「せっかく最新のAIツールを導入したのに、予測が全く当たらないんです」
そのような課題を抱えるケースが、多くの企業で見受けられます。特に営業企画部門の方々が、経営層からの期待を背負ってAIツールやCRM連携のAI拡張機能を導入したものの、期待したような洞察が得られず、課題を抱えているケースが散見されます。
結論から申し上げます。AIが予測を外す原因の8割は、AIそのものではなく、読み込ませている「データ」にあると考えられます。
例えば、CRMに入力された「（株）」「株式会社」という表記揺れや、空欄になっている項目を、人間は文脈や経験で補完して読み取ることができます。しかし、AIにとってそれは「別のデータ」あるいは「無」として処理されます。精度の高い予測モデルを作るには、高価なAIツールを導入することよりも、まず足元のデータを「AIが理解できる形」に整えること、つまり「データ衛生管理（データハイジーン）」が不可欠です。
今回は、データサイエンティストではない営業企画部門の実務担当者が、今日から取り組める「商談予測精度のためのデータ整備術」を、5つのステップに分けて解説します。これは地味な作業に見えるかもしれませんが、AI時代の営業組織において、高い投資対効果が期待できる実用的な取り組みです。
なぜAI導入前に「データの大掃除」が必要なのか
「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」。これはデータ分析の世界で古くから言われている格言ですが、生成AIや予測AIがビジネスの中核に組み込まれつつある現在、その重要性はかつてないほど高まっています。
GIGO（ゴミを入れればゴミが出る）の原則
AI、特にMicrosoft Copilot for Salesのような最新のAIアシスタントは、背後で極めて高度なLLM（大規模言語モデル）が動いています。これらのモデルは推論能力や文脈理解力が飛躍的に向上していますが、あくまで「与えられた情報」に基づいて回答を生成する点に変わりはありません。
もしCRMデータの中に、更新されていない古い商談情報や、重複した顧客レコード、あるいは担当者の主観で入力されたフェーズ情報が混在していたらどうなるでしょうか。
AIはそれらを「正当な事実」として処理し、パターンを見つけ出そうとします。結果として、「過去に一度も接触していないのに成約確度が高い」という矛盾した予測や、「すでに失注した商談に対してフォローアップメールを提案する」といった誤ったアクションプランが出力されるリスクがあります。
特に現在は、AIが単なる「提案」から、自律的にタスクを実行する「エージェント」へと進化しています。Excel AgentやWord Agentのように、AIがデータに基づいて資料作成や分析を自律的に行う場面が増えるにつれ、誤ったデータに基づく「自動化された失敗」の影響範囲も拡大してしまうのです。
商談予測におけるノイズデータの弊害
商談予測（フォーキャスト）において、ノイズデータは予測精度を著しく低下させる要因となります。例えば、入力必須項目を埋めるためだけに「とりあえず」入力された「売上予定日」や「金額」は、AIの予測モデルを歪める典型的なノイズです。
具体的には、営業担当者が失注商談のフェーズを「失注」に変更せず、単に放置していたケースを想定してください。AIがこれを「長期間停滞しているが維持されている商談＝潜在的な成約可能性がある案件」と誤学習してしまうリスクがあります。これにより、全体の売上予測が実態よりも上振れし、経営層の意思決定をミスリードする事態になりかねません。
AI拡張機能が読み取れるデータ形式とは
CopilotなどのAI拡張機能がCRMと連携して高度な推論を行う際、主に以下の2種類のデータを組み合わせて分析します。
- 構造化データ: 金額、日付、フェーズ、ドロップダウンリストの選択肢など、データベースとして整理された情報。予測の「骨格」となる重要なデータです。
- 非構造化データ: 商談メモ、メールのやり取り、議事録、添付ファイルなどのテキスト情報。
最新のAIモデルは、マルチモーダル対応やコンテキストウィンドウの拡大により、非構造化データの解釈が非常に得意になっています。メールの文面から顧客の感情を読み取ったり、議事録からネクストアクションを抽出したりすることが可能です。
しかし、商談予測のような数値的なアウトプットにおいては、依然として構造化データの品質が決定的な役割を果たします。非構造化データの活用が進む今だからこそ、その土台となる構造化データの「データ衛生管理（Data Hygiene）」を徹底することが、AI活用の成否を分ける第一歩となります。
Step 1：予測モデルの「正解」を定義する
データの大掃除を始める前に、まず決めるべきことがあります。それは「AIに何を予測させたいのか」というゴール設定です。ここが不明確だと、どんなにきれいなデータを用意しても意味がありません。
目的変数の明確化：成約率か、時期か、金額か
データ分析用語で「目的変数」と呼ばれるものですが、難しく考える必要はありません。シンプルに「何を知りたいか」を定義します。
- 成約率（Win/Loss）: その商談が最終的に受注するか失注するか。
- 着地時期: いつ受注するか（今月か、来四半期か）。
- 最終金額: アップセルや値引きを含めて、いくらで着地するか。
多くの営業企画部門担当者はこれらを一度にAIに処理させようとしますが、最初は「成約率」に絞ることを推奨します。0か1かの結果はデータとして扱いやすく、モデルの精度検証もしやすいからです。
過去データの選定基準
「過去のデータはすべてAIに読み込ませればよい」というのは誤りです。例えば、3年前と現在では、商品構成も営業プロセスも市場環境も変化しているはずです。古すぎるデータはノイズになります。
一般的には、直近1年〜2年分のデータが最も予測に役立ちます。また、営業プロセスが大きく変更されたタイミングがあれば、それ以降のデータを使用するのが適切です。AIには「現在の成功パターン」を学習させる必要があるからです。
「失注」データの重要性
ここで陥りやすい点があります。「成功事例を学習させたい」という意識が強すぎて、受注した商談データばかりを集めてしまうことです。
AIが「何が成約につながるか」を理解するためには、対となる「何が失注につながるか」のデータが同じくらい重要です。これを「不均衡データの是正」と呼びますが、ビジネス視点で言えば、失敗パターンもしっかり学習させる必要があります。失注理由や、失注した商談の行動ログこそが、成功へのヒントを含んでいるのです。
Step 2：CRMデータの収集と選別（Collection）
目的が決まったら、次は材料集めです。CRM（SalesforceやDynamics 365など）の中には膨大なデータテーブルが存在しますが、商談予測に必要なものは限られています。
必須フィールドの特定
商談オブジェクト（Opportunity）の中で、予測に直結するフィールドを選び出します。最低限必要なのは以下の項目です。
- 商談金額（Amount）: 提案金額の推移。
- フェーズ（Stage）: 現在の進捗段階。
- 完了予定日（Close Date）: 営業担当者が予測する受注日。
- 商談作成日（Created Date）: リードタイムの計算に必要。
- リードソース（Lead Source）: どこから来た案件か。
これらに加えて、「競合情報の有無」や「決裁者との面談有無」といったカスタムフィールドがあれば、それらは予測因子になります。
活動履歴（アクティビティ）データの抽出
現代のAI商談予測において、価値が高いのがこの「活動履歴」です。
- メールの送受信回数
- 会議の回数と時間
- 電話のログ
「最終接触から何日空いているか」「こちらから送ったメールに対して返信があるか」といった事実は、営業担当者の主観的な「フェーズ」よりも、商談の状況を客観的に把握する上で役立ちます。Copilotなどの拡張機能は、OutlookやTeamsのデータとCRMを紐づけることで、この活動量を自動的に評価に組み込むことができます。
非構造化データ（日報・メモ）の活用可能性
さらに、営業日報や商談メモといったテキストデータも収集対象です。以前は分析が難しかった領域ですが、LLMの登場で活用できるようになりました。
「顧客が予算を懸念している」「競合他社が安値を提示」といったテキスト情報をAIが読み取り、リスク要因としてスコアリングすることが可能です。ただし、これらを活用するためには、最低限「商談レコードにメモが紐づいている」状態にしておく必要があります。
Step 3：ダーティデータの検出とクレンジング（Cleaning）
ここからが本番、データの大掃除です。CRMデータによくある「汚れ」を検出し、きれいにしていきます。ExcelやBIツール、あるいはCRM標準のデータ管理機能を使って進めていきます。
名寄せと重複排除のルール設定
最も多いのが重複データです。同一企業が「株式会社〇〇」と「〇〇（株）」として別々に登録されていると、AIはこれらを全く別の顧客として扱い、過去の取引履歴を正しく参照できません。
- 企業IDの統一: 法人番号やDUNSナンバーなどをキーにして名寄せを行う。
- 重複ルールの適用: CRM側の機能で、名前とメールアドレスが一致するレコードの作成をブロック、または統合を促す設定を入れる。
営業企画部門としては、既存データのクレンジングと同時に、今後重複を作らせないための対策をシステム側に設定することが重要です。
欠損値（Null）の処理方針
データの一部が空欄（Null）である場合、AIモデルの学習時にエラーの原因となったり、精度を下げたりします。欠損値への対処法は主に3つです。
- 削除する: 重要な項目（金額など）が欠けているレコードは、学習データから除外する。
- 補完する: 平均値や中央値、あるいは「不明」というカテゴリで埋める。
- 推定する: 他の項目から値を推測して埋める（AI自身に補完させることも可能）。
実務的には、商談金額が入っていない商談は予測が難しいため「削除」、競合情報などは入っていなければ「なし」として「補完」するのが一般的です。
異常値の検出と除外
「商談金額が100億円（入力ミスで桁が多い）」「リードタイムが10年（昔の商談を使い回している）」といった異常値（外れ値）も、モデルに影響を与えます。
箱ひげ図などでデータの分布を確認し、明らかに異常な数値は除外するか、修正する必要があります。これらは単純な入力ミスであることが多いので、営業担当者に確認して修正を依頼するのも有効な手段です。
Step 4：AIが理解しやすい形への変換（Transformation）
データがきれいになったら、仕上げとしてAIがよりパターンを見つけやすい形に加工します。専門用語では「特徴量エンジニアリング」と言いますが、AIへのヒント作りです。
カテゴリカルデータの数値化
AIは計算機なので、文字よりも数字を好みます。例えば、商談フェーズが「初期提案」「見積提示」「最終交渉」というテキストの場合、これを「10%」「50%」「90%」といった確度スコア（数値）に変換したり、あるいは「Phase_1」「Phase_2」といったカテゴリIDに変換したりします。
Copilotなどの高度なAIはテキストのままでも理解できますが、数値化しておくことで、時系列での進捗（スコアの上昇率など）を分析しやすくなります。
期間・日数の計算フィールド作成
日付データそのもの（例：2023年10月1日）よりも、「期間」の方がAIにとっては意味のある情報になります。
- 商談期間: 作成日から今日までの日数。
- 最終接触からの経過日数: 今日の日付 - 最後の活動日。
- フェーズ滞留日数: 現在のフェーズに留まっている日数。
これらの計算フィールドをCRM側にあらかじめ作成しておくと、AIは「フェーズ滞留日数が30日を超えると失注率が急上昇する」といった法則を見つけやすくなります。
行動量のスコアリング
メールや電話の回数も、単なる「ログ」から「スコア」に変換します。「過去2週間のメール受信数」や「決裁者との会議回数」といった指標を作成します。
これにより、AIは「担当者とは頻繁にメールしているが、決裁者との会議が0回なのでリスクが高い」といった論理的な判断が可能になります。
Step 5：データ品質を維持する運用ルールの策定
一度きれいにしても、日々の営業活動でデータはまた汚れていきます。これを防ぐのが「データガバナンス」です。営業企画部門の腕の見せ所とも言えます。
入力項目の必須化とバリデーション
「お願い」ベースの入力ルールは定着しません。システムで強制力を働かせることが実用的です。
- フェーズ移行時の入力必須化: 「見積提示」フェーズに進むには「金額」と「競合」の入力がないと保存できないようにする。
- 入力規則（バリデーション）: 金額欄にマイナス値を入れられないようにする、未来の日付しか入力できないようにする、などの制御。
ただし、あまりに厳格にすると現場の入力負荷が高まり、CRM離れを引き起こすので、バランスが重要です。「入力するとAIが業務効率化を助けてくれる」というメリットを感じさせるUXが必要です。
定期的なデータ監査の仕組み
月に一度、あるいは四半期に一度、データの健康診断を行います。
- 入力率の可視化ダッシュボードを作成し、チームごとの入力状況をランキング化する。
- 「完了予定日が過ぎているのにオープンなままの商談」を自動検出し、担当者にアラートメールを送る。
こうした活動が、AIの精度を支える土台となります。
営業現場へのフィードバックループ
最も重要なのは、データ整備が現場のメリットになると伝えることです。「データをきれいに入力した結果、AIが商談のリスクを検知し、早期に対策が打てて受注につながった」という成功事例を共有しましょう。
現場が「自分の入力したデータが、自分を助けるAIに育っている」と実感できたとき、データ品質は向上し始めます。
まとめ
AIによる商談予測は、魔法の水晶玉ではありません。それは、日々の業務で蓄積されるデータの鏡です。営業企画部門が行う「データ衛生管理」は、AIという技術を最大限に活用し、業務効率化や販促支援につなげるための戦略的なエンジニアリングです。
- 目的を定義し
- 必要なデータを集め
- 汚れを取り除き
- AIが読みやすい形に整え
- きれいな状態を保つ
この5つのステップを回すことで、Copilotはその真価を発揮し、組織に客観的な予測とインサイトをもたらしてくれるでしょう。
コメント