売上予測にAIを使う方法｜仕組みと4週間の導入手順
AIによる売上予測を検討するとき、最初に決めるべきなのはツールではありません。商品需要を予測したいのか、営業案件の月末着地を予測したいのかで、必要なデータも評価方法も変わります。本記事では営業案件の売上予測に焦点を当て、AIが予測する仕組み、最低限そろえるデータ、誤差の測り方を解説します。AIと担当者の予測を同条件で比べる4週間の検証手順や、まだ導入しない方がよい条件も示すため、精度の宣伝文句に頼らず導入を判断できます。
- 01最初にツールではなく予測対象を決める。商品の需要予測と営業案件の着地予測は、必要データも使う人も違う。本記事は後者を扱う。
- 02AIは過去案件からステージ・金額・活動量と結果の関係を学び、案件別に成約確率と着地金額を出す。予測値は答えではなく支援優先度の信号。
- 03精度は単一のパーセントで判断しない。対象・期間・粒度・指標・比較基準をそろえて評価する。
- 04導入可否は宣伝でなく自社データで判断。AI単独・担当者単独・併用を4週間、同条件で比較する。
売上予測にAIを使う前に予測対象を分ける
AIによる売上予測を検討するとき、最初に決めるのはツールではありません。何を予測したいのかを先に切り分けます。売上予測には大きく2種類あり、必要なデータも使う人も変わります。
一つは、商品や店舗の需要予測です。どの商品が何個売れるかを、販売実績・季節・天候・販促などから予測し、生産量や在庫を決めるために使います。もう一つは、営業案件の売上着地予測です。進行中の商談が受注できるか、月末にいくらで着地するかを、案件のステージや活動履歴から予測し、どの案件を支援するかを決めるために使います。本記事は後者、営業案件の売上着地予測を扱います。
← 表は横にスクロールできます
| 観点 | 商品・店舗の需要予測 | 営業案件の売上着地予測 |
|---|---|---|
| 予測するもの | 商品ごとの販売数量・需要 | 案件ごとの成約確率と着地金額 |
| 主な入力 | 販売実績・季節・天候・販促・価格 | 案件のステージ・金額・経過日数・活動履歴・顧客属性 |
| 主な利用者 | 生産・在庫・購買の担当 | 営業責任者・営業企画・経営企画 |
| 決めること | 生産量・在庫・仕入れ | どの案件を支援するか・月末着地の見込み |
予測を始める前に、次の4点を先に固定します。ここが曖昧なまま「精度の高いツール」を探しても、出た数字を誰も使いません。
- 予測対象
- 商品需要か、営業案件か
- 予測の粒度
- 週次・月次・四半期のどこを予測するか
- 意思決定者
- 誰がその数字で何を決めるか
- 期限
- いつまでにその判断が必要か
売上予測は、分析で整えたデータがそのまま土台になります。予測の前段にあたる営業分析の進め方は営業分析とは？見るべき指標とAIで改善する5ステップで解説しています。
AIは案件の成約確率と着地金額をどう予測するか
AIが案件の着地を予測する仕組みは、専門知識がなくても理解できます。過去の決着済み案件から、ステージ・金額・経過日数・活動量などと「受注できたか」の関係を学び、進行中の案件にあてはめて確率と金額を出す、という流れです。
-
STEP01
過去案件を入力する
受注・失注が決着した案件データを渡します。勝った案件だけでなく、負けた案件も含めることが重要です。
-
STEP02
関係を学習する
ステージ、金額、経過日数、活動量と結果の関係を、モデルが学びます。
-
STEP03
案件別に推論する
進行中の各案件に、成約確率と着地金額を付けます。
-
STEP04
集計して着地を出す
案件別の確率と金額をかけ合わせて足し、期間全体の着地見込みにします。
予測の手法には、回帰分析（数値の関係を式で表す）、時系列分析（時間の流れから傾向を読む）、機械学習（大量データから自動でパターンを学ぶ）などがあります。案件数やデータの整い方に応じて選びますが、どれを使うかより、入力データがそろっているかのほうが結果を左右します。
生成AIに案件一覧を貼り付けて着地を聞く方法もありますが、毎回結果がぶれ、根拠も残りません。継続的に使うなら、同じデータと手順で再現できる仕組みが必要です。
予測値は「答え」ではなく、どの案件を優先して支援するかを決める信号として使います。成約確率が中くらいで金額が大きい案件に上長が同行する、といった判断の材料にするのが正しい使い方です。
導入前にそろえるデータと見送る条件
AI予測の精度は、モデルの高度さより入力データの質で決まります。最低限、次の項目がそろっているかを点検します。
- 案件ID
- 案件を一意に識別する番号
- 作成日
- 案件が生まれた日
- 想定受注日
- 受注を見込む日（着地時期の判断に使う）
- 金額
- 想定する受注金額
- ステージ
- 商談の進行段階（定義を全員で統一する）
- 活動日
- 最終接触日や活動履歴
- 結果
- 受注・失注・継続の別
これらが入っていても、運用が伴わなければ予測は当たりません。次の合格条件を確認します。
- 直近の案件が一定数（数十件以上）決着している
- ステージの定義が全員で統一されている
- 受注日・金額が入力され、更新されている
- 失注案件も理由つきで記録されている
- 重複や空欄が放置されていない
案件数が少ない、ステージ定義が曖昧、入力が更新されない、事業モデルを変えた直後、のいずれかにあてはまる場合は、高度なAI予測を見送ります。この段階では、ステージごとに確率を掛ける「加重予測」をExcelで行うルールベースの方法から始めると、無理なく精度を積み上げられます。
SFA/CRMのデータ整備から予測までの段階はCRMのAI活用とは？入力自動化から予測まで3段階で解説で扱っています。
予測精度は単一のパーセントで判断しない
「予測精度95%」といった数字を宣伝で見かけますが、単一のパーセントだけで判断してはいけません。精度は、予測時点・対象期間・粒度をそろえて初めて比較できます。測り方にはいくつかの指標があり、目的に応じて選びます。
← 表は横にスクロールできます
| 指標 | 何を測るか | 注意点 |
|---|---|---|
| MAE（平均絶対誤差） | 予測と実績の差の平均 | 金額の単位で直感的に読める |
| MAPE（平均絶対誤差率） | 差を実績で割った率の平均 | 実績がゼロだと計算できない |
| 的中率 | 一定の誤差内に収まった割合 | 誤差の許容幅を先に決める必要がある |
他社の数値を自社の期待値にしないことも大切です。たとえば、ある消費財メーカーでは包括的なデータと機械学習により需要予測の精度が83%から90%超へ、ロイヤルティカード情報を加えて約95%へ向上しました（出典：McKinsey「Supply chain analytics」）。これは商品の需要予測の事例であり、営業案件の着地予測の成果ではありません。対象が違えば、同じ精度は出ません。
一方、営業の予測に近い数値もあります。インテリジェントな営業機能で予測精度に「大きなプラスの影響」があったと答えた割合は、高業績チームで25%、低業績チームで5%でした（出典：Salesforce「State of Sales」）。予測を武器にできている組織とそうでない組織の差がここに表れています。
次の5点をそろえて確認します。対象（需要か営業案件か）、期間（いつの予測をいつと比べたか）、粒度（案件別か月次合計か）、指標（どの誤差指標か）、比較基準（何と比べて高いのか）。この5点が示されていない数値は、参考程度にとどめます。
AIと担当者を4週間で比較する導入手順
導入するかどうかは、宣伝ではなく自社データで判断します。AI単独・担当者単独・両者の併用を、同じ期間で比べる4週間の検証がおすすめです。
-
STEP01
意思決定と基準日を固定する
何を決めるためのどの予測かと、予測を出す日を決めます。
-
STEP02
過去データで基準値を作る
直近の実績から、現在の予測のぶれを把握します。
-
STEP03
3方式の予測を保存する
AI単独、担当者単独、併用の予測値を、書き換えずに残します。
-
STEP04
週次で実績と誤差を確認する
実績が出るたびに誤差を記録し、上書きした場合は理由も残します。
-
STEP05
4週間後に判断する
継続・改善・見送りのどれにするかを、誤差の実データで決めます。
このとき、次の「予測検証カード」を案件や期間ごとに記録すると、どの方式が自社に合うかが数字で見えます。予測を出したあとに数字を書き換えないことが、検証を成立させる条件です。
← 表は横にスクロールできます
| 項目 | 記入する内容 |
|---|---|
| 予測時点 | いつ予測したか（例：月初） |
| 対象期間 | どの期間の着地か（例：当月末） |
| AI単独の予測値 | AIが出した着地見込み |
| 担当者単独の予測値 | 担当者の感覚による見込み |
| 併用の予測値 | 両者をすり合わせた見込み |
| 実績値 | 実際の着地額 |
| 各方式の誤差 | 実績との差（MAE・MAPE等） |
| 上書き理由 | 予測を修正した場合の根拠 |
| 次の改善 | 次回に向けて変える点 |
7つの質問に答えるだけで、営業部のAI活用度をA〜Cで判定。登録なしでその場で結果が見られます。
売上予測のAI導入で起きる4つの失敗
売上予測のAI導入でつまずく原因は、おおむね4つに集約されます。
入力が整わないまま契約し、予測が当たらず放置される。データの合格条件を満たしてから契約します。
数字の高さを追い、意思決定に間に合うかを見落とす。精度より「期限に間に合う予測か」を優先します。
AIの数字をうのみにし、現場の状況変化を反映しない。予測は支援判断の材料であり、最終判断は人が担います。
一度作って放置し、市場が変わっても再学習されない。更新の条件と責任者を先に決めます。
回避するには、入力ルール、判断の責任者、再学習の条件、システム障害時の代替手順を、導入時に決めておきます。実際、需要の変化に対応するため予測モデルを毎週再学習できるようにした小売企業の例もあります（出典：IBM Research「Dillard’s」）。市場が動く前提で、更新の仕組みまで設計します。
AIに任せるのは計算と異常の検知です。数字の背景を理解し、どの案件をどう支援するかを決めるのは人の役割です。この線引きと、AIの予測を上書きしてよい条件（大口の失注が判明した、制度変更で前提が変わった等）を先に決め、上書きした理由を必ず記録します。営業のAI活用全体の進め方は営業のAI活用とは？できること・導入手順・失敗しない始め方、ツールの選び方はAI営業ツール比較｜営業工程別の選び方と検証方法を参照してください。