ARTICLE

証券会社の顧客リスト作成・スコアリングをAIで効率化する方法|LLMによる営業リスト自動生成の実装アプローチ

2026/9/16 (更新: 2026/9/18)

SHARE

証券会社の顧客リスト作成・スコアリングをAIで効率化する方法|LLMによる営業リスト自動生成の実装アプローチを解説【2026年版】

証券

証券会社の顧客リスト作成・スコアリングをAIで効率化する方法|LLMによる営業リスト自動生成の実装アプローチ

ARTICLE株式会社renue
renue

株式会社renue

2026/9/16 公開2026/9/18 更新

アウトソーシング効率化エージェント

アウトソーシング効率化エージェントで、この記事のテーマを実務に落とし込めます

renueが社内で運用しているシステムをサービス化したものです。何ができるか、どう動くかをサービスページでご覧ください。

証券会社の顧客リスト作成・スコアリングをAIで効率化する方法|LLMによる営業リスト自動生成の実装アプローチ

証券会社のリテール営業において、顧客リストの作成とスコアリングは営業成果を左右する最重要業務です。本記事では、営業担当者が顧客データベースを目視で確認し、経験と勘で「今アプローチすべき顧客」を選定している手作業中心の運用を想定します。本記事では、この業務の詳細フローを整理し、汎用LLM(Claude等)を活用して顧客リスト作成・スコアリングを効率化する具体的なアプローチを解説します。

業務の詳細フロー(現状の手作業)

ステップ1:顧客データの抽出

CRM(顧客管理システム)から担当顧客の一覧を抽出します。保有資産残高、取引履歴(直近の売買日・銘柄・金額)、属性情報(年齢・職業・投資経験)、過去の接触履歴(電話・来店・セミナー参加)等のデータを取得します。

ステップ2:市場環境の確認

当日の市場動向(日経平均・為替・金利)、直近の決算発表銘柄、新規上場予定、ファンドの運用状況等を確認し、「今この情報を伝えるべき顧客は誰か」を判断するための材料を収集します。

ステップ3:顧客の優先順位付け

「保有銘柄に大きな値動きがあった顧客」「満期を迎える債券を保有する顧客」「最近取引がない顧客」等の条件で顧客を絞り込み、アプローチの優先順位をつけます。この作業は営業担当者の経験と勘に大きく依存しています。

ステップ4:アプローチ内容の準備

優先順位の高い顧客ごとに、提案する商品・サービス、伝えるべき情報、想定される質問への回答を準備します。顧客ごとにカスタマイズが必要なため、この作業に多くの時間を要します。

ステップ5:リストの更新・管理

アプローチ後の結果(通話結果、受注/失注、次回アクション)をCRMに記録し、リストを更新します。この一連のサイクルを日次・週次で繰り返します。

課題・ペインポイント

  • 属人化:顧客の優先順位付けが営業担当者の経験に依存し、担当者によってアプローチの質にばらつきが生じる
  • 時間の浪費:毎朝のリスト作成(CRM抽出・市場確認・絞り込み・アプローチ準備)に時間を取られ、実際の顧客接点に充てる時間が減少する。所要時間は導入前に担当者ごと・工程ごとに実測しておくと、パイロット運用での比較指標になる
  • 機会損失:数百〜数千人の担当顧客の中から「今アプローチすべき顧客」を漏れなく抽出することが困難
  • 市場連動の遅れ:市場の急変時に、影響を受ける顧客を即座に特定してアプローチするスピードが不足
  • 新人の立ち上がり:ベテランの「目利き」がないと効果的なリストが作れず、新人の生産性が低い

AI化のアプローチ(LLMによる実装イメージ)

入力データの設計

LLMに以下のデータを入力として渡します:

  • 顧客データ(CRM抽出):顧客ID、保有銘柄・残高、直近取引履歴、属性情報、接触履歴、過去の提案内容と結果
  • 市場データ:当日の主要指標、値動きの大きい銘柄、直近の決算発表、新規上場予定、経済イベント
  • 自社商品情報:今月の推奨商品、キャンペーン情報、新規ファンドの情報

LLMへの指示(プロンプト設計の考え方)

LLMには以下のような役割と指示を与えます:

  • 役割設定:「あなたは証券会社のリテール営業支援AIです。顧客データと市場データを分析し、今日アプローチすべき顧客の優先リストを作成してください」
  • スコアリング基準の明示:「以下の基準で各顧客をスコアリングしてください。①保有銘柄の値動き影響度、②直近の取引活発度、③前回接触からの経過日数、④ライフイベント(満期・配当・分配金等)の有無、⑤自社推奨商品との適合度」
  • 出力フォーマットの指定:「顧客ID、スコア(100点満点)、推奨アプローチ内容、提案商品、想定トーク例を表形式で出力してください」(入力・出力とも顧客IDで受け渡し、出力された顧客IDと氏名の対応付けはLLMの外側にある社内の営業支援画面側で行う)

人間が判断すべきポイント

  • 最終的な優先順位の判断:AIが提示したスコアを参考にしつつ、「この顧客は先日ご不幸があったので今日は控える」等の人間関係・状況判断は営業担当者が行う
  • 提案内容の最終確認:AIが提案した商品が顧客の投資方針・リスク許容度に合致しているかの適合性確認は人間の責任
  • コンプライアンスチェック:推奨内容が適合性原則に違反しないか、重要事項の説明漏れがないかの最終確認

他業種の類似事例

  • 銀行のRM(法人営業):融資提案先の優先順位付けにAIスコアリングを活用。財務データ+業界動向から「今提案すべき企業」を自動抽出
  • 保険会社の営業:顧客のライフイベント(結婚・出産・住宅購入)をトリガーにAIが保険見直し提案のタイミングを自動検知
  • 人材会社のCA(キャリアアドバイザー):求職者のスキル・志向×求人要件のマッチングスコアをAIが自動算出し、推薦先の優先順位を提示

導入ステップと注意点

ステップ1:現状業務の棚卸し(1〜2週間)

現在の顧客リスト作成プロセスを可視化し、どのデータを使い、どのような基準で優先順位を付けているかをベテラン営業担当者からヒアリングします。この「暗黙知の言語化」が最も重要なステップです。

ステップ2:スコアリング基準の設計(1〜2週間)

ヒアリング結果を基に、スコアリングの評価軸(5〜10項目)と重み付けを設計します。完璧を目指さず、まず「70点の基準」で運用を開始することが重要です。

ステップ3:プロンプトの設計・テスト(2〜4週間)

LLMに渡すプロンプトを設計し、実際の顧客データでテストします。出力の精度を検証し、プロンプトを改善するサイクルを繰り返します。

ステップ4:パイロット運用(4〜8週間)

一部の営業チームでパイロット運用を実施し、AIリストと従来リストの成約率を比較検証します。営業担当者からのフィードバックを収集し、スコアリング基準を調整します。

ステップ5:全社展開・継続改善

パイロットの成果を検証し、全社展開します。運用開始後も定期的にスコアリング精度を検証し、改善を継続します。

注意点

  • 個人情報の取扱い:顧客データをLLMに入力する際は、氏名・連絡先等を入力せず顧客IDで受け渡す、スコアリングに使わない項目は渡さない、出力の顧客IDと顧客情報の対応付けは閲覧権限を絞った社内システム側で行う、という設計にする。顧客IDへの置換だけで法令上の匿名化になるわけではないため、外部のLLMサービスを使う場合は、利用目的の範囲内か、入力データが応答の生成以外(機械学習等)に使われないか、委託・提供先としての扱いはどうかを、個人情報保護委員会の注意喚起、金融分野の個人情報保護ガイドライン、サービスの契約条件に照らして確認する
  • 適合性原則の遵守:AIの提案をそのまま顧客に伝えるのではなく、営業担当者が適合性を確認した上でアプローチすること
  • ブラックボックス化の回避:スコアリングの根拠が営業担当者に説明可能であること(「なぜこの顧客が優先なのか」を説明できること)

renue視点:専用ツールではなく汎用LLMで実現する理由

顧客スコアリングには「専用のAI営業支援ツール」が多数存在しますが、これらは導入コストが高く、カスタマイズの自由度が低いという課題があります。汎用LLM(Claude等)を活用するアプローチでは、プロンプトの修正だけでスコアリング基準を柔軟に変更でき、新しい評価軸の追加も即座に対応可能です。重要なのは「どのツールを使うか」ではなく「ベテラン営業の暗黙知をどう言語化するか」です。業務を構造化し、判断基準を明文化すれば、それはLLMの仕事にできます。

まとめ

証券会社の顧客リスト作成・スコアリングは、営業担当者の経験に依存する属人的な業務ですが、汎用LLMを活用することで大幅な効率化が可能です。CRMデータ+市場データ+自社商品情報をLLMに入力し、明確なスコアリング基準に基づいて優先リストを自動生成する仕組みを構築できます。ただし、最終的な優先順位判断、適合性の確認、コンプライアンスチェックは必ず人間が行う必要があります。

設計観点の整理: 証券会社顧客リスト・スコアリングAIの3大落とし穴

2025-2026年時点の公開文献(金融庁「AIディスカッションペーパー(第1.0版)」2025-03、金融庁AI官民フォーラム議事資料2025-06-18、日本総合研究所「金融×生成AI」レポート、IOSCO「AI in Capital Markets」2025-03 Board/2025/017、Fidelity「AI in Wealth Management」公開資料、Salesforce「AI in Wealth Management Guide」、新浪財経「大模型重塑証券行業生態」2025-03、21経済網「AI券商在途」2025-03、財聯社「証券業AI進行時16家券商大模型応用」、華泰証券「AI資産托管融合」2025-11-03、長江証券「人工智能科技浪潮」ほか)を踏まえ、証券会社顧客リスト作成・スコアリング業務における生成AI/機械学習導入で繰り返し観察される「設計上の落とし穴」を3つの論点として整理する。特定ベンダーや社内プロジェクト事例には触れず、公開ガイドライン・業界報告に限って設計観点を提示する。

① スコアリングAI×金融庁AIDP×金商法適合性原則×説明責任×バイアス対策

日本市場では、金融庁が2025-03-04に「AIディスカッションペーパー(第1.0版)」を公表し、金融分野におけるAIの健全な利活用の促進に向けた初期論点を整理、さらに2025-06-18に「AI官民フォーラム」を立ち上げた。同フォーラムは「守り」だけでなく「攻め」の姿勢を金融機関に求める方向性を示し、生成AIの活用を一般社員にも認める動きが広がっていることが金融庁の公開資料で示されている(業界公開レポート参照:金融庁 AIディスカッションペーパー第1.0版 2025-03、金融庁 AI官民フォーラム 2025-06-18、日本総合研究所 金融×生成AI、メンバーズ 金融業界生成AI 2025-08)。

みずほ証券は2024-12-16に、生成AI(RAG)を活用して社内ルール・手続き等に関する質問に社内文書を横断検索して回答する社内文書検索システム「MOAIサーチ」を全役職員向けに導入したと公表している(社内文書検索の事例であり、顧客スコアリングの事例ではない)。三菱UFJ銀行は2025-08にSalesforce「Agentforce for Financial Services」を選定し、2026-03に本稼働させ、法人・個人営業の担当行員による顧客情報の確認や面談準備をAIエージェントが支援するとSalesforceが発表している(関連する公開解説:チャエンAI研究所 金融×生成AIガイド、モビルスCX 金融業界生成AI、AI Market 金融AIエージェント、NTT東日本 金融機関生成AI活用、AIDMA 主要LLM開発企業、SpikeStudio 国産LLM 2025)。

設計観点として整理すると、証券スコアリングAIの最大の落とし穴は「金融商品取引法第40条適合性の原則×AIスコア連動営業」である。AIがリストアップした「優良顧客」に高難度商品(仕組債・レバレッジETF・プロ向けファンド等)を推奨することで、顧客属性(知識・経験・財産・投資目的)との不一致が生じ適合性違反を招くリスクがある。設計原則として(a)スコアリング結果は「営業担当者の検討候補」位置付けに限定、最終的な商品推奨は担当者による顧客面談・適合性確認後、(b)性別・出身地・疾患情報等の保護属性のスコア利用は慎重に検討(年齢は適合性確認上必要な場合がある)、(c)Proxy Variables(郵便番号等代替差別)検証、(d)スコア根拠の自然言語説明(「なぜこの顧客はスコア上位か」)の生成、(e)金融庁モニタリング対応のAI使用記録保存+顧客苦情時の再現性――が業界公開ベンチマークで推奨される。

② Next Best Action×Propensity Model×Wealth Management AI×IOSCO AI報告書×Reg BI/Fiduciary Duty

グローバル動向として、IOSCOは2025-03に資本市場におけるAIのユースケース・リスク・課題を整理した市中協議報告書(CR/01/2025、Board/2025/017)を公表した。これは当時の協議資料であって確定した原則や規範ではなく、IOSCOはその後2026-05に監督当局向けのSupervisory Toolkit(最終報告書 FR/02/2026)を公表している。また、Fidelityが2025年7〜8月にウェルスマネジメント業務の従事者730人を対象に実施した調査では、回答者の3分の2超が生成AIを既に利用しており、その利用者の半数はパイロットのみ、残り半数はスケール運用と回答している(公開資料参照:IOSCO AI Capital Markets 2025-03、Fidelity AI Wealth Management、Salesforce AI in Wealth Management、Biz4Group AI Wealth Management Top 10 2025、StratiFi AI Wealth Platform、EY AI Simulation Wealth Management、WEF AI Wealth Management 2025-03、Jump AI Tools for Financial Advisors 2026、V7 Labs AI Wealth Management Document Workflows、PortfolioPilot AI Financial Advisor)。

設計観点として、Wealth Management AIの落とし穴は「Reg BI/Fiduciary Duty(米証券SEC)とAI自律性境界」である。米国SEC Regulation Best Interest(Reg BI)は、ブローカー・ディーラーがリテール顧客に証券取引や投資戦略を推奨する時点で顧客の最善の利益のために行動する義務を規定する。これは投資顧問業者(Investment Adviser)として助言する場合のFiduciary Duty(受託者責任)とは別の規律で、どちらが適用されるかは登録区分とサービス形態で決まり、AIを利用してもこれらの義務を負うのは事業者と担当者である。設計原則として(a)Next Best Action AIの推奨は担当アドバイザーによる確認・承認を経る運用、(b)Propensity Modelの特徴量選定・モデル性能監視・Bias Drift検知の継続実施、(c)AI関与事実の顧客向け開示、(d)Meeting Intelligence(会話AI)での顧客同意取得・録音保存、(e)算法AUM(Asset Under Management)投資型AIロボアドバイザのSuitability Reviewと定期的な見直しを人間アドバイザーが実施――が本記事の推奨する設計である(法令上の一律の義務ではなく、適用される規則は法域・顧客区分・サービス形態によって異なる)。

③ 中国券商AI×中信CAP/華泰/国泰君安/中金×DeepSeek×大模型重塑証券生態×Multi-regional Securities AI Governance

中国では、財聯社の2024年5月7日の調査記事が16社の証券会社の大模型(LLM)活用を紹介している(同記事の集計であり、2025年時点の業界全体の導入社数ではない)。代表事例は、(a)中信証券「CITICS AI PLUS(CAP)」(2024 WAIC発表、AI+大模型活用プラットフォーム)、(b)華泰証券 財富管理アシスタント+資産托管AI融合(2025-11公開)、(c)国泰君安 智能投顧+智能投行+智能研究+智能営業部+智能運維+智能風控+智能協同の全方位展開、(d)中金公司「中金点睛」大模型(同社の2024年度報告で投資調査業務を支援する開発・試用に言及)、(e)長江証券AI戦略推進――が業界公開発表されている(業界公開レポート参照:新浪財経 大模型重塑証券生態 2025-03-05、21経済網 AI券商在途 2025-03-21、証券時報 券商大模型共舞、53AI 22家国内券商大模型、上海市金融委 券商大模型応用 2024-08、証券時報網 金融業AI大模型三大挑戦、新華網 華泰証券AI資産托管 2025-11-03、人人都是産品経理 券商財富管理AI大模型、長江証券 人工智能科技浪潮、財聯社 証券業AI進行時16家券商)。

設計観点として、Multi-regional展開証券スコアリングAIの構造課題は「投資者適合性規制の地域差分」と「クライアント個人情報の跨境処理」である。日本(金商法第40条適合性+金融庁モニタリング+AIDP)/米国(リテール顧客への推奨はSEC Reg BI、Reg BIの対象外の推奨はFINRA Suitability Rule 2111)/EU(MiFID II Art.25 Suitability+EU AI Act。2026-07-27発効の改正規則(EU) 2026/1744により、Annex IIIの高リスク用途に該当する場合の義務の適用開始は2026-08-02から2027-12-02に変更)/英国(FCA Consumer Duty 2023-07-31)/中国(証券法+適当性弁法+PIPL+国家網信弁「促進和規範数据跨境流動規定」2024-03-22公布・施行+国家網信弁等7部門「生成式人工智能服務管理暫行弁法」2023-08-15施行。同弁法は中国国内の公衆向けに生成AIサービスを提供する場合が対象で、安全評価・アルゴリズム備案は世論属性または社会動員能力を持つサービスに求められるため、公衆に提供しない社内利用のAIに一律に備案が必要となるわけではない)が並存する。公開文献に基づく設計観点として、多拠点展開証券会社では、法域別の適合性基準と保護属性の扱いを分ける仕組み、匿名化した特徴量レベルで知見を共有する仕組み、複数法域にまたがる顧客の適合性再評価とAI関与開示を管理する仕組みを組み合わせて設計することが重要となる。

あわせて読みたい

AI活用のご相談はrenueへ

renueは自社開発のAIツールを自社運用する「自社実証型」AIコンサルティングファームです。

→ AIコンサルティングの詳細を見る

SHARE

FAQ

よくある質問

保有銘柄の値動き影響度、直近の取引活発度、前回接触からの経過日数、ライフイベント(満期・配当等)の有無、自社推奨商品との適合度の5軸が基本です。これにベテランの暗黙知を加えてカスタマイズします。

ベテラン営業担当者の暗黙知の言語化です。「なぜこの顧客を優先するのか」の判断基準を明文化し、LLMが再現できる形に構造化することが成功の鍵です。

顧客データをLLMに入力する際は、氏名・連絡先等を入力せず顧客IDで受け渡し、スコアリングに不要な項目は渡さず、顧客IDと顧客情報の対応付けは閲覧権限を絞った社内システム側で行います。顧客IDへの置換だけで法令上の匿名化になるわけではないため、外部のLLMサービスを使う場合は、利用目的の範囲内か、入力データが機械学習等に使われないか、委託・提供先としての扱いを、 個人情報保護委員会の注意喚起 や金融分野のガイドライン、契約条件に照らして確認します。また適合性原則の遵守とスコアリング根拠の説明可能性も重要です。

主に、顧客データ基盤(CRM・取引履歴・属性情報)、市場データ連携(株価・配当・満期)、行動データ(来店履歴・コール履歴・Web行動)、特徴量設計(金融知識・リスク許容度・ライフイベント)、スコアリングモデル(教師あり学習・LLM)、説明可能なAI(XAI・SHAP)、適合性原則との整合、勧誘方針反映、AIによる支援を活用した推奨商品マッピング、データの匿名化・マスキング、ChatOpsによる営業支援、AgentOps、データガバナンス、外部AIパートナー連携、社員教育、KPIモニタリング、などです。

主に、ベテラン営業の暗黙知を言語化するワークショップ、AIによる支援を活用した顧客優先度算出、SRE/プラットフォームエンジニアリングとの連携(顧客データ基盤・MLOps)、AIエージェントによる初回コンタクト案内、AgentOps、ChatOpsによる優先顧客通知、データガバナンス(個人情報保護法・金融商品取引法・GDPR遵守)、外部AIパートナーとの連携、社員教育(AIリテラシー・適合性原則)、モデルリスク管理(バイアス・性能劣化)、説明可能性の確保、コンプライアンス監査、KPIモニタリング(接触率・成約率・顧客満足度・コンプラインシデント件数)、です。AIスコアリングは単なる順位付けではなく、顧客本位の営業を支える組織能力として、長期的な競争力の本質的な要素となります。

アウトソーシング効率化エージェント

アウトソーシング効率化エージェントで、この記事のテーマを実務に落とし込めます

renueが社内で運用しているシステムをサービス化したものです。何ができるか、どう動くかをサービスページでご覧ください。

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。

無料資料をダウンロード