製品
ノーコードでの設定から、状況に応じて変化する対話練習、精密な診断、データダッシュボードまでをひと続きにつないだ、再現性の高い練習の全体像を示すイラストです。

営業の育成に施策を足しても現場が変わらない理由

営業の育成として研修の回数を増やし、教材も作り直したのに、現場の商談は以前とほとんど変わっていない、という状態にある組織があります。手を入れた先が、もともと形になっていた領域に偏っていたのかもしれません。育成が扱う対象を層に分けて並べ直すと、手つかずのまま残っている場所が見えてくるのです。

施策を足しても商談が変わらないのはなぜか

測れる層にだけ手が入っています

営業の育成が扱う対象は、大きく四つの層に分かれます。商品や制度についての知識、決まった手順としての進め方、相手の反応に応じて変わる対話、そして案件ごとに下す判断です。このうち知識と手順の二つは、資料に落とせます。確認テストで到達度も測れるため、教材を改訂する、eラーニングを追加する、といった手も打ちやすくなります。人材育成の担当者が最初に着手するのも、たいていこの二つです。一方、相手の反応に応じて変わる対話の層は、資料に落とせません。案件ごとの判断も同じです。到達したかどうかを確かめる手段がないため、施策の対象として議題に上がりにくく、結果として空白のまま残ります。施策を足しても現場の商談が変わらないとすれば、すでに形になっている層ばかりを厚くしているからなのです。

テストの点数と商談結果がずれます

商品知識の確認テストは全員が合格しているのに、同行した商談では、価格の話が出た途端に説明が止まってしまう場面があります。人材育成の担当者なら、この落差に心当たりがあるはずです。テストが測るのは知識の層であり、価格を出された瞬間の受け答えは別の層に属します。合格率の高さは、対話の層について何も語っていないと言えます。

どの層に、どの手段が要るのか

育成の対象を洗い出す

いま動いている施策が四つの層のどこに当たるかを、一つずつ並べてみます。研修、教材、確認テスト、同行。この作業だけで、施策が知識と手順に集中していることが見えてきます。

測る手段の有無を分ける

層ごとに、到達度を確かめる手段があるかを分けます。知識と手順には確認テストがあります。対話と判断には、同行したマネージャーの印象しか残っていないことが多いはずです。

人が担う層を決める

道具で埋められる層と、人が担い続ける層を切り分けます。相手の反応に応じた対話は、練習の回数を重ねられる環境があれば埋められます。案件ごとの判断は、背景を知る人の指導が引き続き必要です。

対話の層も、練習の対象にできます

職種や性格、話し方、背景を自由に設定でき、懐疑的な顧客や無関心な顧客など複数の顧客像を同時に用意できる、多面的なAI顧客ペルソナの設定画面です。

反応が変わるAI顧客との対話

UMU AIロープレを活用することで、AIが顧客役を担います。職種や性格、話し方の異なる顧客像を複数設定でき、担当者の話し方に応じて相手の出方も変わります。資料には落とせなかった対話の層を、練習として扱えるようになるのです。

印象で語っていた部分を、数値で示せます

キーワードの一致だけで評価するのではなく、企業が定めた商談プロセスと段階ごとの評価基準に基づいて、実際の商談での進め方を精密に見極めるAI評価エンジンの画面です。

プロセス別の評価レポート

練習が終わると、導入トーク、ヒアリング、情報提供、異議対応といったプロセスごとに、スコアと改善点が出ます。評価の基準は、自社の商談プロセスに合わせて設定できます。印象で語るしかなかった層について、人材育成の担当者が数値で状況を説明できるようになります。

人が担う指導に、材料がそろいます

段階別や異議のタイプ別にチームの練習データを集約し、組織全体の課題をひと目で把握して、指導の判断をデータで裏づけられるチーム能力診断ダッシュボードです。

チーム課題が見えるダッシュボード

AIが担うのは、反復練習と評価の標準化です。目標設定や動機づけ、案件ごとの判断への助言は、引き続きマネージャーの役割になります。ダッシュボードには段階別の状況が集まるため、L&D部門は個人の課題と組織全体の課題を切り分けたうえで、誰に何を指導するかを判断できます。

対話の層を埋めた企業の取り組み

体外診断分野の大手企業

体外診断分野のリーディングカンパニーが、AIによる練習で医療機器チームの製品説明力と臨床コミュニケーション力を高めた導入事例のイラストです。

体外診断分野のグローバル大手企業では、5名の研修担当者が1,500名を受け持ち、対話力の認定は四半期に1回に限られていました(出典:導入企業へのヒアリング)。

そこでUMU AIロープレを活用し、自社が定めた5つの商談プロセスに沿って、準備ができた人から随時認定を受けられる体制を整えました。

その結果、認定通過者の実訪問における成約率が22.4%向上しました(出典:導入企業へのヒアリング)。

日本大手の医薬品メーカー

製薬分野の世界トップクラス企業で、営業チームのマネージャーがAIシミュレーションを活用し、1on1のコーチング力を高めた導入事例のイラストです。

日本大手の医薬品メーカーでは、新任チームリーダー約100名が、コーチングを学んでも1on1で使いこなせない状態でした(出典:導入企業へのヒアリング)。

そこでUMU AIロープレを活用し、1on1で必要になるコーチングの型を、全3セッションに分けて繰り返し練習しました。

その結果、第3セッション時点でコーチングを実践した割合が98.1%に達しました(出典:導入企業へのヒアリング)。人が担う指導そのものが動いた事例と言えます。

資料をダウンロード 導入について相談する

UMUが選ばれる理由

28,000社突破
国内導入企業
1億人超
世界203カ国でユーザー
100社が導入
Fortune 500企業
約5,000製品中で1位
ITreview Best Software in Japan 2022
UMUとは
2015年に設立されたグローバルAIソリューションカンパニーです。AIを活用したオンライン学習プラットフォーム「UMU」を核に、学術的な根拠に基づいた実践型AIリテラシー学習プログラム「UMU AILIT(ユーム エーアイリット)」、セールスイネーブルメントソリューション「UMU AIロープレ」などの提供により、AI時代の企業や組織における学習文化の醸成とパフォーマンス向上を支援しています。
導入実績
業界トップクラスの生命保険会社・電機メーカー・製薬会社など、日本を代表する大企業が導入
製薬、金融・保険、製造、小売など幅広い業界で活用
従業員1,000名以上の大企業を中心に、営業教育や新入社員研修で導入が拡大
導入事例インタビューを公式サイトで多数公開
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策
SOC 3:トラストサービス規準報告書
ISO/IEC 27018:クラウドサービス上における個人情報セキュリティに関する国際規格
ISO/IEC 27701:プライバシー情報マネジメントシステム (PIMS)
GDPR:EU一般データ保護規則
HIPAA:医療保険の相互運用性と説明責任に関する法律
ISO/IEC 42001:人工知能マネジメントシステム (AIMS)
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
企業データの外部共有・AI再学習への利用なし
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