営業マン必見｜営業が止まっている場所を、AIで見つける。
前回、
「AIを導入しても、営業成果が変わらない理由」
について書いた。
そこで、
営業を一つの仕事として見るのではなく、
アプローチ
↓
返信
↓
アポ
↓
商談
↓
提案
↓
成約
という流れに分解してみる。
という話をした。
今回は、
その続きをもう少し具体的に考えてみたい。
「売れない」だけでは何も分からない
営業で、
「最近、全然売れない」
という話はよくある。
でも、
なぜ売れないのか？
と聞かれると、
意外と答えられない。
アポが取れないのか。
商談から提案につながらないのか。
提案しても失注するのか。
そもそも、
アプローチしている相手が違うのか。
「売れない」という結果だけでは、
原因が見えない。
だから最初に、
営業を分解する。
例えば、こんな数字だったとする
1か月で、
アプローチ：200件
返信：40件
アポ：20件
商談：18件
提案：12件
成約：2件
だったとする。
この数字を見て、
「成約率が低い」
と考えることはできる。
でも、
それだけでは足りない。
例えば、
アポまでは順調なのに、
商談後に急激に数字が落ちているなら、
商談の進め方。
提案内容。
価格。
競合。
決裁者へのアプローチ。
など、
いろいろな可能性がある。
そこでAIに「分析」させる
ここでAIを使う。
ただし、
「どうすればもっと売れますか？」
とは聞かない。
例えば、
「以下の営業データを整理して、
各段階の転換率を計算してください。
そのうえで、
数字が大きく落ちている箇所を特定してください。
ただし、原因は断定せず、
考えられる仮説を複数挙げてください。」
こういう聞き方をする。
すると、
「ここで数字が落ちています」
という事実と、
「原因として考えられること」
を分けて考えられる。
この違いは大きい。
「数字」と「原因」を混ぜない
AIを使うときに、
ここはかなり意識したい。
例えば、
「提案から成約への転換率が低い」
これは数字から確認できる。
でも、
「提案内容が悪い」
は別の話。
まだ仮説でしかない。
もしかすると、
価格が合わない。
競合に負けている。
決裁者が商談に参加していない。
導入時期が合わない。
顧客側の優先順位が低い。
という可能性もある。
だから、
事実
↓
仮説
↓
検証
という順番で考える。
AIには、
この整理を手伝ってもらう。
さらに「失注理由」を並べてみる
営業データを見るとき、
数字だけでは分からないこともある。
そこで、
失注した案件を並べてみる。
例えば、
A社：価格
B社：競合
C社：時期
D社：価格
E社：決裁者不在
F社：価格
となっていたとする。
これを見れば、
「価格による失注が多い」
という傾向が見えてくる。
ここでも、
「だから価格を下げよう」
とすぐに結論を出す必要はない。
むしろ、
「価格が問題になっている案件には、
どんな共通点がある？」
と考える。
顧客規模なのか。
業界なのか。
提案内容なのか。
競合なのか。
導入効果を十分に説明できていないのか。
ここからさらに掘っていく。
AIには「比較」をさせる
AIを営業分析に使うなら、
個別案件だけを見るより、
複数案件を比較させる方が面白い。
例えば、
受注した案件10件
失注した案件20件
を並べる。
そして、
「受注案件と失注案件で、
共通している特徴と異なる特徴を整理してください。」
と聞く。
すると、
業界。
企業規模。
商談回数。
提案内容。
決裁者との接触。
失注理由。
など、
比較できる項目が出てくる。
もちろん、
AIの分析がそのまま正解とは限らない。
でも、
「人間だけでは見落としていたかもしれない比較軸」
を出してもらう。
これはAIの使い方として面白い。
営業会議も変わるかもしれない
こうやって営業データを整理すると、
「今月は頑張りましょう」
だけの営業会議から、
「どこで数字が落ちているのか」
を話す会議に変えられる。
例えば、
「アポ率は問題ない」
「商談から提案への転換率が落ちている」
「失注理由では価格が増えている」
「価格失注は特定の業界に集中している」
ここまで整理されていれば、
次に何を検証するのかを
考えやすくなる。
AIが営業会議をするわけではない。
営業が考えるための材料を、
整理してくれる。
「営業が苦手」ではなく「ボトルネックがある」
営業成績が悪いと、
「自分は営業が向いていない」
と考えてしまうこともある。
でも、
営業という仕事は、
いくつもの工程でできている。
だから、
「営業が苦手」
という一言で片付ける前に、
どの工程で止まっているのか？
を見た方がいい。
アポなのか。
商談なのか。
提案なのか。
成約なのか。
失注後の改善なのか。
場所が分かれば、
打ち手も変わる。
AIに「営業を改善して」と言う前に
AIに、
「営業成績を上げる方法を教えて」
と聞けば、
それらしい答えは返ってくる。
でも、
自分の営業データを何も渡していなければ、
それは自分の営業を改善する答えではなく、
一般論になりやすい。
だから、
自分の数字。
案件情報。
顧客の反応。
失注理由。
商談内容。
こうした情報を整理する。
そのうえで、
「どこに問題がありそうか？」
を考える。
ここから、
AIの価値が変わってくる。
まずは10件でいい
いきなり過去1年分を分析する必要はない。
まずは、
最近の受注案件。
最近の失注案件。
合わせて10件程度でもいい。
それぞれについて、
・業界
・企業規模
・アポ経路
・商談回数
・提案内容
・結果
・失注理由
・顧客から言われたこと
などを整理してみる。
そしてAIに、
「この10件を比較して、
共通点と違いを整理してください。」
と聞いてみる。
それだけでも、
「今まで感覚で考えていた営業」
を少し違う角度から見られるようになる。
AIは、
「売れる答え」を持っている魔法の道具ではない。
でも、
大量の営業情報を整理する。
案件同士を比較する。
数字の変化を見る。
仮説を出す。
見落としていた視点を探す。
こういうことには使える。
だから、
営業をAI化する。
というより、
AIを使って、
自分の営業を客観的に見る。
まずはここからでもいい。
そして、
ボトルネックが見つかったら、
次に考えるのは、
「じゃあ、その場所をどう改善するか？」
になる。
営業×AIで本当に面白いのは、
むしろここからだと思う。
