AI、データ活用、業務改善に関する最新情報やNexaflowの取り組みをお届けします
AIサマリー
営業KPIが達成できない原因は「時間不足」かも。Googleカレンダーを使った簡単な時間計測で、目標達成への正しい打ち手が見えてきます。すぐ実践できる方法を解説。
生成AIで生産性向上、効率化が注目されますが、空いた時間に人間は何をするのでしょうか?
意思決定、コミュニケーションです。
特に営業職においては、顧客接点の強化が求められます。

本記事の「営業職」の定義として、顧客の課題解決、その意思決定をアシストする情報提供を行い、購買活動を支援することを目的として、売ることは手段とします。
空いた時間で顧客接点を増やすにしても、そもそも今どれくらい営業活動に時間を使ってるのでしょうか。
多くの営業組織、個人は目標達成をするために、KPI、ファネル分析を行います。
そして、リード->アポ->商談->受注->売上というファネルがある中で、
前工程は自社の努力でコントロールしやすく、後ろに進めば進むほど顧客、競合など他の要因が影響するため、コントロールしづらい傾向があります。
しかし、最もコントロールしやすい、営業活動に使った時間を計測していないケースが多いのではないのでしょうか?本記事では簡単に計測できる方法、運用、メリットを提示します。
Googleカレンダーに特定のキーワードを入れておく。
ポイントは「go1t_[予定名]」など、キーワードレベルで他と重複しないようにすることです。
go1tは、オープンハウスで「有名な行こうぜ1兆」が思いついたので、Go 1 trillionを略しただけで、意味はないです。
気合いの入ったワードにするのが良さそうですね。
Google App Scriptでgo1tが含まれる予定、開始日時、終了日時を抽出して、スプレッドシートへ1時間に1回更新されるようにする。
機密性の高いGoogleカレンダーの情報を取得するため、必ず情報システム部の方に確認してください。
ピボットやグラフで個人別で振り返る。
以上です。とても簡単な仕組みです。
アポイント1件取るために、何コール必要で、何時間必要か。
提案型であれば、1件受注するために、何件、必要で、何時間必要か。
などまずは過去のデータがあればそれを元に仮説を立てます。
続いて、スプレッドシートで目標データを作ります。
目標と実績を突合するで完了。
できれば、KPIとセットで分析できる方が良いので、KPIの予実も見れると良いでしょう。
日次、週次で振り返りを行う。 ここが最も重要
【時間が使えた/達成】目標のストレッチ度合いなどを確認する
【時間が使えた/未達】 未達が発生した時に、適切な分析を行うことができます。
必要なコール数、時間が間違っていれば、修正してまた来週やってみるという形で、速攻で改善できます。
【時間が使えなかった/達成】たまたま運が良かった場合が含まれている、今後も持続性があるのかどうか確認しましょう。
【時間が使えなかった/未達】他に対応していた業務や会議などを見て、上長が時間の優先順位をつけることで、時間が使える状態になります。
どの場合においても、良い意思決定、良い改善に繋がるのではないでしょうか。
マイクロマネジメントに見えやすいので、目的や背景を丁寧に伝えて、チームが気持ちよくスタートできる状態を作ることが重要です。
空予定を入れたり、簡単にハックすることができる仕組みです。
先々の予定を埋めると、日程調整に影響が出るので、過度に入れるのはお勧めしません。また作業後に実際の時間に修正するのがポイントです。
メールを返信するなど、1-2分の作業でもつけるのか?みたいな議論が発生します。
過去の経験上15分単位が良さそうでした。
今回は触れませんでしたが、そもそも時間の前に、サービス知識、業界知識、事例などが習得できているか、ロープレを通じてアウトプットすることができているかなど、多くの前提条件があります。
営業活動において、KPIやファネル分析は行われているが、時間計測をしてるケースはあまり見ない。
KPIが達成できない、行動量が少ないなど結果を見る前に、前提条件の投下時間を確認すべきではないか。
ニーズがあれば、スプレッドシートのテンプレやLooker Studioのテンプレなど作ります。
Cursor、Claude Codeで、さくっと自社アプリ作るのも良さそうです。
もしうまくやってるよという方いらっしゃれば、ディスカッションさせてください。
こちらの記事も参考にしてください

Epiplexityは計算制約のあるAIモデルの学習可能性を定量化する新しい情報理論の尺度であり、シャノンエントロピーの限界を克服します。特に、データ拡張、カリキュラム学習、LLMの汎用能力など、従来の理論では説明できなかった現象を統一的に解決します。Epiplexityは、データセット設計や事前学習の最適化に新たな指針を提供し、今後のAI研究において重要な概念とされています。

SwarmはOpenAIが提案する軽量なマルチエージェント協調フレームワークで、エージェントとハンドオフの2つの概念を用いてシンプルな協調を実現します。教育や実験に最適で、カスタマーサポートや航空券予約システムなどの具体的なユースケースが紹介されています。実運用には不向きで、OpenAI APIに依存していますが、マルチエージェントの基本を学ぶには適しています。

AIエージェント開発に役立つ9本の論文を厳選し、実装検証結果を交えて解説。論文を読むことで正確な情報、設計思想の理解、限界の把握が可能になる。基礎から応用までの論文を紹介し、効率的な読み方や実践的な活用例も提供。初心者向けや実装重視の読み順も提案されている。