JP7306513B2 - 営業活動支援システム、営業活動支援方法および営業活動支援プログラム - Google Patents

Description

本発明は、ユーザの営業活動を支援する営業活動支援システム、営業活動支援方法および営業活動支援プログラムに関する。

成熟する国内環境において、営業現場では、今後、人材の確保が難しくなることが予見される。そのような中でも、営業活動の監督者には、業績成績の維持向上だけでなく、人材が不足しても将来に渡り営業基盤を基準量確保しておくために、労働基準を満たしつつも、人手の確保および人材の育成を行っていくことが所望されている。

このような状況下では、高い成績を収めるハイパフォーマンス層の人たちは益々忙しくなり、高い成績を収められないローパフォーマンス層の人たちとの差（営業成績および労働時間の差）が大きくなると考えられる。すると、ハイパフォーマンス層においては、自身の営業時間の確保が難しくなるだけでなく、仕事が集中することによる不満や、ローパフォーマンス層にノウハウを引き継ぎたくても指導時間がとれないといった問題が生じることが考えられる。

一方、ローパフォーマンス層においても、営業を行う対象（潜在顧客）がいないもしくはわからない、上司等が忙しく教育を十分してもらえない、時間をかけて営業活動を行っても結果が出ないなどといった不満や不安が生じることが考えられる。

そこで、予測モデルなどに代表されるＡＩ（artificial intelligence）技術を用いて、顧客管理、販売予測、ノウハウの分析（データ化）などを行い、それらを通して営業活動の効率化等を図るシステム等が種々開発されている。

ＡＩ技術を利用した営業活動支援に関連して、例えば、特許文献１には、まだ販売されていない商品の販売数予測を行うシステムの例が示されている。また、例えば、特許文献２には、顧客ニーズと、制約のあるベンダー群の中から販売成功がより高いと見込まれるベンダーとを整合させるように、ベンダーのフィルタリング、選択および提示を行うシステムが記載されている。また、例えば、特許文献３には、商品の性質、商品同士の関係、過去の購入履歴などに基づいて、既存の顧客の中から新たな商品の購入提案が可能な顧客を抽出し見込み顧客リストとして提示するシステムが記載されている。

特開２０００－２００２６０号公報 特表２０１４－５２１１４７号公報 特開２００２－３３４２０１号公報

今後、ますます人材が不足する中で労働基準を守りつつ営業成績を維持向上するためには、ハイパフォーマンス層の負担軽減とローパフォーマンス層の稼働率の向上をともに実現できる営業活動支援システムが望まれる。

これらをバランスよく、かつ事業所全体の営業成績に結び付くように実現するためには、単純に予測精度を高める等のアプローチだけでは不十分であり、例えば、導入の容易性、提供する情報の使いやすさ、効果の検証性を高めるなど、システムとしての利用価値を高める必要がある。

例えば、分析結果等を提供する際に、情報が複雑すぎると、経験の浅い営業マンなどは、情報を処理しきれずに、具体的な営業活動につなげられないといった問題も考えられる。その一方で、情報が少なすぎても、営業活動の相手先が特定できずに具体的な営業活動につなげられなかったり、営業活動の相手先が特定できても特定された根拠がわからないと、営業活動をしてもアプローチが弱く成績に結びつかないといった問題も考えられる。

また、例えば、マーティングや見込み顧客の分析を精度良く行うためには、事業所内の顧客情報や販売実績などの多くの既存データだけでなく世の中の知識データベース等を十分に活かす必要があるが、システムの利用者側のみで、多種多様な既存データの中から機械による分析に適したデータを取捨選択、収集、整理するのは困難である。

そこで、本発明は、ユーザの営業活動をより効果的に支援できる営業活動支援システム、営業活動支援方法および営業活動支援プログラムを提供することを目的とする。

本発明による営業活動支援システムは、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測する予測部と、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得する取得部と、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力する出力部と、を備え、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。

また、本発明による営業活動支援方法は、情報処理装置が、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測し、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得し、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力し、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。

また、本発明による営業活動支援プログラムは、コンピュータに、ユーザが提供する商品またはサービスの契約の成否と該契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、契約の成否が未知の変数の組み合わせに対して契約の成功確率を予測するための予測モデルと、ユーザの営業活動の相手先候補に関する情報とに基づいて、相手先候補における契約の成功確率を予測する処理と、予測モデルに基づいて特定される、成功確率に対する変数の各々の寄与度を取得する処理と、相手先候補に関する情報と、寄与度に基づいて特定される、営業活動の優先度の根拠を示す情報と、を関連付けて出力する処理と、を実行させ、訓練データが、ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、顧客接点情報が、面談日時を含むことを特徴とする。

本発明によれば、営業活動をより効果的に支援できる。

第１の実施形態の営業活動支援システムの構成例を示すブロック図である。 データ記憶部１１が記憶するデータの例を示す説明図である。 訓練データＤ１の例を示す説明図である。 学習済みモデルの例を示す説明図である。 学習済みモデルの予測式における各変数の係数の一覧である。 学習の結果特定される各説明変数の係数を示すグラフである。 予測対象データセットＤ２の例を示す説明図である。 予測対象データセットＤ２に対する予測結果の例を示す説明図である。 予測結果が付された予測対象データセットＤ２のソート結果の例を示す説明図である。 相手先候補リストＤ３の例を示す説明図である。 相手先候補リストＤ３の他の例を示す説明図である。 相手先候補リストＤ３の表示例を示す説明図である。 相手先候補リストＤ３の他の例を示す説明図である。 第１の実施形態の営業活動支援システムの動作の一例を示すフローチャートである。 第２の実施形態の営業活動支援システムの構成例を示すブロック図である。 データ記憶部１１が記憶するデータの例を示す説明図である。 データ検証加工部１６の構成例を示すブロック図である。 営業活動の結果が記入された相手先候補リストＤ３の例を示す説明図である。 相手先候補リストＤ３の効果の検証例を示す説明図である。 相手先候補リストＤ３の効果の検証例を示す説明図である。 新たな訓練データＤ１の例を示す説明図である。 第２の実施形態の営業活動支援システムの動作の一例を示すフローチャートである。 本発明の各実施形態にかかるコンピュータの構成例を示す概略ブロック図である。 本発明の営業活動支援システムの概要を示すブロック図である。

実施形態１．
以下、本発明の実施形態について図面を参照して説明する。図１は、第１の実施形態の営業活動支援システムの構成例を示すブロック図である。図１に示す営業活動支援システムは、データ記憶部１１と、学習部１２と、予測部１３と、出力部１４とを備える。

データ記憶部１１は、本システムで使用するデータを記憶する。図２は、本実施形態のデータ記憶部１１が記憶するデータの例を示す説明図である。図２に示すように、本実施形態のデータ記憶部１１は、少なくとも訓練データＤ１を記憶する。

訓練データＤ１は、ユーザの営業活動における所定の目的の成否と、当該所定の目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である。なお、上記目的の成否は、後述する予測モデルにおいて目的変数とされ、上記目的の成否に相関し得る複数の変数は、後述する予測モデルにおいて説明変数とされる。

訓練データＤ１における、ユーザの営業活動における所定の目的は、ユーザが自由に設定できる。ここで、目的の例としては、そのユーザが提供する商品またはサービスの契約（売買契約、賃貸契約等を含む）や、顧客へ訪問の約束の取り付け、他の人を紹介してもらう等が挙げられる。

図３は、訓練データＤ１の例を示す説明図である。図３に示す例は、ある特定の商品（以下、目的商品という）の購入を、ユーザの営業活動における目的すなわち目的変数とした場合の訓練データＤ１の例である。図３に示すように、データ記憶部１１は、訓練データＤ１として、目的商品の過去の購入の有無と対応づけて、該購入の有無に相関し得る複数の所定の変数を記憶してもよい。

なお、図３に示す訓練データＤ１は、Ｙ：“目的商品の購入有無”を示す情報と、顧客の特徴として、Ｘ１：“年齢”、Ｘ２：“性別”、Ｘ３：“住所”、Ｘ４：“既婚か否か”、Ｘ５：“年収”、Ｘ６：“職業”、Ｘ７：“商品Ａの購入有無”およびＸ８：“商品Ｂの購入有無”を示す情報とが関連付けられている。図３において、Ｙ：“目的商品の契約の有無”欄の「１」は購入あり、「－１」は購入なしを表している。また、Ｘ２：“性別”欄の「１」は女性、「０」は男性を表している。ここで、Ｘ７の“商品Ａ”やＸ８の“商品Ｂ”は、例えば、目的商品と関連する他の商品や、目的商品であってもよい。ただし、後者の場合は、説明変数で表される“目的商品”とは異なる個体であるとする。このように、説明変数に、目的変数で表す目的商品の購入有無より前の“目的商品の購入有無”を含ませることも可能である。

このような訓練データＤ１は、ユーザが保有している情報、例えば、過去の契約に関する情報である契約情報や、顧客に関する情報である顧客情報や、商品に関する情報である商品情報等から、過去に目的商品を購入した顧客の特徴や、逆に購入しなかった顧客の特徴等を抽出することにより作成できる。なお、目的商品の購入の有無と対応づける変数には、顧客の特徴だけでなく、そのときの状況（営業担当、天気、時期、キャンペーン有無等）などを含めることも可能である。

なお、図１では、データ記憶部１１が訓練データＤ１を記憶する例を示したが、訓練データＤ１は本システム内で記憶されずに他のシステムに記憶されていてもよい。その場合、ユーザや当該他のシステムが訓練データＤ１を適宜入力してもよいし、後述する学習部１２が必要に応じて当該他のシステムから訓練データＤ１を取得してもよい。

学習部１２は、訓練データＤ１を用いて、上記目的の成否が未知の目的変数の組み合わせである予測対象データセットＤ２に対して上記目的の成否や成功率を予測するための予測モデルを学習する。例えば、学習部１２は、上記目的の成否のみを予測してもよいし、上記目的の成功確率のみを予測してもよいし、上記目的の成否と成功確率の両方を予測してもよい。

学習部１２が行う学習方法は、特に限定されないが、教師あり学習、教師なし学習、半教師あり学習、強化学習など様々考えられる。また、機械学習のアルゴリズムの例としては、一般的な教師あり学習の一つであるニューラルネットワークが挙げられる。さらに、他の例として、サポートベクターマシン、ディープラーニング、ガウシアンプロセス、決定木、ランダムフォレストなどが挙げられる。また、予測モデルの例としては、線形モデル、区分線形モデル、回帰モデル、ロジスティック回帰モデル、重回帰モデル、場合分け付き重回帰モデルなどが挙げられる。

学習部１２は、例えば、訓練データＤ１を用いた機械学習により目的変数に対する複数の説明変数の各々の寄与度を特定可能な学習器を利用して、予測モデルを学習してもよい。また、学習部１２は、その際、スパース性および正則化のうち少なくともいずれかを制約に用いて、予測モデルを学習してもよい。一例として、学習部１２は、場合分け付き重回帰分析に基づく学習器の１つであって、非線形でかつスパースな問題を高精度にホワイトボックスで解く異種混合学習を利用して、予測モデルの学習を行ってもよい。

図４は、学習済みモデルの例を説明図である。図４には、学習モデルの例として、正規化後の予測式が示されている。また、図５は、該予測式における各変数の係数の一覧である。また、図６は、学習の結果特定される各説明変数の係数を示すグラフである。学習部１２は、学習の結果、モデル式の各変数の係数の大きさ（絶対値）を寄与度として特定してもよい。このとき、寄与度がゼロの変数を、説明変数から除外してもよい。

予測部１３は、営業活動の相手先候補に関する情報が入力されると、該情報と、学習済みの予測モデルとに基づいて、入力された相手先候補における目的の成否または成功確率を予測する。予測部１３は、例えば、営業活動の相手先候補に関する情報から、予測対象とする説明変数の組み合わせである予測対象データセットＤ２を作成し、学習済みの予測モデルに適用することにより、入力された相手先候補における目的の成否または成功確率を予測してもよい。

図７は、予測対象データセットＤ２の例を示す説明図である。図７に示す例では、予測対象データセットＤ２として、相手先候補を識別するための“顧客ＩＤ”と対応づけられて、該“顧客ＩＤ”が示す人物等についての学習済みの予測モデルにおける説明変数の各々の値が登録されている。より具体的には、本例の予測対象データセットＤ２として、“顧客ＩＤ”と対応づけて、“Ｘ１：年齢”、“Ｘ２：性別”、“Ｘ４：既婚か否か”、“Ｘ５：年収”および“Ｘ７：商品Ａの購入有無”という５つの説明変数について各々値が示されている。なお、予測対象データセットＤ２は複数あってもよい。

予測部１３は、例えば、このような顧客ＩＤと対応づけられた説明変数の組み合わせ（予測対象データセットＤ２）の各々に対して、予測モデルを適用して、当該顧客ＩＤで示される相手先候補における目的の成否または成功率を予測する。

予測部１３は、例えば、相手先候補に関する情報を、ユーザが保有している顧客情報等から取得してもよい。その場合、ユーザの既存の顧客が相手先候補とされる。また、相手先候補は既存の顧客に限らず、例えば、予測の都度ユーザが相手先候補に関する情報を入力することも可能である。

図８は、図７に示す予測対象データセットＤ２に対する予測結果の例を示す説明図である。図８に示す例では、予測結果として、予測対象データセットＤ２の各々を予測モデルに適用したときに予測モデルから出力されるスコアを示している。当該スコアが、目的の成功確率に相当する。

また、予測部１３は、目的の成功確率を予測するとともに、その成功確率の導出に用いられた複数の説明変数の各々の寄与度を取得してもよい。これら寄与率は、学習部１２から取得できる。その場合、学習部１２は、モデルパラメータとして保持している予測式に用いた各説明変数の係数を基に寄与率を特定して出力すればよい。

また、予測部１３は、予測モデルが、説明変数をその値によって場合分けする門関数を含むような場合分け付き判別モデル（例えば、区分線形モデルや場合分け付き重回帰モデルなど）である場合に、成功確率を予測するとともに、その成功確率の導出に用いられた場合分け条件および複数の説明変数の各々の寄与度を取得してもよい。場合分け条件および寄与率は、学習部１２から取得できる。その場合、学習部１２は、モデルパラメータとして保持している場合分け条件を出力するとともに、該条件ごとの予測式に用いた各説明変数の係数を基に寄与率を特定して出力すればよい。

出力部１４は、予測部１３の予測結果に基づいて、営業活動の優先順位が付けられた相手先候補の情報または営業活動の優先度を含む相手先候補の情報を出力する。

出力部１４は、例えば、図９に示すように、スコアに基づき予測対象データセットＤ２をソートして、ユーザに提供する相手先候補（本例の場合、顧客ＩＤ）を選択してもよい。図９は、予測結果とともに予測対象データセットＤ２のソート結果の例を示す説明図である。出力部１４は、そのようにして選択した相手先候補のスコア（成功確率）を営業活動の優先度に変換して、図１０に示すような相手先候補リストＤ３を作成してもよい。図１０は、相手先候補リストＤ３の例を示す説明図である。なお、図１０では、相手先候補に関する情報とともに、営業活動の優先度としての営業員向けの“オススメ度合い”を表示している。相手先候補リストＤ３に含ませる相手先候補に関する情報は、受け取ったユーザまたは営業員が相手先候補を特定できる情報であれば特に限定されない。図１０に示す例では、相手先候補に関する情報として、“顧客ＩＤ”、“氏名”、“年齢”および“性別”が含まれている。また、“オススメ度合い”は黒の星印の数が多い程、オススメ度合いが高いものとする。本例では、成功確率を５段階のオススメ度合いに変換した上で、成功確率の高い顧客から順に提示する相手先候補リストＤ３が作成される。なお、相手先候補リストＤ３は、必ずしも営業活動の優先度順にソートされていなくてもよい。相手先候補リストＤ３に優先度の情報が含まれていれば、ユーザ側でソートできるからである。

このとき、出力部１４は、予測された成功確率が所定の条件を満たす相手先候補を選択して、相手先候補リストＤ３を作成してもよい。

また、出力部１４は、図１１に示すように、予測された成功確率が所定の条件を満たす相手先候補について、該成功確率が高い相手先候補ほど優先（上位に提示）されており、かつ相手先候補に関する情報と、順位付けまたは営業活動の優先度の根拠を示す情報を含む相手先候補リストＤ３を作成して、出力してもよい。このとき、出力部１４は、選択した相手先候補の各々について、上記の順位または優先度の根拠を示す情報として、その相手先候補の成功確率への寄与度が大きい変数に関する情報を含む相手先候補リストＤ３を作成して、出力してもよい。換言すると、出力部１４は、相手先候補の各々について、それら相手先が目的（一例として、商品）に関心が高いと予測した根拠を示す情報を含む相手先候補リストＤ３を、ユーザに対して提供する。その際、それら変数に関する情報の表示態様を、所定の条件に従って異ならせてもよい。

例えば、出力部１４は、根拠として提示する寄与度が、プラスの寄与度すなわち目的変数に対して正の相関のある説明変数の場合、その説明変数が数値変数であってその値が訓練データＤ１の平均より大きい場合もしくは二値変数であってその値が１である場合にハイライト表示してもよい。一方、マイナスの寄与度すなわち目的変数に対して負の相関のある説明変数の場合、その説明変数が数値変数であってその値が訓練データＤ１の平均より小さい場合もしくは二値変数であってその値が０である場合にハイライト表示してもよい。例えば、図１２では、ハイライト表示の例として、上記条件を満たす説明変数の値を網掛けで示している。

また、出力部１４は、予測に用いた予測モデルが場合分け付き重回帰判別モデルである場合には、図１２に示すように、場合分け条件ごとに、順位付けまたは営業活動の優先度の根拠を示す情報を提示するリストを作成して、出力してもよい。場合分け条件によって説明変数の寄与度が異なる場合には、このように寄与度の高い説明変数の情報を、場合分け条件によって分類して提示すると、見る側がより理解しやすい。

また、出力部１４は、営業活動を行う人（営業員）ごとに、相手先候補リストＤ３を作成することも可能である。その場合において、出力部１４は、例えば、予測結果から上位の相手先候補を選択するごとに、選択された相手先候補をいずれかの営業員に振り分けることにより、営業員ごとの相手先候補リストを作成してもよい。

または、学習に用いる訓練データＤ１の複数の変数の中に営業員の特徴を含ませ、予測部１３に、さらに営業員に関する情報に基づいて、営業員ごとの相手先候補における目的の成否または成功確率を予測させ、その結果に基づいて、出力部１４が営業員ごとの相手先候補リストを作成してもよい。なお、営業員同士で相手先候補が重複した場合には、出力部１４が、一人の営業員のリストにのみ含まれるように調整してもよい。

また、出力部１４は、図１３に示すように、営業活動の結果を入力ための記入欄を含む相手先候補リストＤ３を作成して、出力してもよい。このとき、該相手先候補リストＤ３に、上記記入欄に対して集計機能を付加してもよい。すなわち、出力部１４は、記入欄と、該記入欄の集計機能を含む相手先候補リストＤ３を作成して、出力してもよい。出力部１４は、そのために、相手先候補リストＤ３を、例えば、表計算ソフトウエアのフォーマットで作成することも可能である。また、出力部１４は、例えば、記入欄を含む相手先候補リストＤ３を、営業活動を行う人が所持する端末等の画面に出力してもよい。その上で、出力部１４は、該画面上において記入欄への入力を受け付けて、集計を行い、集計結果をさらに出力することも可能である。なお、記入欄への入力の受け付け方法および集計結果の出力方法は、上記に限定されない。

図１３を用いて例示した相手先候補リストには、一例として、係る予測結果を利用して営業活動を行った結果を示す「結果」欄だけでなく、営業活動を行った営業員の所感を示す「活用者所感」欄を含むこととする。しかしながら、この構成に限定されない。

次に、本実施形態の動作を説明する。図１４は、本実施形態の営業活動支援システムの動作の一例を示すフローチャートである。図１４に示す例では、まず、学習部１２が、訓練データＤ１を用いて、予測モデルを学習する（ステップＳ１１）。

次に、予測部１３が、営業活動の相手先候補に関する情報と、学習済みの予測モデルとに基づいて、相手先候補における営業活動の目的の成功確率を予測する（ステップＳ１２）。予測部１３は、上述したように、営業活動の相手先候補に関する情報から予測対象データセットＤ２を作成し、予測対象データセットＤ２に対して営業活動の成功確率を予測してもよい。なお、予測部１３は、営業活動の成功確率に代えて、営業活動の成否を予測してもよい。

次に、出力部１４が、予測部１３による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報として相手先候補リストＤ３を出力する（ステップＳ１３）。出力部１４は、予測結果に基づいて、上述したような相手先候補リストＤ３を作成して、出力する。なお、出力部１４は、作成した相手先候補リストＤ３を保持しておき、ユーザからのダウンロード要求にしたがって、保持している相手先候補リストＤ３を出力することも可能である。

以上のように、本実施形態では、訓練データＤ１を用いて学習された予測モデルを用いて、相手先候補に対する営業活動の目的の成否または成功確率を予測し、その結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する。したがって、営業員は、本システムが出力した情報を基に、成功の見込みが高い相手先を優先的に訪問することができる。その結果、営業活動の効率化が図れるだけでなく、該効率化に伴って組織全体の活動量の増加および業績の向上が見込める。

例えば、本実施形態によれば、属人化されていた営業活動を、ＡＩを活用することにより効率化できるので、営業員の対面時間が増加したり、それに伴って経験値が向上するなどの効果が期待される。これにより、経験の浅い営業員の即戦力化やモチベーションの向上なども期待できる。

また、本実施形態によれば、予測結果に対して、その根拠も含めて情報提供するので、営業員は営業施策の検討に役立てることができる。

また、出力する情報に対して営業活動の結果などを入力するための記入欄を付すことで、ユーザ側で営業活動の結果の集計のための負担の軽減できるとともに、簡単に効果測定を行うことができる。

実施形態２．
次に、本発明の第２の実施形態について説明する。図１５は、第２の実施形態の営業活動支援システムの構成例を示すブロック図である。図１５に示す営業活動支援システムは、図１に示す第１の実施形態に比べて、ユーザ保有情報取得部１５と、データ検証加工部１６とを備える点が異なる。

ユーザ保有情報取得部１５は、ユーザが保有している情報であるユーザ保有情報Ｄ０を入力（取得）する。ユーザ保有情報取得部１５は、例えば、ユーザ保有情報Ｄ０として、ユーザが取り扱う商品もしくはサービスの契約に関する情報や、顧客に関する情報や、商品もしくはサービスに関する情報を入力してもよい。なお、ユーザ保有情報取得部１５は、これら情報のうち、特定の情報を入力してもよい。例えば、ユーザ保有情報取得部１５は、ユーザ保有情報Ｄ０として、ユーザが取り扱う商品もしくはサービスの契約に関する情報のうち特定の情報や、顧客に関する情報のうち特定の情報や、商品もしくはサービスに関する情報のうち特定の情報や、またはそれらの組み合わせを入力してもよい。

ユーザが取り扱う商品またはサービスの契約に関する情報の例としては、既存の契約内容に関する情報の履歴である契約履歴情報、すなわち全ての商品またはサービスに関わる契約情報（例えば、契約日、契約者（顧客）、契約された商品またはサービス、オプション、そのときの担当支店、営業担当者など）が挙げられる。また、顧客に関する情報の例としては、ユーザの顧客に関する基本的な情報である顧客情報（例えば、性別、年齢、家族構成、担当支店、営業担当、勤め先、年収、他社商品利用情報など）が挙げられる。また、商品もしくはサービスに関する情報の例としては、ユーザが取り扱う商品もしくはサービスの内容（例えば、価格、種別、特徴、オプションなど）が挙げられる。

なお、ユーザ保有情報取得部１５は、上記以外にも、ユーザ保有情報Ｄ０として、例えば、面談日時や営業活動内容などといったユーザにおける顧客との接点に関する情報である顧客接点情報や、営業員の属性等を示す担当者情報などを入力してもよい。また、ユーザ保有情報取得部１５は、出力部１４が出力した相手先候補リストＤ３（営業を行う人が記入欄に営業活動の結果を入力した相手先候補リストＤ３を含む）を、ユーザ保有情報Ｄ０として入力してもよい。

なお、ユーザ保有情報取得部１５は、ユーザから直接、上記情報を入力するものに限定されない。ユーザ保有情報取得部１５は、例えば、他のシステムが記憶している、ユーザにかかる上記情報を取得することも可能である。そのような場合であっても、本システムでは、取得された上記情報を、ユーザ保有情報Ｄ０として扱う。すなわち、ユーザ保有情報Ｄ０は、ユーザが、自身の情報として所持または管理している情報であればよい。

データ検証加工部１６は、ユーザ保有情報取得部１５が入力した情報や出力部１４が出力した情報を検証する。その際、データ検証加工部１６は、これら情報を本システムが使用しやすいように加工したものをデータ記憶部１１に記憶させることができる。

図１６は、本実施形態のデータ記憶部１１が記憶するデータの例を示す説明図である。図１６に示すように、本実施形態のデータ記憶部１１は、ユーザ保有情報Ｄ０と、訓練データＤ１とを少なくとも記憶する。

また、図１７は、データ検証加工部１６の構成例を示すブロック図である。図１７に示すように、データ検証加工部１６は、訓練データ作成部１６１と、予測対象データセット作成部１６２と、効果検証部１６３とを含んでいてもよい。なお、データ検証加工部１６は、これら全てを含んでいなくてもよく、例えば、これらのうちいずれか１つを含んでいればよい。

訓練データ作成部１６１は、ユーザ保有情報Ｄ０から訓練データＤ１を作成する。訓練データ作成部１６１は、例えば、予め定められた訓練データＤ１のデータ構造に基づいて、ユーザ保有情報Ｄ０から所定の特徴量を選択もしくは新たに抽出して、訓練データＤ１を作成する。このとき、訓練データ作成部１６１は、ユーザ保有情報Ｄ０として入力された上記の情報を、顧客の識別子や営業担当の識別子等を基に連結して、１つの仮想データベースを構築してもよい。

ここで、所定の特徴量は、ユーザ保有情報Ｄ０に含まれる項目（変数）の値そのものであってもよいし、ユーザ保有情報Ｄ０に含まれる項目の値から加工されたものであってもよい。前者の場合において、例えば、システム管理者が予めその項目を指定することにより、特徴量として選択される。後者の場合において、例えば、システム管理者が予め加工対象とする項目およびその項目に対する加工方法（四則演算、平均、分散等の統計処理全般、対応する文字列や値への変換等）を指定しておき、指定された項目に対して指定された加工方法を適用することにより、新たな特徴量として抽出される。加工の際、外部から得られる情報を利用することも可能である。

その上で、訓練データ作成部１６１は、該仮想データベースの情報を基に、例えば、上記のような所定の特徴量の選択または新たな抽出等を行って、目的の成否と該成否に関連する複数の変数とからなるデータの集合を作成する。ここで、作成されたデータの集合は、訓練データＤ１の原型とされる。その上で、訓練データ作成部１６１は、作成されたデータの集合（訓練データＤ１の原型）に対して、訓練データＤ１のデータ構造に基づき、項目の追加、データの補完、データの加工、データの無効化およびデータの削除のうち少なくともいずれかを行って、最終的な訓練データＤ１を作成してもよい。

項目の追加の例としては、統計情報を示す変数の追加などが挙げられる。また、データの補完の例としては、項目のうち値が登録されていないデータを、他の項目の値や外部から得られる情報等に基づいて補完することなどが挙げられる。また、データの加工の例としては、文字情報を数値変数や二値変数に変換することなどが挙げられる。また、データの無効化の例としては、更新日等に基づいて一定以上古い情報を無効にすることなどが挙げられる。データの削除の例としては、更新日等に基づいて一定以上古い情報に基づくデータセット（ある目的の成否に関連づける変数の組み合わせ）を削除することなどが挙げられる。

予測対象データセット作成部１６２は、ユーザ保有情報Ｄ０から予測対象データセットＤ２を作成する。予測対象データセット作成部１６２は、例えば、既存の顧客全てを相手先候補とし、ユーザ保有情報Ｄ０から各顧客について、学習済みの予測モデルの説明変数に対応する情報を収集して、予測対象データセットＤ２を作成してもよい。

効果検証部１６３は、例えば、営業活動の結果が記入された相手先候補リストＤ３を取得して、その営業活動の結果から相手先候補リストＤ３を評価する。また、効果検証部１６３は、評価結果を示す効果検証情報Ｄ４を作成して出力する。

図１８は、営業活動の結果が記入された相手先候補リストＤ３の例を示す説明図である。効果検証部１６３は、図１８に示すように、出力部１４により作成された営業活動の結果を入力するための記入欄を含む相手先候補リストＤ３であって、その後ユーザにより該記入欄に営業活動の結果が入力された相手先候補リストＤ３を回収（取得）して、該相手先候補リストＤ３に記入された営業活動の結果に基づいて、相手先候補リストＤ３の効果を検証してもよい。なお、営業活動の結果の取得方法は上記に限定されない。営業活動の結果は、例えば、ユーザ保有情報Ｄ０とされる相手先候補リストＤ３や契約履歴情報や顧客接点情報から取得することも可能である。また、例えば、出力部１４が集計用に営業活動の結果を取得している場合などには、出力部１４から営業活動の結果を得ることも可能である。データ記憶部１１は、このようにして得られる営業活動の結果と、予測された目的の成否および成功確率の少なくともいずれかとを関連付けて記憶しておいてもよい。例えば、データ記憶部１１は、予測結果と営業活動の結果とを含む相手先候補リストＤ３を記憶してもよい。

このとき、効果検証部１６３は、営業活動の結果と、営業活動を行った人に関する情報とに基づいて、営業活動を行った人の属性ごとに相手先候補リストＤ３を評価してもよい。図１９および図２０は、効果検証部１６３による相手先候補リストＤ３の効果の検証例を示す説明図である。

例えば、効果検証部１６３は、図１９に示すように、営業活動の結果を含む相手先候補リストＤ３に、当該相手先候補リストＤ３を活用した営業員（活用者）の情報を付加する。そして、効果検証部１６３は、該相手先候補リストＤ３の記入欄に記入されている営業活動の結果を、活用者の情報のセグメント（例えば、入社年数など）ごとに集計して評価する。このとき、効果検証部１６３は、図２０に示すように、得られた集計結果を、同じセグメントに属し、かつ相手先候補リストＤ３を活用していない営業員の営業活動の結果と比較することにより、相手先候補リストＤ３の効果を評価してもよい。効果検証部１６３は、例えば、図２０に示すような効果検証情報Ｄ４を作成して出力してもよい。

図２０に示す例によれば、入社年度が５年以上の営業員よりも５年未満の営業員の方が提案件数および契約件数の増加率が高く、相手先候補リストＤ３を活用した効果が大きいことがわかる。

また、効果検証部１６３は、相手先候補リストＤ３を提示後に得られた営業活動の結果などの情報を基に、相手先候補リストＤ３の効果の検証だけでなく、相手先候補リストＤ３で提示した相手先候補の優先度または優先順位やその基となった予測結果やそれを導出した予測モデルやその学習に用いた訓練データＤ１の見直しを行ってもよい。

例えば、効果検証部１６３は、活用者の所感を構文解析等した結果に基づいて、目的の成否と相関の高いと判断された変数を、訓練データＤ１の説明変数に追加してもよい。図２０に示す例でいうと、“前回購入からの経過日数”が目的の成否と相関の高いと判断できるので、効果検証部１６３は、“前回購入からの経過日数”を訓練データＤ１の説明変数に追加する旨の決定または訓練データＤ１のデータ構造の変更を行ってもよい。

訓練データ作成部１６１は、このような効果検証部１６３の決定または変更がされると、新たな訓練データＤ１のデータ構造に従い、新たな訓練データＤ１を作成する。なお、図２１は、効果検証部１６３の決定または変更に基づき作成された新たな訓練データＤ１の例を示す説明図である。図２１に示す例では、目的の成否に関連し得る変数として、新たに“Ｘ８：前回購入からの経過日数”が追加されている。

なお、訓練データ作成部１６１は、効果検証部１６３の決定や変更がない場合にも、相手先候補リストＤ３を提示後に得られた営業活動の結果など、新たに取得された情報に基づいて適宜訓練データＤ１を追加して、予測モデルの精度を向上させるのが好ましい。

学習部１２は、例えば、訓練データＤ１のデータ構造が変更されたり、新たな訓練データＤ１が所定量追加されたタイミングで、予測モデルの学習を行ってもよい。なお、予測モデルの学習タイミングは、上記に限定されず、システムの管理者の指示により行ったり、定期的に行うなどが考えられる。

次に、本実施形態の動作を説明する。図２２は、本実施形態の営業活動支援システムの動作の一例を示すフローチャートである。図２２に示す例では、まず、ユーザ保有情報取得部１５が、ユーザ保有情報Ｄ０を取得する（ステップＳ２１）。

次に、訓練データ作成部１６１が、ユーザ保有情報Ｄ０から訓練データＤ１を作成する（ステップＳ２２）。

次に、学習部１２が、訓練データＤ１を用いて、予測モデルを学習する（ステップＳ２３）。

次に、予測対象データセット作成部１６２が、ユーザ保有情報Ｄ０を基に、予測対象データセットＤ２を作成する（ステップＳ２４）。

次に、予測部１３が、予測対象データセットＤ２に対して、学習済みの予測モデルを適用して、予測対象データセットＤ２が示す相手先候補（顧客）の営業活動の成功確率を予測する（ステップＳ２５）。第１の実施形態と同様、予測部１３は、営業活動の成功確率に代えて、営業活動の成否を予測してもよい。

次に、出力部１４が、出力部１４が、予測部１３による予測の結果に基づいて、相手先候補リストＤ３を作成して、出力する（ステップＳ２６、Ｓ２７）。

次に、効果検証部１６３が、出力部１４が出力した相手先候補リストＤ３の効果（営業活動の成否）を示す情報を取得し、効果を検証する（ステップＳ２８）。ステップＳ２８では、ユーザ保有情報取得部１５が、相手先候補リストＤ３を提示した後のユーザ保有情報を取得することにより、効果検証部１６３が、相手先候補リストＤ３の効果（営業活動の成否）を示す情報を得てもよい。

次に、効果検証部１６３が、効果の検証結果を示す効果検証情報Ｄ４を作成する（ステップＳ２９）。また、効果検証部１６３は、訓練データＤ１のデータ構造の見直しを行う（ステップＳ３０）。そして、ステップＳ２１に戻り、一連の処理を繰り返す。

本実施形態によれば、このようなユーザからのデータ提供を受けて、相手先候補リストを作成、提供するとともに、そのリストを基に実際に営業活動を行った結果を取得して、効果検証情報Ｄ４や次のリスト作成時、モデル学習時などにフィードバックしてユーザに還元できる。したがって、予測精度の向上だけでなく、ユーザ側のデータ準備負担の軽減や、本システム導入にかかる効果の測定支援ができる。

また、図２３は、本発明の各実施形態にかかるコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。

上述の各実施形態の営業活動支援システムが備えるサーバその他の装置等は、コンピュータ１０００に実装されてもよい。その場合、各装置の動作は、プログラムの形式で補助記憶装置１００３に記憶されていてもよい。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って各実施形態における所定の処理を実施する。なお、ＣＰＵ１００１は、プログラムに従って動作する情報処理装置の一例であり、ＣＰＵ（Central Processing Unit）以外にも、例えば、ＭＰＵ（Micro Processing Unit）やＭＣＵ（Memory Control Unit）やＧＰＵ（Graphics Processing Unit）などを備えていてもよい。

補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータは１０００がそのプログラムを主記憶装置１００２に展開し、各実施形態における所定の処理を実行してもよい。

また、プログラムは、各実施形態における所定の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで各実施形態における所定の処理を実現する差分プログラムであってもよい。

インタフェース１００４は、他の装置との間で情報の送受信を行う。また、ディスプレイ装置１００５は、ユーザに情報を提示する。また、入力デバイス１００６は、ユーザからの情報の入力を受け付ける。

また、実施形態における処理内容によっては、コンピュータ１０００の一部の要素は省略可能である。例えば、コンピュータ１０００がユーザに情報を提示しないのであれば、ディスプレイ装置１００５は省略可能である。例えば、コンピュータ１０００がユーザから情報入力を受け付けないのであれば、入力デバイス１００６は省略可能である。

また、上記の各実施形態の各構成要素の一部または全部は、汎用または専用の回路（Circuitry）、プロセッサ等やこれらの組み合わせによって実施される。これらは単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、上記の各実施形態各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。

上記の各実施形態の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本発明の概要を説明する。図２４は、本発明の営業活動支援システムの概要を示すブロック図である。図２４に示す営業活動支援システム５００は、予測部５０１を備える。

予測部５０１（例えば、予測部１３）は、ユーザの営業活動における所定の目的の成否と、目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する。

このような構成により、例えば、相手先候補に対する予測結果を利用して営業活動を行うことによって、営業活動の効率化をバランスよく、例えば、ハイパフォーマンス層の負担軽減とローパフォーマンス層の稼働率の向上をともに実現できるので、より効果的な支援を行うことができる。

なお、上記の各実施形態は以下の付記のようにも記載できる。

（付記１）ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する予測部を備えることを特徴とする営業活動支援システム。

（付記２）訓練データを記憶するための訓練データ記憶部と、訓練データを用いて、予測モデルを学習するモデル学習部とを備える付記１に記載の営業活動支援システム。

（付記３）予測部による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する出力部とを備える付記１または付記２に記載の営業活動支援システム。

（付記４）訓練データを記憶するための訓練データ記憶部と、訓練データを用いて、予測モデルを学習するモデル学習部と、予測部による予測の結果に基づいて、営業活動の優先順位が付けられたまたは営業活動の優先度を含む相手先候補の情報を出力する出力部とを備える付記１に記載の営業活動支援システム。

（付記５）モデル学習部は、機械学習により目的の成否に対する複数の変数の各々の寄与度を特定可能な学習器を利用して、予測モデルを学習し、予測部は、営業活動の相手先候補に関する情報と、予測モデルとに基づいて、相手先候補における目的の成功確率を予測するとともに、成功確率の導出に用いられた複数の変数の各々の寄与度を取得し、出力部は、成功確率が所定の条件を満たす相手先候補のリストであって、成功確率が高い相手先候補ほど優先されており、かつ相手先候補に関する情報と、順位または優先度の根拠を示す情報として、当該相手先候補の成功確率への寄与度が大きい変数に関する情報とが関連付けられたリストを出力する付記４に記載の営業活動支援システム。

（付記６）予測モデルが、場合分け付き判別モデルであり、予測部は、営業活動の相手先候補に関する情報と、予測モデルとに基づいて、相手先候補における目的の成功確率を予測するとともに、成功確率の導出に用いられた場合分け条件および複数の変数の各々の寄与度を取得し、出力部は、成功確率が所定の条件を満たす相手先候補のリストであって、成功確率が高い相手先候補ほど優先されており、かつ相手先候補に関する情報と、順位または優先度の根拠を示す情報として、当該相手先候補の成功確率への寄与度が大きい変数に関する情報であって場合分け条件により分類された情報とが関連付けられたリストを出力する付記４または付記５に記載の営業活動支援システム。

（付記７）モデル学習部は、スパース性および正則化のうち少なくともいずれかを制約に用いて、予測モデルを学習する付記２、４－６のうちのいずれかに記載の営業活動支援システム。

（付記８）出力部は、営業活動を行う人ごとに、リストを作成して出力する付記３から付記７のうちのいずれかに記載の営業活動支援システム。

（付記９）訓練データの複数の変数には、目的のための営業活動を行った人の特徴を示す変数が含まれ、予測部は、営業活動の相手先候補に関する情報と、営業活動を行う人に関する情報と、予測モデルとに基づいて、営業活動を行う人ごとの相手先候補における目的の成否および成功確率の少なくともいずれかを予測する付記８に記載の営業活動支援システム。

（付記１０）営業活動の結果と、予測された目的の成否および成功確率の少なくともいずれかとを関連付けて記憶する記憶部を備える付記１から付記９のうちのいずれかに記載の営業活動支援システム。

（付記１１）営業活動の結果からリストの効果を検証し、検証結果を出力する評価部を備える付記１０に記載の営業活動支援システム。

（付記１２）評価部は、営業活動の結果と、営業活動を行った人に関する情報とに基づいて、営業活動を行った人の属性ごとにリストの効果を評価する付記１１に記載の営業活動支援システム。

（付記１３）訓練データを作成する訓練データ作成部を備え、訓練データ作成部は、営業活動の結果に基づいて、訓練データを更新する付記１０から付記１２のうちのいずれかに記載の営業活動支援システム。

（付記１４）ユーザが保有している情報を取得するユーザ保有情報取得部と、入力された情報から、訓練データを作成する訓練データ作成部とを備え、訓練データ作成部は、予め定められた訓練データのデータ構造に基づいて、入力された情報から所定の特徴量を選択もしくは新たに抽出して、訓練データを作成する付記１から付記１２のうちのいずれかに記載の営業活動支援システム。

（付記１５）ユーザ保有情報取得部は、ユーザが保有している情報として、ユーザが取り扱う商品もしくはサービスの契約に関する情報と、顧客に関する情報と、商品もしくはサービスに関する情報とを少なくとも取得し、訓練データ作成部は、取得された情報に基づいて、目的の成否と成否に関連する複数の変数とからなるデータの集合を構築し、構築されたデータの集合に対して、項目の追加、データの補完、データの加工、データの無効化およびデータの削除のうち少なくともいずれかを行って訓練データを作成する付記１４に記載の営業活動支援システム。

（付記１６）情報処理装置が、ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測することを特徴とする営業活動支援方法。

（付記１７）コンピュータに、ユーザの営業活動における所定の目的の成否と該目的の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて学習された、目的の成否が未知の変数の組み合わせに対して目的の成否および成功確率のうち少なくともいずれかを予測するための予測モデルと、営業活動の相手先候補に関する情報とに基づいて、相手先候補における目的の成否および成功確率のうち少なくともいずれかを予測する処理を実行させるための営業活動支援プログラム。

以上、本実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

本発明は、営業活動を行うユーザであれば、どのような業種、目的であっても好適に適用可能である。

１１ データ記憶部
１２ 学習部
１３ 予測部
１４ 出力部
１５ ユーザ保有情報取得部
１６ データ検証加工部
１６１ 訓練データ作成部
１６２ 予測対象データセット作成部
１６３ 効果検証部
１０００ コンピュータ
１００１ ＣＰＵ
１００２ 主記憶装置
１００３ 補助記憶装置
１００４ インタフェース
１００５ ディスプレイ装置
１００６ 入力デバイス
５００ 営業活動支援システム
５０１ 予測部

Claims (8)

1. ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測する予測部と、
   前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得する取得部と、
   前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力する出力部と、を備え、
   前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
   前記顧客接点情報は、面談日時を含む
   営業活動支援システム。
2. 前記出力部は、前記優先度の根拠を示す情報を所定の条件に従って異なる表示態様で出力する
   請求項１に記載の営業活動支援システム。
3. 前記出力部は、前記営業活動を行う人ごとに、前記相手先候補に関する情報と、前記根拠を示す情報と、を関連付けて出力する
   請求項１または２に記載の営業活動支援システム。
4. 前記訓練データの複数の前記変数には、前記営業活動を行う人の特徴を示す変数が含まれ、
   前記予測部は、前記相手先候補に関する情報と、前記営業活動を行う人に関する情報と、前記予測モデルとに基づいて、前記営業活動を行う人ごとの前記相手先候補における前記契約の成功確率を予測する
   請求項１から請求項３のうちのいずれかに記載の営業活動支援システム。
5. 前記顧客接点情報を含む、ユーザが保有しているユーザ保有情報を取得するユーザ保有情報取得部と、
   前記ユーザ保有情報に基づいて前記訓練データを生成する訓練データ生成部とを備え、
   前記訓練データ生成部は、予め定められた訓練データのデータ構造に基づいて、前記ユーザ保有情報から所定の特徴量を選択もしくは新たに抽出して、前記訓練データを生成する
   請求項１から請求項４のうちのいずれかに記載の営業活動支援システム。
6. 前記ユーザ保有情報取得部は、前記ユーザ保有情報として、ユーザが取り扱う商品もしくはサービスの契約に関する情報と、顧客に関する情報と、前記商品もしくは前記サービスに関する情報とを少なくとも取得する
   請求項５に記載の営業活動支援システム。
7. コンピュータが、
   ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測し、
   前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得し、
   前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力し、
   前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
   前記顧客接点情報は、面談日時を含む
   営業活動支援方法。
8. コンピュータに、
   ユーザが提供する商品またはサービスの契約の成否と前記契約の成否に相関し得る複数の変数とが関連付けされたデータの集合である訓練データを用いて機械学習された、前記契約の成否が未知の前記変数の組み合わせに対して前記契約の成功確率を予測するための予測モデルと、前記ユーザの営業活動の相手先候補に関する情報とに基づいて、前記相手先候補における前記契約の成功確率を予測する処理と、
   前記予測モデルに基づいて特定される、前記成功確率に対する前記変数の各々の寄与度を取得する処理と、
   前記相手先候補に関する情報と、前記寄与度に基づいて特定される、前記営業活動の優先度の根拠を示す情報と、を関連付けて出力する処理と、を実行させ、
   前記訓練データは、前記ユーザにおける顧客との接点に関する情報である顧客接点情報を含む情報に基づいて生成され、
   前記顧客接点情報は、面談日時を含む
   営業活動支援プログラム。

Images