受注確度スコアリング｜商談ステージ・活動量・顧客反応からAIで確度を算出する
公開日 ・ 更新日 ・ 読了 14分
案件一覧を眺めても、どの案件が本当に受注に近いのかは担当者のヨミ次第、という状態は珍しくありません。確度70%と書かれた案件があっても、なぜ70%なのかを筋道立てて説明できる人はほとんどいないはずです。この確度が担当者の感覚に依存している限り、予測はぶれ続け、注力すべき案件の見極めもマネージャーの介入も後手に回ります。
この記事では、受注確度を主観ではなく商談ステージ・活動量・顧客反応という根拠から数値化する方法を、算出の仕組みから導入手順、精度を保つ運用まで実務に落として解説します。売上予測・フォーキャスト全体の体系的な全体像は売上予測・フォーキャストの高度化を参照してください。本記事は、そのうち個別案件の受注確度をどう数値化するかに絞って掘り下げます。
受注確度スコアリングとは｜結論
受注確度スコアリングとは、個々の案件が受注に至る可能性を、担当者の主観ではなく商談ステージ・活動量・顧客反応などの根拠から数値化する仕組みです。これまで「なんとなく手応えがある」で片付けられていた確度に、検証できる根拠を与えるのがねらいです。従来のランク付けと違い、確度がなぜその数値なのかを後から追える点が最大の特徴になります。まずこの位置づけを押さえたうえで、算出の仕組みと運用を読み進めてください。
「受注確度予測」と「受注確度スコアリング」は近い言葉ですが、役割が違います。予測は、案件が受注する可能性を数値で見込むこと自体を指します。スコアリングは、その確度を商談ステージや活動量などの根拠から算出する方法を指します。予測という目的を実現する手段がスコアリングだ、と整理すると理解しやすいです。
なお、フォーキャスト（売上見込みの積み上げ）やヨミ、売上目標との違いは、売上予測全体を扱う親ピラーで整理しています。本記事はそれらの総論には立ち入らず、個別案件の受注確度をどう数値化し、どう運用するかに絞ります。売上予測という大きな枠の中で、案件単位の精度を上げる部品を扱うと考えてください。
なぜ受注確度を数値化するのか｜3つの実務メリット
受注確度を数値化する価値は、確度そのものを綺麗にすることではなく、営業活動の3つの判断が変わることにあります。限られた工数をどの案件に寄せるか、売上予測をどれだけ信頼できるか、マネージャーがどこに介入するか。この3点が、感覚ベースから根拠ベースに変わります。営業生産性を（商談数 × 受注率 × 単価）÷ 工数で捉えると、確度の数値化は主に工数配分と受注率の底上げに効きます（出所: Mazrica の営業生産性フレーム）。以下でそれぞれの効きどころを掘り下げます。
注力すべき案件が明確になり工数配分が変わる
営業担当者の時間は有限です。確度が主観のままだと、声の大きい案件や直近で動いた案件に工数が寄りやすく、静かに進んでいる有望案件が放置されがちです。確度を共通の根拠で数値化すると、担当者の印象に左右されずに「今週どの案件に時間を割くべきか」を並べ替えられます。確度の低い案件を早めに見切り、高い案件に時間を寄せることで、同じ工数でも受注につながる密度が上がります。
売上予測（フォーキャスト）の精度が上がる
売上予測は、個々の案件の確度を積み上げて成り立ちます。土台となる案件ごとの確度がばらついていれば、それらを合算した予測も当然ぶれます。確度が根拠のある数値で揃っていれば、積み上げの前提が安定し、月末・四半期末の着地見込みが読みやすくなります。予測が外れたときも、どの案件の確度がずれていたかまで遡れるため、次の予測を直す手がかりが残ります。
マネージャーがどこに介入すべきか判断できる
案件が数十・数百と積み上がると、マネージャーが全件を目で追うのは現実的ではありません。確度が数値化され、しかもその変化が追えると、確度が下がった案件や動きの止まった案件を一覧から拾えるようになります。すべての案件に等しく口を出すのではなく、確度が急落した案件、停滞している案件に的を絞って介入できます。マネジメントの工数も、成果につながる案件に集中させられます。
従来の確度管理（BANT・ランク付け）との違い
従来の確度管理は、BANT条件やA/B/Cのランク付けで人が確度を判断する手法が主流でした。判断基準を言語化して統一する点で意味はありますが、最後は人が数値を決めるため主観が残る、という構造的な限界を抱えています。AIスコアリングは、この主観の部分を過去のデータで補うアプローチです。ここでは従来手法の考え方と限界を整理したうえで、AIが何を補えるのかを示します。
BANT・ランク付けの考え方
BANTは、Budget（予算）・Authority（決裁権）・Need（ニーズ）・Timeframe（導入時期）の4条件で案件を評価し、揃っている度合いで見込みを判断する手法です。A/B/Cランクは、この評価をもとに案件を段階に振り分け、確度の目安として使います。判断の物差しをチームで共有できるため、担当者ごとに評価がばらつくのを一定程度は抑えられます。営業の現場で長く使われてきた、堅実な整理の型です。
手動の確度付けが抱える限界
手動でのランク付けには、運用を続けるうちに顕在化する限界があります。第一に、条件を揃えても最終的な数値付けは人が行うため、楽観的な担当者と慎重な担当者で同じ状況の案件に別の確度が付きます。第二に、一度付けたランクが更新されず古くなりやすく、状況が変わっても数か月前の確度のまま残ることがあります。第三に、なぜその確度なのかを後から検証しづらく、外れても原因に遡れません。判断基準を統一しても、この3点は運用の労力に依存して残り続けます。
AIスコアリングが補える点
AIスコアリングは、過去に受注・失注した案件がどのように推移したかを学習し、現在の案件がその受注パターンにどれだけ近いかを確度として示します。人が気づきにくい変化、たとえば「このステージで2週間動きが止まった案件は失注しやすい」といった傾向を、データから拾えます。ただし、AIが出すのはあくまで推定値です。学習したデータの範囲でパターンを当てはめているにすぎないため、確度を鵜呑みにせず、最終判断は人が行う前提で使う必要があります。
AIが受注確度を算出する仕組み｜3つの根拠変数
AIによる受注確度は、大きく商談ステージ・活動量・顧客反応の3種類の情報を根拠に算出します。過去の受注・失注案件でこれらの変数がどう推移したかを学習し、現在の案件が受注パターンにどれだけ近いかを確度として示す、という考え方です。この3変数はどれか1つでは案件の実態を捉えきれず、組み合わせて初めて意味を持ちます。なお、AIが出すのは推定値であり、最終判断は人が行う前提であることは変わりません。ここからは各変数を分解し、それぞれ単独で見たときの誤読も添えて解説します。
商談ステージ｜案件がどこまで進んでいるか
商談ステージは、案件がリード→商談→提案→クロージング→受注のどの位置にあるかを示します。AIは、それぞれのステージから受注まで到達した過去の通過率を踏まえ、現在のステージ位置を確度に反映します。後ろのステージにある案件ほど、統計的には受注に近いと判断されます。
ただしステージ位置だけを見ると誤読が生じます。提案フェーズに長く留まっている案件は、ステージだけ見れば「もう終盤」に見えますが、実際には動きが止まって失注に向かっている場合があります。ステージの位置と、そこにどれだけ滞留しているかをセットで見る必要があります。
活動量｜接触頻度・提案回数・停滞期間
活動量は、案件に対してどれだけ動きがあるかを示します。直近の接触頻度、提案や打ち合わせの回数、そして最終接触からの経過日数（停滞期間）が代表的な指標です。受注に至る案件は、適切な頻度で接触が続く傾向があり、逆に動きが止まった案件は確度が下がりやすくなります。AIは、最終接触からの日数が延びた案件の確度低下を機械的に拾えます。
活動量だけを見る誤読もあります。接触回数が多いことが必ずしも前進を意味するわけではなく、同じ論点を何度も往復しているだけの「空回り」のケースがあります。回数の多寡だけでなく、その活動が案件を次のステージへ進めているかを併せて見る必要があります。
顧客反応｜返信速度・キーマン接触・検討状況
顧客反応は、顧客側がどれだけ前向きに動いているかを示します。返信の速さ、決裁に関わるキーマンに会えているか、先方の社内検討がどこまで進んでいるか、といった要素です。担当者がいくら動いても顧客側の反応が鈍い案件は、確度が上がりにくくなります。顧客の検討状況を可視化する仕組みとしては、たとえば Mazrica DSR のようなデジタルセールスルーム（商談情報を1つのURLに集約し、資料の閲覧状況などから顧客の検討状況を可視化する仕組み）があります。こうした仕組みは Mazrica Sales 専用ではなく、他社のSFA/CRMや単独でも利用できます。
顧客反応も単独では読み違えます。返信が速くても定型的な「検討します」の繰り返しなら前進していない場合があり、逆に返信が遅くても社内で真剣に稟議が回っていることもあります。3つの変数はそれぞれ単独では実態を取り違えるため、ステージ・活動量・顧客反応を組み合わせて初めて、案件の受注確度を立体的に捉えられます。
AIスコアと人のヨミを並べて使う
AIスコアは、人のヨミを置き換えるものではなく、並べて差分を見るために使うのが実務的です。AIは過去のパターンから機械的に確度を出しますが、人は「先方の担当が異動しそう」「予算が別案件に流れた」といった、まだデータに現れない情報を持っています。両方を並べると、人が高く見ているのにAIが低い案件、逆にAIが有望と見ているのに人が見落としている案件が浮かび上がります。ここからは、その差分をどう運用に落とすかを見ていきます。
スコアとヨミが食い違う案件から着手する
限られた時間で全案件を見直すのは非現実的です。そこで、AIスコアと人のヨミの差が大きい案件から優先的に見直しをかけます。人が高く見てAIが低い案件は、担当者の期待が先行していないか、根拠となる活動や顧客反応が伴っているかを確認します。逆にAIが高く人が低い案件は、担当者が見落としている前進のサインがないかを掘ります。差分の大きい順に着手すれば、少ない工数で見直しの効果を最大化できます。
過大評価・過小評価のパターンに気づく
差分を継続的に見ていくと、担当者ごとの評価の癖がデータで見えてきます。いつも強気で確度を高く付ける担当者、逆に受注寸前まで慎重に低く付ける担当者、といった傾向です。この癖が分かれば、ヨミの読み替え方をチームで補正でき、予測全体の偏りを減らせます。たとえば Mazrica Sales のようなSFA/CRMでは、蓄積した案件データからAIが受注確度や次のアクションを示唆する機能があり、人のヨミと並べて差分を確認する使い方ができます。あくまで示唆される数値は推定値であり、最終判断は人が行う前提で扱います。
受注確度スコアリングを導入する手順
導入は「データを揃える→確度の定義を統一する→スコアと運用を回す」の順で進めるのが基本です。いきなりAIを入れても、学習させる案件データが散在・不統一であれば精度は出ません。土台となる案件情報の集約と、確度の定義の共通化を先に済ませることが、遠回りに見えて最短です。最初の一歩は大きく構えず、現状の確度定義を1枚に書き出す程度から始めて構いません。ここからは各ステップを掘り下げます。
ステップ1｜案件情報を1か所に集約する
まず、案件のステージ・金額・活動履歴・顧客とのやり取りを1か所に集約します。情報が個人のExcelや頭の中、メールボックスに散在したままだと、AIが学習する材料が揃わず、そもそも人が全体を見渡せません。あわせて、集約する際には入力のフォーマットも揃えます。活動履歴の書き方や記録のタイミングが人によってばらばらだと、集めても比較できないためです。データの一元化と、誰が入力しても一定の質で残るプロセスの標準化を、両輪で進めます。
ステップ2｜ステージと確度の定義を統一する
次に、ステージと確度の定義をチームの共通言語にします。「提案フェーズとは、先方に具体的な見積もりを提示した状態を指す」「確度80%とは、キーマンの内諾が取れて稟議に上がっている状態」といった具合に、状態を言葉で固定します。定義が曖昧なままだと、同じ案件でも担当者ごとに違うステージ・確度が付き、AIに学習させても一貫したパターンを見いだせません。ここは地味ですが、スコアリングの精度を左右する要になります。
ステップ3｜AIスコアと実績を突き合わせる運用を回す
定義を揃えたら、AIが算出したスコアと実際の受注・失注の結果を突き合わせる運用に入ります。予測どおりに受注できたか、確度が高かったのに失注した案件はなかったか、を定期的に確認します。この突き合わせを回すことで、スコアの当たり外れが見えてきて、次のステップである精度の維持につながります。運用の詳細は次の章で扱います。
まず着手する一歩としては、現状の確度定義を1枚に書き出し、直近の失注案件を並べて「その確度は妥当だったか」を振り返るところから始めると、負荷なく現状の課題が見えます。
AIの受注確度予測の精度を保つ運用
AIスコアは入れて終わりではなく、予測と実績の差を測り、ずれの原因に立ち返って直す運用があって初めて精度が保たれます。学習の前提となる案件の質や、確度の定義は時間とともにずれていくため、放置すればスコアは実態から離れます。特に、確度が急落した案件や長期停滞した案件をアラートで拾い、埋もれさせない仕組みが効きます。ここでは、監査・アラート・改善の3つの観点で運用を掘り下げます。
スコアと実績の差を定期的に監査する
まず監査すべきは、AIスコアと実際の受注・失注の差です。差が大きくなっているとき、原因は主に3つに分けられます。確度の定義が現場の実態とずれてきた、活動履歴などの入力が抜けてAIに材料が渡っていない、あるいは特定の変数（たとえばステージ）に判断が偏っている、といったものです。差分をただ眺めるのではなく、どの原因に起因するのかまで切り分けるのが監査の目的です。
確度低下・停滞のアラートで早期に介入する
確度が急に下がった案件や、一定期間動きの止まった案件は、放置すると気づかないうちに失注します。これを人が全件チェックするのは非現実的なので、確度低下や停滞を検知して知らせる仕組みで拾います。案件の異常な変化を検知する考え方はシナリオ予測・異常検知で詳しく扱っています。アラートで早期に気づけば、マネージャーが介入して立て直すか、早めに見切って別の案件に工数を移すか、の判断を前倒しできます。
予測精度の改善は原因に立ち返る
スコアの精度が落ちたとき、モデルを疑う前に、まずデータ品質・定義・変数のどこがずれたかを切り分けます。入力が抜けているならプロセスを直し、定義が古くなっているなら再定義し、特定の変数に偏っているなら重みを見直します。原因を特定せずに調整を重ねると、かえって精度が不安定になります。予測精度をどう立て直すかは予測精度の改善で扱っているので、あわせて参照してください。
まとめ｜自社が最初に着手すべきこと
受注確度スコアリングは、確度を主観から根拠ある数値に変え、注力すべき案件の見極め・売上予測の精度・マネジメントの介入を一段引き上げる取り組みです。自社の状況によって、着手すべき順序は変わります。
確度がばらついて予測が当たらない組織なら、AIを入れる前に、まず確度の定義統一とデータ集約から着手すべきです。土台が揃わないままスコアリングを入れても精度は出ません。一方、案件量が多く人手でヨミを管理しきれない組織なら、AIスコアリングを入れて人のヨミとの差分を見る運用を優先すると、限られた工数でも見直しの網を広げられます。
いずれの場合も、最初の一歩は小さくて構いません。現状の確度定義を1枚に書き出し、直近の失注案件を並べて、その確度が妥当だったかを振り返ってみてください。定義の曖昧さやデータの抜けが、その場で見えてくるはずです。売上予測全体の体系は売上予測・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 受注確度は何パーセント刻みで設定すればよいですか？
実務では10%刻み、または「20%・50%・80%」のように状態と対応づけた数段階で設定するのが扱いやすい目安です。1%刻みのように細かくしても、その差を根拠づける状態を言葉で説明できなければ、結局は担当者の感覚で数値を動かすことになり、刻みの細かさが精度に直結しません。刻みは、各段階が「どういう状態か」を定義できる粒度に留めるのが現実的です。
Q 受注確度とヨミ・ホット/コールドは何が違いますか？
ヨミは、担当者やマネージャーが案件の見込みを段階で表す社内の呼び方で、ホット/コールドは案件の温度感をざっくり示す表現です。いずれも人の判断が起点になります。受注確度スコアリングは、これらを商談ステージ・活動量・顧客反応といった根拠から数値化する点が異なります。ヨミやホット/コールドを否定するものではなく、それらと並べて差分を見るための客観的な物差しと考えてください。
Q AIが出した受注確度はそのまま信じてよいですか？
そのまま鵜呑みにするのは避けるべきです。AIが出す確度は、過去の受注・失注パターンに現在の案件を当てはめた推定値であり、まだデータに現れていない事情（担当者の異動、予算の変更など）は反映されていません。AIスコアはあくまで人の判断を補う材料と位置づけ、最終的な確度の判断は人が行う前提で使ってください。スコアと人のヨミが食い違う案件を見直しの起点にすると、双方の見落としを拾えます。
Q 受注確度スコアリングにはどんなツールが必要ですか？
一般的には、案件情報を集約・管理するSFA/CRM（営業支援・顧客管理システム）と、そこに蓄積したデータから確度を算出する予測機能が必要です。ステージ・活動履歴・顧客とのやり取りが1か所に揃っていることが前提になるため、まずは案件データの集約基盤が整っているかを確認します。予測機能を備えたSFA/CRMは複数の製品にあるため、自社の入力運用に無理なく乗るか、既存ツールと連携できるか、といった観点で選んでください。
Q 案件数が少ない組織でもAIスコアリングは機能しますか？
案件数（学習データ）が少ないと、AIが受注・失注のパターンを十分に学習できず、確度の精度は出にくくなります。この段階では、AIスコアを主軸に据えるより、まずステージと確度の定義を統一し、案件データを一貫した形で蓄積することを優先すべきです。データが積み上がるにつれてスコアリングの精度も上がっていくため、初期は人のヨミを軸にしつつ、AIスコアは参考として並べる使い方から始めると現実的です。