AI売上予測と営業の着地予測｜精度より何日目に分かるか
店長営業から上がってきた案件を足し合わせて当月の着地見込みを作り、経営会議に持っていく。その数字が毎月ずれる。作っている本人がいちばん信用していない。この作業をAIで置き換えられないか、という問いから本記事は始まります。結論から言えば置き換えられる部分はありますが、それは多くの記事が想定しているものとは違う場所です。
H2-1. 「AI売上予測」には2種類ある — 営業の着地予測はどちらか
はじめに、本記事が扱う作業を確定させます。ここで扱うのは「当月・当四半期が最終的にいくらで着地するか」を営業部門が見積もる作業です。着地見込み、フォーキャストとも呼ばれます。経理部門が期初に立てて開示する業績予想とは、作る人も、使う場面も、更新の頻度も違います。この記事は前者だけを扱います。
そのうえで押さえておきたいのが、「AI売上予測」という言葉が指すものが二つあるという点です。
ひとつは時系列予測型です。過去の売上推移、季節性、天候、価格、販促といった要素から、将来の売上量そのものを予測します。小売やEC、製造業の需要予測がこれにあたり、日次から月次のデータが長期にわたって必要になります。出てくる答えは在庫や生産の計画に接続します。
もうひとつが案件積み上げ型（パイプライン予測）です。個々の商談に受注確率を付け、それを合計して当期の着地を出します。BtoB営業の着地予測はこちらです。必要なのは売上推移ではなく、案件データ、つまり金額・ステージ・クローズ予定日・活動履歴です。
| 時系列予測型 | 案件積み上げ型 | |
|---|---|---|
| 予測の単位 | 商品・カテゴリ・店舗ごとの売上量 | 個々の商談 |
| 必要なデータ | 日次〜月次の売上推移、価格、販促、季節要因 | 案件の金額・ステージ・クローズ予定日・活動履歴 |
| データ量の目安 | 季節性を学べるだけの期間ぶんの連続データ | クローズ済み案件がまとまった件数 |
| 出てくる答え | 来月・来期にどれだけ売れるか | 今期がいくらで着地するか |
| 向く業態 | 小売・EC・製造など、点数が多く反復購入がある業態 | BtoB・法人営業など、一件ごとの商談を管理する業態 |
「AI 売上予測」で検索して出てくる記事や事例は、その多くが前者です。欠品を減らした、食品ロスが減ったという事例を読んで自社での検討を始めると、そもそも必要なデータが最初から存在しない、という地点にたどり着くまでに時間を使うことになります。以降、この記事は案件積み上げ型だけを扱います。
H2-2. 着地予測は当てるために出すのではない — 間に合ううちに気づくために出す
予測という言葉には、未来を言い当てる技術という響きがあります。そのため精度という一語が議論の中心に据えられやすく、当たったかどうかで道具の良し悪しが決まるものとして扱われます。ただ、組織の中で予測が実際に担っている役割は、その響きとは少し違う場所にあるのかもしれません。
未来の数字を出す作業は、同時に、いま手元にある情報がどこまで揃っているかを露わにする作業でもあります。予測がぶれるのは未来が不確かだからだと説明されがちですが、ぶれ幅のかなりの部分は、現在の状態がどこまで見えているかの差から生まれています。つまり予測とは、未来についての情報であると同時に、現在についての情報です。後者として読み直すと、精度を上げるという課題は、当てる技術を手に入れる話ではなく、現在の解像度をいつ手に入れるかという話に移ります。予測を「未来を映す鏡」ではなく「現在を映す鏡」として置き直したとき、何を改善すべきかの順番は入れ替わるはずです。
AIによる売上予測を扱う記事は、ほぼ例外なく「精度が上がる」「勘や属人的な予測から脱却できる」という方向にそろっています。ここで一度、その前提をひっくり返しておきます。
着地予測の価値は、当たったかどうかではありません。残り日数でまだ打てる手があるうちに、「このままでは足りない」と気づけるかどうかにあります。極端に言えば、精度の高い着地予測を月末の最終日に出しても、価値はほぼゼロです。そこで分かったところで、増やす手立てはもう残っていません。着地予測は測定ではなく、警報だと考えたほうが実態に合います。
ここから三つの帰結が出てきます。
第一に、評価すべきは精度ではなく、いつ分かったかです。月の何日目に、予測値が最終着地の近くまで収束したか。これが本来の指標になります。
第二に、月末に近づくほど予測は当たりますが、その分だけ価値は下がります。当たる予測を求めれば求めるほど、意思決定に使えないタイミングまで待つことになります。精度と実用性は、月内では逆を向いています。
第三に、AIに求めるべきは「正しい数字」ではなく「早い違和感」です。長く動いていない案件、確度が高いのに接触が途絶えている案件、過去の似た案件とは明らかに異なる進み方をしている案件。これらは月の前半でも検出できます。
以降の章は、この三つを実装していく順に並んでいます。
H2-3. 営業の着地予測の出し方と、AIが入れ替える部分
着地予測の計算方法そのものは、すでに多くの記事が図解つきで解説しています。本記事はそれを並べ直すことはしません。方法を三つ覚えることより、その式のどこにAIが入るのかを一点で理解するほうが、導入後に何が変わったかを説明できるようになります。この章では、まず三つの方式の使い分けの境目を押さえ、そのうえでAIが触る場所を特定します。ここが分かっていないと、次章以降の話がツールの機能比較に見えてしまいます。
H3-3-1. 単純按分・加重平均・パイプライン積み上げ — 使い分けの境目
着地予測の出し方は大きく三つあります。単純按分は、月の途中までの実績を経過日数で割り、営業日数を掛けて月末を推定します。加重平均は、前年同月などの月内進捗カーブを当てはめて、月初と月末の売れ方の違いを織り込みます。パイプライン積み上げは、既に受注した金額に、進行中の案件の金額と受注確度を掛けたものを足し上げます。
使い分けの境目は、案件単価のばらつきにあります。一件で月の売上の相当部分を占める案件が存在する商材では、按分も加重平均も意味を失います。その一件が入るか入らないかで着地が決まってしまい、日数で割った推定はその変動を表現できないからです。BtoBの法人営業でパイプライン積み上げが標準になっているのは、この理由によります。
| 方式 | 式の考え方 | 前提 | 月初の信頼度 | 向く商材 |
|---|---|---|---|---|
| 単純按分 | 実績 ÷ 経過日数 × 営業日数 | 受注が月内で平準化していること | 低く、月初は必ず暴れます | 単価が小さく件数が多い商材 |
| 加重平均 | 前年同月の月内進捗カーブを当てはめる | 季節性や月末寄せの傾向が安定していること | 按分よりは安定します | 季節変動や月末寄せがある商材 |
| パイプライン積み上げ | 既受注 ＋ 各案件の金額 × 受注確度の合計 | 案件が漏れなく登録され、確度が更新されていること | 案件データの鮮度に依存します | 単価が大きく商談期間が長い商材 |
H3-3-2. AIが置き換えるのは「確度」だけ、金額とクローズ日は人が持つ
パイプライン積み上げの式、すなわち「既受注 ＋ 各案件の金額 × 受注確度の合計」のうち、AIが触れるのは受注確度だけです。金額は見積であり、クローズ予定日は最終的に顧客の都合で決まります。どちらもAIが当てにいく対象ではありませんし、当てにいかせようとすると、営業が入力を放置する口実を与えることになります。
AIが確度を出すために見ているのは、ステージ、案件の経過日数、活動量（接触の頻度や最終接触からの日数）、関与している人数、そして過去の似た案件がどう決着したか、といった記録です。これらから「この案件は最後まで行きそうか」を推定し、人が付けた確度と入れ替えます。
つまり、AIによる着地予測とは確度の付け替えであって、式そのものは変わりません。ここを理解しないまま導入すると、ツールを入れた前と後で数字がどう変わったのかを、自分の言葉で説明できなくなります。逆に言えば、金額とクローズ予定日の鮮度は、AIを入れても人が守り続ける必要があります。
H2-4. AIは営業の確度申告をそのまま学習する
AI導入を検討する人がいちばん引っかかるのは、たいていここです。ツールを変えても、入力しているのは今までと同じ営業であり、その申告が希望的観測を含んでいるなら、出てくる数字も同じではないのか。この疑問はまったく正しく、そして多くの記事が答えていない箇所でもあります。
答えは、そのままではそのとおりになります。AIは渡されたデータの中にある規則性を学びます。確度の申告が実態から離れた癖を持っているなら、AIが学ぶのはその癖です。この章では、まず確度が意味を失っている典型的な状態を確認し、そのうえで、AIの使い方そのものを反転させる方法を示します。
H3-4-1. 「確度80%」が意味を持っていない状態
多くの会社で、確度のランクやパーセンテージは営業が主観で付け、その後に更新されません。そこには決まった症状が現れます。
ひとつめは、上振れ側に固まることです。低く出すと詰められるため、確度は上げやすく下げにくい方向に働きます。ふたつめは、月末に一斉に下がることです。間に合わないと分かった時点でまとめて修正されるため、着地見込みが月末の数日で大きく動きます。みっつめは、ステージと確度が連動していないことです。提案したまま何か月も動いていない案件が、高い確度のまま残り続けます。
この状態のデータをAIに渡すと、AIが学ぶのは「受注するかどうか」ではありません。「営業がこう申告する案件は、こう申告される」という申告の癖です。予測の見た目は精緻になりますが、中身は人の希望的観測を高い解像度で再現したものになります。道具を変えても中身が変わらないという直感は、この意味では当たっています。
H3-4-2. 確度を当てさせるのではなく、申告と実績の乖離を測らせる
そこで発想を反転させます。AIに確度を当てさせるのではなく、「申告された確度ごとに、実際にはどれだけ受注しているか」を出させます。高い確度で申告された案件が実際にはそこまで決まっていないなら、その営業のその申告は割り引いて読むべきだ、という係数が手に入ります。これは機械学習を待たなくても、CRMの集計だけで出せます。
この乖離が見えて初めて、AI予測に渡す入力が意味を持ちます。そのために整えるべき項目は多くありません。ステージの定義を行動で書くこと（「提案済」ではなく「決裁者に見積を提示済」のように、誰が見ても同じ判定になる書き方にします）、クローズ予定日を過ぎた案件を自動で滞留に落とすこと、そして失注理由を必須にすることの三つです。三つめは特に効きます。失注が失注として記録されていなければ、AIは負けるパターンを学ぶ材料を持てません。
| 症状 | AIが学習してしまうこと | 先にやること |
|---|---|---|
| 確度が上振れ側に固まる | 高確度で申告される案件の見分け方 | 申告確度ごとの実受注率を出し、係数として読む |
| 月末に一斉に確度が下がる | 月末に確度が下がるという時期の癖 | クローズ予定日超過を自動で滞留に落とす |
| ステージと確度が連動しない | ステージを無視した確度の付き方 | ステージの定義を、判定できる行動の言葉で書き直す |
| 失注が記録されず消える | 勝った案件の特徴だけ | 失注理由を必須項目にする |
H2-5. その予測は何と比べて当たっているのか
「精度を上げる方法」を扱う記事は数多くありますが、何と比べて上がったのかを書いた記事はほとんどありません。ベンダーから提示される精度の数字も同じです。その数字が高いのか低いのかを判断するには、比較対象が要ります。比較対象とは、今の自社のやり方、つまり営業の申告合計と単純按分の精度です。
これを持っていない限り、AIを導入しても効果は永遠に検証できません。数字は出るのに、良くなったのかどうかを誰も言えない状態になります。この章では、導入を検討している段階の今日から作れる比較対象と、そのうえで何を見るかを扱います。
H3-5-1. ベースラインを先に置く — 営業の申告合計と単純按分
やることは単純です。過去の数か月から一年ぶんについて、月ごとに次の四つを並べます。月初時点の営業申告合計、月の中旬時点の申告合計、単純按分での予測値、そして最終実績です。すでに手元にある記録から作れますし、CRMに履歴が残っていない場合でも、当時の会議資料から拾えることが多いはずです。
ここから二つの数字が出てきます。自社の申告合計は実績に対してどちら側にどれだけずれているか、そしてそのずれはどれだけばらつくかです。この二つが、AI導入の合否ラインになります。ベンダーが精度を提示してきたときに、自社の申告合計の精度と並べて聞けるようになり、話が「その数字は高いのか」から「うちより良いのか」に変わります。
| 列 | 入れるもの |
|---|---|
| 月 | 対象の月 |
| 月初予測 | その月の初めに営業から上がってきた着地見込みの合計 |
| 中旬予測 | 月の中ほどで更新された着地見込みの合計 |
| 按分予測 | 中旬時点の実績を経過日数で割り、営業日数を掛けた値 |
| 実績 | その月の最終着地 |
| 誤差 | 各予測が実績に対してどちら側にどれだけずれたか |
H3-5-2. 見るのは当たり外れではなく「何日目に分かったか」
ベースラインが置けたら、そこで見る指標を決めます。ここで採るのは、月末時点の誤差率ではありません。予測値が最終実績の近くに収まった最初の日が、月の何日目だったかです。これを毎月記録します。
この指標は、着地予測が警報だという前提から素直に出てきます。収束が月末のままなら、そこで分かっても打てる手はありません。逆に、収束の日が月の後半から中旬へ前倒しできたなら、まだ動かせる案件が残っている時点で不足に気づけたことになります。月末の誤差率がわずかに改善しても、分かるタイミングが変わっていなければ、導入効果はほとんどゼロだと考えてかまいません。
この指標を先に決めておくと、ツール選定の会話も変わります。「精度は何パーセントですか」ではなく、「月の何日目に、使える数字になりますか」と聞けるようになります。後者に答えられるベンダーは、自社の予測がどう使われるかを理解しています。
H2-6. 先週から予測が動いた理由を説明できるか
経営会議で問われるのは、着地見込みがいくらかだけではありません。多くの場合、その次に来るのは「なぜ先週より下がったのか」です。AIが出した数字は、そのままでは、この問いに答える形になっていません。数字だけが更新され、動いた理由は数字の中に埋もれています。
ここで「AIがそう出しました」と答えてしまうと、その予測は会議で使われなくなります。必要なのは、数字を出す仕組みと同時に、動いた分を人が説明できる形に割る仕組みです。この章では割り方と、割ったあとに人が担う部分を扱います。
H3-6-1. 差分を4つに分解する（新規／確度変更／失注／クローズ日のズレ）
週次で着地予測の増減を追うとき、差分を四つに割ります。新規流入（今週新しく入った案件）、確度変更（既存案件の確度が上下した分）、失注・消滅、そしてクローズ日のズレ（今月見込みだった案件が翌月以降に移った分）です。
肝は、失注とクローズ日のズレを混ぜないことです。見た目はどちらも「今月の着地が下がった」ですが、意味がまったく違います。失注は取り返す必要がありますが、後ろ倒しは翌月の着地が上がっているだけで、必要なのは着地日の確認と前倒し交渉です。ここを混ぜたまま報告すると、打ち手の議論ができません。
| 行 | 内容 |
|---|---|
| 先週の着地見込み | 前回会議で報告した数字 |
| 新規流入 | 今週入った案件による増加分 |
| 確度変更 | 既存案件の確度が上下したことによる増減 |
| 失注・消滅 | 失注または立ち消えによる減少分 |
| クローズ日のズレ | 今月から翌月以降へ移ったことによる減少分 |
| 今週の着地見込み | 上記を反映した数字 |
この形にすると、会議での説明が「AIがそう出しました」から「後ろ倒しが数件あり、そのうち一件は翌月の頭に着地します」に変わります。
H3-6-2. AIは数字を出すが、会議で説明するのは人
差分を四つに割っても、最後の一段は残ります。その顧客がなぜ止まったのかは、CRMに書かれていない限り、どこにも存在しません。AIが出せるのは確度と、その変動に効いた項目の候補までです。予算が凍結されたのか、担当者が異動したのか、競合に傾いたのかは、営業が書かない限り誰も知りません。
したがって運用として必要になるのは、確度を下げた案件に一行の理由を必須にすることです。これは会議のためだけではありません。前章で挙げた失注理由の必須化とまったく同じ構造で、AIの予測精度そのものを支えます。理由が残っていれば、負けたパターンも学習の材料になります。
予測の説明責任をAIに移せると考えた瞬間に、この仕組みは会議で使えなくなります。数字を出すのはAI、説明するのは人。この線引きを最初に引いておくことが、導入を続けられるかどうかの分かれ目になります。
H2-7. 案件数が少ない会社は、AIに予測をさせない
学習には母数が要ります。機械学習型の予測が成立するのは、クローズ済み（受注・失注いずれも）の案件がまとまった件数あり、失注が失注として記録されており、ステージと日付が実際の進行に対応していて、商材・価格・ターゲットが学習期間中に大きく変わっていない場合です。必要な件数はツールと商材によるので断定はできませんが、月の受注が数件から十数件という規模の商材では、確度を学習するだけの母数は集まりません。
その場合、AIにやらせるべきは予測ではなく点検です。ひとつめは矛盾の検出で、確度が高いのに長く活動記録が無い案件、クローズ予定日を過ぎたまま残っている案件、高額なのに決裁者との接点が記録されていない案件を、毎週リストアップさせます。ふたつめは申告の追認で、生成AIに案件一覧と商談メモを渡し、第三者の立場から「この確度は妥当か、下げるべき案件はどれか」を言わせます。当てさせるのではなく、下方修正の候補を先に挙げさせるのが使い方です。営業は自分では確度を下げにくいので、外から候補を出す役をAIに担わせます。みっつめは会議準備で、予実の差分に付けるコメントの下書きを作らせます。
なお、顧客データを外部の生成AIに渡す場合は、入力内容が学習に使われない設定・契約になっているかを先に確認してください。
そして、AIを入れないほうがよい場面もはっきりさせておきます。全案件を管理者が頭の中で把握できる規模の場合、CRMに失注が入っていない場合、商材やターゲットを直近で大きく変えた場合です。いずれも、入れても効かないか、間違ったものを学びます。やらない判断ができることが、やると決めたときの精度を支えます。
H2-8. ツールをどう選ぶか — CRM内蔵・専用SaaS・生成AI
選択肢は大きく三系統です。CRM／SFA内蔵のAI予測機能は、すでに使っているCRMに含まれていることが多く、追加費用と学習コストが小さいので最初の検討先になります。予測特化のSaaSは、パイプライン管理と予測を専業にしており、CRMのデータ量が十分にあり、週次の予測運用がすでに回っている会社に向きます。生成AIは、データ量に関係なく今日から使えますが、出てくるのは予測ではなく点検と文章化です（前章の使い方がこれにあたります）。
選定時に聞く質問は三つに絞ってかまいません。「月の何日目に、使える数字になりますか」。「確度の根拠として、どの項目が効いたかを出せますか」。「うちの過去データで、営業の申告合計と比べてどれだけ良いかを検証できますか」。精度の数字だけを聞かないことが要点です。
導入時の注意点も簡潔に挙げておきます。入力工数が増える設計にしないこと。営業の評価に予測精度を直結させないこと（直結させると、下方修正が出てこなくなります）。最初は一部門・一四半期に限って検証すること。
最後に、よく出てくる疑問を補足します。
- 表計算ソフトのままでもできますか：ベースラインの作成と差分の四分解までは、表計算ソフトで十分にできます。むしろ、それが回っていない状態でツールを入れても、運用が始まりません。
- 予測は週次と日次のどちらで回しますか：会議のサイクルに合わせるのが基本で、多くの場合は週次です。日次にすると更新作業が現場の負担になり、確度の更新が止まります。
- AIが出した確度を営業に見せますか：見せる前提で運用してください。見せないと、なぜ自分の申告と違うのかを議論できず、確度の付け方が改善しません。
あわせて読みたい
＼ 最新情報をチェック ／
