多くのBtoB企業では、営業担当者の経験や感覚を基に、案件の受注確度や売上見込みを判断しています。しかし、評価基準が担当者ごとに異なれば、見込み数字と実際の着地に差が生じやすくなります。
こうした課題への対応策が、SFAやCRMの商談データを活用した、AIによる案件予測です。
本記事では、AIを使った受注確度分析と売上予測の考え方、活用メリット、データ整備、導入・運用の進め方を解説します。
従来の「案件予測」と「受注確度分析」における3つの課題
案件予測では、案件単位の受注可能性を見極める「受注確度分析」と、案件金額・受注予定日を基に着地を見積もる「売上予測」を分けて捉える必要があります。
従来の営業管理では、この2つが担当者の主観に左右され、予実管理や優先順位付けに課題が生じがちです。
まずは、従来の営業管理における課題について整理します。
① 営業担当者の主観による「確度管理の属人化」
従来の営業活動では、受注確度の判定が営業担当者個人の感覚や経験に依存しやすい傾向があります。
たとえば、同じ商談フェーズにある案件でも、楽観的な担当者は確度を高く見積もり、慎重な担当者は低く見積もるといった差が発生します。
この状態では、案件の優先順位や必要な支援を組織として判断しにくくなります。営業マネージャーも、SFA上の数値だけでは状況を把握できず、会議で担当者への確認に時間を費やすことになります。
② パイプラインが不透明で「先行指標」が機能しない
SFAに案件が登録されていても、商談が実際に前進しているとは限りません。商談フェーズが更新されない、最終接触日が古い、競合状況や顧客の検討体制が未記入といった状態では、パイプラインは将来の売上を見通す先行指標として十分に機能しません。
特に、停滞や失注の兆候を把握できなければ、必要な支援や提案内容の見直しが後手に回ります。
失注が確定してから原因を振り返るのではなく、進行中の案件に表れている変化を把握し、対応につなげられる状態をつくることが重要です。
③ 着地予測（予実管理）の精度が低く経営判断が遅れる
案件ごとの確度、金額、受注予定日が実態とずれていれば、月次や四半期の売上見込みも不正確になります。
月末や期末が近づくまで着地が見えない状態では、営業施策の追加、人員配置、マーケティング投資などの判断を早めに行えません。
また、営業部門の予測と実績の差が大きい状態が続くと、経営層が営業パイプラインを意思決定の材料として使いにくくなります。
予測精度を高めることは、数字を当てることだけでなく、限られた経営資源を適切なタイミングで配分するためにも必要です。
AIによる案件予測・受注確度分析の仕組み
AIによる案件予測は、過去の商談データから受注・失注につながりやすい傾向を学習し、進行中の案件を評価する考え方です。中心となるのは、確率や優先度を推定する予測モデルです。
一方、生成AIは商談メモの要約、活動履歴の整理、次回アクション案の作成など、予測モデルを活用する周辺業務で役立ちます。受注確度を推定する仕組みと、営業担当者の情報整理を支援する生成AIの役割を分けて設計することが重要です。
ここでは、AIを使った案件予測・受注確度分析の仕組みについて、具体的に整理します。
① SFA・CRMに蓄積された過去データを学習する
予測モデルの基盤となるのは、SFAやCRMに記録された過去の商談履歴です。受注に至った案件だけでなく、失注した案件も含めて分析することで、どのような条件や活動傾向が受注・失注と関連しているかを把握します。
分析対象には、案件金額、商談フェーズ、受注予定日、顧客の業種や規模、商材、失注理由、活動履歴などが含まれます。
ただし、必要なデータ量、利用項目、モデルの構築方法は、SFA・CRMやAI機能により異なります。導入時には、自社のデータ量と業務要件に合う仕組みかを確認する必要があります。
② AIが参照する主な「特徴量（分析要素）」
AIが案件を評価する際の判断材料を「特徴量」と呼びます。代表的な特徴量には、顧客の業種、企業規模、商材、案件金額、商談フェーズ、受注予定日までの日数、フェーズごとの滞留日数などがあります。
加えて、訪問やWeb会議の回数、メールなどの接触履歴、最終接触からの経過日数、意思決定者との接点、競合の有無、予算や導入時期の確認状況といった情報も、案件の状態を判断する材料になり得ます。
どの項目が有効かは商材や営業プロセスによって異なるため、一般的な項目をそのまま採用するのではなく、自社の受注・失注要因を踏まえて選定することが大切です。
③ 受注確度のスコアリングと売上予測への活用
学習済みのモデルは、進行中の案件に対して受注可能性を示すスコアや優先度を算出します。スコアは、案件を比較して優先順位を検討するための補助指標です。営業担当者やマネージャーは、スコアだけで判断するのではなく、顧客との関係性、社内事情、競合状況など、データに表れにくい情報も踏まえて活用します。
売上予測では、案件ごとの受注確度に案件金額や受注予定日を組み合わせ、期間別の着地見込みを確認します。
ただし、スコアの更新頻度や再計算のタイミング、表示方法は製品や設定により異なります。導入前に、どの数値をどの会議や判断で使うのかを定めておくことが重要です。
SFAデータを活用してAI案件予測を行うメリット
AIによる案件評価の目的は、営業担当者の判断を置き換えることではありません。主観だけに依存しない判断材料を持ち、案件対応や経営判断を早めることにあります。
ここでは、AIによる案件予測を行う具体的なメリットを紹介します。
① データに基づく売上予測で予実管理を見直せる
案件の確度、金額、受注予定日を一定の基準で見直せるようになると、営業部門の見込みをより根拠のある形で集計しやすくなります。
経営層は、当月や当四半期の着地見込みを確認し、不足が見込まれる場合には、重点案件への支援や新規商談の創出施策を早めに検討できます。
AIの予測値を唯一の正解として扱わないことが重要です。予測と実績の差を確認し、その理由を商談プロセスやデータ品質から振り返ることで、予実管理の精度を継続的に高められます。
② リスク案件の早期検知と営業リソースの最適化につながる
AIによるスコアリングを活用すると、受注可能性が低い案件や、過去と比べて評価が下がった案件を把握しやすくなります。たとえば、特定フェーズでの滞留、接触頻度の低下、受注予定日の先送りといった変化を確認し、支援が必要な案件を洗い出すために役立てられます。
営業マネージャーは、こうした情報を基に、提案内容の見直し、役員同行、別部門との連携などの支援策を検討できます。また、受注可能性、案件規模、戦略的重要性を総合的に見ながら、限られた営業リソースをどこへ配分するか判断しやすくなります。
③ 営業プロセスの改善と組織的な学習を進めやすい
受注案件と失注案件のデータを比較すると、成果につながりやすい案件条件や活動傾向を仮説として把握できます。たとえば、どのフェーズで停滞しやすいか、どの情報が不足すると失注が増えやすいかを確認し、営業プロセスの見直しにつなげることが可能です。
ただし、分析結果は因果関係を直接示すものではありません。「連絡頻度が高い案件が受注している」という傾向があっても、連絡頻度だけが受注理由とは限りません。
現場の知見や顧客事情と照らし合わせながら、入力項目、標準アクション、マネジメント方法を改善することが重要です。
AIの予測精度を左右するSFAデータマネジメントの要件
AIの予測精度は、モデルの種類だけで決まりません。入力データの正確性、項目定義の一貫性、活動履歴の網羅性、運用ルールの定着度に左右されます。
AI導入を急ぐ前に、SFAデータを継続的に活用できる状態へ整える必要があります。
ここでは、予測精度を高めるためのデータマネジメントの要件について整理します。
① データクレンジングと受注・失注結果の整備
取引先名の表記揺れ、重複レコード、必須項目の未入力、失注案件が進行中のまま残っている状態は、分析の精度を下げる要因になります。
特に、失注理由や失注確定日が正しく記録されていなければ、モデルは失注パターンを適切に学習しにくくなります。
定期的にデータの欠損、重複、更新遅延を確認し、修正する体制を設けましょう。
データクレンジングは導入前に一度行えば終わるものではなく、SFA運用の一部として継続することが重要です。
② 入力負荷を抑えながら活動履歴の網羅性を高める
AIが案件の変化を捉えるには、受注・失注という結果だけでなく、その過程の活動履歴が必要です。しかし、営業担当者に詳細な手入力を求めすぎると、入力漏れや更新遅れが増え、データの信頼性が低下します。
メール、カレンダー、Web会議などの履歴をSFAへ連携できる場合は、必要な範囲で自動取得を活用することも有効です。ただし、取得するデータ、閲覧できる人、利用目的、保存期間は事前に定めなければなりません。
営業効率とデータの適切な取り扱いを両立させる運用設計が求められます。
③ 商談フェーズの定義を統一し、解釈のぶれを減らす
商談フェーズの意味が担当者ごとに異なると、AIも一貫したデータを学習できません。「提案中」「見積提示」「最終交渉」といったフェーズについて、どの条件を満たせば移行するのかを明確にする必要があります。
たとえば、見積提示を「見積書を送付した時点」とするのか、「顧客と見積内容を確認した時点」とするのかで、フェーズの意味は変わります。
各フェーズの定義、必須入力項目、更新期限、失注判定の基準を整え、現場が運用できる粒度でルール化することが重要です。
AI案件予測を導入・運用するための3つのステップ
AI案件予測は、機能を導入するだけで成果につながるものではありません。目的、データ、評価方法、現場での使い方を整え、予測を具体的な行動へ結び付ける必要があります。
最後に、AIによる案件予測を取り入れて、運用していくためのステップについて整理します。
Step 1：目的を定め、SFAデータの現状を把握する
最初に、AI案件予測によって何を改善したいのかを明確にします。たとえば、「四半期の着地予測と実績の差を縮小したい」「停滞案件を早期に把握したい」「重点案件への支援判断を早めたい」といった目的です。
次に、過去の受注・失注案件が十分に記録されているか、案件金額・受注予定日・フェーズ・活動履歴がどの程度更新されているかを確認します。
データ量や品質が不足している場合は、先に入力ルールや項目設計を見直し、予測モデルの導入はデータが整ってから検討する方が合理的です。
Step 2：対象を絞ってパイロット運用し、予測を評価する
導入初期から全社展開するのではなく、商材、営業プロセス、データ蓄積の状況が比較的そろっている事業部やチームを対象に、パイロット運用を行います。予測スコアと実際の受注・失注結果を比較し、想定した用途で役立つかを検証します。
評価では、予測した売上と実績の差だけでなく、スコアの高低ごとの受注実績、リスク案件への対応状況、営業会議での活用度も確認します。
精度が期待に届かない場合は、データ欠損、フェーズ定義、対象案件の偏り、モデル設定などを見直します。予測値を評価せずに全社展開することは避けるべきです。
Step 3：運用を定着させ、変化に応じて見直す
パイロット運用で有効性を確認できたら、営業会議、案件レビュー、予実管理での利用ルールを定めたうえで展開します。たとえば、スコアが低下した案件は理由を確認する、一定条件の案件はマネージャーがレビューする、といった運用に落とし込みます。
また、市場環境、商材、価格、営業プロセス、顧客の購買行動が変われば、過去のデータに基づく予測が実態と合わなくなることがあります。
予測と実績の差を継続的に確認し、必要に応じてデータ項目、評価基準、モデルの再学習や設定を見直すことが重要です。
まとめ｜AI案件予測を「次の行動を決める材料」として活用する
AIによる案件予測は、SFAに蓄積された商談データを活用し、案件ごとの受注可能性や売上見込みを検討しやすくする仕組みです。主観だけに依存しない判断材料を持つことで、リスク案件の把握、重点案件への支援、予実管理の改善につなげられます。
ただし、AIが出す予測は判断を代替するものではありません。SFAデータの品質、フェーズ定義、活動履歴、予測と実績を比較する運用がそろって初めて、実務で活用できる予測になります。
AIによる案件予測を、営業組織が次の行動を選ぶための材料として活用しましょう。
シーサイドでは、各種AIツールの導入・活用に関するご相談も受け付けております。
お困りやご相談がありましたら、まずはお気軽にお問い合わせください。
