第3回 なぜAIでも受注予測は当たらないのか — データの質という壁

読者の課題

「AIツールを入れたのに、相変わらず受注予測が外れる」。これは、AI活用の現場で最も頻繁に聞かれる不満の一つです。ツールを疑う前に、確認すべきことがあります。

結論

AIの受注予測が当たらない最大の理由は、モデルの性能ではなく、学習させているデータの質にあります。特に「相関」と「因果」を混同すると、AIが自己成就的な誤った予測を強化してしまう危険があります。この構造を理解した上で、検証の仕組みをセットで組み込むことが不可欠です。

定義

• BANT：Budget(予算)・Authority(決裁権)・Need(必要性)・Timeline(導入時期)の頭文字を取った、商談の見込み度を判断する伝統的なフレームワーク。

• 自己成就的な予測：予測が高いと判断された対象にリソースが集中投下された結果、その予測自体が「当たったように見えてしまう」現象。予測の正しさとリソース投下の結果を区別できなくなる。

「数」ではなく「質」の問題

拙著の中では、受注予測が当たらない法人営業組織に共通する特徴として、誤ったフェーズ管理、誤ったBANTの利用、誤ったキーマン定義などを挙げました。
これらに共通しているのは、営業プロセスの「型」は存在していても、その型の中で行われるべき、見極めの「質」が伴っていないという点です。
「決裁者と接触した」というチェック項目にチェックが入っていても、それが本当に意思決定に影響力を持つ人物との接触だったのかは、担当者の主観的な判断に委ねられています。
プロセスが「守られない」のではなく、そもそも「守れない」設計になっている。これが、多くの営業組織が抱える見えにくい課題です。

AIに期待したくなること、しかし届かないこと

ここでAIに期待したくなるのは、「営業担当者の主観を排除して、客観的に商談の状態を判定してくれるのではないか」ということです。実際、通話やオンライン商談の音声をAIが解析し、話し手が誰で、どのような発言があったかをテキスト化する技術は、既に実用段階にあります。
しかし、AIが解析できるのは、あくまで「言葉として発せられたこと」に限られます。商談の中で本当に重要な判断材料は、しばしば言葉になっていません。
決裁者が発言の端々でにじませる懸念、参加者同士の視線や間合い、会議の後に交わされる非公式な会話。これらは録音データにすら残らず、AIの解析対象にすら上がってきません。

相関と因果の違い

もう一つ本質的な問題があります。
AIの予測モデルは、過去に受注した商談の特徴と失注した商談の特徴の「相関」を学習しているにすぎません。「なぜその商談が決まったのか」という因果関係を理解しているわけではないのです。
営業リソースが「スコアの高い商談」に優先的に投下されるようになると、その商談が実際に受注に至りやすくなるのは、モデルの予測が正しかったからなのか、単にそこに営業の労力が集中投下されたからなのか、区別がつかなくなります。
予測の的中率が高く見えても、それは自己成就的な結果である可能性を常に疑う必要があります。

現場の実績(匿名事例)

ある機械部品メーカーの営業組織で、AIによる受注予測モデルを試験的に導入した際、興味深い現象が起きました。
AIがスコアの高い商談をリストアップすると営業マネージャーは、自然とその商談のレビューに時間を割くようになり、担当者への助言も手厚くなりました。
半年後、スコアの高かった商談の受注率は72%という高い数字を示しましたが、これはモデルの予測精度が高かったからなのか、単にマネージャーの注意がそこに集中した結果なのかを後から切り分けることはできませんでした。
一方で、スコアが低いとされた商談のうち、担当者があきらめずに対応を続けた6件中2件が、結果的に大型受注につながっていました。
もしAIのスコアだけを鵜呑みにしてリソースを配分していたら、これらの大型商談は早期に見切りをつけられていたはずです。

私はこう考える

「AIが言うなら正しいはずだ」という思考停止こそが、受注予測AIの最大のリスクだと私は考えています。AIのスコアは、あくまで過去の傾向から導かれた仮説であり、断定ではありません。
私が支援先で必ず提案するのは、あえてスコアの低い商談の一部にも意図的にリソースを割り当て、結果を比較する「検証群」を作ることです。この手間を惜しむ組織ほど、AIへの過信によって有望な商談を早期に切り捨てるリスクを抱えていると感じています。

AIの実力早見表

チェックリスト

• フェーズ通過の基準が、全担当者の間で共通認識になっているか

• 予測が外れた商談を「なぜ外れたのか」まで遡って検証する仕組みがあるか

• スコアの低い商談にも、意図的に一定のリソースを割り当てて結果を検証しているか

• AIのスコアを「断定」ではなく「仮説」として扱う文化があるか

FAQ

Q. AIの予測スコアはどの程度信じてよいですか?
A. 過去データから導かれた仮説として扱うべきです。断定的な根拠として意思決定の唯一の材料にするのは危険です。

Q. 検証群を作ると、営業効率が落ちませんか?
A. 短期的には非効率に見えますが、モデルの妥当性を検証できないまま運用を続けるリスクの方が中長期的には大きいと考えています。

Q. どのくらいの規模の商談数からこの検証は意味を持ちますか?
A. 目安として四半期あたり数十件以上の商談があれば、低スコア群と高スコア群を比較する検証が現実的になります。

次にすべきこと

直近で「スコアが低い」と判定されながら受注に至った商談を過去半年分洗い出してみてください。その商談に共通する特徴を分析することが、自社のAIモデルの弱点を知る一番の近道です。
受注予測精度を起点とした営業組織診断の設計についてご関心があれば、株式会社Csvisionコンサルティングまでご相談ください。

次回は、拙著の中で扱った「問題を知る」という営業の出発点に、AIがどこまで踏み込めるのかを見ていきます。