製品
業績が伸び悩むなか、経営会議で停滞した数字を前に表情を曇らせる営業チームのシーンです。

営業の売上が上がらない原因は、努力より再現性にあります

営業の売上が上がらないとき、多くの組織はまず訪問件数や提案数を増やそうとします。とはいえ、数字が動かない要因は活動量だけではありません。成果を出す担当者の商談の進め方を、チーム全体で再現できていない場合が少なくないのです。個人の頑張りに依存した売上構造を見直す視点を整理します。

UMUの取り組みを詳しく知る

売上が動かない場所は、商談プロセスの中

失速している商談段階

数字が伸び悩むと、訪問や提案の件数を増やす対応がまず思い浮かびます。ただ、各段階の勝率が変わらないままでは、活動量を積み増しても総量はなかなか動かないのです。着目すべきは、商談が勢いを失う段階です。ヒアリングから提案、提案から受注へと移る場面のどこで止まっているのかを見極めることが、停滞を解く起点になります。

成果が一部に偏る売上構造

チームの売上は、担当者一人ひとりの成果の合計です。総量が横ばいに見えても、その内訳には大きなばらつきが隠れていると言えます。一部のトップ層が数字を支え、中間層は伸び悩んだままという構図も珍しくありません。人ごとに数字を分解すると、停滞が中間層に集まっている様子が見えてきます。

成果が個人に閉じてしまう理由

顧客からの鋭い質問に言葉が詰まり、準備不足のまま商談に臨んだ営業担当者が固まっているシーンです。

言語化されないトップの型

一部の担当者が数字を支えられるのは、相手の反応を読み、次の一手を選ぶ判断力が高いからです。ところが、その判断は資料に書き起こしても共有会で語っても、他の担当者にはうまく伝わりません。後進に伝わるのは言葉の順序までで、間の取り方や切り返しの勘どころまでは受け継がれにくいものです。トップと中間層の差が開いたままになるのは、このためなのです。

知識と実践の隔たり

担当者は製品を学び、話法も覚えています。それでも、顧客に価格で押し返されたり相手が沈黙したりする場面では、用意した答えがとっさには出てこないものです。知識が使える状態になるのは、本番に近い緊張感の中で繰り返し試したときです。その経験がないと、振り返りは記録にはなっても、とっさに動ける力までは育ちにくいといえます。

育成を人手に頼る限界

コーチング依頼や評価シートに埋もれ、対応しきれずに疲弊しているマネージャーのシーンです。

マネージャーが見られる人数の限界

差を埋めようとすれば、まずマネージャーによるコーチングやロールプレイが浮かびます。しかし、一対一の指導は一度に一人しか見られず、指導に時間を割くほど自身の商談の時間は減っていきます。チームが増員や拠点展開で広がるほど、見られる人数は限られ、中間層は順番待ちのまま、練習の機会を十分に得られなくなるのです。

感覚に頼る講評の限界

練習の場を設けても、同僚やマネージャーが相手では遠慮が働き、本番の緊張感までは再現しきれません。講評も「全体的によかった」「もう少し自然に」で終わりがちで、担当者は何をどう直せばよいのかをつかめません。誰がどの段階でつまずくのかを共通の記録として残せないかぎり、指導は印象に頼ったままになりやすいと言えます。

AIとの実践練習が変える育成の形

本番に近い場面を、何度でも

AIシミュレーションロールプレイを使うと、担当者は商談の分かれ目となる場面を何度でも試せます。価格への反論、競合との比較、顧客の沈黙といった場面も、順番待ちなしにモバイルからいつでも練習できます。AIが実際の顧客のように反応するため、練習は本番の緊張感に近づき、覚えた知識がとっさに動ける反応へと育っていくと考えられます。

チーム共通の評価基準

AIが会話の段階ごとに同じ基準で採点するため、「誰がどこでつまずくか」が、印象に頼らずデータとして表れるのです。トップ層の勝ち筋を共通の評価基準に設定しておけば、チーム全体が同じものさしで練習し、評価を受けられます。ここでAIが担うのは反復練習と基準の統一までであり、目標設定や動機づけは引き続きマネージャーの役割です。

商談の場面別に見るAI練習の効果

各拠点に分散した多くの営業担当者が、AIを相手に同時に高品質な練習へ取り組んでいるシーンです。

新任担当者の立ち上がり

配属されたばかりの担当者が、顧客を任される前の数週間で、AIの顧客を相手に開始からヒアリングまでを毎日練習し、流れが自然になるまで繰り返します。マネージャーは段階別のスコアを見てから短い面談に臨むため、立ち上がりは順番待ちではなくデータに沿って進むと言えます。顧客対応に入れるまでの期間を、より短く保ちやすくなります。

重点商材の一斉展開

新商材やキャンペーンを控えた時期に、チーム全員が同じAIシナリオで、重点メッセージと手ごわい競合反論を一斉に練習します。マネージャーはチームの状況から、まだ基準に届かない段階を見つけ、そこに絞って指導できます。現場は準備のばらつきを抱えたまま本番に入らず、一定の水準で重点商材を語れる状態で臨めるようになるのです。

まとめ

停滞が起きている場所の特定

売上が伸び悩むとき、活動量を増やすだけでは数字はなかなか動きません。どの商談段階で勢いを失い、どの層が停滞しているのか。まず場所を特定し、数字を担当者ごとの積み上げとして読むことが出発点になります。

成果が個人に閉じる構造

一部のトップ層が数字を支える背景には、勝ち筋が暗黙知のままで共有されない事情と、知識が本番でとっさに出てこない状態があります。人手のコーチングだけに頼ると、目が届く人数にも限りが生まれます。

練習の設計の見直し

AIを活用した練習は、商談の分かれ目を繰り返し試し、誰がどこでつまずくかを共通の基準で可視化します。担うのは反復と評価の統一までで、目標や動機づけは人の役割として残ります。練習の設計を見直すことが、動かない数字を動かす起点になるのです。

UMUが選ばれる理由

1,000社突破
導入企業数
1億人超
ユーザー数
208以上
対応エリア
100社突破
Fortune 500企業導入
UMUとは
2015年の設立以来、10年以上にわたりエビデンスに基づく「学習の科学」に特化
ATDをはじめとする世界的な専門機関と連携し、学習の科学の知見をビジネス現場に実装
導入実績
世界トップ20製薬企業のうち18社
世界トップ5医療機器メーカーのうち4社
国内トップ5製薬企業のうち4社
国内トップ5保険会社のうち4社
国内人気企業ランキングTOP20の半数近くが導入
セキュリティ・コンプライアンス
ISO/IEC 27001:情報セキュリティマネジメントシステム (ISMS) の国際規格
ISO/IEC 27017:クラウドサービスに関する情報セキュリティ管理の国際規格
SOC 3:セキュリティ・可用性に関する第三者監査報告書
ISO/IEC 27018:クラウド上の個人情報保護に関する国際標準
ISO/IEC 27701:プライバシー情報管理に関する拡張標準
GDPR:EU一般データ保護規則
HIPAA:米国の医療情報保護に関する連邦法
ISO/IEC 42001:AIマネジメントに関する国際標準
AI活用基盤
最新のエンタープライズ向けAIモデルを採用
企業データの漏洩・再学習ゼロ
エンタープライズ水準の高度なAIカスタマイズ
ハルシネーションのリスクを効果的に低減
多様なデータに対応し、実務での活用を支援
資料をダウンロード