「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。
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。
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。
| 機能 | 概要 | 対象Hub/プラン |
|---|---|---|
| 予測リードスコアリング | リードの受注確度をAIが自動スコアリング | Sales Hub / Marketing Hub Professional以上 |
| AI売上予測（ディールフォーキャスト） | パイプラインの取引データからAIが売上着地を予測 | Sales Hub Professional以上 |
| 類似リスト生成 | 既存の優良顧客に類似した新規リードリストを自動生成 | Marketing Hub Professional以上 |
| AI行動分析 | Webサイトの行動パターンやメールエンゲージメントを解析 | Marketing Hub / Sales Hub Professional以上 |
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。
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。
予測分析機能は主にBreeze Intelligenceの技術基盤を活用しています。
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。
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）:
ビヘイビアデータ（行動情報）:
エンゲージメントデータ:
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。
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:
データ要件:
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:
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。
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:
| 項目 | 手動フォーキャスト | AI売上予測 |
|---|---|---|
| 予測の根拠 | 営業担当の主観的判断 | データに基づく統計的分析 |
| バイアス | 楽観バイアス・報告バイアスあり | 客観的（人間のバイアスなし） |
| 更新頻度 | 手動更新（週次・月次） | リアルタイムで自動更新 |
| 精度向上 | 経験則に依存 | データ蓄積に応じて学習・改善 |
| カバー範囲 | 担当者が認識している情報のみ | CRM上の全データを網羅的に分析 |
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。
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。
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。
Marketing Hub Professional以上で利用可能です。以下の手順で作成します。
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:
避けるべきソースリスト:
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。
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:
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。
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。
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:
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。
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。
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。
| 機能 | 最低限の目安 | 推奨データ量 |
|---|---|---|
| 予測リードスコアリング | コンタクト500件以上、受注/失注各30件以上 | コンタクト2,000件以上、受注/失注各100件以上 |
| AI売上予測 | 取引100件以上（12か月分） | 取引500件以上（24か月分） |
| 類似リスト生成 | ソースリスト50件以上 | ソースリスト100件以上 |
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。
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。
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:
AI売上予測の精度確認:
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。
AI予測を始める前に、CRMのデータ基盤を整備します。
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。
AI予測分析は、継続的な改善サイクルが重要です。
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。
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。
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。
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。
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。
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。
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。
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。
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。