簡易檢索 / 詳目顯示
| 研究生： |
詹琬婷 Tsan, Wan-Ting |
|---|---|
| 論文名稱： |
AI銷售情報系統之建構與應用 —— 以某IC設計服務業為個案研究 Building an AI-Powered Sales Intelligence System: A Case Study of an IC Design Service Firm |
| 指導教授： | 鄭至甫 |
| 口試委員: | 張佑宇 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 經營管理碩士學程(EMBA) Executive Master of Business Administration(EMBA) |
| 論文出版年： | 2026 |
| 畢業學年度： | 114 |
| 語文別： | 中文 |
| 論文頁數： | 56 |
| 中文關鍵詞： | AI 銷售情報系統 、B2B 銷售 、個案研究法 、TOE 架構 、IC 設計服務 |
| 外文關鍵詞： | AI sales intelligence system, B2B sales, case study, TOE framework, IC design services |
| 相關次數： | 點閱：17 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
生成式人工智慧技術的快速發展，為 B2B 銷售領域帶來顯著轉變。在 IC 設計服務等高技術產業中，業務人員面臨情報蒐集耗時、客戶背景調查缺乏系統化工具、人脈網絡難以有效運用等挑戰，而現有文獻對於轉型期新進者如何建構 AI 銷售情報系統，仍缺乏實證研究。
本研究以隸屬威盛集團、近年轉型切入 IC 設計服務市場的個案企業為研究對象，採用 Yin（2018）單一個案研究法，透過八位受訪者的半結構式深度訪談、系統數據分析及流程觀察，以 TOE 架構（Tornatzky & Fleischer, 1990）為理論框架，探討銷售前端核心痛點與成因（RQ1）、AI 銷售情報系統設計架構（RQ2），以及關鍵成功因素（RQ3）。
研究識別出五大核心痛點（P1–P5）：產業情報收集耗時片段、客戶背景調查缺乏結構化工具、人脈網絡難以系統化運用、拜訪紀錄未有效統整，以及商機評估缺乏數據支撐。根因分析顯示，成因橫跨技術（歷史資料未系統化、系統缺乏串接）、組織（心態轉換尚未完成、標準化流程缺乏）與環境（市場資訊分散、人脈不足、地緣政治技術壁壘）三個構面。
基於上述診斷，本研究提出五大模組架構（M1–M5），以「痛點—模組追溯矩陣」建立因果對應，並確立 M1 與 M3 為 Phase 1 優先部署項目。TOWS 分析歸納出五大關鍵成功因素：資料完整與標準化、先流程再工具、組織心態轉換、內外部分離與資安控制、漸進式導入，並提出「先心態、再系統、後 AI」三階段導入路線圖。
本研究的研究貢獻涵蓋三個層次：方法論上建立「診斷—設計—策略」三層分析邏輯；將「AI 正向心態」概念從工具採用態度的層次，進一步延伸至銷售人員職業角色認知的層次，並將地緣政治風險納入 TOE 環境構面；實務上提出可供轉型期 B2B 企業參考的模組架構與導入路線圖，與 BCG（2024）「AI 銷售轉型成功取決於人與流程變革」的論點相符。
The rapid advancement of generative artificial intelligence has brought significant changes to Business-to-Business (B2B) sales. In high-technology industries such as IC design services, sales professionals face challenges including time-consuming intelligence gathering, lack of systematic tools for customer background research, and difficulty leveraging professional networks. Despite growing interest, empirical research on how transitioning market entrants can build AI sales intelligence systems remains scarce.
This study focuses on a subsidiary of VIA Technologies Group that has recently pivoted into the IC design service market. Employing Yin's (2018) single-case study methodology, data were collected through semi-structured in-depth interviews with eight cross-functional respondents, supplemented by system data analysis and process observation. The Technology-Organization-Environment (TOE) framework (Tornatzky & Fleischer, 1990) serves as the analytical framework to investigate three research questions: core pain points and root causes in the sales front-end (RQ1), design architecture of an AI sales intelligence system (RQ2), and critical success factors (RQ3).
The study identifies five core pain points (P1–P5): fragmented and time-consuming industry intelligence gathering, lack of structured customer background research tools, difficulty systematizing professional networks, unsystematized visit records, and data-deficient opportunity assessment. Root cause analysis reveals contributing factors across three TOE dimensions: technological (unstructured legacy data, lack of system integration), organizational (incomplete mindset transformation from product to service selling, absence of standardized SOPs), and environmental (dispersed market information, insufficient industry networks, geopolitical technology barriers).
Based on these findings, the study proposes a five-module AI sales intelligence system architecture (M1–M5), with a pain point-module traceability matrix establishing causal linkages. M1 and M3 are designated as Phase 1 priority deployments. TOWS analysis yields five critical success factors—data completeness and standardization, processes before tools, organizational mindset transformation, internal-external separation with security controls, and gradual adoption—alongside a three-phase roadmap guided by the principle of "mindset first, systems second, AI third."
The study contributes on three levels: methodologically, by establishing a three-layer diagnostic-design-strategy analytical framework; theoretically, by extending the "AI-positive mindset" construct beyond tool adoption attitude to encompass the level of sales professionals' occupational role cognition, and incorporating geopolitical risk into the TOE environmental dimension; and practically, by providing a replicable module architecture and adoption roadmap for transitioning B2B enterprises, consistent with BCG's (2024) finding that AI sales transformation success depends on people and process change rather than technology.
中文摘要 2
ABSTRACT 3
目次 5
圖次 8
表次 9
第一章 緒論 10
第一節 研究背景與動機 10
一、產業背景 10
二、企業背景 11
三、研究動機與缺口 12
第二節 研究目的與問題 12
一、研究目的 12
二、研究問題 13
第三節 研究範圍 13
第四節 名詞釋義 13
一、AI 銷售情報系統（AI Sales Intelligence System）： 13
二、銷售前端（Sales Front-End）： 14
三、銷售成功率： 14
四、TOE 架構： 14
五、商機（Opportunity / Pipeline）： 14
第二章 產業回顧 15
第一節 B2B 銷售情報與客戶開發 15
一、銷售情報的定義與範疇 15
二、高技術B2B 產業客戶開發的特殊性 15
三、轉型期新進者面臨的特殊情報需求 16
四、IC 設計服務產業概況與客戶開發特性 16
第二節 AI 在B2B 銷售前端之應用 17
一、自動化產業情報蒐集與分析 17
二、目標客戶剖析與需求預測 18
三、組織人脈網絡與關係圖譜分析 19
四、訪前準備優化與自動化紀要 19
五、商機優先級判別與智慧行動建議 20
第三節 技術採用之TOE 架構 21
一、TOE 架構之理論演進 21
二、AI 採用情境下之 TOE 實證研究 21
第三章 研究方法 22
第一節 個案研究法 22
第二節 研究架構與設計 22
第三節 分析工具 23
第四節 資料蒐集 24
一、訪談資料 24
二、次級資料 25
第五節 資料分析程序 26
第四章 研究分析 28
第一節 銷售情報與決策支援之痛點診斷 28
一、產業情報收集耗時且片段（P1） 29
二、客戶背景調查缺乏結構化工具（P2） 29
三、人脈網絡難以系統化運用（P3） 29
四、拜訪紀錄與客戶資訊未系統化及資產化（P4） 29
五、商機評估與需求預測缺乏數據支撐（P5）30
六、跨受訪者交叉驗證分析 30
七、痛點根因分析（魚骨圖）31
第二節 AI 銷售情報系統架構設計 32
一、系統整體架構：五大功能模組 32
二、技術架構決策：內外部分離 34
三、TOE 構面影響因素分析 35
第三節 TOWS 策略矩陣與關鍵成功因素 35
第四節 綜合分析討論 37
一、痛點分析 37
二、模組架構分析 38
三、TOWS 策略分析 38
第五章 結論與建議 39
第一節 研究發現與討論 39
一、RQ1 回應——銷售前端之核心痛點及其成因 39
二、RQ2 回應——AI 銷售情報系統之設計架構與影響因素 39
三、RQ3 回應——關鍵成功因素與實施建議 40
第二節 實務意涵：三階段導入路線圖 41
一、Phase 0——心態與基礎準備（1-2 個月）：目標為完成組織變革
的前置工程。 41
二、Phase 1——快速見效（2-3 個月）：目標為部署見效快的模組建
立信心。 41
三、Phase 2——系統深化（3-6 個月）：目標為完成全模組部署。 42
第三節 研究貢獻 42
一、方法論貢獻——建立「診斷—設計—策略」三層分析邏輯鏈。 42
二、理論貢獻——對 TOE 架構提出兩項實質延伸。 43
三、實務貢獻——提供可參考的 AI 導入藍圖。 43
第四節 研究限制 44
一、單一個案設計之外部推廣性限制。44
二、研究者雙重角色之客觀性挑戰。44
三、AI 方案尚未實施之驗證限制。 44
四、受訪者樣本範圍之代表性限制。 45
第五節 未來研究建議 45
一、AI 銷售情報系統實施後之縱貫性成效追蹤研究。45
二、擴大至多個案比較研究，檢驗跨情境適用性。45
三、探索 AI Agent 在 B2B 銷售情報領域之自主化應用。 46
四、延伸至銷售後端，建構完整的 AI 賦能銷售全流程研究。 .46
五、深入探討地緣政治因素對企業 AI 架構選擇之系統性影響。 46
參考文獻 47
中文文獻 47
英文文獻 48
附錄 51
附錄一：訪談大綱（版本A：各區域業務人員） 51
附錄二：訪談摘要——S1（區域業務・台灣） 52
附錄三：訪談摘要——S2（區域業務・海外） 53
附錄四：訪談摘要——O1（Sales Operation）54
附錄五：訪談摘要——O2（Sales Operation） 55
附錄六：訪談摘要——技術會議（V1/T1/T2/E1）56
中文文獻
人工智慧科技基金會（2024）。台灣企業AI準備度調查報告。人工智慧科技基金會與 Google Cloud 共同發佈。
https://inthecloud.withgoogle.com/taiwan-ai-readiness-survey-whitepaper/dl-cd.html
工業技術研究院產業科技國際策略發展所（2024年10月）。眺望2025產業發展趨勢研討會——半導體產業。工業技術研究院。
https://www.itri.org.tw
陳昇瑋、溫怡玲（2019）。人工智慧在台灣：產業轉型的契機與挑戰。天下雜誌。
資策會產業情報研究所（2024 年 4 月）。2024 臺灣半導體產值達 4.17 兆新台幣 成長 13.6%。第 37 屆 MIC FORUM Spring 研討會新聞稿。財團法人資訊工業策進會。
https://mic.iii.org.tw/news.aspx?id=673
經濟部產業發展署（2023）。IC 設計產業 2024-2026 專業人才需求推估調查。財團法人資訊工業策進會執行。
潘淑滿（2022）。質性研究：理論與應用（二版）。心理出版社。
英文文獻
Adamson, B., Dixon, M., & Toman, N. (2012). The end of solution sales. Harvard Business Review, 90(7/8), 60–68.
Agnihotri, R., Trainor, K. J., Itani, O. S., & Rodriguez, M. (2023). Examining the role of sales-based CRM technology and social media use on post-COVID-19 technology adoption. Journal of Business Research, 155, 113389.
Arroyabe, M. F., Arranz, C. F. A., Fernandez De Arroyabe, I., & Fernandez de Arroyabe, J. C. (2024). Analyzing AI adoption in European SMEs: A study of digital capabilities, innovation, and external environment. Technology in Society, 79, 102733.
https://doi.org/10.1016/j.techsoc.2024.102733
Badghish, S., & Soomro, Y. A. (2024). Artificial intelligence adoption by SMEs to achieve sustainable business performance: Application of technology-organization-environment framework. Sustainability, 16(5), 1864, 1-24.
Bongers, F. M., Schumann, J. H., & Schmitz, C. (2021). How sales reps should welcome information technology: Measuring the impact of CRM-based IT on sales effectiveness. Journal of Personal Selling & Sales Management, 36(10), 1765-1778.
Boston Consulting Group. (2024a). The future of sales with AI: B2B sales executive perspectives. BCG Publications.
https://www.bcg.com/assets/2024/executive-perspectives-future-of-sales-with-ai-5aug.pdf
Boston Consulting Group. (2024b). Where's the value in AI? BCG Publications.
https://www.bcg.com
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.
Chatterjee, S., Rana, N. P., & Dwivedi, Y. K. (2021). How does business analytics contribute to organisational performance and business value? A resource-based view. Information Technology & People, 34(7), 2107-2143.
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24-42.
Fischer, H., Seidenstricker, S., Berger, T., & Holopainen, T. (2022). Artificial intelligence in B2B sales: Impact on the sales process. Artificial Intelligence and Social Computing, 28, 135–142.
https://doi.org/10.54941/ahfe1001456
Gartner. (2024, September 16). Gartner sales survey reveals sellers who partner with AI are 3.7 times more likely to meet quota.
https://www.gartner.com/en/newsroom/press-releases/2024-09-16-gartner-sales-survey-reveals-sellers-who-partner-with-ai-re-three-point-seven-times-more-likely-to-meet-quota
Hautamäki, P., & Heikinheimo, M. (2025). Fully leveraging AI in B2B sales: Exploring sales managers' capabilities and organizational knowledge processes. Journal of Business Research, 194(C).
Ishikawa, K. (1990). Introduction to quality control. Productivity Press.
Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson.
Lilien, G. L. (2016). The B2B knowledge gap. International Journal of Research in Marketing, 33(3), 543–556.
Mariani, M. M., Hashemi, N., & Wirtz, J. (2023). Artificial intelligence empowered conversational agents: A systematic literature review and research agenda. Journal of Business Research, 161, 113838.
McKinsey & Company. (2023, June 14). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.
McKinsey & Company. (2024, May 30). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. McKinsey & Company.
Mergel, I., Ganapati, S., & Whitford, A. B. (2022). Exploring artificial intelligence adoption in public organizations: A comparative case study. Public Management Review.
https://doi.org/10.1080/14719037.2022.2048685
ON24 (2024). The state of AI in B2B marketing in 2024. ON24 Research Report.
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403–414.
https://doi.org/10.1016/j.bushor.2020.01.003
Petrescu, M., Krishen, A. S., Kachen, S., & Gironda, J. T. (2022). AI-based innovation in B2B marketing: An interdisciplinary framework incorporating academic and practitioner perspectives. Industrial Marketing Management, 103, 61-72.
Pinto, A. S., Abreu, A., Pérez Cota, M., et al. (2025). A meta analysis of TOE factors driving organizational adoption of artificial intelligence across industries. Discover Artificial Intelligence, 5.
https://doi.org/10.1007/s44163-025-00747-2
Syam, N., & Sharma, A. (2018). Waiting for a sales renaissance in the fourth industrial revolution: Machine learning and artificial intelligence in sales research and practice. Industrial Marketing Management, 69, 135-146.
Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.
Yin, R. K. (2018). Case study research and applications: Design and methods (6th ed.). Sage Publications.
