営業分析の代表例と必要データ｜顧客・活動・パイプライン・予実管理・商品分析まで

「データは蓄積されているが、何を分析すればよいか分からない」「レポートは見ているが、次のアクションが変わらない」という悩みを持つ営業担当者やマネージャーは少なくありません。営業データ分析で成果を出すには、手法の名称を知ることより、「どの課題に対してどのデータを使い、何を判断するか」を整理することが先決です。

この記事では、営業データ分析の代表的な手法（動向・要因・KPI・行動・パイプライン・商談・顧客など）を、それぞれに必要なデータ項目・指標とあわせて解説します。さらに、実践のための4ステップと、分析が成果に変わらない典型的な失敗パターンも取り上げます。

営業情報やデータをどのように戦略的に活用するか、SFAツールを軸にした全体的な枠組みはSFAを活用した営業データ活用の全体像で整理しています。まず全体像を把握したうえで、この記事で各分析テーマを深掘りしてください。

営業データ分析が必要な理由

営業組織がデータ分析に取り組む背景には、「勘と経験だけでは再現性を担保できない」という構造的な課題があります。分析が必要な理由は「再現性の確保」と「判断のスピード」の2点に集約されます。どちらも、チームとして安定した成果を出し続けるために不可欠な要素です。

以下では、それぞれの具体的な状況を整理します。

勘・経験だけでは属人化が固定化する

トップセールスが退職・異動した際に、その営業スタイルや顧客関係が引き継がれないという問題は多くの組織で起きています。ノウハウが個人の頭の中に留まっている限り、チームの成果は特定メンバーへの依存度に左右されます。

データがあれば、受注した案件の行動履歴（接触回数・提案タイミング・キーマンへのアプローチ順序など）を抽出し、再現できる形に標準化できます。属人化の解消は「データの一元化」と「プロセスの標準化」の両輪で進めるものですが、データ分析はその出発点になります。

データがあれば判断のタイミングを早められる

案件の失注予兆を早期に検知するには、フェーズ滞留日数や接触頻度の変化をリアルタイムで把握することが必要です。「なんとなく雲行きが怪しい」という感覚的な判断より、「このフェーズに30日以上滞留しており、先月から接触が途絶えている」という定量的な根拠があれば、マネージャーが適切なタイミングで介入できます。

また、データで全案件の進捗を一元管理できれば、マネージャーが週次の1on1で担当者ひとりひとりから状況を聞き出す時間を削減できます。確認の時間を判断と支援の時間に充てられるようになることが、データ分析の実務的な恩恵のひとつです。

顧客ニーズの変化を数値で追える

失注理由や受注パターンのデータが積み上がると、「どの業種・規模の顧客が受注に至りやすいか」「どの競合に負けているケースが増えているか」といった変化を、定性的な肌感覚ではなく数値として捉えられるようになります。市場の変化に対して根拠を持って対応策を立てるためにも、継続的なデータの蓄積と分析が基盤になります。

営業データ分析の代表的な手法と必要データ

営業分析には複数のテーマがあり、目的によって「使うデータ」「見るべき指標」が異なります。重要なのは、手法を先に選ぶのではなく、「今、何を改善したいか」という課題を先に決めることです。課題が決まれば、それに対応する分析テーマと必要なデータが自然に絞られます。

以下では、代表的な9つの分析テーマを、必要なデータとその活用方法とあわせて整理します。

動向分析

動向分析の目的は、売上・案件数・受注率などの時系列変化を把握することです。「先月より受注件数が減っているが原因がつかめない」という状況の初期対応として、まず全体のトレンドを確認するために用います。

必要なデータは、月次・四半期別の売上実績、案件数、受注件数、担当者別の実績データです。これらを時系列で並べることで、目標対比・前年同期比・季節変動のパターンを把握でき、異常値が生じている時期や担当者を特定する手がかりになります。

要因分析

要因分析は、受注・失注の原因を特定するための分析です。動向分析で「受注率が下がっている」ことが分かった後、「なぜ下がっているか」を掘り下げるために使います。

必要なデータは、失注理由（選択式で記録されたもの）、案件フェーズ別の脱落率、競合情報、担当者・商品・エリアの属性データです。失注理由がフリーテキストのまま蓄積されている場合は集計が困難になるため、選択肢形式に統一しておくことが分析精度に直結します。受注率が低いフェーズや担当者・商品を特定し、改善策を絞り込むことがこの分析のゴールです。

検証分析

検証分析は、施策や改善アクションの効果を測定するための分析です。「提案フェーズでのデモを標準化したら受注率が上がったか」「インサイドセールスの架電スクリプトを変えた前後で商談化率は変わったか」といった問いに数値で答えます。

必要なデータは、施策前後の受注率・アクション数・案件化率などの時系列比較データです。PDCAサイクルの「Check（評価）」にあたるステップで、施策を「やった」ことで満足せず、効果を定量的に確認する習慣を組織に定着させるうえで欠かせない分析です。

KPI分析

KPI分析は、営業プロセス全体の指標を体系的に管理するための分析です。どの指標が目標値から外れているかを定期的に確認することで、手を打つべき箇所を早期に特定できます。

営業KPIとして代表的な項目と、それに必要なデータは以下のとおりです。

• 新規リード獲得数 マーケティング・インサイドセールス経由の件数
• 見込み案件数・商談化率 案件化した数÷リード数
• 受注率（コンバージョン率） 受注件数÷提案件数
• 営業案件数 進行中の案件の総数
• 平均受注単価 受注金額の合計÷受注件数
• 案件発生日からのリードタイム 案件生成から受注までの平均日数

これらの指標を定期的に計測し、目標との差分が大きい指標から優先的に原因を深掘りすることが、KPI分析の実践的な進め方です。

行動分析

行動分析は、担当者ごとのアクション量と質を把握するための分析です。受注率や売上だけを見ていると結果しか見えませんが、行動データを加えることで「なぜその結果になったか」のプロセスが見えてきます。

必要なデータは、電話件数・訪問件数・メール送信数・提案件数と、それぞれのアクション結果（商談獲得・見送り・再アプローチ予定など）です。高い成果を出している担当者の行動パターン（1商談あたりの接触回数・提案タイミング・フォローの頻度など）を抽出し、チーム全体に展開することが活用の主な目的です。

あわせて、営業活動の見える化の観点から、行動データをどのように可視化・共有するかも検討するとよいでしょう。

エリア分析

エリア分析は、地域・テリトリー別の売上・案件分布を把握するための分析です。リソース配分が適切かどうかを評価し、未開拓エリアの特定や担当区域の見直しに活用します。

必要なデータは、取引先所在地・担当テリトリー・エリア別売上、および移動時間を含む訪問効率のデータです。「訪問件数は多いが受注が少ないエリア」と「訪問効率が高く受注率も高いエリア」を比較することで、リソース配分の最適化につながります。

営業パイプライン分析

パイプライン分析は、案件が各営業フェーズでどこに詰まっているかを可視化するための分析です。「案件数は多いが受注が増えない」という状況の原因を、フェーズ単位で特定するために用います。

必要なデータは、フェーズ別案件数・金額・フェーズ滞留日数・フェーズ通過率です。特定のフェーズで滞留日数が長い案件が集中していれば、そのフェーズに構造的な問題（提案の質・承認フローの遅さ・キーマンへのアクセス不足など）がある可能性が高いと判断できます。ボトルネックを特定し、フェーズごとの支援策を打つことがこの分析のゴールです。

商談分析

商談分析は、個別の商談の進捗・質を評価するための分析です。「この案件はなぜ長期化しているか」「どのタイミングで失注リスクが高まっているか」を把握するために活用します。

必要なデータは、商談の開始から終了までの日数、接触回数、関与したキーマンの数（決裁者への接触有無を含む）、提案内容と受注確度の変遷です。長期化している案件の共通パターン（決裁者未接触・競合の介在・提案内容の刷新なし）を分析することで、個別対応の優先度付けと提案ストーリーの改善につながります。

顧客分析

顧客分析は、取引先の価値・継続性・成長余地を評価するための分析です。既存顧客のどこにLTV向上の余地があるかを把握し、リソースを集中すべき顧客を特定します。

必要なデータは、受注金額・頻度・継続年数・購入商品の組み合わせ（クロスセル率）・業種・企業規模・担当者の異動情報です。受注金額が大きいが継続年数が短い顧客と、金額は小さいが長期継続している顧客では、対応の優先度や施策の方向性が異なります。データで顧客を分類することで、感覚ではなく根拠のある営業戦略を立てられます。

分析を実践するための4ステップ

分析の手法を知っていても、「何から手をつければよいか」が分からなければ机上の話で終わります。実践の鍵は「目的→データ整備→分析→アクション」を小さく回すことです。最初から全指標を追おうとすると入力・管理の負荷だけが増えて続かなくなるため、1つの課題に絞って始めることが現実的な進め方です。

各ステップで典型的なつまずき点もあわせて整理します。

ステップ1：分析の目的と優先課題を決める

最初にやるべきことは、「受注率が低い」「パイプラインが不透明で月末にならないと着地が読めない」「特定の担当者に案件が偏っている」など、改善したい課題を1つに絞ることです。

起点として使いやすいのは、営業生産性の方程式（商談数×受注率×単価÷工数）のどこが詰まっているかを確認することです。商談数が少ないのか、受注率が低いのか、案件単価が伸びないのか、それとも工数の割に成果が出ていないのかを整理すれば、対応する分析テーマが自然に決まります。

目的が曖昧なまま全KPIを追い始めると、収集・入力の負荷だけが増えて現場が疲弊し、データが蓄積されなくなるという悪循環に陥ります。最初の分析対象は「1課題・1〜2指標」に絞ることを推奨します。

ステップ2：必要なデータを収集・整備する

目的に対応するデータ項目を特定し、入力ルールを決めます。このステップで最も重要なのは、「分析に使えるデータ」と「現場が継続して入力できるデータ」を一致させる設計です。

失注理由をフリーテキストで入力させると集計できません。「価格」「競合負け」「ニーズなし」「タイミング」などの選択肢に統一することで、初めて集計・分析の対象になります。同じく、業種・担当者名・商品名なども表記ゆれが生じやすい項目であり、プルダウン形式や標準コードの設定が分析精度に直結します。

入力ルールを決めるだけでなく、「なぜこのデータを入力するのか（誰が・何のために使うのか）」を現場に伝えることも定着には欠かせません。入力の意義が見えない作業は後回しにされます。

ステップ3：指標を可視化し、ボトルネックを特定する

データが蓄積されたら、主要KPIをダッシュボードやレポートで定期的に確認できる状態をつくります。確認の頻度は、売上実績なら月次、パイプラインや行動指標なら週次が一般的です。

全体の数値だけを見るのではなく、担当者別・フェーズ別・商品別・エリア別に切り分けることが重要です。全体の受注率が10%でも、担当者Aは15%・担当者Bは5%という分布が分かれば、担当者Bのどのフェーズで脱落が多いかをさらに深掘りできます。

例えばSFA/CRMのパイプラインビューや、フェーズ滞留日数を可視化できるレポート機能は、案件の停滞箇所を特定するうえで実用的です。Mazrica SalesのようなSFA/CRMでは、案件ボードでフェーズ別の進捗を色分け表示したり、AIが受注確度や次のアクション候補を示唆する機能を持つものもあります。ただし、どのツールが適しているかは組織の規模・運用体制によって異なります。

ステップ4：分析結果をアクションと検証に結びつける

「分析したが何も変わらない」という状況の典型は、数値の確認で会議が終わり、「誰が・何を・いつまでに」という具体的な次のアクションが決まらないケースです。分析は意思決定の材料であり、それ自体が成果ではありません。

分析会議のゴールを「KPIの確認」ではなく「次の打ち手を決めること」に設定し直すことが、このステップの本質です。「受注率が低いフェーズが特定できた→そのフェーズでの提案スクリプトを見直す→2週間後に同じ指標を再確認する」という流れをセットで運用することで、分析が組織の行動変容につながります。施策を打った後は一定期間後に同じ指標を再確認し、ステップ1に戻るループを回すことが実践の核心です。

分析に使えるツールの種類と特徴

営業データ分析に使えるツールは3種類に分類できます。目的・組織規模・現状のITリテラシーに応じて選択することが重要です。「より高機能なツールが良い」という発想より、「今の分析目的に必要十分なツールはどれか」を起点にすることが、導入後も使われ続けるための判断軸になります。

Excel・スプレッドシート

初期コストがかからず、既存の環境でそのまま始められる点が最大の利点です。営業メンバーが少数でシンプルな集計・分析であれば、Excelやスプレッドシートでも十分に機能します。

一方、データが増えると管理負荷が上がり、複数担当者が同時に更新する際の競合や、リアルタイムでの進捗共有が難しくなるという制約があります。また、入力ルールの統制が取れていないと、担当者によってフォーマットが異なり、集計に手間がかかります。

向くケース：営業メンバーが5名以下・分析の頻度が月次程度・まず試験的に始めたい場合。

SFA/CRM

SFA（営業支援システム）・CRM（顧客関係管理システム）は、案件・アクション・顧客情報を一元管理し、入力と同時に分析用のデータが蓄積される仕組みを持ちます。パイプライン分析・行動分析・KPI管理をリアルタイムで行えるものが多く、マネージャーが随時データを参照して意思決定できる環境をつくれます。

例えばMazrica SalesのようなSFA/CRMでは、案件ボードでフェーズ別の進捗を可視化し、フェーズ滞留日数の色分けで停滞案件を一目で把握できる機能を持ちます。AIが蓄積データをもとに受注確度や類似案件のパターンを示唆する機能（AIインサイト・AIフォーキャストなど）を持つ製品も増えています。こうしたAI活用は「過去の振り返り」から「未来の予測」へのシフトを助けますが、精度はデータ量と品質に依存するため、入力ルールの整備が前提です。

向くケース：営業チームが10名以上・マネージャーが日常的にデータを見て指示したい・案件情報の入力を一元化したい組織。

BIツール

BIツール（ビジネスインテリジェンスツール）は、SFA・基幹システム・Excelなど複数のデータソースを統合し、クロス集計・ドリルダウン・カスタムダッシュボードを実現するツールです。分析の自由度が高く、経営層向けの複合レポートや、営業以外の部門データとの組み合わせ分析が必要な場面に向いています。

一方で、導入・設定に一定のコストとリテラシーが必要です。SFAを運用していない状態でBIツールから始めると、分析の元となるデータそのものが不足するという問題が生じます。

SFAとBIツールの役割の違いや連携の考え方については、SFAとBIツールの違いと連携を参照してください。

向くケース：すでにSFAを運用しており、より高度な多軸分析・経営層向けのレポートが必要な組織。

「分析しても成果が変わらない」よくある失敗パターン

分析の手法と必要なデータを理解していても、運用の仕方次第で成果に差が出ます。最も多いのは「データは見ているが次のアクションが変わらない」パターンですが、その背景にはいくつかの構造的な原因があります。以下に代表的な失敗パターンと、それぞれへの対処策を整理します。

データの入力が現場に定着しない

入力項目が多すぎる、または入力しても自分の業務に返ってくるメリットが見えないという状況では、入力は後回しにされます。管理者側が「データを集めたい」という目的だけで設計すると、現場との間にこのズレが生じます。

対処策は、まず入力項目を最小限の必須項目に絞ることです。そのうえで、「入力したデータが自分の次のアクション判断に使われる」「マネージャーから適切なフィードバックが来る」という体験を現場が実感できる設計にすることが定着の鍵になります。

指標を見るだけで終わり、アクションが決まらない

週次や月次のレポートを定期的に確認しているにもかかわらず、会議で数値を共有するだけで改善策が決まらないというケースは頻繁に見られます。「受注率が先月より2%下がっています」という確認で終わると、その後の行動が変わりません。

対処策は、分析会議のゴール設定を変えることです。「KPIの確認」ではなく「次の打ち手を決める場」として設計し、分析結果から「誰が・何を・いつまでに」を決めることをセットにします。

「過去の振り返り」だけで「予測」に使えていない

月末に前月の実績を振り返るだけの運用では、当月の受注着地予測や個別案件への早期介入が遅れます。振り返りは必要ですが、それだけでは先手を打てません。

対処策は、パイプラインのフェーズ滞留日数を週次で確認し、リスク案件を早期に特定する運用にシフトすることです。「先月の結果を分析する」から「今月の着地をどう変えるか」という視点で分析を活用することが、成果への連結を速めます。

データ品質が低く分析結果が信頼できない

入力ルールが統一されていないため、同じ企業名が複数の表記で登録されている、失注理由のフリーテキストが多様すぎて集計できないといった状態では、分析結果の信頼性が下がります。担当者が分析結果を「正確でない」と感じると、そもそもデータを見なくなります。

対処策は、入力規則の整備（選択式・プルダウン化・コードの標準化）と、定期的なデータクレンジングをセットで運用することです。SFA/CRMにAI名寄せ機能がある場合は、重複・表記ゆれの検出と統合に活用を検討してもよいでしょう（機能の有無はツールにより異なります）。

分析の前提｜必要なデータの収集と環境整備

どれだけ優れた分析手法を知っていても、分析の元となるデータが不足・不統一では正確な結果は得られません。「分析できる環境」をつくるためには、データを収集できる仕組みと、現場が継続して入力できるルールの整備が先決です。これは分析の「前提」であり、ステップ2（データ収集・整備）と連動する取り組みです。

分析目的に合わせたデータ項目の特定

「何のために分析するか」が決まれば、「何を入力すべきか」が決まります。逆に言えば、目的を決めずにデータ収集を始めると、後から「このデータでは分析できない」という状況になります。

すべてのデータを集めようとすると入力負荷が高くなりすぎて現場が疲弊するため、分析目的から逆算して必要なデータ項目を絞ることが重要です。たとえばパイプライン分析を優先するなら、フェーズ別案件数と滞留日数が計測できる形でデータが入力されているかを確認するところから始めます。

入力ルールの統一

フリーテキストではなく選択肢・プルダウン形式に統一することで、データが集計可能な状態になります。失注理由・業種・担当者名・商品名は特に表記ゆれが生じやすい項目です。コード化・標準化が分析精度に直結します。

入力ルールは一度設計したら終わりではなく、実際の入力データを確認しながら定期的に見直すことが必要です。現場の入力実態に合わない選択肢は使われなくなるため、運用しながら改善する姿勢が重要です。

定期的なデータクレンジング

重複・表記ゆれ・古い情報が混在すると分析結果が歪みます。たとえば同一企業が「株式会社○○」と「（株）○○」の2件で登録されていると、その企業への売上が分散して正確な顧客分析ができません。

定期的な名寄せと古いデータの整理を仕組みとして持つことが、長期的なデータ品質の維持につながります。SFA/CRMにAI名寄せ機能がある場合は、重複の自動検出と統合候補の提示に活用できます（機能の有無はツールによって異なります）。

まとめ

営業データ分析の出発点は、手法の選択ではなく「改善したい課題の特定」にあります。営業生産性を高めるためには、まず「商談数・受注率・単価・工数」のどこが詰まっているかを確認し、それに対応する分析テーマとKPIを選ぶことが現実的な進め方です。

課題のタイプ別に、最初の一歩を整理します。

• パイプラインの停滞を解消したい 組織は、フェーズ滞留日数とフェーズ別通過率を週次で確認することを最初の一歩にしてください。どのフェーズで案件が詰まっているかが明確になれば、支援策を絞れます。
• 属人化を解消したい 組織は、受注案件の行動データ（接触回数・提案タイミング・キーマンへのアプローチ順序）を蓄積し、成功パターンを抽出する分析から始めてください。再現可能な型ができれば、育成や引き継ぎの基盤になります。
• 売上予測の精度を高めたい 組織は、案件のフェーズと受注確度をリアルタイムで管理できる環境の整備が先決です。データが蓄積されれば、着地予測の精度は段階的に上がります。

どの分析も「見て終わり」ではなく、次のアクションと検証サイクルとセットで運用することが成果につながります。営業データ活用の全体像や、SFAを活用した戦略的なデータ活用の考え方については、SFAを活用した営業データ活用の全体像で整理しています。

よくある質問

Q 営業データ分析はどこから始めればよいですか？

A

改善したい課題（受注率・商談化率・リードタイムなど）を1つ特定し、それに対応するKPIを1〜2個に絞って定点観測することが現実的な第一歩です。「全指標を一度に管理しよう」という進め方は、入力・確認の負荷が上がりすぎて続かなくなる典型パターンです。まず1つの課題に集中し、サイクルが回り始めたら対象を広げていくことを推奨します。

Q ExcelとSFA/CRMはどう使い分ければよいですか？

A

チームが5名以下・月次確認程度であればExcelで十分なケースもあります。10名以上でリアルタイム管理・マネージャーによる日常的なデータ活用が必要な場合はSFA/CRMが向きます。すでにSFAを運用していてより高度な多軸分析や経営層向けのレポートが必要な場合は、BIツールとの連携を検討します。ツールより先に「何を分析したいか」を決めることが選択の基準になります。

Q 営業データ分析で最も重要なKPIはどれですか？

A

目的によって異なります。新規開拓の強化が目的なら「商談化率」と「初回接触件数」、受注率の改善が目的なら「フェーズ別通過率」と「案件発生日からのリードタイム」、売上予測の精度向上が目的なら「フォーキャスト精度（着地予測対実績）」が優先度の高いKPIです。まず目的を絞ることで、見るべき指標が決まります。

Q データ分析が現場に定着しない場合の対処法は？

A

入力項目を最小化したうえで、「入力したデータが自分の業務（次のアクションの判断や評価）に直結する」という体験を現場が実感できる設計にすることが鍵です。管理者が入力を求めるだけでなく、入力したデータをもとにマネージャーが具体的なフィードバックや支援を返す仕組みをつくることで、入力の意義が現場に伝わります。

Q パイプライン分析とは何を見るものですか？

A

各営業フェーズに存在する案件の数・金額・フェーズ滞留日数・フェーズ通過率を可視化し、どのフェーズで案件が停滞または脱落しているかを特定するための分析です。「案件数は十分あるのに受注が増えない」という状況の原因をフェーズ単位で分解し、ボトルネックに対して具体的な支援策を打つことが目的です。

Q AIを営業データ分析に活用するとどう変わりますか？

A

AI活用の主な変化は、「過去の振り返り」から「未来の予測・示唆」へのシフトです。受注確度の自動スコアリング・リスク案件の早期検知・売上着地予測など、蓄積されたデータから次に取るべきアクションを示唆する形で活用が進んでいます。ただし、AIの精度はデータの量と品質に依存します。入力ルールの整備と継続的なデータ蓄積が前提になるため、AI活用はデータ基盤の整備と並行して進めることが現実的です。