HubSpotのAI予測分析機能｜予測リードスコアリング・売上予測・類似リスト生成

「営業チームが追うべきリードの優先順位をどう決めればいいかわからない」「売上予測の精度が低く、期末になるまで着地が読めない」——BtoB企業のマーケティング・営業部門では、こうしたデータ活用の課題が依然として多く見られます。

HubSpotのAI予測分析機能とは、CRMに蓄積された顧客データや行動履歴をAIが自動解析し、リードの受注確度予測、売上フォーキャスト、ターゲット拡張（類似リスト生成）を実行する一連の機能群です。Breeze AIを基盤とした機械学習モデルが、人間では処理しきれない大量のシグナルを統合的に分析し、データドリブンな意思決定を支援します。

この記事では、HubSpotが提供するAI予測分析の主要機能を網羅的に解説します。予測リードスコアリングの仕組みから、AIを活用した売上予測、類似リスト生成、そして予測精度を向上させるためのデータ運用のポイントまで、実務で活用するための知識をお伝えします。 この分野の体系的な情報はHubSpot AI・Breezeガイドでまとめています。

本記事は「HubSpotのAI活用を総まとめ｜Breeze全機能の比較と業務別おすすめ活用パターン2026年版」シリーズの一部です。

本記事はStartLinkの「HubSpot完全ガイド」関連記事です。

この記事でわかること

• HubSpotの予測リードスコアリングの仕組みと活用方法 — 予測リードスコアリングは、CRMに登録されたリード（コンタクト）の受注確度をAIが自動で数値化する機能です。
• AIによる売上予測（ディールフォーキャスト）の機能と精度向上のコツ — HubSpotのAI売上予測は、パイプライン上の取引データを機械学習モデルが分析し、将来の売上着地を予測する機能です。
• 類似リスト（Lookalike Lists）の生成方法とターゲティングへの活用 — 類似リスト生成は、既存の優良顧客やコンバージョンしたリードに似た属性を持つ新規リードのリストをAIが自動的に作成する機能です。
• AI行動分析がマーケティング・営業にもたらす具体的なメリット — 期待できる効果と成果を最大化するための条件を具体的にお伝えします。
• 予測分析の精度を高めるために必要なデータ量と品質の基準 — HubSpotのAI予測分析機能は、導入するだけで自動的に高い精度を発揮するわけではありません。
• 各機能の利用条件（必要なプランとデータ要件） — HubSpotのAI予測分析機能は、導入するだけで自動的に高い精度を発揮するわけではありません。

HubSpot・マーケティング・AI・DXの取り組みを検討されている方に、

HubSpot AI予測分析機能の全体像

HubSpotのAI予測分析機能は、CRMプラットフォームに蓄積されたファーストパーティデータ（自社の顧客データ）をもとに、機械学習アルゴリズムが自動で分析・予測を行う仕組みです。外部ツールの導入やデータサイエンティストの採用なしに、日常的なCRM運用の延長線上でAIの恩恵を受けられるのが最大の特徴です。

主要機能マップ

HubSpotのAI予測分析は、大きく以下の4つの機能で構成されています。

これらの機能はそれぞれ独立して利用できますが、組み合わせることで真価を発揮します。予測スコアリングで優先リードを特定し、類似リストでターゲットを拡張し、AI売上予測でパイプラインの着地見通しを精緻化する——という一連の流れを、HubSpot1つのプラットフォーム上で完結できます。

Breeze AIとの関係

2024年にHubSpotが発表したBreeze AIは、HubSpot全体に組み込まれたAIレイヤーです。予測分析機能もこのBreeze AIの一部として位置づけられており、従来の予測モデルがさらに進化しています。

Breeze AIは以下の3つのコンポーネントで構成されています。

• Breeze Assistant: AIアシスタント。チャットベースでデータの分析・要約を依頼できる
• Breeze Agents: 特定のタスク（コンテンツ作成、SNS投稿、営業アウトリーチなど）を自律的に実行するAIエージェント
• データエージェント: データエンリッチメントと予測分析を担う。予測リードスコアリングや類似リスト生成はこの領域

予測分析機能は主にデータエージェントの技術基盤を活用しています。

予測リードスコアリングの仕組みと活用

予測リードスコアリングとは

予測リードスコアリングは、CRMに登録されたリード（コンタクト）の受注確度をAIが自動で数値化する機能です。0から100のスコアが各コンタクトに付与され、スコアが高いほど受注に至る可能性が高いと判定されます。

従来の手動スコアリング（ルールベーススコアリング）では、「ウェビナー参加=+10点」「価格ページ閲覧=+5点」のように、人間が設定したルールに基づいてスコアを加算していました。この方法では、ルール設計者の主観に依存する、市場環境の変化に追随できない、複雑な相関関係を捉えきれないといった限界がありました。

予測リードスコアリングは、これらの課題をAIの機械学習で解決します。過去に受注に至ったリードと失注に終わったリードのデータを学習し、どのような属性・行動パターンが受注に相関しているかを自動的に特定します。

AIが分析するシグナル

予測リードスコアリングのモデルは、数百種類のデータポイントを分析対象としています。主要なシグナルには以下のようなものがあります。

デモグラフィックデータ（属性情報）:

• 企業規模（従業員数）
• 業種・業界
• 役職・職種
• 所在地
• 企業の売上規模

ビヘイビアデータ（行動情報）:

• Webサイトのページ閲覧履歴
• メールの開封・クリック率
• フォーム送信の回数と内容
• チャットボットとのやり取り
• コンテンツのダウンロード履歴

エンゲージメントデータ:

• 直近のアクティビティ頻度
• 営業担当とのコミュニケーション履歴
• ミーティングのスケジュール状況
• 過去の取引履歴（既存顧客の場合）

重要なのは、AIがこれらの要素を単独ではなく「組み合わせ」で評価している点です。たとえば、「従業員100名以上の製造業」で「過去2週間に価格ページを3回閲覧」し「ウェビナーに参加済み」であれば、個別の要素の合算以上に高いスコアが付与される可能性があります。こうした非線形の相関関係を発見できるのが、AIベースのスコアリングの強みです。

利用条件とデータ要件

予測リードスコアリングを利用するには、以下の条件を満たす必要があります。

プラン要件:

• Sales Hub Professional以上、またはMarketing Hub Professional以上

データ要件:

• CRMに一定量のコンタクトデータが蓄積されていること
• 過去の受注・失注のデータが十分にあること（目安として、過去12か月間に受注クローズ30件以上、失注クローズ30件以上）
• コンタクトのプロパティがある程度入力されていること

データ要件は公式に明示されていない部分もありますが、一般的には数百件以上のコンタクトデータと、数十件以上の受注/失注データがあれば、モデルが機能し始めると言われています。データ量が多いほど予測精度は向上します。

予測スコアの確認方法

予測リードスコアリングが有効になると、各コンタクトのレコードに「予測リードスコア」のプロパティが自動で追加されます。

確認できる場所:

1. コンタクトレコードの詳細画面（プロパティとして表示）
2. コンタクト一覧画面（列として追加可能）
3. リストのフィルター条件（スコア範囲で絞り込み可能）
4. レポート・ダッシュボード（スコア分布の可視化）

実務での活用方法

予測スコアを営業・マーケティングの実務に組み込む方法をいくつか紹介します。

1. リードの優先順位付け:

スコア上位のリードから順にアプローチすることで、営業リソースを効率的に配分できます。たとえば、「スコア80以上は即座に営業がコンタクト」「スコア50-79はインサイドセールスがナーチャリング」「スコア49以下はマーケティングオートメーションで育成」という基準を設けます。

2. ワークフローとの連携:

予測スコアが閾値を超えたタイミングで自動的にワークフローを起動し、営業担当への通知やタスク作成を行います。「スコアが70を超えたら営業チームのSlackチャンネルに通知」「スコアが90を超えたらマネージャーにメールで報告」といった設定が可能です。

3. リードルーティングの最適化:

スコアに基づいて、適切な営業担当にリードを自動割り当てします。高スコアのリードはエース営業に、中スコアのリードは育成中の営業に振り分けるといったルーティングが実現できます。

4. マーケティング施策の効果測定:

特定のキャンペーンやコンテンツがスコアの高いリードを多く生み出しているかを分析することで、マーケティング施策のROIをより正確に評価できます。

AIによる売上予測（ディールフォーキャスト）

AI売上予測の仕組み

HubSpotのAI売上予測は、パイプライン上の取引データを機械学習モデルが分析し、将来の売上着地を予測する機能です。従来の手動フォーキャスト（営業担当者が各取引の見込みを自己申告する方法）と比較して、主観的なバイアスを排除した客観的な予測を提供します。

AIが分析する要素:

• 取引の現在のステージと滞留日数
• 過去の類似取引の成約率
• 取引に紐づくコンタクトの行動データ
• 営業担当のアクティビティ（メール送信数、ミーティング数）
• 取引金額と競合情報
• 季節性のパターン

手動フォーキャストとAI予測の違い

ただし、AI予測が必ずしも手動フォーキャストより優れているわけではありません。市場環境の急変や、CRMに入力されていない定性情報（担当者同士の人間関係など）はAIでは捕捉できません。最も精度が高いのは、AI予測と営業担当の判断を組み合わせたハイブリッドアプローチです。

AI売上予測の確認方法

Sales Hub Professional以上のプランでは、フォーキャスト画面でAI予測値を確認できます。

1. HubSpotアカウントから 「セールス」>「フォーキャスト」 にアクセスします
2. 期間とパイプラインを選択します
3. 手動のフォーキャストカテゴリ（パイプライン、ベストケース、コミット、クローズ済み）に加えて、AIが算出した予測値が表示されます

AI予測値は「このパイプラインの取引のうち、統計的に期間内にクローズする確率が高い金額の合計」として算出されます。

AI売上予測の精度を上げるポイント

AI売上予測の精度は、入力データの質と量に直結します。以下のポイントを押さえることで、予測精度を継続的に改善できます。

1. 取引ステージの整合性を保つ:

取引のステージが実態と乖離していると、AIの学習データにノイズが混入します。「実際にはまだ初期提案の段階なのに、ステージを『最終交渉』に進めてしまっている」といったケースは避けるべきです。ステージ移行の基準を明確に定義し、チーム全体で統一運用します。

2. クローズ日を正確に管理する:

クローズ予定日が過ぎた取引が放置されていると、AIの時系列分析が歪みます。最低でも週1回は全取引のクローズ日をレビューし、見通しに変更があれば速やかに更新します。

3. 失注理由を記録する:

受注だけでなく、失注のデータも予測モデルにとって重要な学習材料です。失注時に「競合負け」「予算凍結」「タイミング不一致」などの理由を記録することで、AIがより精緻なパターン認識を行えるようになります。

4. データ量を確保する:

AI予測が安定的に機能するためには、過去のクローズデータが一定量必要です。目安として、過去12か月間に100件以上の受注・失注データがあると、かなりの精度が期待できます。導入初期はデータが不足するため、半年程度はデータ蓄積期間と捉えてください。

5. 取引のプロパティを充実させる:

金額、商品、競合、意思決定者などのプロパティが入力されているほど、AIが考慮できる変数が増え、予測精度が向上します。入力を必須化するワークフローの設定が有効です。

類似リスト（Lookalike Lists）の生成と活用

類似リスト生成とは

類似リスト生成は、既存の優良顧客やコンバージョンしたリードに似た属性を持つ新規リードのリストをAIが自動的に作成する機能です。Google広告やMeta広告の「類似オーディエンス」と同じ発想を、CRMデータに対して適用したものと考えるとわかりやすいでしょう。

この機能を使うことで、「すでに受注実績のある顧客と似た特徴を持つ未接触のリード」を効率的に発見し、営業・マーケティングのターゲティングに活用できます。

類似リストの生成方法

Marketing Hub Professional以上で利用可能です。以下の手順で作成します。

1. ソースリストの準備: まず、AIの学習元となるリストを作成します。たとえば「過去1年間に受注した顧客」や「LTVが上位20%の顧客」など、分析の目的に応じたリストを用意します
2. 類似リスト生成の実行: ソースリストを選択し、HubSpotの類似リスト生成機能を起動します
3. 結果の確認: AIがソースリストのコンタクトに共通する属性パターンを分析し、CRM内の他のコンタクトから類似度の高い順にリストを生成します
4. リストの活用: 生成された類似リストを営業チームに共有するか、マーケティングキャンペーンのターゲットとして設定します

ソースリストの設計が精度を左右する

類似リスト生成の精度は、ソースリストの質に大きく依存します。以下のポイントを押さえてソースリストを設計してください。

良いソースリストの条件:

• 件数が十分にある（最低50件以上、理想は100件以上）
• 明確な基準で抽出されている（受注顧客、高LTV顧客など）
• データの鮮度が高い（直近12か月以内のデータ）
• プロパティが充実している（業種、規模、行動履歴などが入力済み）

避けるべきソースリスト:

• 件数が少なすぎる（10件未満ではパターン抽出が困難）
• 異質な属性が混在している（中小企業とエンタープライズが混在するなど）
• 古いデータが多い（3年以上前のデータは市場環境が変わっている可能性）

類似リストの活用シナリオ

シナリオ1: ABM（アカウントベースドマーケティング）のターゲット拡張

既存の優良顧客に類似した企業を発見し、ABMキャンペーンのターゲット企業リストを拡張します。「既存顧客の中でLTVが高い上位30社」をソースリストとして類似企業を抽出し、ABMの広告配信やパーソナライズドメールのターゲットに設定します。

シナリオ2: 新規市場セグメントの発見

自社が意識していなかった共通パターンをAIが発見することで、新しいターゲットセグメントが見つかることがあります。たとえば「受注顧客に製造業が多いことは認識していたが、AIの分析によって従業員100-300名の規模帯に特に集中していることが判明した」といったインサイトが得られます。

シナリオ3: 既存リードの再アプローチ

CRMに登録されているものの長期間接触していないリードの中から、類似度の高いリードを抽出して再アプローチします。休眠リードの中にも受注ポテンシャルの高いリードが埋もれていることは珍しくありません。

シナリオ4: 広告ターゲティングの精度向上

類似リストをHubSpotの広告ツールと連携し、Facebook広告やGoogle広告のカスタムオーディエンスとして活用します。CRMデータに基づいた精緻なターゲティングにより、広告のROIを向上させることが期待できます。

AI行動分析がもたらすインサイト

コンタクトの行動パターン分析

HubSpotのAIは、個々のコンタクトのWebサイト上の行動パターンを分析し、購買意向のシグナルを検出します。

分析対象となる行動:

• ページの閲覧順序とパターン
• 特定ページ（価格ページ、事例ページなど）への訪問頻度
• サイト滞在時間と訪問頻度の変化
• メールの開封タイミングとクリックパターン
• フォーム送信の内容と頻度
• チャットボットとの会話内容

たとえば、あるリードが「導入事例ページ → 価格ページ → 問い合わせページ」という順序でページを閲覧した場合、購買検討が進んでいる可能性が高いと判断されます。こうした行動パターンは、営業アプローチのタイミングを計る上で貴重な情報になります。

メールエンゲージメントのAI分析

Marketing Hubのメール機能では、AIがメールの開封率やクリック率のパターンを分析し、各コンタクトに最適な送信タイミングを提案します。

Smart Send Time:

AIがコンタクトごとの過去のエンゲージメントデータを分析し、最も開封率が高い送信時間帯を自動で選択します。全コンタクトに同じ時間にメールを送るのではなく、一人ひとりの行動パターンに合わせた配信が可能です。

エンゲージメント低下の検出:

過去に高いエンゲージメントを示していたコンタクトのアクティビティが低下した場合、AIがそのシグナルを検出します。このデータを活用して、離脱防止のキャンペーンを自動でトリガーすることもできます。

顧客ジャーニーのパターン認識

HubSpotのAIは、受注に至った顧客のジャーニー（認知 → 検討 → 決定）に共通するパターンを分析します。

分析から得られるインサイトの例:

• 受注までの平均日数とステップ数
• 受注顧客が共通して閲覧するコンテンツ
• コンバージョンに貢献度が高いタッチポイント
• 受注確度を高めるアクションの組み合わせ

これらのインサイトを活用することで、「受注までに平均して5回のタッチポイントが必要」「事例紹介ページの閲覧後に商談化する確率が2倍になる」といった知見を得ることができ、コンテンツ制作やナーチャリングシナリオの最適化に役立てられます。

予測分析の精度を高めるデータ運用

HubSpotのAI予測分析機能は、導入するだけで自動的に高い精度を発揮するわけではありません。予測の品質はデータの量と質に比例します。ここでは、予測精度を継続的に向上させるためのデータ運用のポイントを解説します。

必要なデータ量の目安

AI予測分析の各機能が安定的に動作するために必要なデータ量の目安は以下のとおりです。

データ量が不足している段階では、AI予測の精度は限定的です。導入後3〜6か月はデータ蓄積フェーズと位置づけ、精度の推移を見守りながら運用を続けることをおすすめします。

データ品質を維持する5つの施策

1. プロパティの入力率を高める:

コンタクトや取引のプロパティが空欄だらけでは、AIが分析できる情報が制限されます。特に重要なプロパティ（業種、従業員数、役職、取引金額、クローズ日など）の入力率を定期的にモニタリングし、80%以上を目標とします。

2. データの重複を排除する:

同一のコンタクトが複数レコードとして存在していると、AIの分析にノイズが入ります。HubSpotの重複管理ツールを使って、定期的にマージ処理を行います。

3. ライフサイクルステージを正確に管理する:

コンタクトのライフサイクルステージ（Subscriber → Lead → MQL → SQL → Opportunity → Customer）が実態と合っていることを確認します。ステージの定義が曖昧だと、予測モデルの学習に悪影響を与えます。

4. 失注・解約データを蓄積する:

受注データだけでなく、失注や解約のデータもAIの学習に不可欠です。取引を失注クローズする際は、失注理由のプロパティを必ず入力するルールを設けましょう。

5. 定期的なデータクレンジングを実施する:

半年に1回程度、以下の観点でデータクレンジングを行います。

• バウンスしたメールアドレスのマーク
• 長期間アクティビティのないコンタクトの整理
• 古いクローズ日のまま放置されている取引の更新
• 退職者のコンタクトレコードの処理

予測精度のモニタリング方法

AI予測の精度は、定期的にモニタリングし、改善を続けることが重要です。

予測リードスコアリングの精度確認:

• スコア上位20%のリードの実際の成約率を定期的に計測する
• スコアの閾値別（80以上、60-79、40-59、39以下）にコンバージョン率を比較する
• スコアが高いリードのコンバージョン率が有意に高ければ、モデルは機能している

AI売上予測の精度確認:

• 四半期ごとに、AI予測値と実際の着地金額を比較する
• 予測誤差率（予測値と実績値の差 ÷ 実績値）を計測する
• 誤差率が20%以内であれば、実用的な精度と判断できる

AI予測分析の導入ステップ

AI予測分析機能を効果的に導入するためのステップを整理します。

Phase 1: データ基盤の整備（1-3か月）

AI予測を始める前に、CRMのデータ基盤を整備します。

• 重要プロパティの定義と入力ルールの策定
• 既存データのクレンジング（重複排除、不備の修正）
• 取引ステージの定義と移行基準の文書化
• チームメンバーへのデータ入力トレーニング

Phase 2: 機能の有効化と初期運用（3-6か月）

データがある程度整ったら、予測分析機能を有効化します。

• 予測リードスコアリングの有効化
• AI売上予測の設定
• 初期段階では予測結果を「参考情報」として位置づけ、実績との乖離を観察
• 予測スコアの分布と実際のコンバージョン率の相関を検証

Phase 3: 業務プロセスへの組み込み（6か月以降）

予測精度がある程度安定したら、日常業務のプロセスに組み込みます。

• リードルーティングに予測スコアを組み込む
• 営業マネージャーの週次レビューにAI売上予測を活用
• 類似リスト生成を定期的に実行し、ターゲティングに活用
• ワークフローとの連携（スコア閾値に基づく自動通知・タスク作成）

Phase 4: 継続的な改善（恒常的）

AI予測分析は、継続的な改善サイクルが重要です。

• 四半期ごとの予測精度レビュー
• データ品質の定期モニタリング
• 新しいプロパティの追加によるモデルの強化
• ビジネス環境の変化に応じた基準の見直し

AI予測分析とプライバシー・セキュリティ

AI予測分析を利用する際は、データのプライバシーとセキュリティについても理解しておく必要があります。

HubSpotのAIデータポリシー

HubSpotのAI機能は、以下のデータポリシーに基づいて運用されています。

• データの分離: 各アカウントのデータは他のアカウントとは分離されて処理される。自社のデータが他社のAIモデルの学習に使用されることはない
• データの暗号化: CRMデータは暗号化された状態で保管・処理される
• EU GDPR対応: EU地域の顧客データについては、GDPRに準拠した処理が行われる

予測スコアの透明性

予測リードスコアリングでは、AIがスコアを算出した根拠をある程度確認できます。各コンタクトのスコアに影響を与えている上位の要素（ポジティブ要因・ネガティブ要因）が表示されるため、「なぜこのリードのスコアが高いのか」を理解した上で営業活動に活用できます。

この透明性は、営業チームのAI活用への信頼を醸成する上で重要です。「AIがスコアを出しているけど、何を根拠にしているのかわからない」という状態では、現場での活用が進みません。

まとめ

HubSpotのAI予測分析機能は、CRMデータを最大限に活用し、マーケティング・営業の意思決定を科学的に支援する一連の機能群です。本記事の要点を整理します。

• 予測リードスコアリングにより、リードの受注確度をAIが自動でスコアリングし、営業リソースの最適配分を実現する
• AI売上予測は、パイプラインデータの統計分析に基づく客観的な着地見通しを提供し、主観的なバイアスを排除する
• 類似リスト生成で、既存顧客に似た属性を持つ新規リードを自動発見し、ターゲティングの効率を向上させる
• AI行動分析により、個々のコンタクトの購買シグナルを検出し、最適なアプローチタイミングを判断できる
• 予測精度の鍵はデータの量と質。プロパティの入力率向上、重複排除、定期的なクレンジングが不可欠

AI予測分析は導入して即座に成果が出るものではなく、データの蓄積と品質向上に伴って精度が向上していく性質の機能です。まずはCRMのデータ基盤を整備した上で、段階的に機能を有効化・活用していくアプローチをおすすめします。

あわせて、HubSpot AI「Breeze」の機能完全ガイド、HubSpot Breezeスタジオとは？AIエージェント構、HubSpot Breeze Assistantとは？公式プロンなども参考にしていただければと思います。

よくある質問（FAQ）

Q1: 予測リードスコアリングと手動のリードスコアリングは同時に使えますか？

はい、同時に利用可能です。HubSpotでは、AIベースの予測スコアと手動で設定したルールベースのスコアが別のプロパティとして管理されます。両方を併用し、予測スコアで大まかな優先順位を決め、手動スコアで自社固有の条件（特定業種へのボーナス点など）を加味するハイブリッド運用が効果的です。

Q2: AIの予測精度はどのくらい信頼できますか？

精度はデータの量と質に依存するため、一概には言えません。一般的には、十分なデータ（コンタクト2,000件以上、受注/失注各100件以上）が蓄積された環境では、予測スコア上位20%のリードの成約率が下位20%の3〜5倍以上になるケースが多く報告されています。ただし、自社の環境で定期的に精度を検証することが重要です。

Q3: データが少ない導入初期でもAI予測分析は使えますか？

機能自体は有効化できますが、データ量が不足している場合は予測精度が低くなります。まずは3〜6か月間データを蓄積し、予測結果を「参考情報」として扱いながら精度の推移を観察することをおすすめします。その間は手動のルールベーススコアリングを主力として運用し、AI予測の精度が安定してきたら段階的に切り替えていく方法が現実的です。

Q4: 類似リスト生成はどのような業種に向いていますか？

BtoB・BtoCを問わず、CRMに十分なデータが蓄積されている企業であれば活用可能です。特に効果が高いのは、ターゲット企業数が多く属性情報が豊富なBtoB企業です。リードの母数が多いほどAIのパターン認識が精緻になるため、月間数百件以上のリードを獲得しているマーケティング組織での活用が適しています。

Q5: AI予測分析の結果を外部ツール（BIツールなど）にエクスポートできますか？

HubSpotのAPI経由で予測スコアなどのプロパティデータを取得できるため、外部のBIツール（Tableau、Looker Studio、Power BIなど）に連携可能です。また、HubSpotのData Hub機能を使えば、Snowflakeなどのデータウェアハウスとの双方向同期も実現できます。