JP7065718B2 - 判断支援装置および判断支援方法 - Google Patents

Description

本発明は、企業における種々の判断を支援する判断支援装置および判断支援方法に関する。なお、企業とは、法人および個人事業主を含む。法人は、株式会社や合同会社、有限会社などの営利法人、学校法人や医療法人などの非営利法人、公庫や公団などの公法人を含む。

今日、知的労働の生産性の向上が社会的な課題となっている。企業活動（たとえば、営業や企業経営）においても、経験や勘に頼る要素を減らし、科学的な根拠と合理的な理由付けに基づく判断が求められている。さらに工数の要する人手による判断を減らす効率化が求められている。また、企業業績を整理し可視化する企業向け支援ツールが提供されている。

また、現実社会へのＡＩ（人工知能）の浸透が始まっており、知的労働のＡＩ化が現実のものとなりつつある。さらに、インターネットの普及と利用の高度化に伴い、企業経営に役立つデジタル化された情報が大量に提供されている。

本技術分野の背景技術として、特許文献１、特許文献２および非特許文献１がある。特許文献１は、顧客ニーズの重要度の信頼性を高めて、製品企画者が重要度の高い要望を的確に把握することができる製品企画支援装置を得る製品企画支援装置を開示する。

また、特許文献２は、顧客に対してより効率的にアプローチし、商談を新規創出するとともに、顧客層の拡大を図ることを目的とした顧客の与信が所定値以上であるか否かを判断する与信判断部と、関連製品をすでに導入しているか否かを判断する関連製品導入判断部などを備えた新規顧客分類支援装置を開示する。さらに非特許文献１は、ネットワークグラフにおいてノード（頂点）の類似性を定量的に示す方法を開示する。

特開２００５－２５１１１０号公報 特開２００８－１６５５６４号公報

Ｇ． Ｊｅｈ ａｎｄ Ｊ． Ｗｉｄｏｍ． ＳｉｍＲａｎｋ： Ａ Ｍｅａｓｕｒｅ ｏｆ Ｓｔｒｕｃｔｕｒａｌ－Ｃｏｎｔｅｘｔ Ｓｉｍｉｌａｒｉｔｙ． Ｉｎ ＫＤＤ’０２： Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｅｉｇｈｔｈ ＡＣＭ ＳＩＧＫＤＤ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ ａｎｄ ｄａｔａ ｍｉｎｉｎｇ， ｐａｇｅｓ ５３８－５４３． ＡＣＭ Ｐｒｅｓｓ， ２００２

ＢｔｏＢ企業の営業が行う法人向けビジネスは、企業を対象としている。企業に関しては有価証券報告書やニュースリリースや新聞報道などを通じて、個人に比べて大量の定量的情報や定性的情報が提供される。そこでそれらの情報を活用した営業判断支援のニーズがある。特許文献１に記載された製品企画支援装置は、情報の限られた個人を対象としており、法人の持つ大量の情報からの価値のある情報の抽出ができない。たとえば、企業間の取引関係の情報を活用できない。また、特許文献２に記載された新規顧客分類支援装置も個人を対象としており、同様の課題を有する。

本発明は、企業における潜在課題を有するであろう企業を発見して、企業活動における判断を支援することを目的とする。

本願において開示される発明の一側面となる判断支援装置及び判断支援方法は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する判断支援装置および判断支援方法であって、前記記憶デバイスは、各企業が有する課題に関するテキストデータを記憶しており、前記プロセッサは、キーワードを取得する取得処理と、時期を指定する指定処理と、企業活動に関するテキストデータを解析することにより、特定の課題を解決した成功事例に関するテンプレート情報に基づいて、前記特定の課題に関連する潜在課題に関するテキストデータを抽出して、前記記憶デバイスに記憶する抽出処理と、前記取得処理によって取得されたキーワードを前記指定処理によって指定された時期において課題とする関連企業を、前記抽出処理によって抽出された潜在課題に関するテキストデータから特定する特定処理と、前記指定された時期における前記関連企業に関する表示情報を出力する出力処理と、を実行することを特徴とする。

本発明の代表的な実施の形態によれば、企業における潜在課題を有するであろう企業を発見して、企業活動における判断を支援することができる。することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

図１は、実施例１にかかるトレンド表示モデルの表示例を示す説明図である。 図２は、実施例１にかかる判断支援システムのシステム構成例を示す説明図である。 図３は、実施例１にかかるコンピュータ（判断支援装置および端末）のハードウェア構成例を示すブロック図である。 図４は、実施例１にかかる業績ＤＢ（Ｄａｔａｂａｓｅ）の記憶内容例を示す説明図である。 図５は、実施例１にかかる企業間情報ＤＢの記憶内容例を示す説明図である。 図６は、実施例１にかかる企業間ネットワークの一例を示す説明図である。 図７は、行列で表した企業間ネットワークの一例を示す説明図である。 図８は、企業間類似度データの一例を示す説明図である。 図９は、実施例１にかかる判断支援装置の機能的構成例を示すブロック図である。 図１０は、抽出部による企業活動に関するテキストデータの解析例を示す説明図である。 図１１は、抽出部による構造化データの生成例を示す説明図である。 図１２は、構造化データ群のグループ化例を示す説明図である。 図１３は、営業テンプレートの推薦例を示す説明図である。 図１４は、図１０に示した抽出部による企業活動に関するテキストデータの解析処理手順例を示すフローチャートである。 図１５は、図１１に示した抽出部による構造化データの生成処理手順例を示すフローチャートである。 図１６は、図１２に示した構造化データ群のグループ化処理手順例を示すフローチャートである。 図１７は、実施例１にかかる判断支援装置による判断支援処理手順例を示すフローチャートである。 図１８は、図１７に示した関連企業予測処理（ステップＳ１７０７）の詳細な処理手順例を示すフローチャートである。 図１９は、企業間ネットワークの調整例を示す説明図である。 図２０は、実施例２にかかるトレンド表示モデルの表示例を示す説明図である。 図２１は、実施例２にかかる判断支援装置による判断支援処理手順例を示すフローチャートである。

以下、本発明の実施例について説明する。本実施例は、企業における種々の判断を支援する。特に営業活動において訪問するべき顧客リストの作成支援に関し、特に法人営業活動の支援に関する。

本実施例では、一例として、法人営業の訪問先企業の選定作業に関する判断支援を例に挙げて説明する。なお，判断支援対象は、法人営業に限定されない。たとえば、個人を対象とした場合でも、ブログなどのデータを基に個人間の繋がりを抽出することで個人向けの営業に関する判断支援が可能である。

＜トレンド表示モデルの表示例＞
図１は、実施例１にかかるトレンド表示モデルの表示例を示す説明図である。図１中、楕円は、企業を示す。図１では、例としてＡ社～Ｎ社が楕円で示された企業である。ある企業は少なくとも１つの他の企業と取引関係があり、これらの取引関係がある企業群を企業間ネットワークと称す。トレンド表示モデル１００は、Ａ社～Ｎ社の楕円群である企業間ネットワーク１０４上に特定の企業を強調表示した表示情報である。楕円の配置位置は、たとえば、企業間の取引関係を示す。トレンド表示モデルは、企業間ネットワーク１０４のほか、キーワード入力欄１０１と、バー１０２と、スライダ１０３と、を有する。なお、企業間ネットワーク１０４は、営業担当者の希望に応じて、自分の担当する業界や狙いたい売上高以上の企業に絞って表示可能である。

キーワード入力欄１０１は、ユーザの操作により任意のキーワード（文字列）が入力される入力欄である。ユーザは、営業キーワード（図１では、例として「働き方改革」）をキーワード入力欄１０１に入力する。営業キーワードとは、営業担当者が顧客を訪問するときに自社の商材を推薦する手掛かりとなる文字列であり、潜在課題を意味する。

たとえば、ユーザが人工知能を利用した業務効率化ソリューションを提供する企業の営業担当者であれば、たとえば、「人工知能」といった営業キーワードが入力される。また、ユーザが人材管理効率化ソリューションを提供する企業の営業担当者であれば、たとえば、「働き方改革」といった営業キーワードが入力される。一般にビジネス的なキーワードは顧客企業の課題や課題を解決する手段であることが多い。

バー１０２は、現在、過去および未来を示す時間軸である。図１では、例として、「－２」が２年前、「－１」が１年前、「０」が今年、「１」が１年後を示す。スライダ１０３は、ユーザの操作によりバー１０２上の任意の位置に移動可能なインタフェースである。

実施例１の判断支援装置は、営業キーワードおよびスライダ１０３で指定された時期とのマッチングにより、指定された時期において営業キーワードに関連する企業を特定する。ここで、マッチング手法について述べる。最も単純なマッチング方法は、入力された営業キーワードおよびスライダ１０３で指定された時期で、企業の定性情報、たとえば、電子化された有価証券報告書を全文検索する方法である。

別のマッチング方法は、オントロジー（概念体系）を用いる方法である。オントロジーでは、たとえば、「労働環境改善」という大分類の下に「人員を増やす」と「仕事量を減らす」という小分類が設けられている。判断支援装置は、定性情報を企業課題オントロジーで分類し、さらに営業キーワードを企業課題オントロジーで分類する。つぎに営業キーワードと同じ企業課題オントロジーの小分類に企業のおよびスライダ１０３で指定された時期における定性情報があれば、その企業はマッチングしたとみなす。

その他の手法としては、潜在的トピック推定法（Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ， ＬＤＡ）を用いることができる。

企業の定性情報とは、有価証券報告書やアニュアルレポート、サステナビリティレポート、ニュースリリース、新聞記事、ブログなどに記載されたその企業の定性的な電子情報である。一方、定量情報は、売上高や利益といった定量的な情報である。さらに回帰分析やディープラーニング（深層学習）を含む機械学習を基に潜在的な（将来の）売上高や利益を定量情報として用いることもできる。

（Ａ）のトレンド表示モデル１００では、スライダ１０３が「－１」に指定されている。したがって、（Ａ）のトレンド表示モデル１００は、営業キーワード「働き方改革」およびスライダ１０３で指定された時期「１年前」でマッチングした企業群（点線楕円のＡ社、Ｃ社、Ｊ社）を、他の企業に対し強調表示する。以下、マッチングされた企業を「関連企業」と称し、マッチングされなかった企業を「非関連企業」と称す。

（Ｂ）のトレンド表示モデル１００では、スライダ１０３が「－１」から「０」に移動されている。したがって、（Ｂ）のトレンド表示モデル１００は、営業キーワード「働き方改革」およびスライダ１０３で指定された時期「今年」でマッチングした企業群（ドットで塗りつぶされた楕円のＡ社、Ｂ社、Ｅ社）を、他の企業に対し強調表示する。なお、（Ｂ）のトレンド表示モデル１００は、今年の関連企業と区別できれば、スライダ１０３の移動前となる１年前の関連企業（点線楕円のＡ社、Ｃ社、Ｊ社）を強調表示したままでもよい。

このように、トレンド表示モデル１００は、過去および現在の各時期において営業キーワードに関連する企業を強調表示することができる。

（Ｃ）のトレンド表示モデル１００では、スライダ１０３が「０」から「１」に移動されている。したがって、（Ｃ）のトレンド表示モデル１００は、営業キーワード「働き方改革」およびスライダ１０３で指定された時期「１年後」でマッチングした企業群（ハッチングが施された楕円のＤ社、Ｌ社、Ｍ社）を、他の企業に対し強調表示する。なお、（Ｃ）のトレンド表示モデル１００も、１年後の関連企業と区別できれば、スライダ１０３の移動前となる１年前の関連企業（点線楕円のＡ社、Ｃ社、Ｊ社）および今年の関連企業（ドットで塗りつぶされた楕円のＡ社、Ｂ社、Ｅ社）を強調表示したままでもよい。

このように、（Ｃ）のトレンド表示モデル１００は、未来の関連企業を強調表示する。（Ｃ）のように、スライダ１０３で指定された時期が未来の場合、定性情報や定量情報は存在しない。このため、判断支援装置は、企業間ネットワーク１０４を基づいて、未来におけるその企業の定性情報に営業キーワードが出現するかを予測することになる。したがって、（Ｃ）のトレンド表示モデル１００における関連企業（Ｄ社、Ｌ社、Ｍ社）は、将来、営業キーワード「働き方改革」がその定性情報に記載されるであろう企業である。

＜システム構成例＞
図２は、実施例１にかかる判断支援システムのシステム構成例を示す説明図である。判断支援システム２００は、判断支援装置２０１と１以上の端末２０２とがＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどのネットワーク２０３を介して通信可能に接続されたサーバクライアントシステムである。

サーバクライアントシステムの場合、端末２０２はユーザの操作により判断支援装置２０１にアクセスし、判断支援装置２０１は、端末２０２からの営業キーワードと時期の指定を受け付けてトレンド表示モデル１００を端末２０２に送信し、端末２０２は、判断支援装置２０１から受信したトレンド表示モデル１００を表示する。スタンドアロンの場合、判断支援装置２０１は、ユーザの操作により営業キーワードと時期の指定を受け付けて、トレンド表示モデル１００を表示する。

＜コンピュータのハードウェア構成例＞
図３は、実施例１にかかるコンピュータ（判断支援装置２０１および端末２０２）のハードウェア構成例を示すブロック図である。コンピュータ３００は、プロセッサ３０１と、記憶デバイス３０２と、入力デバイス３０３と、出力デバイス３０４と、通信インタフェース（通信ＩＦ）３０５と、を有する。プロセッサ３０１、記憶デバイス３０２、入力デバイス３０３、出力デバイス３０４、および通信ＩＦ３０５は、バス３０６により接続される。プロセッサ３０１は、コンピュータ３００を制御する。プロセッサ３０１は、プログラムを実行する。記憶デバイス３０２は、プロセッサ３０１の作業エリアとなる。また、記憶デバイス３０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス３０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス３０３は、データを入力する。入力デバイス３０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス３０４は、データを出力する。出力デバイス３０４としては、たとえば、ディスプレイ、プリンタがある。通信ＩＦ３０５は、ネットワーク２０３と接続し、データを送受信する。

＜データベースの記憶内容例＞
つぎに、判断支援装置２０１がアクセス可能な各種データベースおよびデータについて説明する。以下のデータベースおよびデータは、判断支援装置２０１内の記憶デバイスに実装されていてもよく、判断支援装置２０１外で判断支援装置２０１がネットワーク２０３を介してアクセス可能な外部装置に実装されていてもよい。

図４は、実施例１にかかる業績ＤＢ（Ｄａｔａｂａｓｅ）の記憶内容例を示す説明図である。業績ＤＢ４００は、企業ごとに業種や資本金などの情報を格納したデータベースである。業績ＤＢ４００は、企業ＩＤ４０１と、企業名４０２と、業種４０３と、事業内容４０４と、資本金４０５と、売上高４０６と、利益４０７と、をフィールドとして有し、各フィールドの値の組み合わせにより１つの企業の業績をエントリとして構成する。

企業ＩＤ４０１は、その企業を一意に特定する識別情報である。企業名４０２は、その企業の名称である。業種４０３は、その企業の事業や営業の種類であり、本例では、大分類と中分類で特定される。事業内容４０４は、その企業の事業の内容を示す文字列である。資本金４０５は、その企業が事業を営む上で元手となる金額である。売上高４０６は、その企業が事業により売り上げた金額である。売上高４０６は、スライダ１０３で指定可能な時期ごとに記憶される。利益４０７は、その企業の売上高４０６からコストを差し引いた金額である。利益４０７は、スライダ１０３で指定可能な時期ごとに記憶される。利益４０７は、営業利益、経常利益、純利益のいずれでもよい。売上高４０６および利益４０７は、上述した定量情報となる。

図５は、実施例１にかかる企業間情報ＤＢの記憶内容例を示す説明図である。企業間情報ＤＢ５００は、企業間の関連性を示すデータベースである。企業間情報ＤＢ５００は、企業名４０２と、主要仕入先５０１と、主要販売先５０２と、取引銀行５０３と、をフィールドとして有し、各フィールドの値の組み合わせにより１つの企業の企業間情報をエントリとして構成する。主要仕入先５０１は、その企業の主要な仕入先の企業である。主要販売先５０２は、その企業の主要な販売先の企業である。取引銀行５０３は、その企業と取引関係のある銀行である。

１行目のＡ社の企業間情報では、Ａ社は、Ｂ社、Ｄ社、およびＥ社から仕入れを行い、Ｃ社に販売し、Ｘ銀行およびＹ銀行と取引があることがわかる。ここで、３行目のＣ社の企業間情報では、主要仕入先５０１としてＥ社が記録されているが、Ａ社は記録されていない。この場合でも、判断支援装置２０１は、Ａ社の企業間情報の主要販売先５０２を参照することで、Ｃ社の主要仕入先５０１はＥ社だけでなくＡ社もあると特定することができる。

図６は、実施例１にかかる企業間ネットワーク１０４の一例を示す説明図である。企業間ネットワーク１０４は、企業間情報ＤＢ５００を図式化した情報である。企業間ネットワーク１０４は、楕円が企業を示すノードであり、矢印が企業間の関係を示すエッジとなる。矢印の方向は、商材の動きを示す。たとえば、Ａ社の主要仕入先５０１は、Ｂ社、Ｄ社、およびＥ社であるため、商材がＢ社、Ｄ社、およびＥ社からＡ社に送られる。したがって、Ｂ社、Ｄ社、およびＥ社とＡ社との間の各矢印の始端はＢ社、Ｄ社、およびＥ社であり、終端はＡ社である。企業間ネットワーク１０４により、営業担当者は、企業間のつながりを視覚的に特定することができる。

営業担当者が人工知能を用いる場合に以下の課題がある。人工知能が推薦する訪問先企業リストが提示されても、営業担当者は納得しなければその情報を活用して実際に顧客に訪問することは少ないことという課題がある。推薦のための複雑なロジックを営業担当者に示しても理解に時間を要する。『またバグがないか？』などの懸念を営業担当者が打ち消すことは難しい。その解決手段として、視覚的に訪問先企業リスト（図６の企業間ネットワーク１０４）が生成される理由がわかるように示すことで、営業担当者は訪問先企業リストが生成された理由を容易に把握でき、人工知能が作成した訪問先企業リストを活用するようになることが期待される。

図７は、行列で表した企業間ネットワーク１０４の一例を示す説明図である。行列７００は、図６に示した企業間ネットワーク１０４を行列形式で表現したデータである。行列７００では、企業間ネットワーク１０４における商材の動きで接続された企業間の値が「１」、接続されていない企業間の値が「０」である。たとえば、Ａ社とＢ社の交差する要素の値は「１」であることから、Ａ社とＢ社の間に商材の動き（取引）があることがわかる。一方、Ａ社とＦ社の交差する要素の値は「０」であることから，この２社間に取引が無いことがわかる。

図８は、企業間類似度データの一例を示す説明図である。企業間類似度データ８００は、図７に示した行列７００をＳｉｍＲａｎｋなどの手法を用いて、数学的に処理することでノード（企業）間の類似度を規定したデータである。ＳｉｍＲａｎｋは、２つのノードが類似のノードと接続されている場合、類似しているとみなす手法である（非特許文献１を参照）。企業間類似度データ８００の各要素の値は、大きいほど対応する企業同士が類似することを示す。

たとえば、企業間ネットワーク１０４を見るとＡ社とＢ社は同じ主要仕入先５０１のＤ社を持つことから、Ａ社とＢ社の類似度が比較的高いとする。Ａ社とＢ社の交差する要素の値は「０．２」となっており、Ａ社とＢ社の類似度が「０．２」であることがわかる。一方、Ａ社とＦ社の類似度は「０」となっていることから、Ａ社はＦ社よりＢ社に類似していることがわかる。なお，Ｓｉｍｒａｎｋ以外の手法を用いることができることは言うまでもない。ノード（企業）の類似性を評価できる手法、たとえば、Ｒａｎｄｏｍ ｗａｌｋ ｗｉｔｈ ｒｅｓｔａｒｔ法や近接中心性（ｃｌｏｓｅｎｅｓｓ ｃｅｎｔｒａｌｉｔｙ）を用いてもよい。

なお、この他、図示はしないが、定性情報ＤＢも用いられる。定性情報ＤＢは、上述した定性情報を記憶するデータベースである。定性情報ＤＢは、定性情報として、たとえば、有価証券報告書を記憶する。ここで、有価証券報告書には、テキストブロックと呼ばれる文書内の項目を特定するメタデータが定義されている。たとえば、日本語名で「対処すべき課題」、英語名で「ＩｓｓｕｅｓＴｏＡｄｄｒｅｓｓＴｅｘｔｂｌｏｃｋ」といったテキストブロックが定義されている。

判断支援装置２０１は、これらのテキストブロックを手掛かりとして有価証券報告書の中から重要な項目とそうでない項目とを判別することができる。そして、判断支援装置２０１は、重要な項目に含まれる文を重要な文とみなすことができる。また、機械学習を用いて人が重要だと考える文の特徴や文書内における文の位置、たとえば、文書の冒頭にある、や、業界の動向を述べる文の次の文である、などの情報を利用して、重要な文とそうでない文を判別することができる。さらに重要な文に含まれる企業課題を重要な企業課題であるとすることができる。

＜判断支援装置２０１の機能的構成例＞
図９は、実施例１にかかる判断支援装置２０１の機能的構成例を示すブロック図である。判断支援装置２０１は、ＤＢ９００と、取得部９０１と、指定部９０２と、抽出部９０３と、特定部９０４と、出力部９０５と、を有する。ＤＢ９００は、具体的には、たとえば、図３に示した記憶デバイス３０２またはネットワーク２０３を介した他の装置により実現される。取得部９０１～出力部９０５は、具体的には、たとえば、図３に示した記憶デバイス３０２に記憶されたプログラムをプロセッサ３０１に実行させることにより実現される。

ＤＢは、上述した業績ＤＢ４００、企業間情報ＤＢ５００、企業間ネットワーク１０４、行列７００、企業間類似度データ８００、および定性情報ＤＢを含む。

取得部９０１は、キーワードを取得する。具体的には、たとえば、ユーザの操作により端末２０２から送信されてきた営業キーワードを受信する。また、ユーザが判断支援装置２０１の入力デバイス３０３を操作することにより入力された営業キーワードを受け付ける。ユーザが営業キーワードを考案する場合にそれを補助する方法について述べる。

ユーザは、自分が考えた営業キーワードを自由に取得部９０１に与える。ユーザが自由に入力できるようにすることで、ユーザである営業担当者が独自に得た顧客の情報に基づいた分析を行うことができる。なお、ユーザは、あらかじめ判断支援装置２０１が定めた営業キーワード候補から任意の営業キーワードを選択することで、選択した営業キーワードを取得部９０１に与えることとしてもよい。

取得部９０１が営業キーワード候補を生成する方法について述べる。第１の生成方法は、ビジネスキーワードとしてＷｅｂ上で紹介されている単語または語句を収集し、その頻度順に降順で並べる方法である。第１の生成方法は多くのビジネスキーワードを利用できる利点がある。

第２の生成方法は、ビジネスキーワードを収集、整理している経済新聞や産業新聞を発行している会社から当該ビジネスキーワードを購入する方法である。第２の生成方法は、見識を持つ人の手で整理された品質の高いビジネスキーワードを利用できる利点がある。

第３の生成方法は、手掛かり句などのルールベース的な手法または教師データを利用した機械学習的な手法により，有価証券報告書や新聞などのデータソースからビジネスキーワードを自動収集する方法である。第３の生成方法は多くのビジネスキーワードを利用できる利点がある。なお，語句とは１つ以上の単語から構成されたものとする。文書は１つ以上の文から構成されたものとする。

指定部９０２は、時期を指定する。時期は、図１で説明したように、バー１０２上のスライダ１０３の位置で指定される。

抽出部９０３は、企業活動に関するテキストデータを解析することにより、企業活動に関するテキストデータから課題に関するテキストデータを抽出して、記憶デバイス３０２に記憶する。企業活動に関するテキストデータとは、たとえば、上述した定性情報である。

図１０は、抽出部９０３による企業活動に関するテキストデータの解析例を示す説明図である。原文１００１は、企業活動に関するテキストデータの１つである。具体的には、たとえば、原文１００１は、有価証券報告書などの企業の定性情報からその企業について記載された文書の中に含まれる一文の例である。抽出部９０３は、手掛かり句１００２を用いて、原文に含まれる手掛かり句１００２を特定する。手掛かり句１００２は、「を行うことで」（手掛かり句１）と「はかります」（手掛かり句２）である。手掛かり句１００２は、あらかじめ記憶デバイス３０２に記憶されている。

抽出部９０３は、特定した手掛かり句１００２を修飾する目的句１００３と行動句１００４とを原文から抽出する。行動句とは、企業の行動を示す句であり、目的句とは、その行動の目的を示す句である。本例の場合、目的句１００３が「意思決定の迅速化・完結化」であり、行動句１００４が「企画から生産まで一貫したオペレーション」となる。目的句１００３と行動句１００４とを合わせて企業課題とする。抽出部９０３は、抽出した企業課題（目的句１００３および行動句１００４）を課題に関するテキストデータとして記憶デバイス３０２に記憶する。

また、抽出部９０３は、判断支援装置２０１の利用価値を高めるために、原文を構造化して、経営目標、上位の経営課題、および下位の経営課題を抽出してもよい。

図１１は、抽出部９０３による構造化データの生成例を示す説明図である。抽出部９０３は、手掛かり句である「獲得すべく」、「開発します」および「参入します」を修飾する目的句および行動句を抽出する（ステップＳ１１０１）。抽出部９０３は、目的句および行動句とに基づいて、経営目標、上位の経営課題および下位の経営課題を特定する（ステップＳ）。経営目標、上位の経営課題および下位の経営課題には、３つの特定方法がある。

第１の特定方法は、句、節または文の順番を用いる特定方法である。有価証券報告書を例に挙げる。テキストブロックが「対処すべき課題」の文書には、まず世界の景気動向が記され、次に日本の景気動向、業界の景気動向、自社の景気動向が記された後に、経営目標が記され、次に上位の経営課題が記され、さらに下位の経営課題の順に記載される傾向がある。

したがって、原文１１００の場合、抽出部９０３は、目的句である「シニア市場での生長機会を獲得」を経営目標１１１０として抽出し、次に出現する行動句「新たな事業を開発」を上位の経営課題として抽出し、最後に出現する行動句「売り場を改善した新ストアを開発」を下位の経営課題として抽出する。これにより、構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）を生成することができる。

第２の特定方法は、目的句と行動句の区別を用いる特定方法である。すなわち，目的句は行動句に比べて上位の課題が記載されやすいことを利用する。具体的な方法を述べる。まず、抽出部９０３は、「対処すべき課題」の文書から景気動向に関する文を削除する。

つぎに残った文の先頭の文の目的句を経営目標とし、行動句を上位の経営課題とする。さらにそれ以降の目的句や行動句をそれぞれ上位の経営課題と下位の経営課題とする。これにより、構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）を生成することができる。

なお、抽出部９０３は、語句を構成する単語のベクトルを利用してクラスタリングすることで経営目標や経営課題をグループ化することもできる。この教師無し機械学習を用いた手法により学習データの無い語句であってもグループ化することが可能になり，幅広い経営目標や経営課題をグループ化することができる。教師無し機械学習の手法としてはたとえばｋ－ｍｅａｎｓ法を用いることができる。

第３の特定方法は、第１の特定方法において、さらに、並列句を用いる特定方法である。たとえば、抽出部９０３は、「売り場を改善した新ストアを開発し，高齢者向けフィットネス事業に参入します。」から、手掛かり句「し、」を用いて，語句「新ストアを開発」と語句「高齢者向けフィットネス事業に参入」が並列関係にあることを特定する（Ｓ１１０３）。これにより、抽出部９０３は、２つの語句が同じ経営課題の粒度（本例では、下位の経営課題１１３０）であると特定する。これにより、構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）を生成することができる。

ここで、経営目標は、その企業のありたい姿と現状の差であり、この経営目標をブレークダウンすることで上位の経営課題が生じ、さらに上位の経営課題をブレークダウンすることで下位の経営課題が生じる。換言すれば、粒度が最も大きい課題が経営目標であり、その次に粒度が大きい課題が上位の経営課題であり、粒度が最も小さい課題が下位の経営課題である。

経営目標は、売上高４０６などの財務上の数値の改善に貢献する傾向がある一方、下位の経営課題は現場の取り組み方を具体的に改善する傾向がある。すなわち、最終的には経営目標を達成することが目的であるが、その手段として下位の経営課題に対応していることが求められる。

経営目標、上位の経営課題および下位の経営課題をまとめて「課題」とする。さらにコンサルを除く一般的な企業の商材は現場の課題、つまり下位の経営課題を解決することを目標に設計されていることが多い。そのため、営業担当者は、下位の経営課題を見つけることが求められている。

一方、経営目標は粒度が大きいため、明らかにされることが多い一方、下位の経営課題のうち有価証券報告書などを通じて外部に公開される割合は極めて小さい。そのため、潜在的な経営課題、特に下位の潜在的な経営課題を特定するニーズがある。したがって、判断支援装置２０１は、文を構造化して、特定した経営課題を営業担当者に提供する必要がある。

図１２は、構造化データ群のグループ化例を示す説明図である。図１２では、文を構造化した後に、その構造を用いて経営目標と経営課題をグループ化する方法について説明する。図１２は、図１１に示した生成方法により生成されたＡ社の構造化データ１２０１～Ｄ社の構造化データ１２０４を示す。抽出部９０３は、各構造化データ１２０１～１２０４をその企業の売上高４０６に関連付ける。図１２において、点線の範囲が、経営課題の類似データ群１２１０である。

経営課題の類似データ群１２１０では、Ａ社の経営目標～Ｃ社の経営目標が類似し、Ａ社の上位の経営課題～Ｃ社の上位の経営課題が類似し、Ａ社の下位の経営課題とＢ社の下位の経営課題とが類似する。ここで、これらの類似の判定例について説明する。

類似の判定には、各課題を示す語句に含まれる単語Ｗの共起度が用いられる。たとえば、抽出部９０３は、共起した単語ＷのＴＦ‐ＩＤＦ値（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ‐Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ，単語の出現頻度と逆文書頻度から計算した単語のユニークさを表す値）を足し合わせる。抽出部９０３は、足し合わせた合計値が判定基準閾値を超えたときにその課題が類似していると判定する。

なお、ＬＤＡ法（Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ，潜在トピック推定法）を用いてもよい。ＬＤＡ法を用いることで同じ単語が出現していなくても潜在的なトピックに基づき語句の類似度を判定することが可能になり、類似の判定精度が向上する。

さらに、抽出部９０３は、定量的な企業の属性、たとえば、売上高４０６を用いて課題の類似度を判定してもよい。たとえばＢ社に着目すると、Ｂ社はやや売上高４０６の大きいＡ社の行動を監視しており、その行動を模倣しやすいと考えられる。そのため、抽出部９０３は、Ｂ社にとってはＢ社の課題とＡ社の課題との類似度の判定基準閾値を下げ、ＴＦ－ＩＤＦ値の合計が判定基準閾値を超えやすくすることで、Ｂ社の課題とＡ社の課題とが類似しやすくする。

一方、Ａ社にとっては売上高４０６の小さい企業はベンチマーク企業としないことが多い。この場合、抽出部９０３は、Ａ社の課題とＢ社の課題との類似度の判定基準閾値を上げ、類似しにくくしてもよい。なお、定量的な企業の属性としては売上高４０６以外に営業利益率やＲＯＥ，ＲＯＡなどを用いてもよい。このようにして、抽出部９０３によって抽出された課題が、営業キーワードの検索対象となる。

図１３は、営業テンプレートの推薦例を示す説明図である。図１３は、自社の営業テンプレートを用いた営業が成功しやすい企業を推薦する推薦方法を示す。営業テンプレート１３０１～１３０３とは、営業が成功した事例を人手で収集し、類似したものをひとつにまとめてテンプレート化した電子データであり、記憶デバイス３０２に記憶される。営業テンプレート１３０１～１３０３は、営業担当者の成功事例やユースケースとも呼ばれることもある。

営業テンプレート１３０１～１３０３の中には自社の商材、その商材が売れた実績の顧客名，顧客の業界、顧客の売上高４０６の規模、その商材が解決できる顧客の課題，顧客課題の解決手段、顧客に提案するときの提案方法、たとえば、糸口となる話題や話の進め方などが記録されている。また、営業テンプレート１３０１～１３０３には、実績だけでなく売れる見込みの高い顧客名などが記録されている。

図１３に示した木構造データ１３００は、各企業の構造化データ（１２０１～１２０４を含む）をまとめて木構造化したデータであり、かつ、営業テンプレート１３０１～１３０３に関連付けられて、記憶デバイス３０２に記憶されているものとする。

経営目標１，２、上位の経営課題１～３、および下位の経営課題１～４は、図１２の経営目標、上位の経営課題、および下位の経営課題に関連付けられている。具体的には、たとえば、経営目標１は、類似しあうＡ社の経営目標～Ｃ社の経営目標を含む。上位の経営課題１は、類似しあうＡ社の経営課題～Ｃ社の経営課題を含む。下位の経営課題１は、類似しあうＡ社の経営課題～Ｂ社の経営課題を含む。一方、下位の経営課題２は、Ｃ社の経営課題を含む。経営目標２は、Ｄ社の経営目標を含む。上位の経営課題３は、Ｄ社の上位の経営課題を含む。下位の経営課題４は、Ｄ社の下位の経営課題を含む。

営業テンプレート１３０１は、たとえば、Ａ社の営業テンプレートであり、Ａ社の構造化データ１２０１を含む経営目標１、上位の経営課題１、および下位の経営課題１に関連付けられているものとする。営業テンプレート１３０２は、たとえば、Ｃ社の営業テンプレートであり、Ｃ社の構造化データ１２０３を含む経営目標１、上位の経営課題１、および下位の経営課題２に関連付けられているものとする。営業テンプレート１３０３は、たとえば、Ｄ社の営業テンプレートであり、Ｄ社の構造化データ１２０４を含む経営目標２、上位の経営課題３、および下位の経営課題４に関連付けられているものとする。

抽出部９０３は、木構造データ１３００および営業テンプレート１３０１～１３０３を用いることで、営業テンプレート１３０１～１３０３に含まれる顧客課題の解決手段と顧客の課題のマッチングを行うことで自社の商材を販売しやすい適切な顧客を見つけることができる。また、抽出部９０３は、自社の顧客に対して自社の商材の中から適切な商材を選択して提案することができる。本推薦方法は、特に海外展開をするときに土地勘の無い場所において顧客を探索するときに有益な手法である。

実際に課題のマッチングを行おうとすると、課題が衝突しあう。すなわち、顧客企業の定性情報、たとえば有価証券報告書や海外企業のＡｎｎｕａｌ ｒｅｐｏｒｔやＳＥＣ（米証券取引委員会）へ提出する企業活動の年次報告書Ｆｏｒｍ１０－ｋには経営目標はしばしば記載されている。一方、営業テンプレートの解決手段に対応する現場の経営課題、すなわち、下位の経営課題の多くは顧客企業の定性情報には記載されていないことが多い。

ここで、下位の経営課題１と下位の経営課題２は、上位の経営課題１をブレークダウンすることで生じた課題となる。すなわち，上位の経営課題１という目的を達成するための手段が下位の経営課題１と下位の経営課題２である。ここで、抽出部９０３は、木構造データ１３００を参照することにより、下位の経営課題２および上位の経営課題１を認識する。

Ｃ社は、下位の経営課題２および上位の経営課題１を顕在課題として持つ。したがって、抽出部９０３は、木構造データ１３００から、『Ｃ社は、下位の経営課題１に取り組むことがＣ社にとって有益である』ことを認識する。換言すれば、抽出部９０３は、下位の経営課題１を、Ｃ社の潜在課題として特定する。同様に、Ａ社およびＢ社にとっての顕在課題が上位の経営課題１と下位の経営課題１であり、潜在課題が下位の経営課題２である。

そして、抽出部９０３は、下位の経営課題１に関連付けられている営業テンプレート１３０１における解決手段および提案方法を、潜在課題である下位の経営課題２における営業テンプレート１３０２とば別の解決手段および提案方法として関連付ける。これにより、抽出部９０３は、木構造データ１３００を参照することにより、Ｃ社のユーザに対し、下位の経営課題２（Ｃ社の下位の経営課題）の解決手段および提案方法として、潜在課題の営業テンプレート１３０１を推薦することができる。

ここで、Ｃ社の売上高４０６は、売上高４０６がＡ社およびＢ社に比べて低いものとする。Ｃ社にとって、売上高４０６が高いＡ社およびＢ社が行っている下位の経営課題１は、重要な取り組むべき課題である可能性が高い。これに対し、Ａ社およびＢ社にとっては、売上高４０６が低いＣ社の取り組みは、既に解決済みの課題である可能性がある。そこで、抽出部９０３は、売上高４０６が上位の企業の課題を優先的に潜在課題として類推適用する。これにより、企業課題のマッチング精度の高精度化を図ることができる。

なお、上記では、Ｂ２Ｂ（Ｂｕｓｉｎｅｓｓ ｔｏ ｂｕｉｓｉｎｅｓｓ）企業を例にして、顧客を企業とした例について説明してきたが、一般消費者を顧客とするＢ２Ｃ（Ｂｕｓｉｎｅｓｓ ｔｏ ｃｏｎｓｕｍｅｒ）企業においても同様である。この場合、定性情報としてはＳＮＳやブログなどにおいて個人が作成するＷｅｂ上の情報を用いることができる。

図９に戻り、特定部９０４は、取得部９０１によって取得されたキーワードを指定部９０２によって指定された時期（指定時期）において課題とする関連企業を、課題に関するテキストデータから特定し、キーワードを指定時期において課題としない非関連企業を、課題に関するテキストデータから特定する。指定時期により関連企業および非関連企業の特定方法が異なる。

具体的には、たとえば、特定部９０４は、指定時期が現在または過去である場合、当該キーワードを含む課題に関するテキストデータを検索し、検索したテキストデータの当該キーワードを含む項目で特集された企業を、当該キーワードを課題とする関連企業として特定する。一方、特定部９０４は、当該特集された企業以外の他の企業を、当該キーワードを課題としない非関連企業として特定する。

上述したように、課題に関するテキストデータとは、たとえば、定性情報ＤＢに記憶された定性情報の一例である上述した原文１００１である。このように、特定部９０４は、定性情報ＤＢ内の定性情報から直接、取得部９０１によって取得されたキーワードを課題とする関連企業を特定し、キーワードを課題としない非関連企業を特定することができる。

より具体的には、検索された課題に関するテキストデータが、ある特定の企業（たとえば、Ａ社）の定性情報であれば、特定部９０４は、当該キーワードを指定時期において課題とする関連企業としてＡ社を特定し、Ａ社以外の他社を非関連企業として特定する。検索された課題に関するテキストデータが複数存在する場合は、特定部９０４は、当該テキストデータ毎に関連企業を特定する。たとえば、特定部９０４は、検索された課題に関する２つのテキストデータをＴ１、Ｔ２とすると、Ｔ１についてはＡ社を関連企業として特定し、Ｔ２についてはＢ社を関連企業として特定し、それ以外のＣ社～Ｎ社を非関連企業として特定する。

また、特定部９０４は、当該キーワードを指定時期において課題とする関連企業を、抽出部９０３によって抽出された課題に関するテキストデータから特定し、当該キーワードを指定時期において課題としない非関連企業を、抽出部９０３によって抽出された課題に関するテキストデータから特定してもよい。

抽出部９０３によって抽出された課題に関するテキストデータとは、たとえば、図１０に示した企業課題（目的句１００３および行動句１００４）、図１１に示した構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）、図１２に示した経営課題の類似データ群１２１０、図１３に示した潜在課題を解決するための営業テンプレート１３０１である。これにより、企業課題のマッチング精度の高精度化を図ることができる。

また、特定部９０４は、指定時期が未来である場合、企業間の関連性を示す企業間ネットワーク１０４（図６を参照）に基づいて、未来における関連企業および非関連企業を特定する。具体的には、たとえば、特定部９０４は、図８に示した企業間類似度データ８００を用いて未来における関連企業および非関連企業を特定する。この場合、特定部９０４は、現在において営業キーワードにマッチングした企業と類似した企業を、未来において営業キーワードにマッチングする関連企業として特定する。

たとえば、Ａ社が営業キーワードにマッチングした今年の関連企業であると特定された場合、特定部９０４は、企業間類似度データ８００を参照する。特定部９０４は、Ａ社と他社との企業間類似度は、「０．２」が最大値で、「０」が最小値である。したがって、特定部９０４は、Ａ社との企業間類似度が「０．２」であるＢ社およびＥ社が、１年後に営業キーワードにマッチングする定性情報を持つ関連企業であると特定する。

なお、図８の例では、企業間類似度が「０．２」と「０」であるため、Ｂ社およびＥ社が関連企業となったが、全企業のうち企業間類似度の高さが上位ｎ番目まで（ｎは２以上の整数）の企業を未来において営業キーワードにマッチングする関連企業として相対的に特定してもよく、また、企業間類似度が所定値（たとえば、０．７）以上の企業を未来において営業キーワードにマッチングする関連企業として絶対的に特定してもよい。この場合も、特定部９０４は、上限数ｎで制限してもよい。

なお、上述した上限数ｎは、あらかじめ設定されていてもよく、ユーザである営業担当者が入力デバイス３０３を操作することで変更可能としてもよい。さらに、特定部９０４は、過去の営業キーワードにマッチングした企業の数を用いて、上限数ｎの値を自動的に設定してもよい。たとえば、指定時期が１年前において４社がマッチングし、指定時期が今年において６社がマッチングした場合、特定部９０４は、来年のマッチングする企業の上限数ｎを８社（＝６社（今年）－４社（１年前）＋６社（今年））に設定することができる。

また、特定部９０４は、仕入れか販売かを示す取引の方向（エッジの方向）を利用して、たとえば、仕入れについての関連企業や販売についての関連企業のように、取引の内容ごとに関連企業を特定してもよい。この場合、企業間類似度データ８００は、ＳｉｍＲａｎｋの計算において、取引の方向別に生成される。

＜判断支援処理＞
以下、実施例１にかかる判断支援装置２０１による判断支援処理について図１４～図１８を用いて説明する。

図１４は、図１０に示した抽出部９０３による企業活動に関するテキストデータの解析処理手順例を示すフローチャートである。抽出部９０３は、企業活動に関するテキストデータから対象文として原文１００１を読み込み（ステップＳ１４０１）、対象文から手掛かり句を特定する（ステップＳ１４０２）。つぎに、抽出部９０３は、ステップＳ１４０２で特定した手掛かり句を用いて、対象文から目的句および行動句を特定し（ステップＳ１４０３）、ステップＳ１４０３で特定した目的句および行動句を企業課題として記憶デバイス３０２に格納する（ステップＳ１４０４）。これにより、抽出部９０３は、企業活動に関するテキストデータの各々から自動的に企業課題を抽出することができる。したがって、特定部９０４は、抽出した企業課題から時期ごとに関連企業および非関連企業を特定することができる。

図１５は、図１１に示した抽出部９０３による構造化データの生成処理手順例を示すフローチャートである。ステップＳ１４０１～Ｓ１４０３は、図１４と同一処理であるため、説明を省略する。抽出部９０３は、ステップＳ１４０３のあと、上述した第１の特定方法～第３の特定方法のいずれかを用いて、手掛かり句、目的句および行動句に基づいて、課題粒度を特定する（ステップＳ１５０４）。そして、抽出部９０３は、構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）を生成し、記憶デバイス３０２に格納する（ステップＳ１５０５）。

これにより、抽出部９０３は、企業活動に関するテキストデータの各々から自動的に構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）を抽出することができる。したがって、特定部９０４は、抽出した構造化データ（経営目標１１１０、上位の経営課題１１２０、下位の経営課題１１３０）から時期ごとに関連企業および非関連企業を特定することができる。

図１６は、図１２に示した構造化データ群のグループ化処理手順例を示すフローチャートである。抽出部９０３は、図１５で生成した構造化データ群を記憶デバイス３０２から取得し（ステップＳ１６０１）、構造化データ群をグループ化する（ステップＳ１６０２）。具体的には、たとえば、抽出部９０３は、図１２にしめしたように、構造化データ１２０１～１２０４のうち、類似しあうＡ社～Ｃ社の経営目標、Ａ社～Ｃ社の上位の経営課題、およびＡ社、Ｂ社の下位の経営課題をグループ化し、経営課題の類似データ群１２１０とする。

つぎに、抽出部９０３は、図１３に示したように、経営課題の類似データ群に基づいて潜在課題を特定し、潜在課題に対して提案方法が推薦可能な営業テンプレート１３０１を検索する（ステップＳ１６０３）。そして、抽出部９０３は、検索された営業テンプレート１３０１を潜在課題（下位の経営課題２）と関連付けて記憶デバイス３０２に格納する（ステップＳ１６０４）。

これにより、抽出部９０３は、企業活動に関するテキストデータの各々から自動的に営業テンプレート１３０１を抽出することができる。したがって、特定部９０４は、抽出した営業テンプレート１３０１およびそれに関連付けされた潜在課題（下位の経営課題２）から時期ごとに関連企業および非関連企業を特定することができる。

図１７は、実施例１にかかる判断支援装置２０１による判断支援処理手順例を示すフローチャートである。判断支援装置２０１は、出力部９０５により、図１（Ａ）に示したように、企業間ネットワーク１０４を含むトレンド表示モデル１００を表示可能に出力する（ステップＳ１７０１）。図１（Ａ）の場合は、スライダ１０３がバー１０２の「－１」に位置するため、１年前の企業間ネットワーク１０４が表示されることになる。

判断支援装置２０１は、取得部９０１により、営業キーワードを取得する（ステップＳ１７０２）。判断支援装置２０１は、指定部９０２により指定時期の指定を受け付け、当該指定時期が未来であるか否かを判断する（ステップＳ１７０３）。未来でない場合、すなわち、現在または過去である場合（ステップＳ１７０３：Ｎｏ）、判断支援装置２０１は、指定時期および営業キーワードで企業活動に関するテキストデータの検索を試行する（ステップＳ１７０４）。判断支援装置２０１は、検索結果から、指定時期において、営業キーワードを課題とする企業（関連企業）と課題としない企業（非関連企業）とを特定する（ステップＳ１７０５）。

そして、判断支援装置２０１は、特定結果に基づいて、企業間ネットワーク１０４を更新する（ステップＳ１７０６）。具体的には、たとえば、判断支援装置２０１は、関連企業を強調表示するようにトレンド表示モデル１００を出力する。ステップＳ１７０１の指定時期が「－１」でステップＳ１７０３での指定時期が「０」であれば、トレンド表示モデル１００は、図１の（Ａ）から（Ｂ）に遷移して表示される。

また、ステップＳ１７０３において、指定時期が未来である場合（ステップＳ１７０３：Ｙｅｓ）、判断支援装置２０１は、特定部９０４により、関連企業予測処理を実行する（ステップＳ１７０７）。そして、判断支援装置２０１は、予測結果である未来の関連企業および非関連企業を出力部９０５により出力する（ステップＳ１７０８）。

図１８は、図１７に示した関連企業予測処理（ステップＳ１７０７）の詳細な処理手順例を示すフローチャートである。特定部９０４は、現在時期および営業キーワードで企業活動に関するテキストデータの検索を試行する（ステップＳ１８０１）。特定部９０４は、営業キーワードを課題とする企業を、予測対象企業に設定する（ステップＳ１８０２）。そして、特定部９０４は、予測対象企業との企業間類似度に基づいて、指定時期（未来）において営業キーワードを課題とする関連企業を予測結果として特定する（ステップＳ１８０３）。そして、ステップＳ１７０８に移行する。

このように、実施例１にかかる判断支援装置２０１は、企業活動に関するテキストデータの各々から自動的に課題を抽出することができるため、抽出した課題から時期ごとに関連企業および非関連企業を特定することができる。したがって、ユーザは、営業キーワードを潜在課題とする未来の関連企業および非関連企業を高精度に予測することができる。これにより、ユーザは、どの企業にどのような潜在課題があるかを予測することができる。

また、未来の関連企業および非関連企業の特定に際し、企業間類似データを用いることにより、未来の関連企業および非関連企業の予測精度の向上を図ることができる。さらに、企業の成功事例である営業テンプレートを用いることにより、潜在課題を見つけ出し、潜在課題についての解決手段や提案方法を営業キーワードによる検索対象に推薦することができる。

実施例２は、特定部９０４による未来の関連企業および非関連企業について、実施例１とは異なる予測方法を示す。実施例１では、判断支援装置２０１は、企業間類似度データ８００を用いて、指定時期が未来である場合に、営業キーワードを課題とする関連企業および課題としない非関連企業を特定して表示した。実施例２では、現在および過去の関連企業の配置位置、すなわち、取引関係から、未来の関連企業を予測する。なお、実施例２では、実施例１との相違点を中心に説明するため、実施例１との共通部分についてはその説明を省略する。

＜企業間ネットワーク１０４の調整例＞
図１９は、企業間ネットワーク１０４の調整例を示す説明図である。図１９での指定時期は、例として１年前とする。判断支援装置２０１は、特定部９０４により、１年前において営業キーワード「働き方改革」を課題とする企業としてＡ社を特定する。また、判断支援装置２０１は、出力部９０５により、１年前において取引のある企業（たとえば、Ａ社とＢ社）を近くに配置し、取引の無い企業（たとえば、Ａ社とＦ社）を遠くに配置して表示する。

このように視覚的効果によりＡ社はＦ社よりもＢ社に類似していることがわかる。また、エッジのユークリッド的な距離を測定することで、Ａ社のノードとＢ社のノードの距離は、Ａ社のノードとＦ社のノードの距離より短いことがわかる。ここのとからもＡ社はＦ社よりＢ社に類似していることがわかる。

このような表示は、力学モデルなどのグラフ描画アルゴリズムを用いることで描画可能である。力学モデルなどのグラフ描画については、たとえば、既存のネットワークグラフを作成できるソフトウェアを用いて、Ｏｒｇａｎｉｃアルゴリズムで描画することができる。

具体的には、たとえば、特定部９０４は、企業間ネットワーク１０４において、企業のノード間を接続するエッジの長さであるユークリッド距離を用いて、未来における関連企業および非関連企業を特定する。特定部９０４は、たとえば、力学モデルなどのグラフ描画アルゴリズムを用いて画面表示することで、企業間ネットワーク１０４を修正する。特定部９０４は、力学モデルを適用することで、たとえば、企業間ネットワーク１０４において、企業間の各エッジが所定長以上で、かつ、エッジの全長が最短となるように企業のノードの配置を変更して、企業間ネットワーク１０４を修正する。

Ａ社とＢ社との距離をｄＡＢ、Ａ社とＣ社の距離をｄＡＣ、Ａ社とＦ社の距離をｄＡＦをとする。この距離を用いて，距離が近い企業は類似しているとみなし，距離が遠い企業は類似していないとみなす。この結果を利用して未来に営業キーワードを定性情報に記載する企業を予測することができる（後述）。さらに、図１９において、近接している２社の企業は、その取引関係が類似している。取引関係が類似した企業は同様の課題を抱くという仮説を設けると、その２社は同様の課題を抱いていると推測され、企業課題の予測が可能となる。

営業担当者は、図１９に示したトレンド表示モデル１００を見て、入力した営業キーワードとマッチングする企業が企業間ネットワーク１０４のどこにあるかを把握できる。企業間ネットワーク１０４を力学モデルなどのグラフ描画アルゴリズムを用いて図示することにより，取引先の類似した企業は近い場所に描画される。また，企業の経営課題は自社と類似した販売先を持つ可能性が高いライバル企業や取引先を参考にして定めることがあると考えられる。したがって、営業キーワードとマッチングする企業は、企業間ネットワーク１０４において、近くに位置する可能性が高いと考えられる。

そのため、判断支援装置２０１は、企業間ネットワーク１０４において今年の営業キーワードがマッチングし、かつ、ハイライトされた企業から、翌年に営業キーワードを定性情報に記載する企業（入力した営業キーワードに関連する課題を潜在的に有する企業潜在課題を有する企業）を関連企業として推定することができる。

また、営業担当者が、図１９に示した今年の企業間ネットワーク１０４を見て、自分で潜在課題を有する企業を推定することもできる。自分で推定した結果は、営業にとって大きな納得感をもって受け入れられる結果になり、実際の営業活動に活かしやすいと考えられる。

つぎに、営業担当者は、図示はしないが、スライダ１０３を操作して、指定時期を「０」、すなわち、今年に移動させた場合も、図１９と同様に、判断支援装置２０１は、特定部９０４により、今年において営業キーワード「働き方改革」を課題とする企業を特定する。また、判断支援装置２０１は、出力部９０５により、今年において取引のある企業を近くに配置し、取引の無い企業を遠くに配置して表示する。

つぎに、営業担当者は、スライダ１０３を操作して、指定時期を「１」、すなわち、１年後に移動させたとする。この場合、判断支援装置２０１は、１年後の関連企業を、１年前の関連企業の配置位置と今年の関連企業の配置位置とに基づいて、予測する。

＜トレンド表示モデル１００の表示例＞
図２０は、実施例２にかかるトレンド表示モデル１００の表示例を示す説明図である。図２０は、１年後の関連企業の予測結果を示す。図２０中、点線の円は、１年前の関連企業を包含するクラスタＣ（－１）であり、一点鎖線の円は、今年の関連企業を包含するクラスタＣ（０）であり、実線の円は、１年後の関連企業を包含するクラスタＣ（１）である。

具体的には、たとえば、特定部９０４は、企業間ネットワーク１０４における関連企業の配置位置（Ｘ座標値およびＹ座標値）を用いてクラスタＣ（－１）～Ｃ（１）を生成する。クラスタＣ（－１）～Ｃ（１）は、それぞれ関連企業を包含する最小の円である。

たとえば、指定時期が１年前である場合、特定部９０４は、１年前において営業キーワード「働き方改革」を課題とする関連企業（Ａ社、Ｃ社、Ｊ社）を包含するクラスタＣ（－１）を生成し、その中心点ｏ（－１）と半径ｒ（－１）を求める。中心点ｏ（－１）のＸ座標値をｘ（－１）、Ｙ座標値をｙ（－１）とする。

また、指定時期が今年である場合、特定部９０４は、今年において営業キーワード「働き方改革」を課題とする関連企業（Ａ社、Ｂ社、Ｄ社、Ｅ社）を内接するクラスタＣ（０）を生成し、その中心点ｏ（０）と半径ｒ（０）を求める。中心点ｏ（０）のＸ座標値をｘ（０）、Ｙ座標値をｙ（０）とする。

そして、指定時期が１年後になった場合、実施例２の予測方法は、１年前から今年にかけて生じた変化が今年から１年後についても同じように生じると仮定する。これにより、１年後のクラスタＣ（１）の半径ｒ（１）は、下記式（１）で求められる。

ｒ（１）＝ｒ（０）＋［ｒ（０）－ｒ（－１）］・・・（１）

また、１年後のクラスタＣ（１）の中心点ｏ（１）のＸ座標値ｘ（１）とＹ座標値ｙ（１）は、下記式（２）、（３）で求められる。

ｘ（１）＝ｘ（０）＋［ｘ（０）－ｘ（－１）］・・・（２）
ｙ（１）＝ｙ（０）＋［ｙ（０）－ｙ（－１）］・・・（３）

特定部９０４は、式（１）～（３）の計算結果を用いて、クラスタＣ（１）を生成することができる。特定部９０４は、クラスタＣ（１）に包含されるＤ社、Ｌ社およびＭ社を、１年後に営業キーワードを課題とする関連企業に決定する。そして、出力部９０５は、図２０でクラスタＣ（－１）～Ｃ（１）を有するトレンド表示モデル１００を出力する。これにより、ユーザである営業担当者は、クラスタＣ（－１）～Ｃ（１）を視認することで、判断支援装置２０１が提案した結果を受け入れることが可能になり、営業担当者の行動に結果を反映させることが容易になる。

＜判断支援処理手順＞
図２１は、実施例２にかかる判断支援装置２０１による判断支援処理手順例を示すフローチャートである。判断支援装置２０１は、出力部９０５により、図１（Ａ）に示したように、企業間ネットワーク１０４を含むトレンド表示モデル１００を表示可能に出力する（ステップＳ２１０１）。図１（Ａ）の場合は、バー１０２が「－１」に位置するため、１年前の企業間ネットワーク１０４が表示されることになる。

判断支援装置２０１は、取得部９０１により、営業キーワードを取得する（ステップＳ２１０２）。判断支援装置２０１は、指定部９０２により指定時期の指定を受け付け、当該指定時期が未来であるか否かを判断する（ステップＳ２１０３）。未来である場合（ステップＳ２１０３：Ｙｅｓ）、ステップＳ２１０３に戻る。未来でない場合、すなわち、現在または過去である場合（ステップＳ２１０３：Ｎｏ）、企業間ネットワーク１０４更新処理を実行する（ステップＳ２１０４）。

企業間ネットワーク１０４更新処理（ステップＳ２１０４）は、図１７のステップＳ１７０４～Ｓ１７０６に示した処理と、指定時期でのクラスタ（すなわち、クラスタの半径および中心点の座標値）を生成する処理である。これにより、特定部９０４は、指定時期が現在または過去における企業間ネットワーク１０４を更新することができる。

このあと、判断支援装置２０１は、指定時期が変更されたか否かを判断する（ステップＳ２１０５）。変更されていない場合（ステップＳ２１０５：Ｎｏ）、ステップＳ２１０５に戻る。変更された場合（ステップＳ２１０５：Ｙｅｓ）、判断支援装置２０１は、変更後の指定時期が未来であるか否かを判断する（ステップＳ２１０６）。

未来でない場合（ステップＳ２１０６：Ｎｏ）、企業間ネットワーク１０４更新処理（ステップＳ２１０４）に戻る。変更後の指定時期が未来である場合（ステップＳ２１０６：Ｙｅｓ）、判断支援装置２０１は、未来において営業キーワードを課題とする関連企業および課題としない非関連企業が予測可能か否かを判断する（ステップＳ２１０７）。具体的には、たとえば、現在以前の２以上の指定時期の各々で、クラスタの半径および中心点の座標値が生成済みである場合は予測可能である。

予測可能でない場合（ステップＳ２１０７：Ｎｏ）、ステップＳ２１０５に戻る。一方、予測可能である場合（ステップＳ２１０７：Ｙｅｓ）、未来において営業キーワードに言及するであろう関連企業を包含する最小のクラスタを生成する（ステップＳ２１０８）。そして、判断支援装置２０１は、ステップＳ２１０８で生成したクラスタお内の企業を関連企業として特定し（ステップＳ２１０９）、企業間ネットワーク１０４を更新する（ステップＳ２１１０）。これにより、判断支援装置２０１は、図２０に示したように、クラスタＣ（－１）～Ｃ（１）を表示可能なトレンド表示モデル１００を出力することができる。

このように、上述した実施例１および実施例２にかかる判断支援装置２０１によれば、現在または過去の実績の営業キーワードとマッチングする企業や、未来において営業キーワードを潜在課題として、マッチングする企業を特定し、表示することができる。したがって、判断支援装置は、企業活動における種々の判断を支援するための適切な情報をユーザに提供することができる。

特にユーザは、入力したキーワードを課題に持つ企業とその企業と関係がある企業を時期毎のネットワークを確認しながら比較することができるため、次にアクセスすべき顧客を判断することができる。そのため、アクセスすべき顧客の提案とともに、アクセスすべき根拠を提示することができる。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

１００ トレンド表示モデル
１０４ 企業間ネットワーク
２００ 判断支援システム
２０１ 判断支援装置
９０１ 取得部
９０２ 指定部
９０３ 抽出部
９０４ 特定部
９０５ 出力部

Claims (8)

1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する判断支援装置であって、
   前記記憶デバイスは、各企業が有する課題に関するテキストデータを記憶しており、
   前記プロセッサは、
   キーワードを取得する取得処理と、
   時期を指定する指定処理と、
   企業活動に関するテキストデータを解析することにより、特定の課題を解決した成功事例に関するテンプレート情報に基づいて、前記特定の課題に関連する潜在課題に関するテキストデータを抽出して、前記記憶デバイスに記憶する抽出処理と、
   前記取得処理によって取得されたキーワードを前記指定処理によって指定された時期において課題とする関連企業を、前記抽出処理によって抽出された潜在課題に関するテキストデータから特定する特定処理と、
   前記指定された時期における前記関連企業に関する表示情報を出力する出力処理と、
   を実行することを特徴とする判断支援装置。
2. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する判断支援装置であって、
   前記記憶デバイスは、各企業が有する課題に関するテキストデータを記憶しており、
   前記プロセッサは、
   キーワードを取得する取得処理と、
   未来の時期を指定する指定処理と、
   前記取得処理によって取得されたキーワードを前記指定処理によって指定された未来の時期において課題とする関連企業を、企業間の関連性を示す企業間ネットワークに基づいて、前記課題に関するテキストデータから特定する特定処理と、
   前記指定された未来の時期における前記関連企業に関する表示情報を出力する出力処理と、
   を実行することを特徴とする判断支援装置。
3. 請求項２に記載の判断支援装置であって、
   前記記憶デバイスは、前記企業間ネットワークにおいて企業間の類似度を示す企業間類似度データを記憶しており、
   前記特定処理では、前記プロセッサは、前記企業間類似度データに基づいて、前記キーワードを前記未来の時期において課題とする関連企業を特定する、
   ことを特徴とする判断支援装置。
4. 請求項２に記載の判断支援装置であって、
   前記特定処理では、前記プロセッサは、現在以前の２つの時期で特定された関連企業および非関連企業に基づいて、前記キーワードを前記指定処理によって指定された未来の時期において課題とする関連企業を特定する、
   ことを特徴とする判断支援装置。
5. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する判断支援装置による判断支援方法であって、
   前記記憶デバイスは、各企業が有する課題に関するテキストデータを記憶しており、
   前記プロセッサは、
   キーワードを取得する取得処理と、
   時期を指定する指定処理と、
   企業活動に関するテキストデータを解析することにより、特定の課題を解決した成功事例に関するテンプレート情報に基づいて、前記特定の課題に関連する潜在課題に関するテキストデータを抽出して、前記記憶デバイスに記憶する抽出処理と、
   前記取得処理によって取得されたキーワードを前記指定処理によって指定された時期において課題とする関連企業を、前記抽出処理によって抽出された潜在課題に関するテキストデータから特定する特定処理と、
   前記指定された時期における前記関連企業に関する表示情報を出力する出力処理と、
   を実行することを特徴とする判断支援方法。
6. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する判断支援装置による判断支援方法であって、
   前記記憶デバイスは、各企業が有する課題に関するテキストデータを記憶しており、
   前記プロセッサは、
   キーワードを取得する取得処理と、
   未来の時期を指定する指定処理と、
   前記取得処理によって取得されたキーワードを前記指定処理によって指定された未来の時期において課題とする関連企業を、企業間の関連性を示す企業間ネットワークに基づいて、前記課題に関するテキストデータから特定する特定処理と、
   前記指定された未来の時期における前記関連企業に関する表示情報を出力する出力処理と、
   を実行することを特徴とする判断支援方法。
7. 請求項６に記載の判断支援方法であって、
   前記記憶デバイスは、前記企業間ネットワークにおいて企業間の類似度を示す企業間類似度データを記憶しており、
   前記特定処理では、前記プロセッサは、前記企業間類似度データに基づいて、前記キーワードを前記未来の時期において課題とする関連企業を特定する、
   ことを特徴とする判断支援方法。
8. 請求項６に記載の判断支援方法であって、
   前記特定処理では、前記プロセッサは、現在以前の２つの時期で特定された関連企業および非関連企業に基づいて、前記キーワードを前記指定処理によって指定された未来の時期において課題とする関連企業を特定する、
   ことを特徴とする判断支援方法。

Images