JP6031165B1 - 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 - Google Patents

Abstract

【課題】営業戦略的に意味のあるまとまりで顧客を分類し、有望な顧客を予測する。【解決手段】顧客情報記憶手段１１に、公開された企業情報である顧客企業情報だけでなく、営業担当者が営業活動を通じて顧客との接点から個別に入手した営業活動情報を含む情報を格納し、有望顧客群抽出手段１３が顧客情報記憶手段１１に格納された情報に基づいて顧客をクラスターに分類し、正解顧客モデル定義手段１２に入力された正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出し、有望顧客特定手段１４が各顧客について、正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与し、結果出力手段１５がクラスター毎にスコアの高い順に顧客を表示するとともに、有望なクラスターを示す。【選択図】図１

Description

本発明は、営業活動を支援する技術に関し、特に有望顧客を予測する技術に関する。

新規顧客開拓、商談化・受注精度向上、顧客対応稼働の最適化を実現するため、Ｂ２Ｂマーケティングへの期待が高まっている。

特許文献１には、プロモーションを効果的に行うために、デモグラフィック属性や興味スコアを用いてターゲット集団を抽出することが開示されている。

特開２０１４−６７４２号公報

従来、新規顧客を開拓する場合、売上高や従業員数等の外形情報のみに基づいてターゲティングしていたため、顧客の関心にマッチしているか分からないままアプローチを開始していた。

本発明は、上記に鑑みてなされたものであり、営業戦略的に意味のあるまとまりで顧客を分類し、有望な顧客を予測することを目的とする。

第１の本発明に係る有望顧客予測装置は、担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段と、理想の顧客の条件の入力を受け付けて正解顧客モデルを定義する正解顧客モデル定義手段と、前記顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類し、前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出する有望顧客群抽出手段と、前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与する有望顧客特定手段と、前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示する結果表示手段と、を有することを特徴とする。

上記有望顧客予測装置において、前記顧客情報記憶手段に格納した情報は、顧客との関係性を示す情報を含むことを特徴とする。

上記有望顧客予測装置において、前記営業活動情報は前記担当者が入力した文章が含まれており、前記有望顧客群抽出手段は、前記文章の文字数又はキーワード数に基づいて顧客をクラスターに分類し、前記有望顧客特定手段は、前記文章の文字数又はキーワード数に基づいてスコアを計算することを特徴とする。

上記有望顧客予測装置において、前記有望顧客群抽出手段は、前記担当者が入力した情報の件数に基づいて顧客をクラスターに分類し、前記有望顧客特定手段は、前記担当者が入力した情報の件数に基づいてスコアを計算することを特徴とする。

第２の本発明に係る有望顧客予測方法は、コンピュータによって実行される有望顧客予測方法であって、理想の顧客の条件の入力を受け付けて正解顧客モデルを定義するステップと、担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類するステップと、前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出するステップと、前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与するステップと、前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示するステップと、を有することを特徴とする。

第３の本発明に係る有望顧客予測プログラムは、理想の顧客の条件の入力を受け付けて正解顧客モデルを定義する処理と、担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類する処理と、前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出する処理と、前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与する処理と、前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示する処理と、をコンピュータに実行させることを特徴とする。

本発明によれば、営業戦略的に意味のあるまとまりで顧客を分類し、有望な顧客を予測することができる。

本実施の形態における有望顧客予測装置の構成を示す機能ブロック図である。 本実施の形態における有望顧客予測装置の処理の流れを示すフローチャートである。 顧客をクラスタリングしたときに、特性が色濃く出た特徴的なデータの一例を示す図である。 スコア順に結果を表示した一例を示す。

以下、本発明の実施の形態について図面を用いて説明する。

図１は、本実施の形態における有望顧客予測装置の構成を示す機能ブロック図である。

図１に示す有望顧客予測装置１は、顧客情報記憶手段１１、正解顧客モデル定義手段１２、有望顧客群抽出手段１３、有望顧客特定手段１４、および結果出力手段１５を備える。有望顧客予測装置１が備える各手段は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各手段の処理がプログラムによって実行されるものとしてもよい。このプログラムは有望顧客予測装置１が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。また、有望顧客予測装置１の各手段を、ネットワークを介して分散したサーバやクラウドコンピューティングシステムで提供してもよい。以下各手段について説明する。

顧客情報記憶手段１１は、顧客企業情報、マーケティング活動情報、営業活動情報、キーパーソン情報などの有望顧客群抽出手段１３及び有望顧客特定手段１４がクラスタリングやスコアリングに利用するデータを格納する。本実施の形態では、売上高や従業員数などの企業の外形情報だけでなく、営業担当者が営業活動を通じて顧客との接点から個別に入手した情報を格納する。各情報の詳細については後述する。

正解顧客モデル定義手段１２は、利用者から、理想とする顧客の各データ項目の条件の入力を受け付けて正解顧客モデルを定義する。顧客情報記憶手段１１に格納されたデータ項目の全てについて条件を入力する必要はなく、利用者が理想の顧客に必要と考えるデータ項目の条件のみを入力すればよい。正解顧客モデルは、例えば（ＸＸ契約：あり、ＹＹ契約：あり、年間収益額：ＺＺ円以上、自社ＨＰ閲覧履歴：Ｎ件以上）というように、各データ項目に条件が設定されたものである。

有望顧客群抽出手段１３は、顧客ごとに、顧客情報記憶手段１１に格納された情報を数値化してクラスター分析を用い、顧客を類似性の高い複数のクラスターに分類し、正解顧客モデルに当てはまる顧客が多いクラスターを有望なクラスター（有望顧客群）として抽出する。利用者が指定したデータ項目のみを用いて顧客をクラスタリングしてもよいし、全てのデータ項目を用いてクラスタリングしてもよい。クラスタリングには既知の方法を用いることができる。クラスタリングには、教師あり、教師なしのいずれの方法を用いてもよい。企業の外形情報だけでなく営業活動情報を用いてクラスタリングすることで、営業戦略的に意味のあるまとまりで顧客を分類することができる。

有望顧客特定手段１４は、顧客ごとに、顧客情報記憶手段１１に格納された情報を用いて回帰分析等の相関分析（例えば、ロジスティック回帰分析）を用い、正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与する。

結果出力手段１５は、有望顧客群抽出手段１３の抽出結果と有望顧客特定手段１４の算出結果とを用いて有望な顧客を判断するための情報を表示する。例えば、結果出力手段１５は、クラスターごとに有望顧客特定手段１４が算出したスコアの順に顧客を並べて出力するとともに、有望なクラスターを示す。このとき、正解顧客モデルに当てはまる正解顧客と正解顧客モデルに当てはまらない不正解顧客とを分けて、それぞれでスコアの順に顧客を並べて出力してもよい。正解顧客は、理想の顧客であって自社が得意としている顧客である。不正解顧客は、理想とする顧客ではないが、不正解顧客のうちスコアが高い顧客は理想の顧客になるポテンシャルがある顧客である。正解顧客と不正解顧客とを分けて表示することで、例えば不正解顧客の上位の顧客に対して重点的にアプローチし、取り引きの拡大を図ることができる。また、クラスターごとに結果を表示するので、クラスターごとに営業方針を変えるなど適切に対応できる。

本実施例では、１台の装置で有望顧客予測装置１の各手段を構成する例を説明したが、各手段の機能をネットワークを介して分散したサーバやクラウドコンピューティングシステムで実現してもよい。

次に、顧客情報記憶手段１１に格納する情報について説明する。

顧客情報記憶手段１１には、顧客企業情報、マーケティング活動情報、営業活動情報、キーパーソン情報などの情報を格納する。

顧客企業情報は、公開された情報及び取り引きの結果として得られた情報であり、例えば、企業規模、収益データなどの公開された企業情報、信用調査会社による信用レポートなどの情報、自社が提供しているサービスへの申し込み情報などである。

マーケティング活動情報は、マーケティング活動で得られた情報であり、例えば、自社ＨＰへのアクセス情報、会員制Ｗｅｂサイトへのアクセス情報、ダイレクトメール、電話、セミナー等のマーケティング活動から得られた情報である。

営業活動情報は、取り引きまでの過程において営業担当者が営業活動を通じて顧客との接点から個別に入手した情報であって、例えば、顧客と打合せを行った活動記録や具体的に金額を提示した商談記録がある。活動記録や商談記録は営業担当者が営業活動業務の一環として日々入力する情報である。

活動記録には、例えば打合せ相手の情報、打合せ日時、打合せ内容が含まれる。面談、電話、メールなどの打合せの形態を含んでもよい。打合せ内容は、打合せの内容に関して営業担当者が自由に入力した文章である。営業担当者は、営業活動中に軒下情報を得た場合は、軒下情報として活動記録に登録する。軒下情報としては、例えば、顧客が使用している機器の種類、機器の使用期間、リプレース時期の情報など自社のサービスに関連のある情報がある。

商談記録には、例えば商談相手の情報、商談日時、金額、商談内容、確度が含まれる。

営業担当者が営業活動業務の一環として入力する営業活動情報をクラスタリングに用いることで、日々の営業活動の過程の情報が加味されて、営業戦略的に意味のあるクラスタリングが可能となる。

キーパーソン情報は、商談においてキーパーソンとなる人物の情報である。キーパーソン情報としては、キーパーソンの氏名、役職、連絡先、略歴などがある。キーパーソン情報が得られていないときは、キーパーソン情報なしと登録する。

また、顧客との関係性を示すリレーション深度を格納してもよい。リレーション深度は、顧客との接点の数、顧客との接触回数などを用いて決めることができる。例えば、顧客との接点の数は、顧客との接点のあった部署数や役職数で決めてもよいし、単純に接触のあった延べ人数で決めてもよい。

キーパーソン情報やリレーション深度をクラスタリングに用いることで、顧客との関係性が加味されてクラスタリングされ、関係性が薄い顧客が多く含まれるクラスターについては、関係性を含める営業方針を適用できる。

有望顧客群抽出手段１３は、顧客情報記憶手段１１に格納された情報を数値化して顧客をクラスタリングする。元々数値で表されているデータは、その数値をそのまま用いたり、その数値を別の数値に変換して用いる。例えば活動記録については、顧客ごとの活動記録の件数、登録された軒下情報の件数をクラスタリングに用いる。活動記録の打合せ内容については記載された文章の文字数をカウントしてクラスタリングに用いる。打合せ内容の文章に含まれるキーワードの数をクラスタリングに用いてもよい。キーパーソン情報の有無は例えば０，１に数値化してクラスタリングに用いる。また、有望顧客特定手段１４も、顧客ごとの活動記録の件数、登録された軒下情報の件数、および文章の文字数を用いてスコアを計算する。打合せ内容の文章に含まれるキーワードの数を用いてスコアを計算してもよい。

次に、本実施の形態における有望顧客予測装置１の動作について説明する。

図２は、本実施の形態における有望顧客予測装置１の処理の流れを示すフローチャートである。

利用者が、理想とする顧客の各データ項目の条件を入力すると、正解顧客モデル定義手段１２は入力された条件に基づいて正解顧客モデルを定義する（ステップＳ１１）。正解顧客モデルを定義することで、有望顧客群抽出手段１３によるクラスタリングにおいて教師あり、教師なしのいずれでも有効性が導かれる。

有望顧客群抽出手段１３は、利用者が指定したデータ項目を用いて顧客を複数のクラスターに分類し、各クラスターに含まれる正解顧客モデルに当てはまる顧客の割合を算出して有望なクラスターを抽出する（ステップＳ１２，Ｓ１３）。

また、有望顧客特定手段１４は、顧客のスコアを計算し、顧客それぞれにスコアの高い順に順位を付ける（ステップＳ１４）。

利用者は、分類されたクラスターに属する顧客や各クラスターに属する正解顧客モデルに当てはまる顧客を確認し、顧客が適切にクラスタリングされるように、理想とする顧客の条件の見直しやクラスタリングに用いるデータ項目の見直しを行い、ステップＳ１１〜Ｓ１４を繰り返す。

図３に、顧客をクラスタリングしたときに、特性が色濃く出た特徴的なデータの一例を示す。

図３の例では、顧客を７つのクラスターに分類した。同図の左側には、特性が色濃く出たデータ項目を並べ、クラスターごとに、各データ項目の特徴を示した。空欄の箇所は特徴が見出だせなかったデータ項目である。また、同図の下段に、各クラスターに属する正解顧客の割り合いである正解比率と各クラスターに属する顧客の全体に対する構成比を示した。

利用者は、クラスターに分類された顧客を見て、各クラスターの特性を分析し、クラスターごとに営業戦略を立てることができる。例えば、図３の各クラスターは以下のように分析できる。クラスター１に属する顧客の特性は「営業パイプがある。事業拠点が多い。企業規模が大きい。グローバル取引が多い。取引拡大余地が大きい。自社、関連会社とも関係が深い。」である。クラスター２に属する顧客の特性は「事業拠点が多い。企業規模が大きい。ＮＷ（ネットワーク）契約に比べてＳＩ（システムインテグレーション）契約の取引比率が小さい。関連会社と関係が深い。」である。クラスター３は、構成比が０．１％と小さいため、分析対称から除外する。クラスター４に属する顧客の特性は「企業規模が中〜大。ＳＩ契約あり。ＮＷ契約とＳＩ契約がぼぼ同額。自社と関係が深い。」である。クラスター５に属する顧客の特性は「操業年数が浅い中小企業。自社とのリレーションが薄い。」である。クラスター６に属する顧客の特性は「グローバル取引が多い。関連会社と関係が深い。」である。クラスター７に属する顧客の特性は「自社とのリレーションが薄い。」である。

利用者は、各クラスターを分析後、各クラスターの特性や各クラスターに対する営業方針などを有望顧客予測装置１に登録してもよい。

有望顧客群抽出手段１３は、正解比率が所定の基準よりも高いクラスターを有望なクラスターとして抽出する。正解比率が高いクラスターは自社が得意とする顧客が含まれていると考えられ、そのクラスターに属する不正解顧客は理想の顧客となることが見込まれる。なお、図３の例では、クラスター３は正解比率が高いが、構成比が低くクラスター３に属する顧客の数が極端に少ないため、有望なクラスターとしては抽出しない。

そして、結果出力手段１５は、クラスターごとに有望顧客特定手段１４が計算したスコアの高い順に顧客を並べて結果を表示するとともに、有望なクラスターを示す（ステップＳ１５）。結果出力手段１５がスコア順による表示とクラスター分類による表示とを組み合わせて表示することで、利用者はアプローチ対象の顧客を多角的に判断することができる。

図４に、スコア順に結果を表示した一例を示す。同図では、クラスター１，２，４が有望なクラスターとして抽出されている。また、同図では、クラスターごとにスコアの順に顧客を並べて表示するだけではなく、正解顧客と不正解顧客とを分けて表示している。有望なクラスターとして抽出されたクラスター１，２，４の不正解顧客に属する顧客は理想の顧客になるポテンシャルが高いとしてアプローチ対象の顧客と考ええられる。有望なクラスターとして抽出されたクラスター１，２，４以外のクラスターに属する顧客（例えばクラスター５，６に属する顧客）であっても、不正解顧客の中でスコアの高い顧客は理想の顧客になるポテンシャルが高いとして、アプローチ対象の顧客として救済できる。各クラスターの特性や各クラスターに対する営業方針などを合わせて表示してもよい。

以上説明したように、本実施の形態によれば、顧客情報記憶手段１１に、公開された企業情報である顧客企業情報だけでなく、営業担当者が営業活動を通じて顧客との接点から個別に入手した営業活動情報を含む情報を格納し、有望顧客群抽出手段１３が顧客情報記憶手段１１に格納された情報に基づいて顧客をクラスターに分類し、正解顧客モデル定義手段１２に入力された正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出し、有望顧客特定手段１４が各顧客について、正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与し、結果出力手段１５がクラスター毎にスコアの高い順に顧客を表示するとともに、有望なクラスターを示すことにより、顧客の外形情報や取り引きの結果だけでなく営業活動の過程における情報も加味されて顧客が営業戦略的に意味のあるまとまりで分類され、正解顧客モデルに近い順に顧客が表示されるので、効果的な提案戦略の検討、初期訪問時の作戦立案、サービスの仮説設定に寄与することが可能となる。

本実施の形態によれば、営業担当者が営業活動業務の一環として入力する情報を営業活動情報として顧客情報記憶手段１１に格納することで、営業担当者が有望顧客予測装置１を利用して有望顧客と営業戦略を検討して営業活動を行った後、その営業活動で得られた情報が追加されるので、有望顧客予測装置１の精度を高めることができる。

本実施の形態によれば、顧客情報記憶手段１１に、キーパーソン情報やリレーション深度を格納し、クラスタリングに用いることで、顧客との関係性が加味されて顧客が分類されるので、関係性が薄い顧客が多く含まれるクラスターについては、関係性を含める営業方針を適用できる。

本実施の形態によれば、結果出力手段１５が有望なクラスター毎に正解顧客と不正解顧客とを分けて表示することにより、正解顧客の類似性などから同じクラスターに属する不正解顧客に適した営業戦略やアプローチ手法を見出すことが可能となる。

なお、有望顧客予測装置１は、戦略、ターゲティング、提案シナリオ作成、マーケティング、インサイドセールス、フィードセールスといったマーケティングの各プロセスにおいて利用でき、各プロセスにおける営業活動で得られた情報も有望顧客予測装置１に反映することで、営業活動を高度化するサイクルを回していくことができる。

１…有望顧客予測装置
１１…顧客情報記憶手段
１２…正解顧客モデル定義手段
１３…有望顧客群抽出手段
１４…有望顧客特定手段
１５…結果出力手段

Claims (6)

1. 担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段と、
   理想の顧客の条件の入力を受け付けて正解顧客モデルを定義する正解顧客モデル定義手段と、
   前記顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類し、前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出する有望顧客群抽出手段と、
   前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与する有望顧客特定手段と、
   前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示する結果表示手段と、
   を有することを特徴とする有望顧客予測装置。
2. 前記顧客情報記憶手段に格納した情報は、顧客との関係性を示す情報を含むことを特徴とする請求項１記載の有望顧客予測装置。
3. 前記営業活動情報は前記担当者が入力した文章が含まれており、
   前記有望顧客群抽出手段は、前記文章の文字数又はキーワード数に基づいて顧客をクラスターに分類し、
   前記有望顧客特定手段は、前記文章の文字数又はキーワード数に基づいてスコアを計算することを特徴とする請求項１又は２に記載の有望顧客予測装置。
4. 前記有望顧客群抽出手段は、前記担当者が入力した情報の件数に基づいて顧客をクラスターに分類し、
   前記有望顧客特定手段は、前記担当者が入力した情報の件数に基づいてスコアを計算することを特徴とする請求項１乃至３のいずれかに記載の有望顧客予測装置。
5. コンピュータによって実行される有望顧客予測方法であって、
   理想の顧客の条件の入力を受け付けて正解顧客モデルを定義するステップと、
   担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類するステップと、
   前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出するステップと、
   前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与するステップと、
   前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示するステップと、
   を有することを特徴とする有望顧客予測方法。
6. 理想の顧客の条件の入力を受け付けて正解顧客モデルを定義する処理と、
   担当者が営業活動業務の一環として入力する営業活動情報を含む情報を格納した顧客情報記憶手段に格納された情報に基づいて顧客をクラスターに分類する処理と、
   前記正解顧客モデルに該当する顧客が多いクラスターを有望なクラスターとして抽出する処理と、
   前記顧客について、前記顧客情報記憶手段に格納された情報に基づいて前記正解顧客モデルに近い度合いを数値化して顧客それぞれにスコアを付与する処理と、
   前記有望なクラスターの抽出結果と前記スコアの算出結果とを用いて、前記有望なクラスター毎に、前記正解顧客モデルに該当する正解顧客と前記正解顧客モデルに該当しない不正解顧客とを分けて表示する処理と、
   をコンピュータに実行させることを特徴とする有望顧客予測プログラム。

Images