株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
AIリードスコアリングとは、見込み客の属性・行動・エンゲージメントをスコア化し、営業リソースを最も有望なリードに集中させる仕組みである。ガートナー社によると2026年までにB2B営業組織の65%がデータ主導型の意思決定に依存すると予測されており、リードスコアリングはその中核機能となる。本記事では、一般的な4要素スコアリング設計をもとに、本番品質のAIリードスコアリング実装パターンを解説する。
AIリードスコアリングの4要素
本番品質のリードスコアリングは以下の4要素で構成する。それぞれ独立した計算ロジックを持ち、最後に合成スコアを算出する。
| 要素 | 内容 | スコア範囲目安 |
|---|---|---|
| 1. 属性スコア(company_segment) | 業種・企業規模など静的属性 | 0〜30点 |
| 2. テリトリースコア(territory) | 地域別の営業リソース配分 | 0〜20点 |
| 3. エンゲージメントスコア(engagement) | メール開封・クリック・返信など動的行動 | 0〜50点 |
| 4. ステータス倍率(stage_multiplier) | 商談ステージに応じた重み | 0.3〜2.0倍 |
本番品質のリードスコアリングに必要な5レイヤー
レイヤー1: 属性スコア(company_segment)
最初のレイヤーは「企業属性によるスコア」である。業種・規模・上場/非上場などの静的属性で算出する。
業種別スコアリングの設計
業種別の点数配分は、自社サービスの商品適合性を基準に決める。例えばB2B SaaSなら、顧客数の多い業種ほど高スコアを付けると効果的。
業種ごとに点数を割り当てた対応表を設定として持ち、最も有望な業種に高い点数を配分する。
業種分類の更新頻度
業種別スコアは過去の成約実績に基づいて定期的に見直すべきである。運用では四半期ごとにデータを再分析し、成約率の高い業種を上位にシフトする仕組みを取っている。
レイヤー2: テリトリースコア(territory)
次のレイヤーは「地域別のスコア」である。営業リソースの配分と密接に関連する。
都道府県→テリトリーのマッピング
日本全国47都道府県を7つのテリトリーに分類する例。
都道府県からテリトリーへの対応表を設定として持つ。
テリトリー検索のヘルパー関数
都道府県名からテリトリーを高速に取得するヘルパー関数を用意する。
都道府県を受け取ってテリトリーを返す判定処理と、テリトリーに属する都道府県一覧を返す処理の2つを用意する。
テリトリー別スコアの設定指針
- 関東(主要市場): 20点 — 人口・企業数最大
- 関西: 18点 — 第2の市場
- 中部: 15点 — 製造業集積
- 九州: 12点
- 北海道/東北/中国・四国: 10点
自社の営業拠点配置と顧客の地域分布に応じてカスタマイズすべき値である。
レイヤー3: エンゲージメントスコア
最も動的に変化する要素が「エンゲージメントスコア」である。リードの行動履歴をリアルタイムで反映する。
エンゲージメント要素の配点例
メールアドレス・電話番号・企業HPの有無、メール開封・クリック・返信といった行動ごとに加点を設定する。返信の加点を最も高くする。
エンゲージメント配点の原則
- 情報完全性(has_*)は低スコア: データの充実度を示すが、意欲とは直結しない
- 開封は中スコア: 興味を示したシグナル
- クリックは高スコア: 能動的な関心
- 返信は最高スコア: コミュニケーション意欲の明確な示唆
重要なのは「能動的な行動ほど高スコア」の原則である。受動的シグナル(情報保有)と能動的シグナル(開封・クリック・返信)で明確な差をつける。
レイヤー4: ステータス倍率(stage_multiplier)
4要素の中で唯一「加算」ではなく「乗算」で効くのがステータス倍率である。商談ステージに応じて全体スコアを増減させる。
商談ステータスごとに倍率を設定し、進行に応じて倍率を上げ、失注・非アクティブは下げる。
倍率設計の原則
- 新規(1.0)を基準: すべての倍率のベースライン
- 商談ステージが進むほど増加: 成約確度の上昇を反映
- 失注(0.3)は大幅減: 再アプローチを後回しに
- 非アクティブ(0.5)は中程度減: 完全除外はせず、復活可能性を残す
スコアディケイ(スコア減衰)の実装
2026年のHubSpotアップデートでは、予測スコアリングに正式なスコアディケイ機能が組み込まれた。非アクティブなリードのスコアを段階的に減少させる仕組みである。これはステータス倍率の考え方と同じで、時間経過によって自動的にスコアを下げる。
レイヤー5: 合成スコアの計算
4要素を組み合わせて最終スコアを算出する。次のロジックで計算する。
属性・テリトリー・エンゲージメントの加点を合計した後、最後にステータス倍率を乗算して整数化する。
計算順序の重要性
- 加算を先に: 属性+テリトリー+エンゲージメントを合計
- 乗算を後に: ステータス倍率を最後にかける
- 整数化: 最終結果をint()で整数に丸める
この順序を守らないと、ステータス倍率が各要素に別々に適用されてしまい、意図したスコアにならない。
リード優先度の4段階分類
計算されたスコアを元に、リードを4段階の優先度に分類する。HubSpot等のCRMが採用する標準的な分類である。
| 優先度 | スコア範囲(例) | 対応方針 |
|---|---|---|
| Very High | 80点以上 | 即日フォロー、電話も検討 |
| High | 60〜79点 | 24時間以内にメール |
| Medium | 40〜59点 | 週次ナーチャリング |
| Low | 40点未満 | 月次ニュースレターのみ |
スコアの閾値は業界と営業リソースに応じて調整する。閾値は定期的に見直し、成約率が最も高くなる値を探索的に決める。
データモデルの設計
Leadエンティティの必須フィールド
- company_name: 企業名
- company_segment: 業種(Enum)
- prefecture: 都道府県
- email / phone / website: 連絡先
- status: 商談ステータス(Enum)
- score: 計算済みスコア(キャッシュ)
- last_touched_at: 最終更新日時
メール履歴エンティティ
- sent_at: 送信日時
- mail_opened_at: 開封日時(null許容)
- link_clicked_at: クリック日時(null許容)
- mail_replied_at: 返信日時(null許容)
メール履歴は時系列データなので、1つのリードに対して複数レコードが紐付く。スコア計算時に最新のエンゲージメントを反映する。
テリトリー別レポートの実装
テリトリー情報は単にスコアリングに使うだけでなく、地域別の営業レポートにも活用できる。
レポート例
- テリトリー別リード数
- テリトリー別平均スコア
- テリトリー別成約率
- テリトリー別担当者別の生産性
- テリトリー別のナーチャリング効果
これらの指標を組み合わせることで、営業リソースの配分見直しや採用計画のデータとして活用できる。
AIによるスコアリングの高度化
ルールベースのスコアリングは運用が安定する一方、以下の限界がある。
ルールベースの限界
- 業界の変化に追随しきれない
- 個別リードの特性を反映できない
- 複雑な相互作用(例: 業種×地域×行動履歴の組み合わせ)を扱えない
AI(機械学習)への移行パターン
- 初期: ルールベース — 本記事のような4要素合成
- 中期: データ蓄積 — 成約/失注の結果を学習データとして蓄積
- 後期: 機械学習モデル — ロジスティック回帰、勾配ブースティング等
- 最終: 予測AI — 深層学習や生成AIによる予測
ただし、最初から機械学習を導入しないほうが良い。運用データが蓄積されていないと学習できず、ブラックボックスになって営業チームが納得しないことが多い。まずはルールベースで運用を回し、十分なデータが溜まってから機械学習に移行するのが実用的である。
AIエンゲージメント予測との統合
2026年以降の方向性として、予測スコアリングが主流になる。過去の行動履歴から「次のアクションの確率」を予測する。
予測対象の例
- 次回メール開封の確率
- 返信する確率
- 30日以内の商談成立確率
- 1年以内の成約確率
- 離脱(Inactive化)の確率
これらを組み合わせてリアルタイムスコアを算出することで、より精度の高い優先度付けが可能になる。
実装上の特徴
renueはリードスコアリング機能を自社プロダクトとして実装している。社内の主要業務を自社開発のAIツールで自動化済み(2026年1月時点)であり、リードスコアリングも広告運用・マーケティングの中核機能として組み込まれている(全て公開情報)。
技術スタック
- Enumによる型安全: リード種別・商談ステータス
- 設定の一元管理: スコアリングルール定義 dict
- ヘルパー関数: 担当エリア判定処理 / 担当エリア内都道府県の取得処理
導入時のよくある失敗パターン
- スコア閾値を決めずに運用開始: Very High/High/Medium/Lowの分類ができない
- ステータス倍率を加算で実装: 意図した重み付けにならない
- エンゲージメント履歴を蓄積しない: 予測スコアリングへ移行できない
- 業種分類を更新しない: 業界変化に追随できない
- テリトリー情報を活用しない: 営業リソース配分の改善ができない
- スコア減衰(decay)がない: 古いリードが上位に残り続ける
- いきなり機械学習を導入: ブラックボックスで営業が納得しない
業界別の活用パターン
| 業界 | 重視すべきスコア要素 |
|---|---|
| BtoB SaaS | 企業規模・業種・エンゲージメント |
| 人材 | 業種・職種・応募経路 |
| 製造業 | 業種・規模・地域(近距離営業) |
| 金融 | 企業信用度・業種・地域 |
| 不動産 | 予算・エリア・問い合わせ内容 |
| 飲食関連B2B | 業態・地域・取引量見込み |
