予測精度の継続改善｜実績フィードバック・モデル再学習・外れ値分析で精度を上げ続ける
公開日 ・ 更新日 ・ 読了 16分
四半期のはじめに立てた着地見込みが、蓋を開けてみるとまた大きくずれた。しかも、なぜずれたのかを検証できないまま、気づけば次の四半期の予測を作っている。AIや予測ツールを入れたのに、この状態から抜け出せていない営業マネージャーは少なくありません。予測は一度作れば当たるようになるものではなく、実績と突き合わせて原因を切り分け、直し続けて初めて精度が上がっていきます。売上予測の高度化の全体像は売上予測（フォーキャスト）の高度化で扱っています。この記事では、予測を一度きりで終わらせず「上げ続ける」ための運用の型を、営業実務の視点で解説します。
予測精度の継続改善とは｜結論
予測精度の継続改善とは、予測と実績の差を毎期測り、ずれた原因を「入力データ・プロセス定義・確度の主観・モデル」のどの層にあるかを切り分けて直し、モデルの再学習と確度定義の見直しを回し続ける営業運用のことです。一度精度が上がっても、放置すれば市場環境や商材構成の変化でまた実態からずれていきます。精度は、一度「作る」ものではなく、運用のなかで「維持・向上させる」ものだと捉える必要があります。
この前提を外すと、改善アクションが場当たり的になります。ずれた翌四半期にモデルを再学習させても、元の入力データが歪んでいれば精度は戻りません。逆に、確度定義がばらついているのにデータ整備だけを進めても、集めた数字は比較できないままです。継続改善の本質は、原因を層で見分けたうえで、正しい層に手を打つことにあります。以降では、この切り分けから測り方、外れ値の扱い、再学習、定義見直し、そして運用サイクルへの落とし込みまでを順に掘り下げます。
予測がずれ続ける原因を4層で切り分ける
改善アクションを決める前に、まずずれの原因を層に分けます。売上予測がぶれる原因は、入力データの質・プロセスの標準化・確度の主観性の3層で整理できます。継続改善の観点では、ここに「モデル・前提の陳腐化」を加えた4層で捉えると、どの手を打つべきかが見えてきます。層を特定しないままモデルだけを再学習しても、元データが歪んでいれば精度は戻りません。ここでは各層の見分け方と、それぞれがどの改善アクションにつながるかを示します。
入力データの質｜材料がそろっていない
予測の材料になる案件情報が、担当者の頭のなかやExcel、個人のメモに散在している状態です。案件の金額や次アクションが入力されていない、更新が遅れている、失注案件がステータス変更されずに残っている、といった状態では、どれだけ高度な予測をかけても土台が崩れています。
この層が原因のときの症状は、そもそも予測に載っている案件と現場の実態がずれていることです。マネージャーが把握している案件が予測データに反映されていない、あるいは既に失注した案件が金額として残っている、といった形で現れます。改善アクションは、入力ルールの整備と一元化です。何を・いつまでに・どの粒度で入力するかを決め、その情報が一つの場所に集まる状態を作ります。
プロセスの標準化｜確度・ステージの定義が人により違う
同じ「確度60%」でも、ある担当者は稟議に上がった案件を指し、別の担当者は初回訪問で手応えがあった案件を指している、という状態です。ステージや確度の定義が人によって違えば、集めた数字を足し合わせても意味のある予測にはなりません。
この層が原因のときの症状は、チームや担当者ごとに予測の当たり方が大きく偏ることです。特定のチームだけ常に楽観的、あるいは常に保守的、という傾向が続く場合、定義のばらつきを疑います。改善アクションは、ステージと確度基準の統一です。誰が判定しても同じステージ・同じ確度になる基準を言語化し、運用に浸透させます。
確度の主観性｜「たぶんいける」がそのまま予測に載る
定義があっても、最終的に確度を付けるのは人です。「この案件はたぶんいける」という担当者の感覚が、根拠の薄いまま予測に載ってしまうと、予測は主観の積み上げになります。営業生産性を「主観の積み上げ」から「根拠ある数字」へ移行させることが、そもそも予測を高度化する狙いですが、確度付けが感覚頼りだとこの移行が進みません。
この層が原因のときの症状は、確度は付いているのに、その確度と実際の受注率が一致していないことです。確度70%と付けた案件が実際には半分も受注していない、といった乖離が続きます。改善アクションは、後述する確度と実績受注率の突き合わせによる補正です。
モデル・前提の陳腐化｜過去の傾向が今の市場・商材構成と合わない
AI予測モデルや過去実績に基づく予測ロジックは、学習・設計した時点の傾向に最適化されています。商材構成が変わった、主力の販売チャネルが変わった、市場環境が動いた、といった変化が起きると、過去の傾向が今の実態と合わなくなります。
この層が原因のときの症状は、データも定義も整っているのに、ある時期を境に予測が体系的にずれ始めることです。個別のミスではなく、全体が一方向にずれる場合は前提の陳腐化を疑います。改善アクションは、最新の実績を学習させ直すモデルの再学習です。
予測と実績の差を測る（実績フィードバック）
継続改善の起点は、毎期「予測がどれだけ当たったか」を数値で残すことです。着地見込みと確定実績の差分を、全体・チーム・案件の各単位で記録し、乖離の傾向を追います。ここを飛ばすと「なんとなくずれた」で終わり、次の四半期に何一つ活かせません。逆に差を数値で残しておけば、どの層に原因があるかの切り分けが一気にやりやすくなります。ここでは指標の選び方、分解の仕方、レビューの回し方を具体化します。
予測誤差を測る指標
営業の現場では、予測誤差の指標を難しい統計用語で語る必要はありません。基本は乖離率、つまり「予測に対して実績がどれだけずれたか」を割合で見ます。予測着地1億円に対して実績が8,000万円なら、乖離は2,000万円、乖離率は20%です。
複数期・複数チームをまたいで平均的なずれ幅を見たいときに使うのがMAPE（平均絶対誤差率）です。難しく考えず、「各案件やチームの予測と実績のズレ幅を割合にして、平均したもの」と捉えれば十分です。プラスとマイナスの誤差が打ち消し合わないよう、ずれの大きさだけを平均するのがポイントで、これにより「全体としてどのくらい当たっているか」を一つの数字で追えます。指標そのものより、同じ指標を毎期続けて記録し、推移を見ることが大切です。
全体・チーム・案件単位で分解して見る
全社の乖離率だけを見ても、原因の所在はわかりません。上振れと下振れが相殺されて、全体では当たっているように見えることもあります。そこで、同じ乖離を全体・チーム・案件の3つの粒度に分解します。
全体で見て乖離が小さくても、あるチームは常に上振れ、別のチームは常に下振れ、ということが起こります。これはプロセス標準化の層に原因があるサインです。案件単位まで下ろすと、特定の大型案件が全体を引っ張っていたことがわかる場合もあり、これは外れ値の問題につながります。分解して見ることで、4層のどこに手を打つべきかが具体的に見えてきます。
予測レビューの頻度とアジェンダ
差を測っても、それを見る場がなければ改善は進みません。実務では週次と四半期末の2つのリズムに乗せます。週次のパイプラインレビューでは、案件の最新状況と確度の妥当性を点検し、着地見込みの精度を短いサイクルで詰めます。ここで見るのは主にマネージャーと現場です。四半期末の予実振り返りでは、その四半期の予測と実績の乖離を全体・チーム単位で確認し、どの層に原因があったかを議論します。ここには営業企画が加わり、定義やモデルの見直しにつなげます。
注意したいのは、予測を「当てるゲーム」にしないことです。予測誤差を担当者個人の査定に直結させると、外れたくない担当者は確度を保守的に付けるようになり、かえって予測が実態から離れます。乖離を測る目的は精度改善であって、担当者を評価することではない、という点をレビューの場で明確にしておく必要があります。
外れ値・イレギュラー案件の扱い
営業予測の精度をぶれさせる大きな要因が、外れ値、つまり通常の傾向から外れた案件です。特大の大型案件、想定外の失注、期末の駆け込み受注などが混ざると、平均的な傾向から作る予測がそれらに引っ張られます。継続改善では、外れ値を「除外すべきノイズ」と「注視すべきシグナル」に切り分ける判断軸を持つことが、精度の安定につながります。
営業予測における外れ値の典型
営業予測で扱う外れ値には、いくつかの典型があります。ひとつは、通常の商談規模の何倍もある特大案件です。1件で四半期の着地を左右するため、平均的な確度の付け方をすると全体を大きくぶらせます。ふたつめは、確度が高かったのに突然消えた急な失注です。決裁者の交代や予算凍結など、営業プロセスの外側で起きる要因が絡みます。みっつめは、期末に集中する駆け込み受注で、期をまたいで平準化しない特有の動きをします。これらは「よくある案件」の傾向とは別物として扱う必要があります。
外れ値を除外すべきか、別枠で管理すべきか
外れ値の扱いに一律の正解はありませんが、判断軸ははっきりしています。平均的な傾向から予測を作るときは、特大案件を混ぜないことです。1件で桁が違う大型案件を通常案件と同じ計算に入れると、平均が引っ張られて全体の見立てが歪みます。大型案件は、平均に混ぜず個別に管理し、確度も個別に精査するのが実務的です。
一方で、単純に除外して終わりにすべきではありません。急な失注が続く、駆け込み受注が毎期発生する、といった外れ値は、それ自体が営業プロセスや予測前提の問題を示すシグナルです。除外すると同時に、なぜ外れ値が発生したのかを記録し、失注理由や発生時期を残しておくことで、次の予測の材料になります。
異常値の早期検知という発想
外れ値は結果が出てから気づくのでは遅く、傾向から外れる兆候を早い段階で掴めるほど、予測を軌道修正できます。大型案件の確度が急に変動した、あるチームの失注が普段より増えている、といった通常と違う動きを早く捉える発想が、継続改善では効いてきます。傾向から外れた動きを自動で捉える考え方については受注確度・異常検知アラートで詳しく扱っています。人が全案件を常時監視するのは現実的でないため、外れの兆候を検知する仕組みと組み合わせると、外れ値への対応が後手に回りにくくなります。
モデルの再学習で精度を維持する
AI予測モデルは、学習した時点の傾向に最適化されているため、時間が経つと現実とずれていきます。商材構成の変化、市場環境の変化、営業プロセスの改定などが起きれば、過去データの傾向は今の実態と合わなくなります。定期的に最新の実績を学習させ直す再学習が、精度を維持する前提です。ただし再学習は「元データが整っていること」が条件で、歪んだデータを学習させれば精度はむしろ下がります。
なぜ再学習が必要か
モデルの精度が時間とともに落ちる現象は、前提のズレ（データドリフト）と呼ばれます。営業文脈で言えば、モデルが学習した当時は「この業種・この規模の案件は受注率が高い」という傾向があったのに、今はその傾向が崩れている、といった状態です。主力商材が入れ替わった、値上げでターゲット層が変わった、競合環境が動いた、といった変化はすべて過去の傾向を古くします。過去に当たっていた予測ロジックほど、この陳腐化に気づきにくいため、定期的な見直しが必要になります。
再学習の頻度とタイミング
再学習のタイミングは、定期と変化時の2軸で考えます。定期は四半期ごとの予実振り返りに合わせるのが実務的で、その期の実績を反映させて次の予測に備えます。加えて、商材構成の大幅な変更、営業組織の再編、ステージ定義の改定といった大きな変化が起きたときは、定期を待たずに再学習を検討します。変化の直後は過去の傾向がもっとも当てにならなくなるためです。頻度を上げれば必ず良くなるわけではなく、実績が十分にたまってから学習させないと、少ないサンプルに引っ張られて不安定になる点にも注意します。
再学習の前にデータを整える
再学習の効果は、学習させるデータの質で決まります。入力ルールが徹底されておらず案件情報に抜けがある、失注理由が記録されていない、外れ値の扱いが決まっていない、という状態のまま学習させれば、モデルは歪んだ傾向を覚えてしまいます。再学習に着手する前に、入力ルールの徹底、失注理由の記録、外れ値を別枠で扱うルール、この3点を整えておくことが前提になります。順序を守らないと、再学習が精度を下げる方向に働きます。
なお、AIによる予測やスコアリングは、あくまでAIがデータから生成・推定する見立てであり、精度が100%になることはありません。再学習で精度を高めても、最終的な着地判断は人が担う、という併用の前提を外さないことが重要です。予測は人の判断を置き換えるものではなく、判断の根拠を厚くするものだと位置づけます。
確度定義とプロセスの見直し（主観のずれを直す）
モデルやデータの前に、そもそも人が付ける確度の定義がずれていれば、集めた数字は比較できません。継続改善では、実績と照らして「確度○%と付けた案件が実際にどれだけ受注したか」を検証し、定義を実態に合わせて更新します。ここを標準化しないと、再学習に使う材料も歪んだままになり、いくらモデルを直しても精度は安定しません。確度の見直しは、地味ですが継続改善の土台です。
確度と実績受注率の突き合わせ
確度定義を検証する最も直接的な方法が、付与した確度と実際の受注率の突き合わせです。「確度70%と付けた案件群の、実際の受注率は何%だったか」を集計します。確度70%の案件が実際には50%しか受注していなければ、その組織の70%は実態より楽観的だということです。この突き合わせを確度の階層ごと（20%・40%・60%・80%など）に行うと、どの確度帯が実態からずれているかが見えます。
ステージ定義・確度基準の統一と更新
突き合わせでずれが見つかったら、確度基準そのものを更新します。目指すのは、誰が判定しても同じステージ・同じ確度になる状態です。そのために、各確度・各ステージに「この条件を満たしたらこの確度」という客観的な条件を紐づけます。稟議に上がった、見積を提出した、決裁者と接触した、といった事実ベースの条件です。感覚ではなく事実で判定できるようにすると、担当者による主観のばらつきが減ります。基準は一度決めて終わりではなく、実績との突き合わせを毎期繰り返して更新し続けます。
標準化はデータ一元化と両輪
確度やステージの標準化は、それだけでは機能しません。属人化の解消は、情報が個人やExcelに散在する状態をなくすデータの一元化と、誰がやっても一定の質で回るプロセスの標準化、この2つの両輪で成り立ちます。定義を統一しても、その定義に沿って入力された情報が一つに集まっていなければ検証できませんし、逆に情報を集めても定義がばらばらなら足し合わせられません。継続改善では、どちらか片方に偏らず、定義の統一と情報の一元化を並行して進めることが求められます。
継続改善を回す運用サイクルと役割分担
ここまでの要素、すなわち測る・原因を切り分ける・外れ値を扱う・再学習する・定義を見直す、これらは誰がいつ回すのかまで決めて初めて仕組みになります。個々の手法を知っていても、担当と頻度が曖昧なままでは運用が続きません。営業現場・マネージャー・営業企画で役割を分け、週次と四半期のリズムに落とし込みます。ツールで営業情報やデータが一元化されていると、この検証と見直しの負荷が下がります。
週次・四半期のリズムに落とす
継続改善は2つのリズムで回します。週次では、パイプラインの更新と確度の点検を行います。案件の最新状況を反映し、確度が事実に基づいて付いているかを短いサイクルで詰めることで、着地見込みの精度を保ちます。四半期では、その期の予測と実績の乖離を振り返り、どの層に原因があったかを議論したうえで、確度定義の更新やモデルの再学習を判断します。週次は精度の維持、四半期は精度の底上げ、と役割を分けると混乱しません。
役割分担
役割は3者で分けます。現場の担当者は、案件情報の入力と、事実に基づく確度付けを担います。ここが崩れると上流のすべてが崩れるため、最も基礎的で重要な役割です。マネージャーは、週次レビューで確度の妥当性を点検し、案件の進捗を確認します。営業企画は、乖離を測る指標の設計、確度定義の更新、再学習を行うかどうかの判断を担います。誰か一人がすべてを抱えるのではなく、入力・レビュー・設計を分けることで、継続改善が個人の頑張りに依存しなくなります。
データ基盤が継続改善の前提になる
これらのサイクルを回す前提として、営業情報やデータが一つの場所に集まり、予測と実績を突き合わせられる状態が必要です。情報が散在していると、乖離を測る作業だけで時間が溶けてしまい、肝心の原因分析や見直しに手が回りません。データに基づく判断のプロセス全体はデータドリブンな意思決定でも整理しています。
こうしたデータ基盤を支える手段のひとつがSFA/CRM（営業支援・顧客管理システム）です。SFAは営業プロセスを前に進める仕組み、CRMは顧客との関係を長期に築く仕組みで、実務では両者を統合して扱う形が一般的です。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からAIが次のアクションを示唆したり、標準レポート（売上予測・売上推移・ファネル分析など）で予実の乖離を可視化したりできます。予測と実績を突き合わせる作業を人手で毎期組み立てるより、こうしたツールで一元化されたデータから可視化できると、検証の負荷が下がります。分析をさらに深めたい場合は、Mazrica BIのような分析基盤（Mazrica Salesの利用が前提）で予実管理・要因分析を役割ごとに可視化する、といった選択肢もあります。いずれも継続改善を回す土台の一例であり、他社のSFA/CRMや分析ツールでも同種の役割を担えます。
まとめ｜精度は運用で上げ続ける
予測精度は、優れたモデルを一度導入すれば手に入るものではなく、運用のなかで上げ続けるものです。改善に着手するときは、自社のずれがどの層にあるかで打ち手が変わります。予測がぶれる原因がデータの散在にあるなら、まず入力の一元化から着手します。確度がチームや担当者でばらつくなら、確度定義を実績と突き合わせて更新することから始めます。データも定義も整っているのに全体が一方向にずれ始めたなら、モデルは入れて終わりではなく、四半期ごとの再学習を前提に据えます。
とはいえ、いきなり全社の運用サイクルを設計しようとすると動き出せません。現実的な第一歩は、直近1四半期の予測着地額と確定実績を1つの表に並べ、全体・チーム単位でどれだけずれたかを眺めてみることです。この乖離を見るだけでも、原因がどの層にありそうかの見当がつき、次に手を打つべき場所が絞れます。体系的な全体像は売上予測（フォーキャスト）の高度化で確認できます。
よくある質問
Q 予測精度はどのくらいの数字を目指せばよいですか
一律の目標値はなく、100%は現実的な目標にはなりません。予測は将来を扱う以上、外部要因による不確実性を完全には消せないためです。目指すべきは絶対値としての高い精度そのものより、毎期の乖離率を記録し、その乖離が四半期を追うごとに縮小していく状態です。まずは自社の直近数期の乖離率を測り、その水準を出発点として少しずつ縮めていく考え方が実務的です。
Q AIを導入すればすぐに予測精度は上がりますか
導入しただけでは上がりません。AI予測は蓄積された営業情報やデータをもとに推定するため、そのデータが揃っていない、確度の定義がばらついている、といった状態では精度が出ません。入力ルールの整備によるデータの一元化と、ステージ・確度定義の統一が前提になります。土台が整って初めて、AIによる予測が実態に近づいていきます。
Q 予測がずれたとき、まず何から確認すればよいですか
原因の4層のうち、下流にあたる入力データの質から確認するのが優先順位として妥当です。予測に載っている案件が現場の実態と合っているか、失注済みの案件が残っていないか、金額や次アクションに抜けがないかを見ます。ここが崩れていると、上流のプロセスや確度、モデルをいくら見直しても効果が出ません。データの土台を確認してから、確度定義、モデルへと上流をたどります。
Q モデルの再学習はどのくらいの頻度で行うべきですか
定期と変化時の2軸で考えます。定期は四半期ごとの予実振り返りに合わせるのが実務的です。加えて、商材構成の大幅な変更、営業組織の再編、確度・ステージ定義の改定といった大きな変化が起きたときは、定期を待たずに再学習を検討します。ただし実績が十分にたまる前に頻繁に学習させると、少ないサンプルに引っ張られて不安定になるため、頻度を上げれば良いわけではありません。
Q 予測精度を担当者の評価に使ってもよいですか
予測誤差を個人の査定に直結させることは避けたほうがよいです。予測が外れると評価が下がる仕組みにすると、担当者は外したくないために確度を保守的に付けるようになり、予測全体がかえって実態から離れます。乖離を測る目的はあくまで精度改善であって、担当者を評価することではありません。チーム単位の傾向をプロセス改善の材料として使うにとどめるのが安全です。
Q 需要予測と売上予測（フォーキャスト）の精度改善は同じ考え方ですか
土台となる「予測と実績を突き合わせて改善する」という発想は共通しますが、扱う対象が異なります。需要予測は市場全体の需要量を統計的に見積もるのに対し、この記事で扱う売上予測（フォーキャスト）は、個別の案件や確度の積み上げから自社の着地を見込むものです。そのため本記事は、確度の主観性やステージ定義、案件単位の外れ値といった営業のフォーキャスト特有の論点に絞って解説しています。