データ分析をビジネスに活かす！データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ～不揃いのデータとの格闘～
•
1 gefällt mir•808 views
さまざまな形態で膨大なデータを蓄積してきた今こそ、営業利益の向上、在庫予測、生産性管理など、あらゆる分野において、データ活用が期待されています。しかしながら、いざ分析に着手しようとすると、どのようなデータをどのように活用してよいのか悩むと同時に、データは点在し、分析に使える形で存在などしていない場合が多いのが現状です。そこで、NTTソフトウェアイノベーションセンタで推進している、データが持つ付加価値を導き出すためのコンサル活動と最適な学習モデルを自動で導き出すツールRakuDAの併用による具体的なデータ活用事例を紹介します。
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie データ分析をビジネスに活かす！データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ～不揃いのデータとの格闘～
Ähnlich wie データ分析をビジネスに活かす！データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ～不揃いのデータとの格闘～ (20)
Mehr von NTT Software Innovation Center
Mehr von NTT Software Innovation Center (20)
データ分析をビジネスに活かす！データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ～不揃いのデータとの格闘～
- 1. データ分析をビジネスに活かす！ データ創出・活用から、分析、課題解決までの DX時代のデータ活用事例のご紹介 ～不揃いのデータとの格闘～ 日本電信電話株式会社 ソフトウェアイノベーションセンタ 第二推進プロジェクト 石井方邦 (Masakuni Ishii) 槇俊孝 (Toshitaka Maki) Copyright(c)2019 NTT Corp. All Rights Reserved.
- 3. 3 NTT西日本ビジネスフロント株式会社の事例 • 目的：中堅中小の法人営業に対する既存データを利用した利益（受注率）の向上 • モチベーション：データ分析により属人的な業務プロセスやノウハウを顕在化させ、 効率的な営業活動により利益を向上したい • 利用データ：営業データ（昨年度） 営業データｘコールデータ（今年度） ・・・ 顧客情報 応対メモ 電話応対 履歴 受注情報 営業データ ・・・ 業務 プロセス ・・・ 業務 ノウハウ 知見 知見 獲得 データ 可視化 ® 顧客 ID 受注 確度 推奨商品 … 5000 8% 光回線 8000 88% 光回線, 電話 ⋮ ⋮ ⋮ 1000 33% VPN 優先顧客リスト モデル構築 受注予測 昨年度フィールドトライアル：リスト対象顧客の受注率は従来の1.46倍に向上 コールデータ ✖ ※東海支店での実施結果
- 4. 4 プロジェクトの進め方 STEP1 問題定義 STEP2 データ分析 STEP3 業務への適用 以下のSTEPでプロジェクトを推進しています お悩み相談 問題設定 解決策の検討 データ収集・クレンジング 付加価値データ生成 モデル構築 業務検証 最適化 業務導入支援 ®
- 5. 5 プロジェクトの進め方 STEP1 問題定義 STEP2 データ分析 STEP3 業務への適用 以下のSTEPでプロジェクトを推進しています お悩み相談 問題設定 解決策の検討 データ収集・クレンジング 付加価値データ生成 モデル構築 業務検証 最適化 業務導入支援 ®
- 6. 6 STEP1. 問題定義（営業プロセスの紐付けと課題抽出） • コールセンタ（アウトバウンド）→取次→営業訪問のプロセスを数値で可視化 • コールから受失注までの一連のプロセスを数値で俯瞰可能とし、潜在的な課題抽出を実現 業界の動向等（補助金等）を見ながら 業種を特定し経験でターゲット選定 各営業担当者の経験により 営業活動を実施 顧客リスト 中小中堅顧客リスト中およそ25%の顧客にコール 接点確立 案件発掘 提案可能 取次 リスト 営業担当者 ヒアリング 営業担当者 訪問提案 受注 （または失注） 取次 有効コールは 全体の約30% ※有効コール＝担当者と会話できたコール 30%の受注率 取次率 20％ 定量的にわかった事実： 通常の営業訪問に比べ、取次後の営業 訪問の受注率はおよそ３倍程度高い 通常の受注率：約10% コール センタ 営業
- 7. 7 STEP1. 問題定義（解決策の検討） コール センタ 営業有望顧客リストに対してトークス クリプトを使ったテレマ実施 お客様のニーズとタイミングに 合わせた訪問営業を実施 顧客リスト 接点確立 案件発掘 提案可能 取次 リスト 営業担当者 ヒアリング 営業担当者 訪問提案 受注 （または失注） 取次 • コールから受注までのデータを分析し機械学習を利用し有望顧客リストを生成 • 受注動機を分析しニーズを引き出すトークスクリプトを作成 ◆受注確率が高い顧客のコールリストを作成 ◆各顧客の適切なコール時間帯を選定 ◆ニーズを踏まえたトークスクリプト作成 ®【目標】有望顧客の取次率の改善 ◆受注につながる有望顧客リスト作成 ◆受注に繋がる提案スクリプト作成 【目標】取次顧客の受注率向上 局所的な施策ではなく、営業活動全体を鑑みて営業の質を高める ®
- 8. 8 プロジェクトの進め方 STEP1 問題定義 STEP2 データ分析 STEP3 業務への適用 以下のSTEPでプロジェクトを推進しています お悩み相談 問題設定 解決策の検討 データ収集・クレンジング 付加価値データ生成 モデル構築 業務検証 最適化 業務導入支援 ®
- 9. 9 STEP2. データ分析（データ収集・クレンジング） コール日報 各データベースに点在するデータをクレジングし、ルールベースで変換／結合する ことでこれまでにできなかったコールから受注までの横断的分析を実現 受注商品提案商品取次商品 営業DB 社員 情報顧客情報 日報 情報 受注 履歴 コールDB DBごとに商品の命名規則が異なるため名寄せしないと商品分析ができない 取次 営業日報 受注明細 一貫した案件IDが無いため日時より類推してIDを付与しないとコールから受注までの関係分析ができない オペレータマスタ 営業担当者マスタ 顧客リスト 顧客マスタ帝国DB 顧客名や電話番号を利用して紐付けしないと多角的な顧客分析ができない 具体事例を紹介致します 応対 メモ コール日報 取次 情報
- 10. 案件ID付与の課題 ⁃ コールデータ・営業データが案件単位で管理されていない ▹ どのような経緯で現在の顧客ステータスに至ったのか分かりにくい ▹ 案件単位で営業活動の評価ができない ⁃ 各データ保持者ごとに案件の考え方が異なる ▹ 一定期間、営業活動を実施していない場合は案件終了等 解決策 ⁃ 営業プロセスを理解しデータ分析を通じて案件紐付けの ルールを検討し各データ保持者にヒアリング ⁃ ルールに基づくデータ分析結果を共有ながら 検証・ヒアリング（複数回実施）を行い合意 10 具体例）一貫した案件IDの付与 紐付けルールのコード化よりも、そこに至るまでのルール検討/合意が最も重要で あり、特に時間を要する
- 11. 11 具体例）実際の案件ID付与の考え方 •接点確立 •キーマン獲得 1次応対 •ニーズ発掘 •月次発掘 2次応対 •個別SL対応 •案件醸成 3次応対 •アプローチ •ヒアリング 訪問 •提案 •クロージング 再訪問 ¥ コール データ 営業 データ 1次応対 1次応対 見送り顧客A ¥1次応対 2次応対 3次応対顧客B ¥アプローチ ヒアリング顧客B 顧客C 受注・・・ ¥アプローチ ヒアリング 見送り・・・ 時間軸 各データの案件化 各データの案件化 案件の紐付け • 時系列を考慮して点 在するデータを案件 単位で集約 • 各データ保持者間で 案件IDの紐付けルー ルを検討・分析結果 を確認し合意 取次 営業プロセスの理解 紐付け・検証
- 13. 13 STEP2. データ分析（付加価値データ生成） 商品 社員 訪問日報 コール日報 商品名 価格 販売商品 営業レベル 入社年度 粗利 契約形態販売実績 見込情報 応対方法 受注日 受注額 粗利・手数料 受注個数 月額 受注商品 応対時間 応対者 応対メモ 導入商品ヒアリング結果 応対顧客 応対日時 職能偏差値 応対結果 対応者 取次商品 応対メモ 対応者 提案商品応対顧客 訪問結果 実績日 使用ツール 見込区分 営業 データベース 商品種別 受注日 顧客 住所 拠点区分 規模区分 顧客名 契約商品 業種 新規フラグ リプレースフラグ 日時・顧客ID ・商品名より 受注歴から 新規/リプレース を類推 購入動機 応対メモと受注履歴より 購入動機（ニーズ）を抽出 データ分析やヒアリングを通じて得た知見や外部データを付加価値として追加 付加価値を追加 ➡ 多角的な分析が可能 ➡ 営業現場を深く考慮することが可能 ➡ 精度向上 受注歴
- 14. 14 STEP2. データ分析（付加価値データ生成） 顧客 受注歴 商品 社員 訪問日報 コール日報 住所 拠点区分 規模区分 顧客名 契約商品 商品名 価格 販売商品 営業レベル 入社年度 粗利 契約形態販売実績 見込情報 応対方法 受注日 受注額 粗利・手数料 受注個数 月額 受注商品 応対時間 応対者 応対メモ 導入商品ヒアリング結果 応対顧客 応対日時 職能偏差値 応対結果 対応者 取次商品 応対メモ 対応者 提案商品応対顧客 訪問結果 実績日 使用ツール 見込区分 営業 データベース ® 商品種別 データ分析やヒアリングを通じて得た知見や外部データを付加価値として追加 付加価値を追加 ➡ 多角的な分析が可能 ➡ 営業現場を深く考慮することが可能 ➡ 精度向上 帝国DB 資本金 従業員数 事業所数 ランキング 売上推移 利益推移 業種 業種クラスタ 新規フラグ リプレースフラグ 受注率 取次率 オペレータクラスタ 購入動機 業種別ニーズ 営業偏差値 オペレータ偏差値 取次重要語 取次難易度 推奨日時 受注日 案件ID 案件ID 案件ID 昇進理由 真面目度 得意業種 得意商品 トレンド 共通の商品名 共通の商品名 共通の商品名 受注実績 新規顧客フラグ 法人区分受注難易度 共通の商品名 様々な付加価値を付与 するため、段階的な データ分析が不可欠 応対メモと受注履歴より 購入動機（ニーズ）を抽出 日時・顧客ID ・商品名より 受注歴から 新規/リプレース を類推
- 15. 15 具体例）付加価値データ生成のための営業データ分析例 可視化の軸を選択してデータ分析・可視化を行うことで利用すべきデータ及び追加すべ き付加価値データを見極め 顧客 商品 顧客 アクション 顧客 トーク 顧客 営業担当者 顧客属性（業種など）と 商品の受注率の分析により 顧客単位でニーズの把握と 商品推薦が可能 顧客属性（業種など）と アクション (訪問時間など) の分析により、無駄な電話 や訪問を減らすことが可能 顧客属性（業種など）と トーク（応対メモなど）の 分析により、顧客ニーズを 把握し適切なトークが可能 顧客属性（業種など）と 担当者属性 (得意商品など) の分析により、顧客と担当 者を考慮した営業が可能
- 16. 16 プロジェクトの進め方 STEP1 問題定義 STEP2 データ分析 STEP3 業務への適用 以下のSTEPでプロジェクトを推進しています お悩み相談 問題設定 解決策の検討 データ収集・クレンジング 付加価値データ生成 モデル構築 業務検証 最適化 業務導入支援 ®
- 17. 17 STEP3. 業務への適用（優先顧客訪問リストの利用） 顧客 ID 取次 判定 取次 確度 受注 判定 受注 確度 コール推奨 時間帯 ニーズ … 5000 A 84% E 8% 10-11 光回線 … 8000 E 14% C 50% 11-12 UTM, NAS … 3000 B 72% A 88% 14-15 光回線, 電話 … 9000 C 59% C 47% 9-10 ビジフォン 7000 E 15% A 90% 16-17 ビジフォン ⋮ ⋮ ⋮ 1000 D 30% D 33% 12-13 VPN … コールから受注／失注までの一連の営業プロセスを考慮することで、取次率及び受注率を 向上させながら営業活動の効率化が可能となりました 有望顧客リスト 取次の可能性は高いが受注は難しい... 取次率が高く、また、受注率も高い！ 電話せずに直接訪問した方が良いかも リストにより望ましい営業活動の判断が可能® 有望顧客 リスト 接点確立 案件発掘 提案可能 取次 リスト CA訪問 ヒアリング CA訪問 提案 受注 （または失注） 取次 有望顧客への優先的なコール実施による取次率向上 有望顧客への優先的な訪問による受注率向上
- 18. 18 さいごに STEP1 問題定義 STEP2 データ分析 STEP3 業務への適用 データ分析にご興味のある方はご相談ください 以下のSTEPにてプロジェクトを推進させて頂きます お悩み相談 問題設定 解決策の検討 データ収集・クレンジング 付加価値データ生成 モデル構築 業務検証 最適化 業務導入支援 ®