---
title: AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド
description: AI需要予測の導入では、予測対象と判断用途を定め、販売履歴や営業パイプラインを整え、小さく検証してから運用へ広げることが重要です。Prophet、LightGBM、TFTなど主要手法の違い、MAPEの見方、データ準備、CRMと連携した売上予測、AIと人が分担する運用設計まで実務の流れに沿って解説します。
image: https://start-link.jp/hubfs/blog/screenshots/generated/gen_BE-8.png
---

[![StartLink](https://start-link.jp/hs-fs/hubfs/logo/%E6%9C%80%E7%B5%82Start%20Link%20(500%20x%20150%20px)%20(%E8%83%8C%E6%99%AF%E3%81%82%E3%82%8A).png?width=130&height=39&name=%E6%9C%80%E7%B5%82Start%20Link%20(500%20x%20150%20px)%20(%E8%83%8C%E6%99%AF%E3%81%82%E3%82%8A).png "StartLink")](https://start-link.jp)

- [会社情報About](https://start-link.jp/about)
- [サービスService](https://start-link.jp/service)
- [プロダクトProducts](https://start-link.jp/sync)
- [YoutubeYoutube](https://start-link.jp/about/sns)
- [ブログBlog](https://start-link.jp/hubspot-ai)
- [業界別ガイドIndustry guides](https://start-link.jp/case)
- [採用情報Recruit](https://start-link.jp/recruit)

[資料DL](https://start-link.jp/download/service) [無料相談 →](https://start-link.jp/contact)

[会社情報](https://start-link.jp/about) [サービス](https://start-link.jp/service) [プロダクト](https://start-link.jp/sync) [Youtube](https://start-link.jp/about/sns) [ブログ](https://start-link.jp/hubspot-ai) [業界別ガイド](https://start-link.jp/case) [採用情報](https://start-link.jp/recruit)

[資料ダウンロード](https://start-link.jp/download/service) [無料相談 →](https://start-link.jp/contact)

- [トップ](https://start-link.jp)
- [会社情報](https://start-link.jp/about)
- [サービス](https://start-link.jp/service)
- [Youtube](https://start-link.jp/about/sns)
- [ブログ](https://start-link.jp/hubspot-ai)
- [Contact](https://start-link.jp/contact)
- [個人情報保護方針](https://start-link.jp/privacy-policy)
- [個人情報取り扱い規定](https://start-link.jp/personal-information-processing-agreement)

[ホーム](https://start-link.jp) › [ブログ](https://start-link.jp/hubspot-ai) ›[AI活用](https://start-link.jp/hubspot-ai/ai) ›[AI経営・戦略](https://start-link.jp/hubspot-ai/ai/ai-management) ›AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド

# AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド

- 2026年3月5日
- 最終更新: 2026年10月11日

![](https://start-link.jp/hubfs/blog/screenshots/generated/gen_BE-8.png)

この記事の結論

AI需要予測とは、予測する時点で利用できる実績や関連データから、将来の需要を見積もる方法です。導入の成否は手法だけでは決まりません。予測値を誰が、いつ、どの判断に使うかを先に定め、現在の方法と同じ条件で比べることが出発点です。

ブログ目次

もっと見る ▼

AI需要予測とは、予測する時点で利用できる実績や関連データから、将来の需要を見積もる方法です。導入の成否は手法だけでは決まりません。予測値を誰が、いつ、どの判断に使うかを先に定め、現在の方法と同じ条件で比べることが出発点です。

売上見通しなら営業支援の配分、商品別の需要なら発注というように、予測対象と行動を対応させます。結果が変わっても行動を選び分けられない場合は、手法を選ぶ前に対象や集計単位を見直します。以下の表は、判断を業務へつなぐまでの工程を示しています。

| ステップ | 内容 | 次へ進む目安 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者と、結果に応じて変える行動が決まる |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | 項目の意味と、予測時点で利用できる情報を確認できる |
| 3. モデル構築 | 現在の方法を含む複数手法の比較検証（PoC） | 同じ対象と予測時点で比較できる |
| 4. 精度検証 | バックテストによる予測誤差の評価 | 誤差が業務判断に与える影響を説明できる |
| 5. 運用展開 | 予測の更新手順とダッシュボードの整備 | 更新、確認、修正、実績との照合を担当者が実行できる |

「Excelで予測値を更新するたびに、担当者ごとの判断差が出てしまう」「営業の見込み数字と実際の売上がつながらない」「在庫や人員を、いつ、どの基準で調整すべきかわからない」——こうした課題がある場合は、予測手法だけでなく、データの記録から意思決定までの流れを確認します。

まず、予測対象、判断者、判断期限、結果に応じて変える行動を書き出します。行動を選び分けられるなら、次に必要なデータを特定します。工程の所要期間は一律に決めず、対象データの状態と担当者が実行できる作業を確認して見積もります。

| ステップ | 内容 | 期間目安 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者と判断期限が決まってから見積もる |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | データの所在、欠損、更新方法を調べて見積もる |
| 3. モデル構築 | 現在の方法を含む複数手法の比較検証（PoC） | 比較する対象と手法、担当者を決めて見積もる |
| 4. 精度検証 | 過去の判断時点に戻した予測結果の評価 | 比較に使える履歴と確認作業を調べて見積もる |
| 5. 運用展開 | 予測の更新手順とダッシュボードの整備 | 連携、承認、例外対応の範囲を決めて見積もる |

見積もりを作る際は、各工程の終了条件も合わせて決めます。データの所在が分からなければ収集方法を調べ、過去の状態を再現できなければ比較できる範囲を見直します。次の表では、作業が終わったかではなく、次の判断に使える状態になったかを確認します。

| ステップ | 内容 | 次へ進む条件 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者、判断期限、結果に応じて変える行動が決まっている |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | 項目の意味、記録時点、欠損時の扱いを説明できる |
| 3. モデル構築 | 現在の方法を含む複数手法の比較検証（PoC） | 同じ対象と予測時点で結果を比較できる |
| 4. 精度検証 | バックテストによる予測誤差の評価 | 誤差が業務判断に与えた影響を確認できる |
| 5. 運用展開 | 予測の更新手順とダッシュボードの整備 | 更新、確認、修正、実績との照合を担当者が実行できる |

例えば、売上見通しを営業支援の配分に使うなら、支援を判断する時点より前に記録された取引情報が必要です。その情報を用意できなければ、予測の粒度か判断方法を見直します。用意できる場合に、現在の方法と新しい手法を同じ条件で比較します。

比較結果は予測値だけでなく、「その値を見て、どの案件へ支援を割り当てたか」まで残します。

- **予測値が違っても支援先が同じ場合** ── 手法の変更よりも入力と確認の負担を減らす方が課題に合う可能性があります。
- **支援先が変わる場合** ── その変更を生んだデータが判断時点で利用できたかを確かめてから、業務への適用を検討します。

関連する記事の一覧は[AI経営・戦略ガイド](https://start-link.jp/hubspot-ai/ai/ai-management)をご覧ください。

## この記事でわかること

ExcelやCRMで予測を管理している営業責任者、在庫・発注担当者、データ活用の担当者に向けて、予測手法の選定に先立つ判断、データの準備、比較検証、業務への反映を順番に扱います。各節で、何を比べるか、結果によってどこへ戻るか、次へ進める条件を確認できます。

- **従来手法とAI需要予測の違い** — Excelや統計モデルを使い続けられる場面と、機械学習を比較する場面を、データの形と更新負荷から整理します。
- **主要な需要予測手法の選び方** — Prophet、LightGBM、TFT、LLMについて、入力する情報、比較方法、運用上の確認事項を説明します。
- **AI需要予測を導入する流れ** — 予測対象の定義からデータ整備、手法比較、精度評価、業務への組み込みまでの進め方を示します。
- **CRMデータを売上予測へつなげる設計** — 取引ステージや入力項目を整え、コンタクトから取引、顧客、請求までを関連付ける考え方を説明します。
- **AIと人が分担する運用方法** — 予測値を確認する人、例外時に判断する人、実績を振り返る人の役割を整理します。

読み終えたら、予測対象と判断者を定め、現在の方法との比較条件を揃えたうえで、運用範囲を広げられるか判断できます。

## AI需要予測とは何か

需要予測は、将来の売上を見積もるためだけの分析ではありません。予測を在庫、生産、営業活動、人員配置といった判断へつなげるために使います。最初に、現在の方法で判断に必要な情報を得られているか確認します。

### Excelや統計手法との違い

Excelで集計する場合は、計算根拠を確認し、必要な時点で更新できるかを検討します。販売履歴、施策カレンダー、営業パイプラインなどを別々に管理している場合は、更新時点や項目の定義が揃っているか確認します。

次の表では、データと計算方法に加え、変更履歴や引き継ぎまで比べます。手法の一般的な優劣として扱わず、自社の予測対象と判断期限で確かめます。

| 比較項目 | Excelや従来の統計手法 | AI需要予測 |
| --- | --- | --- |
| 主なデータ | 過去実績と必要な関連項目を整理する | 使える時点を確認した関連データを組み合わせる |
| ルールの作り方 | 計算式を変えた場合は比較条件を記録する | 学習条件を変えた場合は比較条件を記録する |
| 更新方法 | 集計と確認の手順に沿って更新する | データ連携と再計算の手順を設計する |
| 説明のしやすさ | 判断者が計算の前提を追えるか確かめる | 判断者が予測に使った情報を確認できるか確かめる |
| 適する状況 | 現在の方法で判断と更新を続けられる | 複数の要因を使う必要があり、比較用データを用意できる |
| 主な課題 | 担当者ごとに計算や補正が変わらないようにする | 学習時と運用時の入力条件を揃える |

現在の方法で計算根拠を追え、必要な時点に更新できるなら継続できます。転記や定義のずれが判断を妨げているなら、先にデータ管理を整えます。その後、手法を変えることで判断が改善するか検証します。

手法を比べるときは、処理できるデータの種類だけで採用を決めません。現在困っている点を、次の三つに分け、同じ対象と条件で確認します。

- 予測誤差
- 更新の負担
- 結果の説明のしやすさ

次の表は、各項目について自社データで確かめる順序を示します。

| 比較項目 | 従来手法（統計・Excel） | AI需要予測 | 推奨 |
| --- | --- | --- | --- |
| 使用データ | 集計元と更新時点が分かる販売データを使う | 関連データを追加する場合は取得時点と結合方法を確認する | 利用できるデータと連携方法を確認する |
| 変数の数 | 各項目を使う理由と更新担当を確認する | 項目を増やした場合の欠損と保守を確認する | 役割を説明できない項目は採用を保留する |
| 非線形パターン | 現在の方法で見落とす変化があるか確かめる | 追加した手法でその変化を扱えるか検証する | 手法名から優劣を決めず、実績との差を見る |
| 更新頻度 | 集計と承認が判断期限に間に合うか確認する | 連携と再計算が判断期限に間に合うか確認する | 間に合わない工程を特定して手順を見直す |
| スケール | 対象を増やした際の転記と確認作業を見積もる | 対象を増やした際の計算と監視作業を見積もる | 対象を広げる前に担当者が運用を再現する |
| 精度（目安） | 対象別に過小予測と過大予測を確認する | 同じ対象別に過小予測と過大予測を確認する | 誤差が変えた判断と、その影響を記録する |

確認は、次の順で進めます。

1. 判断期限までに両方の方法で予測値を出せるか確認します。
2. 同じ対象と予測時点で予測値と実績の差を確かめ、過小予測と過大予測が判断に与えた影響を記録します。

- **差が判断に影響しない場合** ── 説明と更新を続けやすい方法を選びます。
- **差が判断を変える場合** ── 影響した対象に絞って入力データと運用手順を確認してから適用範囲を決めます。

### 予測値ではなく意思決定から逆算する

「売上を予測したい」という目的だけでは、必要な粒度や評価方法を決められません。営業責任者が案件への支援配分を決めるのか、在庫担当者が発注を調整するのかによって、見るべき期間や誤差の影響が変わります。

予測対象、結果を見る人、判断の期限、取り得る行動を書き出します。

- **予測値が変わっても行動を選び分けられない場合** ── 対象や粒度を見直します。
- **選び分けられる場合** ── 判断時点で使えるデータを特定します。

例えば商品別の発注判断に使うなら、商品全体の売上予測だけでは粒度が合わないことがあります。商品別の履歴を揃えられるか確かめ、揃えられない場合は集計単位か判断方法を調整します。

発注を検討する際は、予測値を確認する時点、発注を確定する時点、実際に変更できる発注内容を並べます。

予測値が届く時点では発注を変更できないなら、**予測を早めるか、変更できる別の行動に用途を絞ります。**判断期限に間に合うことを確認できたら、予測の比較へ進みます。

### 一元管理、自動化、可視化をつなげる

需要予測では、データの記録場所、予測の更新方法、結果を見る画面を一つの業務手順として設計します。販売履歴やCRMデータの定義を揃え、予測値と実績値を同じ対象で表示できるようにします。

担当者の補正が必要なら、次の三つを残します。

- 補正前の予測値
- 理由
- 判断した時点

後から実績と照合し、補正を続けるべきか、入力データやルールを見直すべきか判断します。補正の記録が残せない場合は、自動化の範囲を広げる前に確認手順を整えます。

## AI需要予測の主要手法と選び方

手法は、予測対象、利用できるデータ、運用を担う人に合わせて選びます。まず時系列の実績だけで判断できるかを確認します。

不足する場合は、予測時点で利用できる関連項目を加え、現在の予測方法を基準として同じ条件で比較します。誤差に差が出ても判断が変わらなければ、更新や説明を続けやすい方法を選びます。

### Prophetによる時系列予測

Prophetは、時系列データのトレンドや季節性などを扱う予測手法です。[Prophetの公式概要](https://facebook.github.io/prophet/)も参照し、対象のデータと必要な予測条件に合うか確認します。

売上や問い合わせ数など、時間に沿って記録された実績を扱う場合は、まず次の三つを揃えます。

- 記録間隔
- 欠損
- 集計単位

そのうえで、現在の予測と同じ対象を予測します。集計単位を変えると結果の比較も変わるため、業務で判断する単位を先に固定します。

営業活動や施策内容も判断に必要なら、次の二つを分けて比較します。

- 時系列の実績だけを使う場合
- 関連項目を加える場合

誤差が判断へ与える影響と、更新を続けられるかを見て、別の手法も試すか決めます。

### LightGBMやXGBoostによる予測

LightGBMやXGBoostは、表形式のデータを使う予測で比較できる機械学習手法です。販売実績に営業パイプラインや施策などの項目を加える場合は、各列の意味と記録時点を確認します。

予測を実行する時点で利用できない情報を学習時だけ使うと、運用時に同じ条件を再現できません。**列ごとに利用可能になる時点を確認し、使える情報だけで現在の方法と比較します。**

項目を加えて誤差が変わった場合も、対象や期間を分けて確かめます。特定の対象だけで差が出るなら、その対象の記録方法や判断条件を確認してから、適用範囲を決めます。

例えば受注前の売上見通しに失注理由を加えた結果を評価するときは、その理由が予測時点ですでに記録されていたかを確認します。後から記録された理由でしか差を説明できないなら、その比較を採用せず、予測時点に取得できる項目だけで評価し直します。

### TFTなどの深層学習

Temporal Fusion Transformerは、複数の時系列や関連情報を扱う方法として比較できます。検討する際は、対象ごとの記録方法が揃っているか、学習と評価に使うデータを用意できるか確認します。

次に、以下の三つを決めます。

- 予測結果を説明する方法
- 再学習を担当する人
- 異常時に以前の判断方法へ戻す手順

これらを用意できない場合は、運用できる手法から始めます。用意できる場合も、同じ条件で現在の方法と比べ、判断に影響した誤差と保守作業を合わせて採否を決めます。

### LLMを補助的に使う方法

LLMは、市場レポートやニュースなどの定性情報を整理し、予測に関係しそうな要因を人が確認するための下書きに使えます。予測結果の説明文を作る場合も、参照した情報と判断した人を明確にします。

LLMの文章をそのまま需要の数値として扱うと、同じ条件での再計算や誤差評価を揃えにくくなります。

- **数値予測** ── 評価できる方法で行います。
- **LLMが整理した要因** ── 根拠と利用可能時点を確かめてから判断に加えます。確認できない要因は予測条件へ入れず、担当者が確認する事項として残します。

## AI需要予測を導入する流れ

先にユースケースと判断基準を決め、必要なデータを揃え、範囲を絞って手法を比較します。各段階で次へ進む条件を確認してから、業務へ組み込みます。

### 予測対象と利用場面を定義する

何を、どの粒度で、いつの判断に向けて予測するかを決めます。売上、在庫、人員配置では、必要なデータも結果を使う担当者も異なります。

次へ進む条件は、予測対象、結果を見る担当者、結果に応じて変える行動を説明できることです。

- **営業の着地見込みを扱う場合** ── 取引ステージやクローズ予定日をどの判断に使うかまで決めます。
- **行動が決まらない場合** ── 予測対象を絞り直します。

工程ごとに、作業内容と着手前の確認事項を対応させます。着手前の条件が揃わない場合は、対象や判断用途の定義へ戻ります。

| ステップ | 内容 | 着手前に確認すること |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 予測結果を受けて変える業務と判断者 |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | データの所在、記録方法、更新担当 |
| 3. モデル構築 | 現在の方法を含む複数手法の比較検証（PoC） | 比較する対象、予測時点、評価方法 |
| 4. 精度検証 | 過去の判断時点に戻した予測結果の評価 | 誤差によって変わる業務判断 |
| 5. 運用展開 | 予測の更新手順とダッシュボードの整備 | 結果の確認者、例外時の対応、実績との照合方法 |

### データを収集して定義を揃える

対象が決まったら、販売履歴、施策カレンダー、営業パイプライン、季節性やイベント情報などから、判断に必要なデータを選びます。[データクレンジング](https://start-link.jp/hubspot-ai/dx/dx-tools/data-cleansing-methods)を行い、重複、欠損、表記揺れ、入力時点のずれを整理します。

次へ進む条件は、各列の意味、入力者、更新タイミング、欠損時の扱いを説明できることです。

- **複数の場所に同じ顧客や案件が存在する場合** ── どの記録を基準にするか決めます。
- **定義が揃わない場合** ── 手法を比較する前にここへ戻ります。

次の表は、データを揃える際に工程ごとに記録する判断を示します。後から項目を追加した場合も、追加前後を同じ条件で比較できるようにします。

| ステップ | 内容 | 次へ進む判断 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 結果に応じて変える業務を特定する |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | 判断時点で利用できる情報を選ぶ |
| 3. モデル構築 | 入力項目を変えた場合の比較検証（PoC） | 項目を追加した理由と比較結果を確認する |
| 4. 精度検証 | 過去の判断時点に戻して予測誤差を評価 | 誤差が業務判断に与える影響を見る |
| 5. 運用展開 | 予測の更新手順とダッシュボードの整備 | 担当者が結果の確認と修正を続けられるか確かめる |

判断の根拠を残したら、別の担当者がその比較を再現できるか確かめます。以下の表では、集計元、記録時点、条件変更の履歴を確認する条件まで具体化します。

| ステップ | 内容 | 次へ進む条件 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者と、予測結果に応じて変える行動が決まっている |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の整理 | 集計元と記録時点を追い、欠損した記録を区別できる |
| 3. モデル構築 | 現在の方法を含む入力項目別の比較検証（PoC） | 項目を増減した条件と理由を記録できる |
| 4. 精度検証 | バックテストによる予測誤差と業務への影響の評価 | 誤差によって変わる判断と例外時の対応が明確になっている |
| 5. 運用展開 | 予測の更新手順・ダッシュボード・担当者の確認手順を整備 | 更新、判断、実績との照合を担当者が実行できる |

次に、欠損や記録の遅れが見つかった場合の戻り先を決めます。項目の意味が揃っていなければデータ定義へ戻り、比較結果の理由を説明できなければ入力項目と検証条件を確認します。

| ステップ | 内容 | 次へ進む条件 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者と予測結果に応じて変える行動が決まっている |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | 集計元、更新担当、欠損時の確認方法が決まっている |
| 3. モデル構築 | 入力項目を増減した比較検証（PoC） | 項目の変更が結果と更新作業に与えた影響を記録できる |
| 4. 精度検証 | バックテストによる予測誤差と業務への影響の評価 | 誤差が判断に与える影響と例外時の対応が明確になっている |
| 5. 運用展開 | 予測の更新手順・ダッシュボード・担当者の確認手順を整備 | 例外時の確認担当と、実績を振り返る手順が決まっている |

最後に、会議や発注作業など、実際に判断する場面で手順をたどります。予測値を更新できても判断期限に間に合わなければ、集計や承認の手順を見直します。次の表は、運用に進む直前に確認する条件を示します。

| ステップ | 内容 | 次へ進む条件 |
| --- | --- | --- |
| 1. ユースケース定義 | 予測対象（売上、在庫、人員配置）と粒度（日次/週次/月次）を決定 | 判断者と予測結果に応じて変える行動が決まっている |
| 2. データ準備 | 過去データの収集・クレンジング・予測に使う項目の検討 | 集計元、更新担当、欠損時の確認方法が決まっている |
| 3. モデル構築 | 現在の方法を含む複数手法の比較検証（PoC） | 比較対象と検証条件を担当者が再現できる |
| 4. 精度検証 | バックテストによる予測誤差と業務への影響の評価 | 誤差が判断に与える影響と例外時の対応が明確になっている |
| 5. 運用展開 | 予測の更新手順・ダッシュボード・担当者の確認手順を整備 | 例外時の確認担当と、実績を振り返る手順が決まっている |

### 複数手法を同じ条件で比較する

学習に使うデータと検証に使うデータを分け、各手法を同じ対象、同じ予測時点、同じ評価方法で比べます。単純な平均や現在のExcel予測も比較に含め、手法を変える必要があるか確かめます。

検証は、次の順で進めます。

1. 過去の各判断時点に戻り、その時点で利用できた情報だけで予測を作ります。
2. 後から確定した実績や更新後の取引情報が混ざっていないか確認します。
3. 誤差が生じた対象と期間を分け、業務判断がどう変わったかを記録します。

営業の着地見込みなら、当時の会議で使えた金額、取引ステージ、クローズ予定日を取り出し、その時点の予測を再現します。

- **会議後に変更された予定日を使って予測を作った場合** ── 実際の会議では再現できないため比較から外します。
- **過去の状態を取り出せない案件** ── 現在値で埋めずに区別し、検証できる案件の範囲を明示します。

次へ進む前に、同じ対象で次の四つを確認します。

- 誤差
- 更新に必要な作業
- 判断根拠
- 異常時の修正方法

選び方は次のとおりです。

- **誤差の違いで業務判断が変わらない場合** ── 担当者が更新と修正を続けられる方法を選びます。
- **判断が変わる場合** ── 差が出た場面に必要なデータと確認手順を確かめてから選びます。

**異常時の修正方法を確認できない方法は、継続的な運用には向きません。**

比較結果には、予測値、実績値、予測時点、使った項目、担当者が選んだ行動を対応させます。

例えば新しい手法だけが営業支援の対象を変えたなら、その案件の入力履歴を確認し、支援の判断時点で同じ結論を出せたかを確かめます。

- **再現でき、担当者が変更理由を説明できる場合** ── その対象での運用を検討します。
- **再現できない場合** ── 入力条件へ戻ります。
- **説明できない場合** ── 表示や確認手順を見直します。

| 評価軸 | 確認する内容 | 選択の分かれ目 |
| --- | --- | --- |
| 予測精度 | 実績との差が業務判断にどう影響するか | 誤差によって判断が変わるなら対象や入力を再確認する |
| 説明性 | 変化要因を担当者へ説明できるか | 必要な説明ができなければ手法や表示方法を見直す |
| 更新性 | 新しいデータで再計算できるか | 手動工程が残るなら判断期限と照らして自動化範囲を決める |
| 保守性 | 異常時に以前の判断方法へ戻せるか | 戻す条件と担当者が決まらなければ運用設計へ戻る |
| 行動接続 | 予測値が変わったときの行動が決まっているか | 決まっていなければ判断用途を再定義する |

### 業務フローへ組み込む

手法を選んだら、予測の実行、結果の確認、担当者への通知、実行した施策、実績との差の記録を一つの手順につなげます。どの差が出たら誰が確認し、何を変更できるかを決めます。

運用開始後は、予測値と実績値を同じ定義で蓄積します。誤差が広がったときは、入力遅れ、項目やステージの定義変更、対象の変化を確認します。

- **入力に問題がある場合** ── データを修正します。
- **判断条件が変わっている場合** ── 業務ルールを見直します。
- **データ修正や業務ルールの見直し後も差が残る場合** ── モデルや学習対象を再検討します。

確認を始める条件は、一律の誤差率だけで決めず、発注や営業支援を変更する判断基準と合わせて定めます。

予測がその基準をまたいだ場合は担当者が根拠を確認し、行動を変更したか、変更しなかったかと理由を残します。実績が判明したら、基準そのものが判断に役立ったかも振り返ります。

## 精度を支えるデータ準備と評価

予測を評価する前に、入力項目ごとの記録日時・記録者・判定基準・更新状況を確認し、条件が異なる記録は分けて扱います。記録条件を確認できないデータは、その影響を確かめるまで比較対象から分けておきます。

CRMの変更履歴を使う場合は、必要な項目と時点の情報を確認できるか調べます。

確認方法を検討する際は、[HubSpotの変更履歴に関するヘルプ](https://knowledge.hubspot.com/properties/export-property-history)を参照し、自社の検証に必要な記録を取得できるか確かめます。取得できない場合は、当時の状態を再現できる範囲に比較対象を絞ります。

### データ項目は目的に必要な範囲へ絞る

入力項目を増やすと、欠損や表記揺れの確認対象が増え、現場の入力負荷も変わります。判断との関係を説明できる項目から選び、比較して役割が確認できない項目は見直します。

CRMのプロパティを追加するときも、入力者、入力する場面、予測やレポートでの用途を合わせて定義します。用途を説明できなければ追加を保留し、既存項目で判断できるか確かめます。

### 予測時点で使える情報を揃える

予測を実行した時点で利用できた情報と、結果が判明してから追加された情報を分けます。受注後に確定した金額や結果を受注前の予測条件へ混ぜると、運用時に同じ条件を再現できません。

学習用データを作るときは、各項目がいつ利用可能になったかを確認します。

- **取引データの変更履歴を利用できる場合** ── 現在値だけでなく予測当時の状態も参照して検証条件を揃えます。
- **過去の状態を確認できない項目** ── 比較に使える範囲を明示して扱います。

予定日や金額が後から更新される項目は、現在値と判断時点の値を区別します。判断時点の値を取得できない場合は、その項目を使った過去比較を保留し、今後の予測値と入力時点を記録して評価できる状態を作ります。

### MAPEと業務上の誤差を併せて見る

MAPEは、実績に対する予測誤差の割合を平均して見る指標です。現在の方法と新しい手法を比べる際は、同じ対象と期間で計算し、業務判断への影響も評価します。

指標だけを見て採否を決めず、どの対象で過小予測や過大予測が生じたかを確認します。

- **実績がゼロの期間** ── 実績を分母とする誤差率を計算せず、予測値と実績値を並べて差とその要因を確認します。
- **実績が小さい対象** ── 誤差率が大きく見えやすいため、差の大きさと業務への影響も確認して判断します。

過小予測による欠品と過大予測による在庫増では、影響する業務が異なります。予測値と実績値を期間ごとに並べ、どちら向きの誤差が判断を変えたか確認します。

**採否はMAPEだけで決めず、担当者が取れる行動も含めて判断します。**

評価の際は、対象別に予測値と実績値を並べ、誤差の向き、実行した行動、実際に困ったことを記録します。

- **誤差率が改善しても、欠品を避けたい商品で過小予測が増えた場合** ── その商品への採用を見直します。
- **誤差率の差が小さくても、判断期限までに確認できる対象が増えた場合** ── 更新手順と合わせて運用上の価値を検討します。

### 予測と実績の差を改善材料にする

予測時点のデータ、出力値、人が加えた補正、実績値を残すと、どの段階を見直すべきか判断できます。差が出たときは、まず入力の遅れや定義変更を確認し、次に補正の理由と実行した行動をたどります。

- **人の補正が判断に役立った場合** ── 参照した情報と理由を記録し、入力項目や業務ルールに反映できるか検討します。
- **補正の判断が担当者ごとに異なる場合** ── 参照情報と承認手順を揃えてから、予測と実績を再び比較します。

## CRMとAI需要予測を一気通貫でつなぐ

BtoBの売上予測では、営業パイプラインの記録を入力として検討できます。CRMを営業プロセス、経営判断、部門連携に使うため、機能を追加する前に取引データの定義を整えます。

### パイプラインの要素を揃える

営業パイプラインは、取引ステージ、受注確度、ステージの定義、移行時に入力するプロパティを一組として設計します。ステージ名が揃っていても、担当者ごとに移行基準が違えば、同じ状態として比較できません。

各ステージへ進む条件を文章で定義し、金額やクローズ予定日など、予測に必要な項目を入力する場面を決めます。実際の案件で同じ条件が同じステージとして扱われるか確認し、判断が分かれるなら定義へ戻ります。

次の表では、各要素について最初の定義、例外時の記録、変更後の確認を対応させます。

| 設計要素 | 決める内容 | 需要予測との関係 |
| --- | --- | --- |
| 取引ステージ | 営業上の節目 | 案件の進行状態を揃える |
| 受注確度 | ステージごとの見込みを確認する担当者 | 売上見込みの前提を確認できるようにする |
| ステージ定義 | 移行条件を共有する方法 | 担当者間で判断が分かれたときに確認できるようにする |
| 必須プロパティ | 入力値を修正した場合の記録方法 | 修正前後の値を実績との照合に使えるようにする |

受注確度を使う場合は、誰が、どの情報を見て見込みを変更するかも決めます。見込みだけが変わり、ステージや予定日の変更理由を追えないなら、予測手法を比較する前に記録の手順を整えます。

### コンタクトから請求までを関連付ける

コンタクトの反応や営業活動を取引へつなぎ、受注後は顧客情報として引き継ぎ、請求側へ受け渡す流れを設計します。需要予測をこの流れの中へ置く際は、どの接点や活動を取引の進行と関連付けるか定義します。

予測結果を営業パイプラインの優先順位付けや経営レポートへ反映する場合も、表示する値と担当者が取る行動を対応させます。こうしたデータの見せ方は、[経営データの可視化](https://start-link.jp/service/claude-code/business-intelligence)でも紹介しています。

### 失注を次の予測へ戻す

受注案件に加え、案件が止まった条件も記録します。失注理由を営業とマーケティングで同じ区分として扱えるようにし、区分だけで事情を表せない場合は補足を残します。

失注後に検討が再開した案件は、ナーチャリングへ戻し、再び取引へ進んだ経路を残します。コンタクト、取引、失注理由、再商談を関連付け、どの時点の情報で予測したか追えるようにします。

### CRMのデータ品質を先に整える

CRMへデータが蓄積されていても、更新日、金額、クローズ予定日、ステージ定義が揃っていなければ、売上予測を同じ条件で評価できません。次の項目を洗い出します。

- 入力漏れのある項目
- 担当者によって解釈が違う項目

ステージ移行時の入力ルールやワークフローで記録の場面を決め、実際の取引で定義どおりに入力できるか確かめます。入力できない場面があれば、項目や手順を見直してから予測に使います。

AI CRMと需要予測の関係は、[AI CRMとは？CRM × AI活用トレンドと実践的な導入ステップ](https://start-link.jp/hubspot-ai/btob-marketing/ai-marketing-trends/ai-crm-trends-2026)でも解説しています。

## 業務領域別に考える需要予測の設計

需要予測では、在庫、外部要因、営業パイプラインのどれを判断に使うかで必要なデータが変わります。

以下では、各社に関連する業務領域を題材に、入力と判断の対応を考えます。個社の導入内容や成果を前提にはせず、自社で確認すべき条件を整理します。

### ZOZOを題材に考える在庫最適化

ファッションECの在庫判断では、商品ごとの販売履歴、商品マスター、在庫情報を同じ単位で結び付けられるかが論点になります。

予測する商品単位と補充を判断する単位を確認します。

- **一致しない場合** ── 集計方法を見直します。
- **一致する場合** ── 予測値と販売・在庫の実績を、発注や補充の判断に沿って評価します。

販売実績を確認する前に欠品していた商品は、記録の状態も確かめてから比較に使います。欠品によって販売数が抑えられた可能性がある期間は、その販売数を通常の需要と同じ条件で扱えるか検討します。

判断できなければ期間を区別し、補充判断を変える根拠として使う前に、在庫の記録と販売の状況を照合します。

### ダイキン工業を題材に考える外部データ活用

空調機器の需要を扱う場合は、販売履歴に加えて天候などの外部要因を使うかが検討点になります。外部データは、予測時点で取得でき、販売データと対象地域や期間を対応させられるものから評価します。

外部データを加える前後で同じ条件の予測を比較します。誤差への影響だけでなく、更新を続けられるか、業務側がその要因を判断に使えるかを確認して採否を決めます。

### キーエンスを題材に考える営業パイプライン活用

BtoBの売上見通しでは、進行中の商談をどのように扱うかが論点になります。商談の進捗や活動履歴を使う場合は、取引ステージと受注確度の定義を先に揃えます。

クローズ予定日と金額の更新時点を確認し、予測した時点の状態と実績を比べます。活動量だけでは案件の進行状態を説明できない場合は、ステージ移行条件や入力項目を見直します。

## AIと人が分担する運用設計

継続して使うために、AIが処理する部分と、人が判断する部分を決めます。AIはデータの集計や確認対象の提示に使い、人は予測の目的、例外への対応、実行する施策を決めます。

予測値を業務データへ反映する条件も、運用前に定めます。

### AIへ任せる処理

AIに使わせる処理として、次のようなものがあります。

- 定義が揃ったデータの整理
- レコードの要約
- 予測値の算出
- 実績との差の検出

営業活動では、商談情報や活動履歴を整理し、担当者が確認する案件を示す用途も考えられます。

商談内容そのものを分析する場合は、[AI商談分析ツール比較](https://start-link.jp/hubspot-ai/ai/ai-management/ai-sales-call-analysis-tools)も参考になります。需要予測と商談分析をつなぐときは、発言内容を取引ステージや次のアクションと関連付け、予測に使うかを検証します。

### 人が担う判断

人が担うのは、次の四つです。

- 予測対象の選定
- パイプラインや入力項目の設計
- 例外要因の評価
- 最終的な在庫や営業方針の決定

前提が変わった場合は、予測時点の条件と現場が把握している情報を並べ、予測値を採用するか判断します。

予測結果から営業メールを作る場合も、AIは下書きの作成を支援し、送信対象と表現は担当者が判断します。メール作成の考え方は、[AIで営業メールを自動作成する方法](https://start-link.jp/hubspot-ai/ai/ai-management/ai-sales-email-automation)で解説しています。

### データ更新にも確認工程を置く

次の画面は、Breezeが対象の製品レコードのプロパティ編集を支援する様子です。需要予測の画面ではありません。AIによる処理結果を実データへ反映する前に、対象と変更内容を人が確認する手順を考える際の参考になります。

![Breezeによる製品レコードの一括更新](https://start-link.jp/hubfs/blog/screenshots/library/breeze_record_update-2.png)

予測結果をCRMへ書き戻す場合は、予測値と担当者が判断した値を分けて管理します。自動更新を認める条件、承認を要する条件、誤りが見つかったときの修正担当を決めてから運用します。

### 引き継げる仕組みにする

運用手順は、モデル担当者だけでなく、営業、マーケティング、管理部門が同じ判断基準を参照できる形にします。入力項目の定義、予測の実行条件、例外時の連絡先、予測と実績の振り返り方法をまとめます。

入力画面、ワークフロー、ダッシュボードの順に作業をたどり、担当者が変わっても必要な確認ができるか確かめます。人が予測値を補正したときは理由を記録し、次回の評価に戻します。

## AI需要予測が向くケースと限界

履歴データが少ない対象や、条件が大きく変化した場面では、過去の記録を使った予測を評価しにくくなります。使える情報と人が確認すべき例外を分け、適用範囲を決めます。

### AIを検討しやすいケース

販売や商談の履歴が継続して記録され、同じ定義で比較できる対象は、機械学習を比較しやすくなります。商品、案件、地域などを繰り返し予測する業務では、現在の集計方法を基準として検証できます。

施策、営業活動、季節性など複数の要因を使いたい場合は、予測時点で取得できるデータを選びます。予測後の行動と実績を記録できるなら、現在の方法との比較へ進みます。

### 単純な方法を残した方がよいケース

履歴がほとんどない新しい商品や個別事情の影響が大きい案件では、複雑なモデルを比較するためのデータが足りない場合があります。その場合は、次の三つを並べます。

- 担当者の見立て
- 単純な基準値
- 類似する既存データ

それぞれの根拠、判断の前提、適用できない条件を同じ項目で確認します。

類似データを使う際は、商品や顧客の違いを記録し、その違いが判断に与える影響を確かめます。影響を確かめられないデータは判断の根拠に使わず、確認が必要な点として残します。

- **新しい商品** ── 類似商品を選んだ理由と異なる点を記録し、実際の販売状況が見立てから外れたときに、発注量を見直せるか確認します。
- **個別案件** ── 担当者の見立てを採用した理由と、次の商談で確認する事項を残します。

いずれも実績が得られたら見立てとの差を振り返り、比較に使える履歴が蓄積したかを確認します。

**判断時点で利用できる根拠を担当者が説明でき、前提が変わったときに修正できる方法を採用します。**比較に使える履歴が蓄積したら、同じ対象と判断条件で予測を試せるか見直します。

### 予測精度だけで導入を決めない

予測誤差に差が出ても、結果を見る担当者や判断基準が決まっていなければ、業務での使いやすさを評価できません。精度、説明性、運用負荷、行動への接続を並べて判断します。

過去の記録と異なる条件が生じた場合は、予測を作った前提を確認します。例外条件に該当したら、担当者が入力データと判断期限を見直し、予測値を使うか決めます。その判断と理由を残し、実績が判明した後に振り返ります。

### 小さく始めて段階的に広げる

最初は、データの定義が揃い、結果を使う担当者が明確な範囲を選びます。そこでデータ収集、予測、判断、行動、振り返りまで実施します。

範囲を広げる条件は、次の二つです。

- 予測の更新を続けられる
- 結果に応じた行動と実績を記録できる

次の対象では、商品や営業プロセスが同じか確認し、異なる場合は入力項目と判断基準を調整します。

## よくある質問

Excelからの移行、手法選定、CRMデータの整備、精度低下への対応について、判断の順序を確認します。

### ExcelからAI需要予測へ切り替えるべきですか？

Excelで予測対象と計算根拠を管理し、必要な時点で更新できている場合は、現在の方法を続ける選択肢があります。転記が増えている、担当者ごとに予測基準が異なる、複数データの関連を追いにくい場合は、データの管理方法と定義を確認します。

定義が揃ったら、現在のExcel予測を比較対象として残し、同じ対象と予測時点で誤差、更新負荷、判断への使いやすさを比べます。違いが業務判断に影響し、切り替え後の更新と修正を担当者が続けられるか確認してから決めます。

### Prophet、LightGBM、TFTはどのように選びますか？

時系列の実績を中心に扱うならProphet、表形式のデータに営業活動や施策などの要因を加えるならLightGBM、複数の時系列と関連情報を扱うならTFTを比較できます。いずれも、必要なデータと運用体制を用意できるか先に確かめます。

現在の予測方法と同じ対象・条件で評価し、誤差が判断を変えるか確認します。差が判断に影響しなければ、再学習の手間、説明のしやすさ、異常時に修正できる体制を見て選びます。差が特定の対象だけに出るなら、その対象のデータと判断条件を確認してから適用範囲を決めます。

### CRMデータはどこから整えればよいですか？

取引ステージ、金額、クローズ予定日、受注確度、失注理由から確認します。入力の有無に加え、同じ状態を担当者が同じステージとして判断できるかを見ます。

定義が揃ったら、ステージ移行時に必要な入力を画面とワークフローへ組み込みます。実際の取引で記録と判断をたどり、入力できない場面があれば項目や運用手順を見直します。

### 予測精度が下がったときは何を見直しますか？

最初に、入力遅れ、欠損、項目定義の変更を確認します。該当する場合はデータを整え、同じ条件で再計算します。次に、施策や市場条件、予測対象の構成が検証時から変わっていないかを見ます。

どの期間、商品、案件で誤差が広がったかを分け、過小予測と過大予測が判断に与えた影響を確認します。その結果に応じて、入力項目、学習対象、モデルの順に見直します。判断条件が変わっていた場合は、評価方法も揃え直します。

## まとめ

AI需要予測を導入する際は、予測結果を使う業務と判断者を先に決めます。その後、必要なデータの定義を揃え、現在の方法を含めて同じ条件で比較し、結果を確認・行動・振り返りへつなげます。

- **Prophet、LightGBM、TFT、LLM** ── それぞれに検討できる役割があります。誤差だけで採用を決めず、説明性、更新性、担当者が取れる行動を含めて評価します。
- **BtoBの売上予測** ── CRMの取引ステージ、受注確度、ステージ定義、必須プロパティを揃えることが土台になります。コンタクトから取引、顧客、請求までを関連付け、失注や再商談も振り返りに使います。

まずは、現在の予測表とCRMを見ながら、予測対象と判断用途を一つに絞ります。

- 予測結果を使う担当者と、結果に応じて変える行動を書き出します。
- その判断に必要な販売履歴や取引データを特定し、項目の意味と更新時点を揃えます。
- 現在の予測方法を比較対象に残し、範囲を絞って予測と実績の差を記録します。

企業様によって最適な形は異なります。対象のデータと運用条件に合わせて手法を比較し、更新と振り返りが続けられることを確かめてから範囲を広げます。

CRMを活用した業務効率化やAIとの連携について、予測対象の整理、取引データの整備、結果を営業判断へつなぐ運用設計をご相談いただけます。CRM特化型コンサルティングのStartLinkまでお気軽にお問い合わせください。

## あわせて読みたい

需要予測の入力データを見直す際はデータ分析の記事、顧客の声を判断材料に加える際はVOC分析の記事を参照できます。投資判断、モデルの活用、データ基盤の整備についても、検討する課題に合わせて次の記事を確認してください。

- [AIによるデータ分析の自動化｜経営判断を加速する実践ガイド](https://start-link.jp/hubspot-ai/ai/genai-work/ai-business-data-analysis)
- [AIによるVOC（顧客の声）分析｜感情分析・自動分類で顧客理解を深める方法](https://start-link.jp/hubspot-ai/ai/ai-management/ai-voc-analysis-guide)
- [AIエージェントのROI測定方法｜投資対効果を定量的に評価するフレームワーク](https://start-link.jp/hubspot-ai/ai/ai-agent-ops/ai-agent-roi-measurement)
- [ファインチューニングのビジネス活用ガイド｜自社データでAIモデルをカスタマイズする方法](https://start-link.jp/hubspot-ai/ai/ai-tech-trends/fine-tuning-business-guide)
- [企業データ基盤の構築方法｜DWH・データレイクの設計とクラウド活用ガイド](https://start-link.jp/hubspot-ai/dx/dx-tools/data-platform-dwh-datalake)

記事の内容を、そのまま実務に落とし込みたい方向け

HubSpotゴールドパートナーのStartLinkが、HubSpot導入・AI活用・CRM整備・業務効率化までをまとめて支援しています。記事で気になったテーマを、そのまま相談ベースで整理できます。

[サービス概要を見る](https://start-link.jp/service/hubspot-ai) [無料で相談する](https://start-link.jp/contact)

## 次に読む

### [![](https://start-link.jp/hubfs/blog/screenshots/generated/gen_DD-61_fast_mode_model_support.png) Claude Codeのfast mode（/fast）｜対応モデル・料金・使いどころの判断基準](https://start-link.jp/hubspot-ai/ai/claude-code-practice/claude-code-fast-mode)

### [![](https://start-link.jp/hubfs/blog/screenshots/generated/gen_DD-60_agent_view_session_states.png) Claude Code agent viewの使い方｜全セッションを1画面で管理](https://start-link.jp/hubspot-ai/ai/claude-code-practice/claude-code-agent-view)

### [![](https://start-link.jp/hubfs/blog/screenshots/generated/gen_DD-58_goal_evaluation_loop.png) Claude Codeの/goalコマンド｜完了条件でAIを自律実行させる方法](https://start-link.jp/hubspot-ai/ai/claude-code-practice/claude-code-goal-command)

## 記事の内容を、そのまま実務に落とし込みたい方向け

[無料で相談する](https://start-link.jp/contact) [資料をダウンロード](https://start-link.jp/hubspot-ai/ai/ai-management/ai-demand-forecasting-guide#blog-download)

 株式会社StartLinkは、事業推進に関わる「販売促進」「DXによる業務効率化（ERP/CRM/SFA/MAの導入）」などのご相談を受け付けております。 サービスのプランについてのご相談/お見積もり依頼や、ノウハウのお問い合わせについては、[無料のお問い合わせページ](https://www.start-link.jp/contact)より、お気軽にご連絡くださいませ。

###### 関連キーワード:

[AI](https://start-link.jp/hubspot-ai/tag/ai) [データ](https://start-link.jp/hubspot-ai/tag/データ) [導入](https://start-link.jp/hubspot-ai/tag/導入) [ROI・収益](https://start-link.jp/hubspot-ai/tag/roi-収益)

## サービス資料を無料DL

## 著者情報

![7-1](https://start-link.jp/hubfs/7-1.jpg)

### 今枝 / Imaeda

 株式会社StartLink 代表取締役。累計150社以上のHubSpotプロジェクト支援実績を持ち、Claude CodeやHubSpotを軸にしたAI活用支援・経営基盤AXのコンサルティング事業を展開。  
 HubSpotのトップパートナー企業や大手人材グループにて、エンタープライズCRM戦略策定・AI戦略ディレクションを経験した後、StartLinkを創業。現在はCRM×AIエージェントによる経営管理支援を専門とする。

[StartLink](https://start-link.jp/)

### Service

- [会社情報](https://start-link.jp/about)
- [サービス](https://start-link.jp/service)
- [プロダクト](https://start-link.jp/sync)
- [採用情報](https://start-link.jp/recruit)
- [コンサルタントの方へ](https://start-link.jp/consultant-platform)

### Contact

- [問い合わせ](https://start-link.jp/contact)
- [資料ダウンロード](https://start-link.jp/download/service)
- [Syncナレッジベース](https://start-link.jp/sync/knowledge-base)
- [個人情報保護方針](https://start-link.jp/privacy-policy)
- [個人情報取り扱い規定](https://start-link.jp/personal-information-processing-agreement)

(c) 2026 All Rights Reserved.

```json
{
  "@context" : "https://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "今枝 拓海",
    "url" : "https://start-link.jp/hubspot-ai/author/imaeda"
  },
  "datePublished" : "2026-03-05T12:00:00.000Z",
  "headline" : "AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド",
  "image" : [ "https://start-link.jp/hubfs/blog/screenshots/generated/gen_BE-8.png" ],
  "mainEntityOfPage" : {
    "@id" : "https://start-link.jp/hubspot-ai/ai/ai-management/ai-demand-forecasting-guide",
    "@type" : "WebPage"
  },
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "url" : "https://start-link.jp/hubfs/Start%20Link%20(1500%20x%20600%20px)%20(5)-1.png"
    },
    "name" : "株式会社StartLink"
  }
}
```

```json
{
  "@context" : "https://schema.org",
  "@type" : "FAQPage",
  "mainEntity" : [ {
    "@type" : "Question",
    "acceptedAnswer" : {
      "@type" : "Answer",
      "text" : "Excelで予測対象と計算根拠を管理し、必要な時点で更新できている場合は、現在の方法を続ける選択肢があります。転記が増えている、担当者ごとに予測基準が異なる、複数データの関連を追いにくい場合は、データの管理方法と定義を確認します。 定義が揃ったら、現在のExcel予測を比較対象として残し、同じ対象と予測時点で誤差、更新負荷、判断への使いやすさを比べます。違いが業務判断に影響し、切り替え後の更新と修正を担当者が続けられるか確認してから決めます。"
    },
    "name" : "ExcelからAI需要予測へ切り替えるべきですか？"
  }, {
    "@type" : "Question",
    "acceptedAnswer" : {
      "@type" : "Answer",
      "text" : "時系列の実績を中心に扱うならProphet、表形式のデータに営業活動や施策などの要因を加えるならLightGBM、複数の時系列と関連情報を扱うならTFTを比較できます。いずれも、必要なデータと運用体制を用意できるか先に確かめます。 現在の予測方法と同じ対象・条件で評価し、誤差が判断を変えるか確認します。差が判断に影響しなければ、再学習の手間、説明のしやすさ、異常時に修正できる体制を見て選びます。差が特定の対象だけに出るなら、その対象のデータと判断条件を確認してから適用範囲を決めます。"
    },
    "name" : "Prophet、LightGBM、TFTはどのように選びますか？"
  }, {
    "@type" : "Question",
    "acceptedAnswer" : {
      "@type" : "Answer",
      "text" : "取引ステージ、金額、クローズ予定日、受注確度、失注理由から確認します。入力の有無に加え、同じ状態を担当者が同じステージとして判断できるかを見ます。 定義が揃ったら、ステージ移行時に必要な入力を画面とワークフローへ組み込みます。実際の取引で記録と判断をたどり、入力できない場面があれば項目や運用手順を見直します。"
    },
    "name" : "CRMデータはどこから整えればよいですか？"
  }, {
    "@type" : "Question",
    "acceptedAnswer" : {
      "@type" : "Answer",
      "text" : "最初に、入力遅れ、欠損、項目定義の変更を確認します。該当する場合はデータを整え、同じ条件で再計算します。次に、施策や市場条件、予測対象の構成が検証時から変わっていないかを見ます。 どの期間、商品、案件で誤差が広がったかを分け、過小予測と過大予測が判断に与えた影響を確認します。その結果に応じて、入力項目、学習対象、モデルの順に見直します。判断条件が変わっていた場合は、評価方法も揃え直します。"
    },
    "name" : "予測精度が下がったときは何を見直しますか？"
  } ]
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/hubspot-ai/ai/ai-management/ai-demand-forecasting-guide#article",
  "@type" : "BlogPosting",
  "author" : {
    "@id" : "https://start-link.jp/#founder"
  },
  "dateModified" : "2026-10-11T08:59:15+09:00",
  "datePublished" : "2026-03-05T12:00:00+09:00",
  "headline" : "AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド",
  "image" : "https://start-link.jp/hubfs/blog/screenshots/generated/gen_BE-8.png",
  "isPartOf" : {
    "@id" : "https://start-link.jp/#website"
  },
  "mainEntityOfPage" : {
    "@id" : "https://start-link.jp/hubspot-ai/ai/ai-management/ai-demand-forecasting-guide",
    "@type" : "WebPage"
  },
  "publisher" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "speakable" : {
    "@type" : "SpeakableSpecification",
    "cssSelector" : [ ".blog-section h2", ".blog-section p:first-of-type", ".blog-section blockquote" ]
  }
}
```

```json
{
  "@context" : "https://schema.org",
  "@type" : "BreadcrumbList",
  "itemListElement" : [ {
    "@type" : "ListItem",
    "item" : "https://start-link.jp",
    "name" : "ホーム",
    "position" : 1
  }, {
    "@type" : "ListItem",
    "item" : "https://start-link.jp/hubspot-ai",
    "name" : "ブログ",
    "position" : 2
  }, {
    "@type" : "ListItem",
    "item" : "https://start-link.jp/hubspot-ai/ai",
    "name" : "AI活用",
    "position" : 3
  }, {
    "@type" : "ListItem",
    "item" : "https://start-link.jp/hubspot-ai/ai/ai-management",
    "name" : "AI経営・戦略",
    "position" : 4
  }, {
    "@type" : "ListItem",
    "name" : "AI需要予測の導入方法｜精度を高める手法とCRMデータ活用の実践ガイド",
    "position" : 5
  } ]
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#organization",
  "@type" : "Organization",
  "address" : {
    "@type" : "PostalAddress",
    "addressCountry" : "JP",
    "addressLocality" : "中央区",
    "addressRegion" : "東京都",
    "postalCode" : "104-0061",
    "streetAddress" : "銀座1丁目12番4号 N&E BLD.6F"
  },
  "alternateName" : "StartLink Inc.",
  "award" : [ "HubSpot Gold Solutions Partner（HubSpotゴールドパートナー、2026年4月認定）" ],
  "contactPoint" : [ {
    "@type" : "ContactPoint",
    "availableLanguage" : [ "ja" ],
    "contactType" : "customer support",
    "url" : "https://start-link.jp/contact"
  }, {
    "@type" : "ContactPoint",
    "availableLanguage" : [ "ja", "en" ],
    "contactType" : "sales",
    "url" : "https://start-link.jp/contact"
  } ],
  "description" : "「AI × HubSpot」をコンセプトに掲げるHubSpotゴールドパートナー（Gold Solutions Partner、2026年4月認定）。HubSpotマーケットプレイスに自社アプリ（Sync for freee / Notion / Money Forward / Chatwork）を公開するアプリ開発企業であり、HubSpot/Salesforce知見とAI活用を組み合わせたCRM構築・移行・最適化・AIエージェント/PoC支援まで一貫して提供する。",
  "founder" : {
    "@id" : "https://start-link.jp/#founder",
    "@type" : "Person",
    "jobTitle" : "代表取締役",
    "name" : "今枝 拓海",
    "sameAs" : [ "https://x.com/ImaedaTakumii", "https://www.linkedin.com/in/takumi-imaeda/", "https://www.facebook.com/takumiIma" ]
  },
  "foundingDate" : "2024-09-04",
  "hasCredential" : {
    "@type" : "EducationalOccupationalCredential",
    "credentialCategory" : "certification",
    "name" : "HubSpot Gold Solutions Partner",
    "recognizedBy" : {
      "@type" : "Organization",
      "name" : "HubSpot, Inc.",
      "url" : "https://www.hubspot.com/"
    }
  },
  "image" : [ "https://start-link.jp/hubfs/startlink-ai-agent.jpg", "https://start-link.jp/hubfs/startlink-aiorg.jpg" ],
  "knowsAbout" : [ "HubSpot CRM", "HubSpot Implementation", "HubSpot導入支援", "CRM構築", "AI活用", "HubSpot連携アプリ開発", "Salesforce to HubSpot Migration", "Generative AI Integration", "AI Agent Development", "Revenue Operations", "Marketing Automation", "freee Integration", "Notion Integration", "Money Forward Integration" ],
  "legalName" : "株式会社StartLink",
  "logo" : "https://start-link.jp/hubfs/startlink-logo.png",
  "mainEntityOfPage" : "https://start-link.jp/",
  "memberOf" : {
    "@type" : "ProgramMembership",
    "hostingOrganization" : {
      "@type" : "Organization",
      "name" : "HubSpot, Inc.",
      "url" : "https://www.hubspot.com/"
    },
    "membershipNumber" : "Gold Tier",
    "programName" : "HubSpot Solutions Partner Program"
  },
  "name" : "株式会社StartLink",
  "sameAs" : [ "https://www.youtube.com/@startlink-hubspot", "https://x.com/ImaedaTakumii", "https://www.linkedin.com/in/takumi-imaeda/", "https://www.linkedin.com/company/108100307/", "https://www.facebook.com/takumiIma", "https://www.facebook.com/profile.php?id=61566874764985", "https://prtimes.jp/main/html/searchrlp/company_id/149669", "https://app.hubspot.com/ecosystem/46046172/marketplace/solutions/startlink" ],
  "taxID" : "8010001248134",
  "url" : "https://start-link.jp/"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#website",
  "@type" : "WebSite",
  "inLanguage" : "ja",
  "name" : "株式会社StartLink",
  "publisher" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "url" : "https://start-link.jp/"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-hubspot",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "CRM導入", "HubSpot" ],
  "description" : "150社以上の実績を持つHubSpotゴールドパートナーが、業務フローに合わせた設計から構築・本番稼働まで一貫支援。",
  "name" : "HubSpot導入・構築支援",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "HubSpot導入・構築支援",
  "url" : "https://start-link.jp/service/hubspot"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-hubspot-ai",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "CRM最適化", "AI活用" ],
  "description" : "HubSpotを軸に業務要件に沿った設計改善とAI連携活用を包括支援。",
  "name" : "HubSpot AIコンサルティング",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "HubSpot AIコンサルティング",
  "url" : "https://start-link.jp/service/hubspot-ai"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-hubspot-training",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "研修", "HubSpot" ],
  "description" : "HubSpotの概念・基本操作からAI活用ノウハウまで、社内浸透のための研修を提供。",
  "name" : "HubSpot研修・レクチャー支援",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "HubSpot研修・内製化支援",
  "url" : "https://start-link.jp/service/hubspot-ai/training"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-sf2hs-replace",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "CRM移行", "データ移行" ],
  "description" : "Salesforce/HubSpot双方の思想とデータモデルを理解した移行設計とHubSpot側CRM開発を実行。",
  "name" : "SalesforceからHubSpotへのリプレイス支援",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "SalesforceからHubSpotへのリプレイス支援",
  "url" : "https://start-link.jp/service/salesforce-hubspot-replace"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-claude-code-bi",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "AI活用", "経営管理" ],
  "description" : "複数システムのデータを統合し、毎朝のAIブリーフィングなど経営の意思決定を加速する仕組みを構築。",
  "name" : "Claude Codeによる経営データ活用支援",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "AI経営管理支援",
  "url" : "https://start-link.jp/service/claude-code/business-intelligence"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#service-claude-code-content",
  "@type" : "Service",
  "areaServed" : "JP",
  "category" : [ "コンテンツマーケティング", "AI活用" ],
  "description" : "キーワード戦略からSEO記事制作、CMS公開まで、AIを活用したコンテンツマーケティングを自動化。",
  "name" : "Claude Codeによるコンテンツマーケティング支援",
  "provider" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "serviceType" : "AIコンテンツ制作支援",
  "url" : "https://start-link.jp/service/claude-code/content-marketing"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#product-sync-freee",
  "@type" : "SoftwareApplication",
  "applicationCategory" : "BusinessApplication",
  "author" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "description" : "HubSpotとfreee会計・freee請求書をシームレスに連携。取引先の同期から請求書作成まで、バックオフィスの業務を自動化するHubSpotマーケットプレイスアプリ。",
  "featureList" : [ "freee取引先をHubSpotに自動同期", "HubSpotからfreee見積書・請求書を作成", "取引データをfreee会計に自動登録", "月次請求・更新処理に対応", "商品項目・品目・部門・タグ情報の連携" ],
  "installUrl" : "https://ecosystem.hubspot.com/marketplace/apps/sync-for-freee-bystartlink",
  "name" : "Sync for freee",
  "offers" : [ {
    "@type" : "Offer",
    "description" : "請求月5件・見積月20件まで",
    "name" : "Free",
    "price" : "0",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "請求月50件・見積月100件まで",
    "name" : "Professional",
    "price" : "4000",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "無制限",
    "name" : "Enterprise",
    "price" : "10000",
    "priceCurrency" : "JPY"
  } ],
  "operatingSystem" : "Web",
  "softwareHelp" : {
    "@type" : "WebPage",
    "url" : "https://start-link.jp/sync/knowledge-base/freee/basic-steps"
  },
  "url" : "https://start-link.jp/sync/freee"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#product-sync-notion",
  "@type" : "SoftwareApplication",
  "applicationCategory" : "BusinessApplication",
  "author" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "description" : "HubSpotのCRMレコードとNotionのページ・データベースを接続。HubSpotの画面から離れずにNotionのすべてにアクセスできるHubSpotマーケットプレイスアプリ。",
  "featureList" : [ "CRMカードからNotionページの作成・閲覧・編集", "NotionデータベースをCRMタブにテーブル表示", "4つのワークフローアクションで自動化", "コンタクト・会社・取引・チケット・サービス・プロジェクト対応" ],
  "installUrl" : "https://ecosystem.hubspot.com/marketplace/listing/sync-for-notion-bystartlink",
  "name" : "Sync for Notion",
  "offers" : [ {
    "@type" : "Offer",
    "description" : "ページ・DB合計50件まで",
    "name" : "Free",
    "price" : "0",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "無制限",
    "name" : "Professional",
    "price" : "10000",
    "priceCurrency" : "JPY"
  } ],
  "operatingSystem" : "Web",
  "url" : "https://start-link.jp/sync/notion"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#product-sync-moneyforward",
  "@type" : "SoftwareApplication",
  "applicationCategory" : "BusinessApplication",
  "author" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "description" : "HubSpotとマネーフォワード クラウドを連携。取引情報から見積書・請求書を自動作成し、取引先・品目の同期や継続請求に対応するHubSpot連携アプリ。",
  "featureList" : [ "取引（Deal）から見積書・請求書を自動作成", "会社情報とマネーフォワード取引先の同期", "商品項目・品目マスタの連携", "月次・固定回数の継続請求に対応（Professionalプラン以上）", "合算請求（Enterpriseプラン限定）", "前受請求（一括請求・月次計上）（Enterpriseプラン限定）", "原価登録（MF会計への仕訳登録）で案件別の原価・粗利を可視化（Enterpriseプラン限定）", "取引レコードにCRMカードで連携ステータスを表示" ],
  "installUrl" : "https://ecosystem.hubspot.com/ja/marketplace/listing/sync-for-moneyforward-bystartlink",
  "name" : "Sync for Money Forward",
  "offers" : [ {
    "@type" : "Offer",
    "description" : "請求月5件・見積月20件まで",
    "name" : "Free",
    "price" : "0",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "請求月50件・見積月100件まで",
    "name" : "Professional",
    "price" : "4000",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "無制限",
    "name" : "Enterprise",
    "price" : "10000",
    "priceCurrency" : "JPY"
  } ],
  "operatingSystem" : "Web",
  "url" : "https://start-link.jp/sync/moneyforward"
}
```

```json
{
  "@context" : "https://schema.org",
  "@id" : "https://start-link.jp/#product-sync-chatwork",
  "@type" : "SoftwareApplication",
  "applicationCategory" : "BusinessApplication",
  "author" : {
    "@id" : "https://start-link.jp/#organization"
  },
  "description" : "HubSpotとChatworkを連携。ワークフローからChatworkのルームへ通知を送り、CRMカード上で最新のやり取りの確認と返信ができ、紐付けたルームの新着メッセージをHubSpotのノートとして自動で記録するHubSpot連携アプリ。",
  "featureList" : [ "ワークフローアクション「Chatworkに通知」（取引・会社・コンタクト・チケット対応）", "送信先ルームIDとメッセージ本文にHubSpotのプロパティを差し込み", "取引・会社・コンタクトとChatworkルームの紐付け（全プラン無制限）", "CRMカードにルームの最新100件のメッセージを表示（Professionalプラン以上）", "CRMカードからChatworkへメッセージを送信（Professionalプラン以上）", "紐付けたルームの新着メッセージをHubSpotのノートへ自動記録（Enterpriseプラン限定）", "引用や装飾を、HubSpotのノートでも読みやすい見た目のまま記録", "OAuth接続とAPIトークン接続（SAML/SSO環境向け）に対応" ],
  "installUrl" : "https://ecosystem.hubspot.com/marketplace/listing/sync-for-chatwork-bystartlink",
  "name" : "Sync for Chatwork",
  "offers" : [ {
    "@type" : "Offer",
    "description" : "通知 月10件まで・ルーム紐付け無制限",
    "name" : "Free",
    "price" : "0",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "通知無制限・CRMカードで最新100件の表示とメッセージ送信",
    "name" : "Professional",
    "price" : "3000",
    "priceCurrency" : "JPY"
  }, {
    "@type" : "Offer",
    "billingIncrement" : "P1M",
    "description" : "Professionalの全機能＋メッセージ同期（30分ごと）",
    "name" : "Enterprise",
    "price" : "10000",
    "priceCurrency" : "JPY"
  } ],
  "operatingSystem" : "Web",
  "url" : "https://start-link.jp/sync/chatwork"
}
```