トップ営業の動きを項目に分解する｜デモのタイミングと成約率の相関を測る仕組み【AI活用検証vol.46】

「デモを見せた商談は決まりやすい」——営業の現場では感覚的に語られる話です。しかし本当にそうなのか、どのタイミングで見せるのが効くのかは、データがなければ確かめられません。

商談の質を可視化し、成約率と「実演（デモ）」「ヒアリング時間」の相関を特定する取り組みを進めています。あわせて、予約者への自動ラベル付け（HOT/COLD）や、実演時のワークフローも構築しました。

この検証の概要

本記事は自社での検証記録です。成約率の変化などの測定は行っていないため、数値は掲載していません。

結論：トップ営業の動きを項目に分解する

この取り組みの狙いは、属人的な「うまさ」を再現可能な項目に落とすことです。

具体的には、次の要素をLLMに分析させるプロンプトを構築しました。

• 商談中のヒアリング時間 — どれだけ相手の話を聞けているか
• 質問の密度 — 踏み込んだ質問ができているか
• 実演（デモ）のタイミング — いつ見せているか
• 使っているフレーズ — どんな言い回しが効いているか

「あの人はうまい」で終わらせず、何がうまいのかを分解する。分解できれば、他のメンバーにも渡せます。これが標準化の実質的な中身です。

HOT/COLDの自動ラベル付け

商談前の段階でも仕込みを入れました。予約者への自動ラベル付け（HOT/COLD）です。

すべての商談に同じ準備をするのは非効率です。温度感が事前に分かれば、力の入れどころを配分できます。これが自動で付くようになると、営業側の判断が速くなります。

実演用のワークフロー

営業実演時のMakeワークフローを構築し、動作確認まで完了しています。

デモは、その場の準備に手間がかかる工程です。ここを仕組み化しておくと、「デモを見せるかどうか」の判断に、準備コストが影響しなくなります。本来は相手にとって必要かで決めるべきものです。

土台として先に片付けたこと

分析の前段として、リスト記入に関するアラート通知とDiscordへの自動通知が安定稼働に入っています。

記入されていないデータは分析できません。「デモの有無と成約率の相関」を見ようとしても、デモの有無が記録されていなければ何も分かりません。アラートで記入漏れを防ぐことが、分析の前提になります。

横展開の検討

この仕組みの応用として、講師評価制度への横展開（n8n活用）の検討を開始しています。

「話し方を分析して、良い動きを特定する」という構造は、営業に限りません。研修講師の評価にも同じ考え方が使えます。一度作った分析の枠組みは、対象を変えて再利用できます。

よくある質問

何を分析しているのですか？

商談中のヒアリング時間、質問の密度、実演のタイミング、使っているフレーズです。これらと成約率の相関を見ることで、トップ営業の動きを再現可能な形に分解します。

HOT/COLDはどう判定していますか？

予約者への自動ラベル付けとして実装しています。事前に温度感が分かることで、商談準備の力の入れどころを配分できます。

なぜリスト記入のアラートが必要なのですか？

記入されていないデータは分析できないためです。デモの有無と成約率の相関を見ようとしても、デモの有無が記録されていなければ何も分かりません。分析の前提条件です。

成約率は上がりましたか？

この検証では成約率の測定は行っていません。現在は運用監視および高度分析のフェーズです。

まとめ

• 商談の質を可視化し、成約率と実演・ヒアリング時間の相関を特定する取り組みを推進
• ヒアリング時間、質問密度、実演タイミング、フレーズをLLMで分析するプロンプトを構築
• 予約者へのHOT/COLD自動ラベル付けで、商談準備の力の配分を可能に
• 実演用のMakeワークフローで、準備コストがデモ実施の判断に影響しない状態をつくる
• 前提としてリスト記入アラートが安定稼働。記入されないデータは分析できない
• 同じ枠組みを講師評価制度へ横展開する検討を開始

営業の標準化は「うまい人のやり方を真似る」だけでは進みません。何がうまいのかを項目に分解して、初めて渡せるものになります。

株式会社AI棒では、こうしたAI活用の検証を日々行い、企業の営業DXとAI導入を支援しています。ご相談はお問い合わせフォームから、継続的な伴走支援についてはAI参謀をご覧ください。