具合である。さらに、Ｓ８において、Ｓ０で特定されたデータに対して、受取人を数値化する。本人であれば１、家族であれば２とする。さらに、Ｓ１０において、Ｓ０で特定されたデータに対して、支払い事由を数値化する。例えば、通院程度の病気や怪我を１、短期入院程度を２、長期入院を３、癌、脳梗塞、重度の後遺症 etc.を４、死亡を５とする。

以上の前処理については、定期的に実行してもよいし、保険会社社員が紹介者を検索する際になどに入力される検索要求に従って実施してもよい。そして、これら算出された数値化データは、図示しない記憶装置に格納しておく。これらは、Ｓ０で特定された各顧客毎のデータとして格納される。

なお、以上の前処理においては、図６に示すような(図６では、支払い事例のみ記載)対応表を用いて、数値化を実行する。また、各数値については、より紹介の可能性の高いものの数値を高くするとより好適である。また、過去の履歴から、紹介の可能性が高くなる数値について、適宜対応表を修正することも本実施形態の一態様である。また、Ｓ１〜１０の数値化については、それぞれ似た数値（例えば、それぞれ一桁の前半など）に正規化して算出する。

次に、以上の前処理により算出された数値化データを用いて、モデルを算出し、紹介の可能性のある顧客を特定する。

このために、下記数１に示す多項ロジスティック回帰分析を用いて行う。

ここで、ｐは非説明変数であり、例えば、以下のものが含まれる。例１：結果的に成約した人を紹介してくれた契約者、例２：断られていない見込み顧客を紹介してくれた契約者、例３：ステータスは限定せず見込み顧客を紹介してくれた契約者。

また、ｘｉは、説明変数であって、非説明変数以外であって上述の前処理で算出した各数値化データが入る。

つまり、本実施形態では、保険会社社員等の指示で紹介の可能性の高い顧客の特定を行う場合、数値化データを読み出し、（数１）説明変数へ代入して、該当のｐの数値の高い順に結果として、端末装置２００に提示する。Aiについては、過去の全てあるいは直近１年間など特定の期間のデータにもっとも当てはまりの良いAiの組み合わせを最小二乗法などにより求める。

なお、モデル算出機能１００１の処理内容については、以下の内容、つまり、決定木を用いてもよい。その内容を以下、説明する。まず、前処理として、Ｓ０〜Ｓ１０と同じ処理を実行する。その上で、非説明変数と説明変数は上述の（数１）を用いた方法と同様の内容とする。そして、公知の技術を用いて、平均情報量（エントロピー）を各項目で計算して、最も良い変数から順に選び、決定木を作成する。例えば、図７に示す概念で処理を実行する。紹介してくれるか否か決まらない枝については、紹介してくれる確率を計算する各契約者について、決定木から見込み顧客を紹介してくれるか否かもしくは
紹介してくれる確率を計算する。この結果を受け、（数１）を用いた方法と同様に、紹介される高い順に並べるまたはリストアップするなどして、端末装置２００に結果を提示する。

以上の本実施形態により、説明変数（入力）の選び方に特徴を見出だすことができる、即ち、保険金の事実、支払い内容に特徴を見出すことが可能になる。例えば、仮説：
「改めて、保険に入っていて本当によかった、または、「保険に入っていなかったら、今頃大変だった」と思っていることを他人に伝えたい人は多いことや、言いたくて仕方がない人のタイプを見つけることが可能になる。心の変化の理由（重い病気にかかった：長期入院で金銭的に助かった）や、紹介されるに当って接触のタイミングについて、最適なタイミングを見つけることが可能になる。

１００…サーバ装置、２００…端末装置、１００１…モデル算出昨日、１００２…高得点者抽出機能、１００３…通知機能

Claims (3)

1. コンピュータシステムを利用した、顧客獲得のための営業活動を支援する営業支援方法において、
   前記営業活動における顧客について、当該顧客毎の属性情報を記憶装置に記憶しておき、
   前記営業活動において、見込み顧客紹介要求を受付け、
   前記紹介要求に応じて、紹介可能顧客を、前記属性情報に含まれる当該顧客自身の特性、前記営業に関するサービス提供状況、当該顧客の紹介履歴および当該顧客に対するコンタクト履歴について、それぞれの重み付けされた係数に基づいて特定することで、見込み顧客への営業活動を可能とすることを特徴とする営業支援方法。
2. 請求項１に記載の営業支援方法において、
   前記サービス提供状況には、提供されたサービスの提供から営業員のコンタクトまでの期間、および特殊性が含まれることを特徴とする営業支援方法。
3. 請求項１乃至２のいずれかに記載の営業支援方法において、
   前記営業は、保険業における営業活動であり、
   前記サービスの提供は、保険金の支払いであることを特徴とする営業支援方法。

Images