AI売上予測モデルの構築|過去データ・パイプライン・外部要因から予測精度を高める設計
「AIで売上予測を入れたのに、四半期の着地が読めない」「何を学習させれば当たるのかが分からない」。設計段階でこう感じている営業マネージャー・営業企画の実務者に向けた記事です。AI売上予測は、ツールを入れれば当たるものではありません。何を入力に選び、どう処理し、どの変数を組み込み、どう検証するか。この設計の中身で精度が決まります。
フォーキャスト(売上予測)の定義やヨミ・目標との違いといった体系的な全体像は売上予測・フォーキャストの高度化にまとめています。本記事はそこから一段掘り下げ、AI売上予測モデルを設計・構築するときの入力データ設計と検証設計に絞って解説します。
AI売上予測モデルの構築とは|結論
AI売上予測モデルの構築とは、過去データ・パイプライン変数・外部要因という3系統を入力に設計し、着地を推定する仕組みを作り、予測と実績の差で継続的に補正していくことです。市販のAI機能を使う場合でも、何を学習させるかというデータ側の設計は自社で行う必要があります。
精度を左右するのは、学習させるデータの質と、受注確度の付け方が標準化されているかどうかの2点です。ここではこの2つの前提と3系統の入力設計を順に掘り下げます。
予測精度を左右する2つの前提
1つ目は入力データの質です。案件情報が個人の頭やExcelに散在し、更新されていない状態では、AIは古い・欠けたデータを正解として学習してしまいます。2つ目は確度の標準化です。「受注確度70%」が担当者ごとに違う基準で付けられていれば、AIは間違った基準に沿って学習します。
この2つが崩れていると、モデルのアルゴリズムをいくら磨いても精度は低いままになってしまいます。
予測精度が営業生産性に効く理由
予測精度は、単に「数字を当てる」ためだけの指標ではありません。売上・利益の最大化は営業生産性の最大化であり、営業生産性は「(商談数×受注率×単価)÷工数」で整理できます(出所: Mazrica の営業生産性フレーム)。このうち予測精度に効果があるのは、受注率とパイプライン管理です。着地見込みが正確に読めれば、受注率が低い案件群に早く施策を打てますし、パイプラインのどこに課題があるのかを判断して工数を再配分できます。
予測がぶれると起きること
予測が外れると、改善施策が後手に回ります。四半期末になって着地不足に気づき、そこから駆け込みで動いても間に合いません。
予測精度は、限られた営業リソースをどこに投下するかという投資判断の根拠そのものです。だからこそ、受注確度の妥当性を継続的に検証する視点が欠かせません。受注確度の付け方や予測の精度改善サイクルについては、受注確度と精度改善の運用で詳しく扱っています。
お役立ち資料
営業組織の拡大に備えるマネジメント設計|KPI・案件管理・営業プロセスの整え方
組織が大きくなり、営業管理に限界を感じていませんか?KPI・パイプライン・営業プロセスを整理し、チームの状況把握と判断基準をそろえる仕組みが分かります。
資料をダウンロードする予測モデルを歪める3つの構造
AIに学習させる前に、自社のデータがなぜ歪むのかを構造で理解しておく必要があります。原因は、入力データの質、プロセスの標準化、確度の主観性という3層に分かれます。これらが崩れたまま学習させても、AIは歪みごと学習してしまい精度は上がりません。ここでは、モデル構築の前提として、まずこの3層のどこに問題があるかを整理していきます。
入力データの質|情報が個人やExcelに散在している
案件情報が担当者ごとのExcelや頭の中にあると、学習に使えるデータが欠けたり古くなったりします。商談の進捗が更新されていない、失注理由が空欄のまま、といった状態では、AIは実態とずれたデータを正解として学習します。予測モデルの土台は、案件情報が1か所に集約され、最新の状態で保たれていることです。
プロセスの標準化|確度の付け方が人によって違う
営業プロセスが標準化されていないと、同じステージでも案件ごとに意味がばらつきます。ある担当者は初回提案後を「提案フェーズ」と呼び、別の担当者は見積提示後をそう呼ぶ、という状態では、ステージを変数にした予測が成立しません。誰が行っても一定の質で回る営業プロセス、つまりステージの定義の認識が統一されていることが重要です。
確度の主観性|「たぶんいける」がそのまま学習データに載る
受注確度が担当者の感覚で付けられていると、「たぶんいける」という主観がそのまま学習データに載ります。楽観的な担当者と慎重な担当者では、同じ確度70%でも実際の受注率がまったく違います。確度は、過去の受注/失注実績と結びついた客観的な基準で付ける必要があります。
AI売上予測モデルの構築ステップ
モデル構築は、予測対象と粒度の定義、入力データの選定・前処理、特徴量の設計、学習と検証、運用への組み込み、の順で進みます。市販のAI機能を使う場合でも、予測対象定義から特徴量設計までのデータ整備は自社側の設計が必要です。
予測対象と粒度を決める
最初に、何を予測したいのかを明確にします。組織全体の四半期着地額なのか、案件別の受注確度なのか、ステージ別の通過見込みなのかで、必要なデータも設計も変わります。全体着地を読みたいならパイプライン変数と外部要因の比重が大きくなり、案件別の確度を出したいなら案件属性と活動量の特徴量が中心になります。粒度を曖昧にしたまま作り始めると、途中で入力設計をやり直すことになります。
入力データの選定と前処理
予測対象が決まった後は、使うデータを選び、学習できる形に整えます。前処理でつまずきやすいのは、欠損値・表記ゆれ・期間のずれの3つです。失注理由が空欄の案件、業種名が「製造」「製造業」「メーカー」と揺れている状態、集計期間が案件によってばらついている状態は、そのままでは学習データとして使えません。
欠損は補完するか除外するかのルールを決め、表記ゆれは正規化し、期間は同じ基準にそろえます。
学習と運用への組み込み
整えたデータでモデルを学習させ、予測値を業務に組み込みます。ここで大切なのは、予測を出して終わりにしないことです。予測値を営業会議やパイプラインレビューで使い、実績と突き合わせ、ずれを次の学習に反映します。
また、運用に乗せる段階では、予測が現場の意思決定に使える形(着地見込み額・確度順の案件リストなど)で出力されているかを確認します。
過去データの設計|何を学習させるか
過去データは予測モデルの土台です。受注・失注の履歴、案件属性、活動量などを特徴量として設計します。ここで陥りやすいのが、受注案件だけを見て失注データを軽視すること、そしてデータ量が足りないまま学習を始めることです。学習に使う代表的な項目と、失注データの扱い、データが不足している場合の対処を順に説明します。
学習に使う代表的な項目
過去データから予測モデルの学習に使える代表的な項目は次のとおりです。
- 受注/失注の結果(正解ラベル。モデルが予測する対象であり、予測結果を評価する基準になる)
- 案件属性(業種・企業規模・商材・単価帯など、案件の性質を表す情報)
- 活動量(商談回数・接触頻度・提案回数など、営業がどれだけ動いたか)
- 経過日数(案件化からの日数、各ステージの滞留日数)
- 流入経路(どのチャネルから来たリードか)
これらを組み合わせることで、「この業種・この単価帯・この活動量なら受注しやすい」といったパターンをAIが学習できます。
失注データを捨てない
受注案件だけを学習させても、受注案件と失注案件の違いを比較できません。受注確度を予測するには、受注と失注の両方の履歴を使い、案件属性や活動状況と結果の関係を学習させることが重要です。失注理由が空欄のままだと、この学習素材が半分欠けた状態になります。失注は失敗ではなく、精度を上げるための重要な学習素材だという前提で、失注理由の入力を運用に組み込むことが必要です。
データ量が不足するときの現実的な対処
過去データが少ない、あるいは特定の業種・商材に偏っていると、学習が安定しません。この場合、いきなり案件ごとの細かな受注確度を予測しようとせず、まずはパイプライン変数(ステージ通過率)を軸にした集計ベースの予測から始めるのが現実的です。受注/失注のパターンが十分に貯まってから、案件属性を使った学習に段階を上げます。
データを貯めながら予測の粒度を上げていく、という順序で考えます。なお、案件別の受注確度スコアリングの詳細は受注確度と精度改善の運用で扱っています。
パイプライン変数の設計
パイプライン分析は、営業ステージごとの案件数と受注に至る割合から売上の着地を予測する方法で、分析結果は、AI予測モデルの重要な入力にもなります。リード→商談→提案→クロージング→受注という各ステージの定義、通過率、滞留日数を変数として設計します。過去データがまだ薄い段階でも、パイプライン変数だけである程度の着地は読めます。定義の仕方と、受注率から着地見込みを計算する具体例までを示します。
ステージ定義と通過率を変数化する
まず、営業プロセスのステージを組織で統一して定義します。各ステージから次のステージへ進んだ案件の割合が通過率です。過去実績から「提案フェーズから受注に至った割合は40%」といった通過率を算出し、これを変数としてモデルに組み込みます。ステージ定義が担当者ごとにばらついていると、同じ基準で通過率や受注率を比較できないため、前提としてステージ定義の統一が必要です。
滞留日数・停滞案件を織り込む
案件が同じステージに何日とどまっているかも、重要な変数です。通常なら2週間で次に進むステージに30日とどまっている案件は、失注リスクが高いと判断できます。滞留日数を特徴量に入れると、「進んでいるように見えて実は止まっている案件」を予測に反映できます。停滞案件を着地見込みから差し引くことで、過大な予測を防げます。
通過率から着地を読む計算例
具体的に計算してみます。提案フェーズに10件の案件があり、過去実績の通過率が40%なら、受注見込みは期待値として4件です。この4件の想定単価が1件あたり200万円なら、提案フェーズからの期待金額は800万円になります。
同様に、クロージングフェーズに5件・通過率70%・単価200万円なら、期待金額は5件×70%×200万円で700万円です。各ステージの期待金額を合算すれば、パイプライン全体の着地見込みが出ます。AIはこの通過率を、案件属性や滞留日数に応じて個別に補正することで、単純な平均通過率より精度の高い予測を出します。
外部要因の織り込み方
過去データとパイプラインだけでは、市況や季節性の変化を捉えきれません。過去のパターンが未来も続く前提のモデルは、環境が変わると予測が外れやすくなります。季節性、市況、自社キャンペーンや価格改定といった予測に影響する要因を、変数として、あるいはシナリオの前提としてモデルに反映します。ただし要因を入れすぎると過学習を招く場合があるため、扱い方には順序があります。
定量化できる外部要因
数値で表せる外部要因は、変数として直接組み込めます。四半期末の駆け込み需要のような季節性は、過去数年の月別・四半期別の受注推移から季節指数として算出できます。自社キャンペーンや価格改定は、実施時期と過去の効果を紐づけて変数化します。
「このキャンペーン期間は問い合わせが例年の1.5倍」といった実績があれば、それを予測に反映できます。定量化できる要因は、まず過去データとの相関を確認してから入れます。
定量化しにくい要因の扱い
景気の変動や競合の動き、法改正の影響などは、数値として過去データに落とすのが難しい要因です。こうした要因は無理に変数化せず、シナリオの前提に落とします。「市況が悪化した場合」「主力商材の需要が横ばいの場合」といった前提ごとに予測を出し分け、楽観・標準・悲観の複数シナリオで着地を示します。
単一の予測値に固執するより、前提の違いによる予測の幅を示すほうが、意思決定には役立ちます。シナリオ予測の基礎的な考え方はこちらの記事をご覧ください。
外部要因の入れすぎによる過学習の注意点
外部要因を細かく変数化しすぎると、過去データの偶然のパターンまで学習してしまい、未来の予測が外れる過学習を招くことがあります。特にデータ量が少ないうちに要因を増やすと、この危険が高まります。外部要因は、過去データとの相関がはっきり確認でき、かつ再現性があるものに絞って入れるのが原則です。定量化しにくいものは変数ではなくシナリオの前提に回す、という切り分けが、過学習を避けるうえで有効です。
モデルの検証と精度評価の設計
構築したモデルは、予測と実績の差で検証しなければ、当たっているかどうか分かりません。「なんとなく合っている気がする」で運用を続けると、ずれに気づかないまま打ち手が遅れます。予測誤差の測り方、検証のタイミングと粒度、過学習やデータリークを避ける検証方法を、あらかじめ決めておきます。
予測誤差の測り方
最も基本的な指標は、予測着地額と実績の乖離率です。予測1億円に対し実績9,000万円なら、乖離率は10%です。全体の乖離率だけでなく、ステージ別・案件規模別に分けて見ると、どこで予測がずれているかが分かります。
加えて、過去の期に対してモデルを当ててみる検証(過去期での再現)も有効です。その期より前のデータで学習し、当時の予測時点で分かっていた情報だけを使って予測させます。結果が出ている期の実績と比較すれば、実際の運用に近い条件で精度を確認できます。
検証のタイミングと粒度
検証は、週次・月次・四半期の複数の粒度で行います。週次では直近のパイプラインの動きと予測のずれを追い、月次では月末着地の精度を確認し、四半期では全体着地の乖離率を評価します。粒度を分けることで、短期の変動なのか継続して起きているずれなのかを見分けられます。予測を出しっぱなしにせず、予測を出した日と対象期間を記録し、対象期間が終わった時点で実績と突き合わせる運用を設計に組み込みます。
過学習・データリークを避ける検証設計
検証で見落とされがちなのが、データリークです。予測時点では分かっていないはずの情報(たとえば受注後に判明した情報)を特徴量に混ぜてしまうと、検証上は高精度に見えても、実運用では当たりません。学習に使うデータと検証に使うデータを時期で分け、予測時点で得られる情報だけで学習させることが、リークを防ぐ基本です。過学習を避けるには、前述のとおり変数を絞り、学習に使っていない複数の過去期で、予測精度が安定しているかを確認します。
精度が上がらないときの原因切り分け
予測が当たらないとき、原因はモデルのアルゴリズムではなく、入力データ側にあることが大半です。モデルを差し替える前に、まず入力データと運用方法を確認します。前述の3層構造(データの質/プロセス標準化/確度の主観性)のどこに問題があるかを、順に確認します。
モデルを疑う前にデータを疑う
高度なモデルに変えても、学習データが歪んでいれば精度は上がりません。まず確認すべきは、入力データの欠損率と鮮度です。失注理由の入力率が低い、案件の更新が滞っている、確度が担当者の感覚で付けられている、といった状態が残っていないかを見ます。失注理由も、予測の検証や営業活動の改善に使えるよう、記録状況を確認します。データが整っていないのにモデルを高度化するだけでは、改善につながりません。
3層のどこがボトルネックかを切り分ける手順
原因の切り分けは、次の順で確認します。
- 入力データの質: 主要項目(失注理由・活動量・確度)の入力率と更新頻度を確認する
- プロセスの標準化: ステージ定義が組織で統一され、同じステージが同じ意味で使われているかを確認する
- 確度の主観性: 過去の確度別の実際の受注率を集計し、確度と実績が対応しているかを確認する
- 外部要因: 直近で市況やキャンペーンなど、モデルに織り込めていない変化がなかったかを確認する
この順で見ていくと、データや運用方法に改善すべき点がないかを確認できます。それでも精度が改善しない場合は、特徴量やモデルの選び方、検証方法を見直します。精度改善を継続的に回す運用サイクルの詳細は受注確度と精度改善の運用で扱っています。
SFA/CRMを土台にしたモデル構築
AI売上予測モデルを安定して運用するには、案件データが1か所に集約され、ステージと確度の定義が揃っていることが重要です。ここまで述べてきた入力データ設計の前提を満たす土台になるのが、SFA(営業支援システム。案件やプロセスを管理し営業活動を前に進める仕組み)とCRM(顧客関係管理。顧客との関係を長期に築く考え方と仕組み)です。蓄積したデータからAIが予測や次アクションを示す機能を持つツールもあります。
例えば Mazrica Sales のような SFA/CRM では、蓄積した営業情報やデータをもとに、AIが着地見込みや次のアクションを示唆します(いずれもAIが推定するものであり、実績を保証するものではありません)。標準レポートは8種(売上予測/売上推移/売上実績/ファネル分析/アクション予測/アクション分析/アクション推移/フェーズ進捗)が用意されており、ステージ・確度をもとにした着地見込みの可視化に使えます。
こうした機能は、ほかのSFA/CRMにも搭載されている場合があります。ツールの機能に加え、そこに集約するデータの質と、確度・ステージ定義の標準化も重要です。
まとめ|自社の状況別・最初の一歩
AI売上予測モデルの精度は、アルゴリズムより入力データの設計で決まります。自社の状況によって、着手すべき最初の一歩は変わります。
案件データが個人やExcelに散在している組織は、まず案件データの集約と、ステージ・確度の定義を揃えることから始めます。ここが整わないと、どんなモデルも歪んだデータを学習してしまいます。データは集約済みだが精度が出ない組織は、特徴量の設計と検証(乖離率の測定)に進みます。
失注データを含めて学習に使う情報を揃え、予測と実績のずれを測るところからです。精度検証まで回している組織は、外部要因の織り込みとシナリオ設計へ進み、環境の変化も考慮した予測を目指します。
どの段階の組織でも、最初の一歩として現実的なのは、直近1四半期の予測と実績の乖離率を1回測ってみることです。ここで数字が大きくずれていれば、その原因が3層のどこにあるかを切り分ける入口になります。フォーキャスト全体の体系的な整理は売上予測・フォーキャストの高度化を参照してください。
よくある質問
Q AI売上予測は、どのくらいの過去データ量があれば始められますか?
一律の目安はありませんが、案件別の受注確度を予測するには、受注と失注の両方のパターンがある程度貯まっていることが前提になります。データが薄い段階では、まずステージ通過率を使ったパイプラインベースの集計予測から始めます。受注/失注のデータが蓄積されたら、案件属性を使った予測を試し、精度が改善するかを確認します。
Q 中小規模でデータが少なくてもAI売上予測は使えますか?
使えますが、いきなり精緻な個別確度予測を狙わないことが重要です。データが少ないうちに変数を増やすと過学習を招くことがあります。まずはステージ定義を統一し、ステージ別の受注率を使った集計予測から始める方法があります。ただし、集計ベースでも件数が少なければ受注率は変動しやすいため、予測の幅を持たせて判断しましょう。
Q AIの予測値と、営業担当者のヨミはどちらを信じるべきですか?
どちらか一方に寄せるのではなく、両者のずれを検証の材料にします。AIの予測と担当者のヨミが大きく食い違う案件では、入力情報が古い、AIに反映されていない定性情報がある、担当者の判断が楽観的になっているなど、複数の原因が考えられます。ずれた案件をレビューで確認し、その気づきを確度の付け方やモデルの改善に反映していくことが大切です。
Q Excelでの売上予測とAI予測は何が違いますか?
Excelでも通過率をかけ合わせた着地予測は作れます。ただしExcelでは、データの更新・集計・検証を人手で回す必要があり、案件数が増えるほど工数が増え、属性ごとの細かい補正も難しくなります。AI予測は、案件属性や滞留日数などの複数の情報から、案件ごとの受注確度や売上見込みを推定できる点が特徴です。ただし、実績が追加されるたびに自動で学習し直すとは限らず、更新方法はモデルやツールによって異なります。
Q AIが売上予測を外したとき、どこを見直せばよいですか?
まずモデルではなくデータを疑います。主要項目(失注理由・活動量・確度)の入力率と鮮度、ステージ定義が統一されているか、確度と実際の受注率が対応しているかを順に確認します。加えて、直近で市況やキャンペーンなど、モデルに織り込めていない外部要因の変化がなかったかを見ます。この順で切り分けると、データや運用方法に改善すべき点がないかを確認できます。それでも改善しない場合は、特徴量やモデル、検証方法を見直します。







