[HeatWavejpMeetup#14] HeatWave GenAIで営業の提案ガイド生成を試してみた [加藤 央彬 氏(ラック)]

【講演内容】
HeatWave GenAIの特徴である既存テーブルのベクトル化を活かし、営業の提案ガイドの自動生成を試しました。顧客情報と製品情報をベクトル化し、RAG（Retrieval-Augmented Generation）を用いて、顧客ごとに最適化された提案ガイドを自動作成することはできるのかーー。検証結果も交えてお話しします。

【発表者】
株式会社ラック
加藤 央彬（かとう てるよし）氏

【イベント情報】
HeatWavejp Meetup #14
https://heatwavejp.connpass.com/event/360186/

Transcript

1. 2025/0517 © 2025 LAC Co., Ltd. HeatWave GenAIで営業の提案ガイド生成を試してみた HeatWavejp Meetup #14 株式会社ラック 技術統括部 システムインテグレーションユニット ビジネスソリューションサービス部 AIエンジニアリングG 加藤央彬
2. 営業スキルの強化に生成AIを活用 LACの生成AIの取り組み © 2025 LAC Co., Ltd. 2 ① 商談ロールプレイ ◆ AIが顧客側を演じ、ユーザーは 商談のトレーニングが可能 ◆ ロールプレイ後にはAIから一貫 したフィードバックが得られる 営業×生成AI LAC - 商談ロールプレイ https://www.lac.co.jp/system/ai_sales_role_playing.html LAC - 商談ロールプレイリバース https://www.lac.co.jp/system/ai_sales_role_playing_reverse.html ② 商談ロールプレイリバース ◆ AIが営業側を演じ、ユーザーが お客様を演じる ◆ 難易度の高い質問への返答のヒン トが得られる
3. LACの生成AIの取り組み © 2025 LAC Co., Ltd. 3 LAC Security & AI day 2025年1月にセキュリティとAIをトピックとしたカンファレンスを開催 LAC - 生成AIで営業スキルを底上げできるのか？ https://www.lac.co.jp/lacwatch/service/20250217_004281.html 私たちのチームは営業×生成AIというテーマで ブースを出展 ・ 営業×生成AIの活動事例を紹介 ・ 来場者のお悩みをヒアリング 生成AIの活用について各企業の課題を知る 営業×生成AIの取り組みについての 反応やFBを得られた
4. HeatWave GenAIの強み © 2025 LAC Co., Ltd. 4 Ⅰ. インデータベースLLM - データを外部のLLMサービスに送る必要がない Ⅱ. テーブルデータのベクトル化が可能 - テーブルデータを外部に出さずにRAGのデータソースとして利用可能 Ⅲ. 高速で柔軟なベクトル処理 - ベクトル処理が高速であり、チャンキングなどの前処理を自動で実行
5. 検証内容 © 2025 LAC Co., Ltd. 5 シナリオ：営業の提案ガイド …テーブルデータとドキュメントデータを参照するようなRAG 製品情報と顧客情報をもとに提案の内容を生成 提案文の書き方をもとにフォーマット整形して回答を出力 ユーザー HeatWave 製品情報・顧客情報テーブル 提案文の書き方.docx A社への提案文を作成して 提案概要 ・・・A社に〇〇を提案します ベネフィット ・・・〇〇で課題を解決します 入力 回答
6. 検証環境 © 2025 LAC Co., Ltd. 6 構成 ・インターフェース - MySQL for VSCode ver 1.19.13 ・バージョン - MySQL ver 9.3.1 ・LLM - llama3.2-3b-instruct-v1
7. 検証に用いたデータ © 2025 LAC Co., Ltd. 7 製品情報テーブル 顧客情報テーブル 提案文の書き方.docx ※ 登場する情報は検証用に作成した架空のものです。同名の会社やサービスがあっても関係はございません。
8. 検証結果 © 2025 LAC Co., Ltd. 8 CALL sys.HEATWAVE_CHAT(‘〇〇社向け提案文を作成してください。‘); を10回実行 **はじめに** * 現状: ルミナレクス・アクチュー社では、従来の手動方式でセンサーデータの 収集と異常検知が行われており、ダウンタイムの削減やOEE向上に効果が期待で きません。 **提案概要** ルミナレクスアクチュー社にAI 予知保全パッケージを導入することを提案しま す。 * センサーデータ収集 * 異常検知 * ダッシュボード **ベネフィット** 導入効果を定量的と定性的両面で説明します。 * 定量的: * コスト削減率: 20%削減 * ROI: 30%向上 * 定性的: * 業務効率化: 40%向上 * 顧客満足度の向上: 25% **次のアクション** 導入スケジュール、体制、連絡先、必要な前提条件を提示します。 7回成功 2回情報不正確 **はじめに** 製造業におけるダウンタイムの削減とOEE（Overall Equipment Effectiveness）の 向上が、生産性の向上と効率化を目指すクロマフォージ・サービス社の課題で す。現状の影響を分析し、AI 予知保全パッケージの導入による利点を明確に記 述します。 **提案概要** クロマフォージ・サービス社は、ダウンタイムの削減とOEE向上を目指す製造業 の課題に取り組みます。AI 予知保全パッケージを導入することで、生産性の向 上と効率化を実現します。 污㕠¨ã• ¯ç• ¾è±¡æ¥- 種㕠«ã• ³ã• °ã “ã• §ã• ªã• • ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¯ã• ¨ã• £ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• « ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• «ã• ¤ã• • ã• ¨ã• ¸ã• • ã• ¨ã• µã• ¾ã• ¨ã• ¸ ↑クロマ社の課題&提案したいサービスが違う(テーブルの情報が取れてない) 1回文字化け
9. テーブルデータ見直し © 2025 LAC Co., Ltd. 9 元々 各値をそのまま連結してsegmentに入れていた CREATE TABLE products ( id INT PRIMARY KEY AUTO_INCREMENT, service_name VARCHAR(100), category VARCHAR(100), target_industry VARCHAR(100), key_features TEXT, benefit_summary TEXT, segment TEXT GENERATED ALWAYS AS ( CONCAT( service_name,'。', category,'。', target_industry,'。', key_features,'。', benefit_summary ) ) VIRTUAL ) CHARACTER SET utf8mb4; AI 予知保全パッケージ。IoT/設備保守。製造業。… CREATE TABLE products ( id INT PRIMARY KEY AUTO_INCREMENT, service_name VARCHAR(100), category VARCHAR(100), target_industry VARCHAR(100), key_features TEXT, benefit_summary TEXT, segment TEXT GENERATED ALWAYS AS ( CONCAT( 'サービス名：', service_name, '、カテゴリー：', category, '、対象業種：', target_industry, '、特長：', key_features, '、効果：', benefit_summary ) ) VIRTUAL ) CHARACTER SET utf8mb4; サービス名：AI予知保全パッケージ、カテゴリー：IoT/ 設備保守、対象業種：製造業 … 修正 ラベル+値を連結してsegmentに入れる
10. テーブルデータ修正後の検証結果 © 2025 LAC Co., Ltd. 10 20回中16回成功！ 4回は情報が不正確だった(文字化けはなし) CALL sys.HEATWAVE_CHAT(‘〇〇社向け提案文を作成してください。‘); を20回実行
11. 検証結果まとめ © 2025 LAC Co., Ltd. 11 • テーブルデータ+ドキュメントを参照するようなRAGが簡単に構築できた • テーブルの検索はフルコンテキストの持ち方を工夫することで精度が向上 • 正解率 - 変更前：70% → 変更後：80% • ドキュメントの検索はほぼ正確に行えた • 文字化けを除くと100％ • データ数・試行数不十分とはいえ、Llama(InDB LLM)で充分な精度 • より高性能なCohere(OCI 生成AI)を用いることで実運用可能
12. さいごに © 2025 LAC Co., Ltd. 12 さらなる精度向上に向けて期待されること • LLMの進化 • インデータベースLLMの完全日本語対応化 • OCI 生成AIサービスのLLMの高性能化 • 埋め込み処理のカスタマイズ性 • チャンクサイズやオーバーラップ • 高度な検索 • セマンティック検索
13. Any Question? © 2025 LAC Co., Ltd. ※本資料は作成時点の情報に基づいており、記載内容は予告なく変更される場合があります。 ※本資料に掲載の図は、資料作成用のイメージカットであり、実際とは異なる場合があります。 ※本資料は、弊社が提供するサービスや製品などの導入検討のためにご利用いただき、他の目的のためには利用しないようご注意ください。 ※ LAC、ラック、JSOC、サイバー救急センターは株式会社ラックの登録商標です。その他記載されている会社名、製品名は一般に各社の商標または登録商標です。
14. © 2025 LAC Co., Ltd. ※本資料は作成時点の情報に基づいており、記載内容は予告なく変更される場合があります。 ※本資料に掲載の図は、資料作成用のイメージカットであり、実際とは異なる場合があります。 ※本資料は、弊社が提供するサービスや製品などの導入検討のためにご利用いただき、他の目的のためには利用しないようご注意ください。 ※ LAC、ラック、JSOC、サイバー救急センターは株式会社ラックの登録商標です。その他記載されている会社名、製品名は一般に各社の商標または登録商標です。