株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
AI営業予測（セールスフォーキャスティング）とは
AI営業予測とは、AIと機械学習を活用して売上・受注の見通しを高精度に予測し、営業リソースの最適配分と経営の意思決定を支援するアプローチです。過去の商談データ、パイプラインの状況、営業活動の量と質、市場環境などのデータをAIが統合分析し、「いつ・いくらの売上が・どの程度の確率で」見込めるかを予測します。
P&S IntelligenceのAI in Sales市場レポートは、世界市場の売上を2025年約88億米ドルと推計し、2032年約635億米ドル、2026〜2032年のCAGRを32.6%と予測しています（2026年9月30日確認）。営業予測だけでなくAI搭載CRM、営業インテリジェンス、分析ソフトウェア、導入・運用支援サービス等を含む市場です。これは調査会社の推計・予測であり、AI営業予測ツールだけの実績市場規模ではありません。Forecastioの解説には、過去12か月のデータで2週間ごとに再学習した企業の例として、機械学習の予測精度88%、スプレッドシートの64%が記載されています。ただし、この例の企業名、対象件数、評価期間、精度の算式や元の測定資料は公開ページで確認できておらず、営業チーム全般の比較値や本記事の手法で達成できる精度とは扱えません。元の「最大20%向上」に近い公開資料として、McKinseyの2018年4月17日資料は、消費財のサプライチェーンにおける需要要因を使った予測の事例で、精度が10〜20%改善する可能性を述べています。BtoB商談の受注確度全般を保証する数値ではなく、前述の88%対64%と同一の集計とも確認できません。AIを営業マネジメントに取り入れる際は、対象と評価指標をそろえて改善幅を検証します。
従来の営業予測の課題
営業担当者の主観バイアス
従来の営業予測は、営業担当者がCRMに入力する主観的な「受注確度」に大きく依存しています。楽観的な担当者は確度を高く見積もり、慎重な担当者は低く見積もるため、組織全体の予測精度が低下します。HubSpotの営業解説（2023年10月31日更新）でいう「happy ears（ハッピーイヤー）」は、顧客の懸念や条件を十分に確認せず、好意的な反応から商談を楽観視してしまう傾向です。ここでの「症候群」は営業上の比喩です。上司に良い報告をしたいために確度を上方修正する行動とは区別し、どちらも予測を歪め得るバイアスとして、顧客の懸念や確認済みの事実を点検します。
スプレッドシートの限界
Excelベースの予測では、計算の複雑さ、データの鮮度、バージョン管理、コラボレーションに限界があります。数百の商談という件数だけでExcelの処理能力を超えるとはいえません。Microsoftの仕様では1ワークシートの上限は1,048,576行で、実際の処理負荷は数式、変数数、データモデル、メモリ等にも依存します。マクロやピボットテーブルで分析する場合も、モデルを継続的に更新・検証し、データ鮮度や版を管理する運用負担と、計算資源の限界を分けて評価してください。
過去データの未活用
多くの企業がCRMに蓄積された膨大な商談データを予測に活用できていません。「同じ業種の同じ規模の商談が、平均何日で・どのステージで停滞し・どの割合で成約するか」という過去のパターンが、手動予測では活かしきれません。
AI営業予測の主要機能
商談レベルの受注確度予測
AIが個々の商談の受注確率をスコアリングします。商談のステージ、滞留日数、担当者の活動量（メール数、電話数、会議数）、ステークホルダー数、競合の有無、過去の類似商談のパターンなど、数十の変数を統合分析して受注確率を算出します。営業担当者の主観ではなく、データに基づいた客観的な確度評価が可能になります。
パイプライン予測
パイプライン全体の将来の着地金額を予測します。商談ごとの受注確率×金額を積み上げるだけでなく、パイプライン全体の「健全性」（新規商談の流入速度、ステージ移行率、商談の停滞パターン等）を評価し、より現実的な着地見通しを提供します。
リスク商談の早期警告
AIが「リスクのある商談」を自動検知しアラートを発信します。長期間ステージが動いていない商談、主要ステークホルダーとの接触が途絶えている商談、競合が参入した兆候がある商談などを早期に特定し、マネージャーのコーチング介入を促します。
シナリオ分析
「もしこの大型商談が失注したら、四半期の着地はどうなるか？」「あと何件の商談を追加すれば目標に届くか？」といったWhat-If分析をAIが即座に実行します。営業リーダーが戦略的なリソース配分の判断を行うための定量的根拠を提供します。
設計アイディア：受注確度予測と利益率予測の統合
例えば建設業であれば、過去の見積・受注データから成功パターンを抽出して受注確度を予測し、さらに類似案件の利益率データと連携させて「赤字リスクが高い案件」にアラートを出す、という設計が考えられます。工事条件・競合状況・価格帯といった変数をどう組み合わせるかがポイントです。
このアプローチの特徴は、単なる売上予測にとどまらず「利益率を考慮した案件選別」まで踏み込んでいる点です。営業担当者に「断る根拠」を提供し、高利益率案件への注力を可能にすることで、売上だけでなく利益の最大化を実現します。
業界別のAI営業予測活用
| 業界 | 予測対象 | AI活用のポイント |
|---|---|---|
| BtoB SaaS | MRR/ARR予測、更新・解約予測 | 利用データ+商談データの統合分析 |
| 製造業 | 受注残高予測、案件利益率予測 | 見積データ+受注データの機械学習 |
| 建設業 | 受注確度予測、工事利益率予測 | 過去案件の成功パターン抽出 |
| 金融サービス | 融資・保険の成約予測 | 顧客属性+行動データの統合分析 |
| 不動産 | 成約予測、価格予測 | 市場データ+顧客行動の組み合わせ |
主要AI営業予測ツール
| ツール | 特徴 | 対象 |
|---|---|---|
| Salesforce Einstein | Salesforce CRMネイティブ。商談スコアリング+パイプライン予測 | Salesforce環境 |
| Clari | Revenue Intelligence特化。パイプライン分析+予測+コーチング | エンタープライズ営業 |
| Gong Forecast | 会話インテリジェンス+予測の統合。商談の質の定量評価 | 営業マネジメント |
| HubSpot Forecasting | HubSpot CRM内蔵。AIによる予測支援。中堅企業向け | HubSpot環境 |
| InsightSquared | Revenue Intelligence。詳細なパイプライン分析と予測 | 中〜大企業 |
| Outreach Forecast | セールスエンゲージメント+予測の統合 | セールスチーム |
AI営業予測導入のステップ
ステップ1: CRMデータの品質改善
AI営業予測の精度はCRMデータの品質に直結します。商談のステージ定義の統一、金額の正確な入力、クローズ予定日の定期更新、活動履歴の記録を徹底します。「ゴミを入れればゴミが出る」はAI営業予測にも当てはまります。
ステップ2: 予測モデルの構築
過去12〜24か月の商談データ（受注/失注の結果を含む）を学習データとして、受注確度予測モデルを構築します。商談ステージ、滞留日数、金額、担当者の活動量、顧客属性などの特徴量を設計します。
ステップ3: パイロット運用と精度検証
特定の営業チームやセグメントでパイロット運用を開始し、AIの予測と実績の差分（予測精度）を検証します。モデルの予測が営業の肌感覚と大きくずれる場合は、特徴量の追加やモデルの再調整を行います。
ステップ4: 営業プロセスへの組み込み
AIの予測結果を週次のパイプラインレビュー、1on1コーチング、四半期フォーキャストのプロセスに正式に組み込みます。「AIがこの商談をリスクと判定している→マネージャーが介入→コーチング実施」というアクショナブルなワークフローを確立します。
ステップ5: 継続的な改善
商談の結果データが蓄積されるたびにモデルを再学習し、予測精度を継続的に向上させます。市場環境の変化（競合の参入、価格改定等）に応じてモデルを更新するフィードバックループを確立します。
よくある質問（FAQ）
Q. AI営業予測の精度はどの程度ですか？
88%対64%はForecastioの解説例にある数値ですが、精度の算式・件数・評価期間・元測定資料が未確認のため、一般的な達成水準としては使えません。売上金額の予測はMAEやMAPEなどの誤差指標を明記し、学習に使わない後続期間の実績で手動予測と比較します。受注／失注の判定率と売上金額の誤差は別の指標です。MAPEは実績がゼロの場合に定義できず、ゼロに近い場合も不安定になるため、MAEなども併用して評価してください。（予測精度の評価方法）データが不足している場合や品質が低い場合は、まずデータ基盤の整備から着手する必要があります。
Q. CRMのデータが不十分でもAI営業予測は導入できますか？
必要な履歴・件数は製品と予測対象で異なり、「最低限12か月分・200件以上」を共通条件にはできません。例えばSalesforce公式では、Einstein Forecastingに過去12か月の各月の商談更新履歴等を求めます。一方、Einstein Opportunity Scoringの自社データでのモデル作成は、過去24か月に受注200件・失注200件以上、各商談の存続期間2日以上や履歴・ステージの要件があります。データ不足時には同社のグローバルモデルを使う仕組みも説明されており、売上予測の条件とは区別が必要です。3〜6か月間CRM入力を徹底する場合も、期間だけで十分とは判断せず、採用製品の要件と未学習期間での精度を確認して導入を判断します。（Salesforceの機能別データ要件）
Q. 営業担当者がAI予測を信頼しない場合はどう対処しますか？
AI予測・手動予測と実績を同じ対象・期間・指標で比較して透明に共有し、AIが上回った点と下回った点を確認します。また、AIは「営業担当者の判断を否定する」ものではなく「判断を支援するデータを提供する」ものであると位置づけ、最終判断は常に人間が行うことを明確にします。
まとめ
AI営業予測（セールスフォーキャスティング）は、営業パイプラインの予測を支援する手法です。手動64%とAI88%という解説例は元測定条件が未確認で、同じ改善を保証するものではありません。受注確度予測、リスク商談の早期警告、シナリオ分析により、営業リーダーはデータに基づいた戦略的な意思決定が可能になります。CRMデータの品質改善から始め、段階的にAI予測を営業プロセスに組み込むことで、売上と利益の予測可能性を根本的に高めてください。
株式会社renueでは、AI営業予測の構築から営業DX全般のコンサルティングを提供しています。セールスフォーキャスティングの高度化についてお気軽にご相談ください。
