営業パイプラインと予測のためのAI：何が成約につながるかを推測するのはやめよう
毎四半期、同じゲーム。セールスのリーダーは予測を求める。営業担当者は案件は成約すると言う。担当者はいつも楽観的なので、経営陣は下方修正する。案件はスリップする。予測は毎週変わる。
何が本当に成約するのか、誰にもわからない。営業マンが嘘をつくからではない。直感やCRMのメモに頼っていては、取引の結果を予測するのは難しいからだ。
AIは推測しない。取引の特徴や過去のパターンに注目する。データに基づいて成約確率を予測する。案件が消滅する前に、リスクのある案件にフラグを立てる。どの案件に注意が必要で、どの案件が勝手に成約するかを教えてくれる。
予想が希望的観測でなくなる。現実に基づくようになる。
問題：パイプラインに溢れる可能性
CRMに50件の未決済案件が表示されています。担当者は今期は30件が成約すると言っている。歴史によれば、実際に成約するのは12件です。しかし、どの12件なのか？誰にもわからない。
案件はパイプラインの段階で長く放置される。前進するものもある。失速して死ぬものもある。驚くようなスピードで成約に至るものもある。たいていの場合、終わるまではどれがどれだかわからない。
営業マネージャーはパイプラインのレビューに何時間も費やす。"状況は？"「いつ成約するのか？「リスクは？同じ質問、毎週違う答え。
あなたがリーダーシップに与える予測は、経験に基づく推測だ。当たることもあれば、外れることもある。当たらないことも多い。四半期末は数字を達成するために奔走することになる。
営業チームが悪いからではない。人間は何十もの変数にまたがって確率的な結果を予測するのは得意ではないからだ。AIはそうです。
AIが営業パイプラインと予測にもたらすもの
AIは営業の判断に取って代わるものではない。その判断をより良いものにするためのデータを提供するのだ。その方法はこうだ：
ディール確率スコアリング
すべての取引は、接近確率のスコアに基づいて評価される：
- ディールの特徴（規模、タイプ、複雑性）
- 販売ステージとステージ滞在時間
- エンゲージメント・レベル（ステークホルダーの活動、電子メールの返信、ミーティングの頻度）
- 過去のパターン（実際にどのような取引が成立したのか？）
- 競合要因（単一ベンダーか競合取引か？）
AIは各取引を何千もの過去の取引と比較する。類似した特徴を持ち、成約した案件は高得点になる。失注した案件のパターンに一致する案件は、スコアが低くなる。
これは直感ではない。実際の勝敗データに基づくパターンマッチングだ。
レップは90%でクローズ、AIは40%？よく見てください。何かが間違っている。担当者が警告サインを見逃しているのか、AIにはない文脈があるのか。いずれにせよ、取引がなくなる前に調査する必要がある。
リスク案件の特定
契約はゆっくりと、そして一気に消滅する。警告のサインは、取引が正式に終了する数週間前に現れる：
- 14日以上活動なし
- チャンピオンが反応しなくなった
- 会議の日程が何度も変更される
- 決断のタイムラインは滑り続けている
- 早くから関与していたステークホルダーは沈黙した
- 同じステージに長く居座るディール
AIはこれらのパターンを監視する。複数の警告サインが同時に現れると、その取引を危険視する。
セールスマネジャーが旗を見る。担当者に事情を聞く。多くの場合、担当者は "ああ、そうですね、フォローアップしなければなりませんね "と言う。時には "大丈夫です "と言われることもある。しかし、少なくともあなたはそれを見るべきだと知っている。
すべての取引を保存することはできない。しかし、取引が完全に死んでしまう前に救うことはできる。それは、その案件が危機に瀕していることを知っている場合にのみ有効だ。
予測精度の向上
予測は取引確率の合計である。確率の見積もりが間違っていれば、予測も間違っている。
AIはそれに基づいて予測を立てる：
- 個別案件の確率（データに基づくもので、担当者の推定値ではない）
- ステージ、担当者、案件タイプ別の過去の成約率
- ビジネスの季節性パターン
- 販売サイクルの長さの傾向
ただ数字を教えてくれるわけではない。範囲を示してくれる。「$Xの可能性が高いが、$Yの可能性もあるし、$Zの可能性もある。それが正直な予想だ。
時間が経てば、AIがうまく予測した案件とそうでない案件が見えてくる。あなたは調整する。モデルは学習する。精度は向上する。
完璧な予測はできない。しかし、外れるより当たることの方が多い予測をすることはできる。それは、現在ほとんどの営業チームが持っているものよりも優れている。
次のベスト・アクション
どの担当者も、積極的に取り組める案件よりも多くの案件を抱えている。今日はどれに集中すべきか？
AIは優先順位をつける：
- 早急な対応が必要な案件
- 成約確率が高く、商談を進める準備が整っている案件
- 特定の行動（関係者へのフォローアップ、提案書の送付）が成約率を向上させた案件
- 後押しが必要な案件が眠っている
担当者がログインすると、優先順位をつけたやるべきことのリストが表示される。すべてではない。取引を前進させる可能性が最も高い5～7個の行動。
彼らはAIの命令に従っているのではない。時間をどこに費やすのがベストなのか、データに基づいた提案を受けているのだ。彼らはまだ判断力を働かせている。より良い情報を持っているだけだ。
勝敗パターン分析
なぜ取引は成立するのか？なぜ成約に至らないのか？
AIは、成約した案件と成約しなかった案件を分析する：
- 勝ち組の取引にはどのような特徴があるのだろうか？
- 勝訴した案件には通常どれくらいの時間がかかりますか？
- どのような活動が勝利と相関関係があるのか？
- 失われた取引は何が違うのか？
- 業種、取引規模、競合他社によるパターンはあるか？
これらのパターンが洞察となる：
- 「利害関係者が3人以上関与している案件は、利害関係者が1人の案件の2倍の割合で成約する"
- "4週目までに法務が絡むと、成約率が30%下がる"
- 「80%のパイロットを含むお得なプラン
何が実際に勝利の原動力となるかを学ぶのだ。そして、効果的なことをより多く、そうでないことをより少なく行うようにMRを指導する。それがデータ主導の営業管理だ。
パイプラインのヘルスモニタリング
あなたのパイプラインは健全か、それともジャンクだらけか？ディール数や総額だけを見ていると、それを判断するのは難しい。
AIはパイプラインの健全性を評価する：
- 現実的な価値は？(AI確率スコアで重み付けされたディール値）
- パイプラインは成長しているのか、それとも縮小しているのか？
- ディールは通常の速度で段階を踏んでいるのか？
- パイプラインのカバレッジは目標達成に十分か？(現実的な値とノルマの比較）
- どの段階にボトルネックがあるのか？
セールスリーダーはパイプラインの健全性ダッシュボードを見る。虚栄心の指標ではない。チームが数字を達成できるかどうかの真の指標。
パイプラインが弱そうなら、早めに気づくことができる。手遅れになる前に、リードジェネレーションにリソースを追加したり、ターゲットを調整することができる。
これが意味するもの
セールス・ディレクター向け
信頼できる予想。完璧ではないが、担当者の推測よりはずっといい。あなたは希望ではなく、データに基づいた数字を指導者に示す。
パイプラインの可視性が向上。リスクのある案件がすぐにわかる指導すべき案件がわかるシニアの関与が必要な案件がわかる
資源配分がよりスマートになる。どの案件が本物で、どの案件が夢物語かわかる。チームの努力は勝てるチャンスに注がれる。
あなたはパターンに基づいてコーチングする。「勝者はこうしている。それは一般的な営業アドバイスよりも効果的だ。
営業担当者向け
どの案件に集中すべきかがわかる。もう、50件もの案件に手を広げる必要はない。成約の可能性が最も高い案件に取り組む。
問題を早期に発見取引がうまくいかない？その兆候を事前に察知できる。軌道修正ができる。
次のステップについてのガイダンスを得ることができる。注文ではなく、あなたのような案件で一般的に何が有効かについてのデータを得ることができます。より良い決断ができる。
更新のためにCRMを更新する時間が減る。AIはデータが増えれば増えるほど賢くなるが、そのデータは単なる報告ではなく、販売を支援するために使われる。
ビジネスのために
予測可能な収益。予測が正確であれば、計画を立てることができる。雇用。在庫。マーケティング費用。すべては信頼できる収益予測に基づいています。
営業サイクルの短縮。担当者が適切なタイミングで適切な活動に集中することで、案件はより早く成約に至ります。
より高い勝率。何が取引を成立させるかを理解すれば、より多くの取引ができるようになる。その結果、時間が経つにつれてその効果は増していく。
四半期末のサプライズが少ない。数字が達成できるかどうか、何週間も前にわかる。土壇場で慌てることもない。予期せぬ不足もない。
売上予測AIの実例
例1：B2Bソフトウェア会社
ある中堅ソフトウェア会社の予測精度は35%だった。四半期ごとに驚きの連続だった。営業部門のリーダーは、実際の収益がどうなるか分からないため、計画を立てることができなかった。
何が変わったのか： AIが3年分の案件データを分析。実際の成約パターンに基づいて確率モデルを構築。担当者の見積もりではなく、データに基づいたディールスコアを提供。
結果 予測精度は2四半期で82%に改善した。リーダーシップは自信を持って計画を立てられるようになった。数週間先の数字がわかったので、四半期末の消防訓練が減った。
例2：製造会社
ある製造会社は販売サイクルが長かった（6～12ヶ月）。ある製造業は販売サイクルが長かった（6～12カ月）。誰もその理由を知らなかった。
何が変わったのか： AIは、21日以上利害関係者との接触がない案件は、最終的に72%の確率で敗訴することを特定した。システムは自動的にリスクのある案件にフラグを立てた。
結果 営業マネージャーは、フラグが立った案件に積極的に介入した。リスクのある案件が枯渇する前に注目されたため、勝率が18%上昇した。停滞していた案件が早く解決したため、営業サイクルが短縮された。
例3：プロフェッショナル・サービス・ファーム
某コンサルティング会社は、どのプロポーザルがクローズするか分からなかった。勝率は30%以下。見積もりチームは、どこにも行かない提案に膨大な労力を費やしていた。
何が変わったのか： AIは獲得した提案と失った提案を分析した。クライアントの予算がすでに承認されている案件の成約率は65%。クライアントが「オプションを検討中」と答えた案件の成約率は12%であった。
結果 プロポーザルに投資する前に、より厳しい資格審査を開始。適格な案件に提案活動を集中させた。悪い案件を追いかけなくなったため、勝率は48%に上昇。
AIにできないこと
限界についてはっきりさせておこう。
AIはあなたの代わりに取引をまとめることはできない。難しい話はできない。交渉もできない。バイヤーとの関係構築もできない。それはまだ人間の仕事だ。
AIの予測は確率であり、確実なものではない。70%のスコアでも30%の確率で負ける。AIのスコアを保証として扱わないでください。
AIはCRMにないコンテキストを知りません。担当者がCEOを個人的に知っていたり、予算が削減されたことを人づてに聞いたり、その他のコンテキストを持っていれば、それが重要になる。AI＋人間の判断は、どちらかだけよりも優れている。
そして、AIは壊れた営業プロセスを修正することはできない。担当者の適格性が適切でない場合、製品が市場に合っていない場合、価格設定が間違っている場合、AIは問題を示してくれるが、それでも解決しなければならない。
始め方
営業プロセス全体を一度にAI化する必要はない。最も役立つところから始めてください：
- ディールスコアリングから始めよう。 AI確率スコアの実装AIのスコアとMRの推定値を比較する。3ヶ月間でどちらがより正確かを確認する。
- リスクのある取引を追跡する。 リスクのあるパターンに合致する取引にAIがフラグを立てる。介入することでどれかが救われるか確認する。
- 1つの勝敗パターンを分析する。 1つの変数（取引規模、業界、利害関係者数）を選び、AIがあなたの知らないパターンを見つけるかどうかを確認する。
- 予測精度をテストする。 AI予測を通常のプロセスと並行して実行する。どちらが実際の結果に近いかを比較する。
- 結果に基づいて絞り込む。 AIはフィードバックで向上する。取引が成立したとき、あるいは負けたとき、それをフィードバックする。モデルは学習する。
小さく始める。正確さを測る。うまくいったものを拡大する。目標はより良い予測であって、完璧な予測ではない。
結論
販売予測はパターン認識。成約する案件はどのようなものか？成約に至らない案件はどのようなものか？どのような活動が案件を前進させるのか？
人間は、何十もの変数がある何百もの取引のパターンを見つけることはできない。AIなら可能だ。
営業チームは依然として人間関係や会話の主導権を握っている。彼らは依然として取引を成立させている。どの案件を追うべきか、判断するのは彼らだ。
しかし、彼らはもう盲目的に飛んでいるわけではない。どの案件が本物で、どの案件がリスクがあり、どのような行動が歴史的に有効であったかというデータを持っているのだ。これが推測と知識の違いだ。
より正確な予測をお望みですか？
営業チームはそれぞれ異なる取引パターンを持っている。営業サイクルも異なる。勝ち負けを予測する要因も異なる。
私たちは、画一的な予測ツールを販売しているわけではありません。お客様の取引データを分析します。お客様のビジネスにおいて、どの要素が実際に結果を予測するかを特定します。お客様の現実に即したモデルを構築します。
そして、CRMと統合することで、MRやマネジャーが作業中の予測を確認できるようになります。チームはプロセスを変えることなく、より良いデータを得ることができます。
誇大広告なし。完璧な予測を約束することもありません。ただ、より良い予測をすることで、より良い決断を下し、より多くの取引を成立させることができるのです。
