%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"){kind=logo}
この記事の結論
AIデータ分析は、自然言語でデータに問いかけ、集計や可視化、傾向の整理を進める方法です。結果を意思決定に使えるかどうかは、問いの定義、元データの品質、結果を確かめる手順で決まります。
AIデータ分析は、自然言語でデータに問いかけ、集計や可視化、傾向の整理を進める方法です。結果を意思決定に使えるかどうかは、問いの定義、元データの品質、結果を確かめる手順で決まります。
「商談データはCRMにあるのに、会議のたびにExcelへ書き出している」「ダッシュボードで変化は見えるが、理由をどう調べればよいかわからない」。こうした場面では、先にツールを選ぶより、会議で答えたい問いと、その答えに必要なデータを確かめることが出発点になります。
AIデータ分析とは、AIや業務ツールのAI機能を使い、データの整理、切り口ごとの比較、要因の仮説出しを行い、人の判断と次の行動につなげる取り組みです。例えば売上の変化を調べるなら、AIに「減少の理由」を尋ねる前に、比較する期間、売上の定義、顧客や商品の区分をそろえます。AIの全体像は「AIとは？ビジネス活用の全体像をわかりやすく解説」で、AI活用の全体像はAI活用完全ガイドで把握できます。
StartLinkでは、データがどこにあり、同じ問いが繰り返されるかによって分析手段を選びます。この記事では、BIとAIの使い分けから始め、CRMと売上データの整え方、ツールの選び方、結果を業務に戻す手順までを順に説明します。
この記事でわかること
営業・マーケティング・経営企画の担当者が、手元のCRMデータや売上データを分析に使う際の判断材料を、次の4点にまとめています。
- AIデータ分析と従来のBI分析の違い — 繰り返し確認する指標と、その都度調べる問いを分け、どちらから整えるかを判断できます。
- CRMデータ・売上データの分析パターン — 商談、失注理由、顧客の声、売上予測について、必要な項目と確かめ方を確認できます。
- ツールの選び方と5ステップの実践プロセス — データの置き場所と扱い方に合わせて手段を選び、問いから行動まで進められます。
- AIと人の役割分担、組織への定着のさせ方 — AIの出力を誰が確認し、どの条件で業務に反映するかを決められます。
読み進める際は、直近の会議で答えられなかった問いを一つ思い浮かべてください。その問いが定型の集計で答えられるのか、元データの確認が必要なのか、背景の聞き取りまで要るのかによって、最初の作業が変わります。
AIデータ分析と従来のBI分析の違い
BIは定義をそろえた指標を継続して確認する場面、AIは切り口を変えながら仮説を整理する場面で使えます。両者を比べる際は「何を表示できるか」だけでなく、数値の定義を誰が管理し、結果をどう検証するかまで確認してください。社内データをAIに参照させる仕組みについては「RAGとは？社内データ活用でAIの精度を高める仕組みと導入方法」で解説しています。
従来のBI分析の限界
BIでは、売上推移や商談ステージ別件数など、定義済みの指標を同じ条件で見続けられます。一方、「ある区分だけ変化したのはなぜか」という問いには、表示された数値を起点に、内訳や業務上の出来事を調べる必要があります。AIへの問いの組み立て方は「プロンプトエンジニアリング実践ガイド」でも扱っています。
BIの運用で行き詰まったら、次のどこで止まっているかを分けて確認します。
- 指標を作れない: 必要な項目や関連付けが足りないのか、レポートの設計方法がわからないのかを切り分けます。
- 表示はできるが説明できない: 全体の推移に加え、顧客、商品、担当者など、比較する切り口を決めます。
- 変化に気づけない: 誰が、どの会議や業務で指標を確認するかを決めます。
- 担当者しか定義を知らない: 集計対象、除外条件、更新のタイミングを記録します。
指標の定義が揺れているなら、先にその定義をそろえます。定義が安定していて内訳の確認に時間がかかるなら、AIによる深掘りを試す段階です。
AI分析の3つの優位性
AIは、決めた指標を見た後に生じる追加の問いを整理する際に役立ちます。ただし、回答がもっともらしくても、計算と解釈は別々に確かめます。
- 自然言語での追加分析 ── 「失注した取引を業種別に分けると、どこに違いがあるか」など、比較対象と切り口を指定して表や説明を求められます。回答を使う前に、集計対象と元データの件数が一致するかを確認します。
- 見落としていた切り口の発見 ── 商談メモや問い合わせ内容から、繰り返し現れる話題を整理できます。話題が多く見つかっても、それが全体を代表しているとは限りません。記録が残っていない案件や分類しにくい記述も確認します。
- 議論のたたき台づくり ── 変化の説明や次の調査項目を文章にできます。会議では、確認できた事実、AIが示した仮説、現場に確かめる事項を分けて扱います。
AIが挙げた「理由」は、データ上の関係から考えられる仮説です。原因として採用する前に、対象となる取引や顧客の記録を読み、担当者の把握する事情と照らし合わせます。
AI分析に適したデータ・適さないデータ
データの種類に加え、誤りがあったときに人が確認して修正できるかが、AIの使い方を決める目安になります。
| データの特徴 | AI分析の適性 | 具体例 |
|---|---|---|
| テキストデータが多い | 高い | 商談メモ、顧客の問い合わせ内容、NPS回答 |
| パターン発見が必要 | 高い | 解約予兆、クロスセル候補、異常値検知 |
| アドホックな分析が多い | 高い | 経営会議用の即席分析、仮説検証 |
| リアルタイム監視が必要 | 中程度 | KPI異常アラート、日次レポート |
| 法定帳簿・監査対応 | 低い | 決算書、税務申告書、法定開示資料 |
| 厳密な統計検定が必要 | 低い | 臨床試験データ、A/Bテストの有意差検定 |
まず「高い」に当たるデータは、AIに分類や切り口の提案をさせ、元の記録と照らし合わせます。「中程度」の監視は、指標と集計条件を固定して変化を捉え、変化があった箇所の説明にAIを使うと役割を分けやすくなります。「低い」領域では、確定値や専門的な判断を所定の方法で扱い、AIの出力をその代わりにしません。
BIとAIのどちらから手をつけるかの判断
直近の会議で出た質問を書き出し、同じ条件で繰り返し答える問いか、切り口を変えて調べる問いかを分けます。次の表を起点に、現在の集計方法と照らし合わせてください。
| 問いの性質 | 向いている手段 | 次にやること |
|---|---|---|
| 毎週・毎月、同じ指標を同じ切り口で見ている | BI・CRMのダッシュボード | 指標と集計条件を固定し、定期配信にする |
| 毎回違う切り口で「なぜ」を聞かれる | AI・CRM内蔵AI | 問いとデータの範囲を決め、AIに聞く手順を共有する |
| 数字の正確性が対外的に問われる | 従来の集計・会計処理 | AIは使わず、確定値の出し方を固定する |
定型の問いで集計結果が担当者ごとに違うなら、AI分析より先に指標の定義をそろえます。毎回異なる問いが出るなら、一つの問いについて対象データ、比較軸、確認方法を決めて試します。どちらにも当てはまる場合は、確定した指標を基準に置き、AIが示す説明を元データで検証できる形にします。
分析の前提を整える — スプレッドシート管理から一元管理へ
AIに渡すデータが複数の場所にあると、分析を始める前に「同じ顧客や取引を何として数えるか」を決める必要があります。この章では、分散したデータで起こるずれを確認し、CRMで記録をつなぐ方法と、分析に必要な入力ルールの決め方を説明します。
スプレッドシートに分散したデータの限界
展示会のリスト、営業の顧客リスト、担当者の一覧が別々にある場合、同じ会社でも名称や担当者の情報が一致しないことがあります。そのまま結合すると、同じ会社を別の顧客として数えたり、異なる取引を一つにまとめたりする可能性があります。
統合の前に、顧客を識別する項目、重複した際に優先する記録、更新の担当者を決めます。AIには表記揺れを洗い出させることができますが、どの記録を正とするかは業務上の確認が必要です。突合できない記録が残る場合は、その範囲を分析対象から分けて示し、結論の及ぶ範囲を明確にします。
CRMで一元管理するとAIが読める流れになる
CRMでは、コンタクト、会社、取引、チケットなどの記録を関連付けられます。分析に使う際は、どの会社にどの取引が結び付くか、取引の金額や日付をどの時点の値として扱うかを確認します。
顧客の接点から受注後の対応までを追う場合も、関連付けが欠けていれば一続きの経過としては読めません。まず代表的な記録を開き、必要な関係がたどれるかを確かめます。HubSpotのカスタムレポートビルダーでは、関連付けられた複数のデータソースを組み合わせたレポートを作成できると案内されています（出典：Create reports with the custom report builder）。定型の数値をレポートで確認できる状態にしてから、その変化をAIで調べると、結果を照合しやすくなります。
入力ルールを人ではなく仕組みで守る
入力のばらつきを減らすには、「何を入力するか」に加え、「いつ、誰が、どの選択肢で記録するか」を決めます。すべての項目を一度に整えるより、答えたい問いに必要な項目から始めます。
- 分析で答えたい問いを書き出す（例：失注の主な理由は何か）
- その問いに答えるために必要な項目を決める（例：失注理由）
- 項目を入力するタイミングを決める（例：取引を失注ステージに動かすとき）
- そのタイミングで入力を求める設定にする（例：ステージ移動時の必須項目、選択式のプロパティ）
設定後は実際の取引を見て、入力できない事情があるか、「その他」に理由が集中していないかを確かめます。選択肢が現場の事情を表せないなら、入力を求めるだけでは品質は上がりません。記述内容を確認して定義を直し、変更前後で集計の意味が変わる場合は、その時点を記録します。
使われていない項目を見つけた際も、すぐに消すのではなく、レポートや業務での利用を確認します。必要性が確認できなければ担当者と扱いを決めます。こうして問い、項目、入力、見直しをつなげることが、後の分析を支える土台になります。
CRMデータのAI分析 — 商談・顧客データから洞察を引き出す
CRMには、商談の進み方、失注理由、顧客とのやり取りなど、性質の違うデータがあります。分析の切り口を選ぶ際は、必要な記録がそろっているか、その結果を受けて担当者が行動を変えられるかを確かめます。ここでは商談、失注理由、顧客セグメント、顧客の声を扱います。
商談データの分析パターン
商談の分析は、同じ基準で記録された取引を比較するところから始めます。
- 受注確度の見直し ── ステージごとの見込みと実績を比べ、ずれが出る取引に共通する条件を調べます。業種や金額などで差が見えても、それだけで個別の取引の受注を決めつけません。
- 失注パターンの確認 ── 失注した取引の記録を、理由や商談の進み方で分けます。「返信が途絶えた」といった説明が出た場合は、記録の残る取引だけに偏っていないかを確認します。
- 滞留するステージの確認 ── ステージごとの経過を比べ、時間がかかっている箇所を調べます。案件の性質による違いもあるため、担当者への確認を経て、手順を変えるべきか判断します。
これらの比較には、パイプラインの定義が必要です。
- 各ステージで何が完了していれば進めるかを言葉にする
- ステージごとの受注確度を、実績と照らし合わせて決める
- 移行時に必要な項目を定め、代表的な取引で運用できるか確かめる
同じステージを担当者ごとに違う意味で使っている場合は、分析より先に定義をそろえます。そのうえで、見込みと実績のずれが繰り返される箇所から見直します。
失注理由の分析をナーチャリングに戻す
失注理由を営業だけで閉じず、マーケティングや製品を担当する部門にも共有すると、訴求や対応を検討する材料になります。ただし、「価格」と記録された取引でも背景は一様ではありません。選択式の理由と補足の記述を併せて確認します。
例えば、理由を「価格」「競合他社」「製品機能」「時期」「社内決裁」などから選び、判断の背景を記述します。選択肢別の分布を確認した後、「その他」や曖昧な記述を読み、分類が現場の実態に合っているか見直します。AIによる要約は、その確認を進めるために使います。
再接触につなげる際は、次の順に判断します。
- 失注理由と、再接触の根拠になる記録を残す
- 「時期」など、状況が変われば再検討の余地がある取引を担当者が確認する
- 連絡する条件と担当を決め、反応があった場合に次の商談として扱う
ライフサイクルステージやナーチャリングで管理する場合も、失注したすべての相手を同じ流れに入れるのではなく、記録された事情で対象を分けます。再接触後の結果を失注理由の分類に戻せば、次の判断に使えます。
顧客セグメンテーション
顧客を業種や企業規模で分ける方法に、Webサイトでの行動や問い合わせ履歴などを加えると、別の切り口から比較できます。ただし、記録される行動は利用環境や取得条件にも左右されます。セグメントを作る前に、各項目が何を表すかを確認します。
例えば、次のような分け方を検討できます。
- 高エンゲージメント × 低LTV層: 閲覧や反応が記録されている一方、購入金額が小さい層です。追加提案を考える前に、契約内容や顧客の意向を確認します。
- 低エンゲージメント × 高LTV層: 購入金額が大きく、記録上の反応が少ない層です。反応の少なさだけで解約リスクと判断せず、担当者が普段の接点を確認します。
- 急成長企業群: 企業情報の変化から、提案内容を見直すきっかけになり得る層です。情報の更新時点を確かめてから、担当者が接触の要否を決めます。
セグメントごとに担当部門と確認する事項を決めます。行動を変える根拠が見つからない区分は細分化を増やさず、区分の定義から見直します。CRM上のリストやワークフローに反映する場合は、対象の記録を確認してから進めます。
顧客の声の分析
メール、チャット、サポートチケット、NPS回答などの文章は、顧客がどの場面で困っているかを調べる材料になります。一方、記録が多い顧客の声が目立ちやすいため、件数だけで優先順位を決めないことが大切です。
- 不満ポイントの整理: 問い合わせを話題別に分け、実際の記録を読み、どの業務や機能に関するものかを確かめます。
- 要望の分類: 分類の基準を人が決め、AIが振り分けた結果を読み比べて定義を修正します。
- 感情の読み取り: 文面の調子は背景によって変わります。AIの判定を顧客の満足度として確定せず、担当者が前後のやり取りを確認します。
最初は一種類の記録に絞り、分類しにくい文章や誤分類を確認します。分類の意味を担当者が共有でき、次の対応に結び付けられるなら、対象を広げます。商談、失注、顧客の声のどこから始めるかは、記録の整い方と、結果を使う担当者がいるかで選びます。
売上データのAI分析 — トレンド把握と予測
売上をAIで分析するときは、まず「売上」が受注、請求、入金のどの値を指すかを決めます。次に比較する期間と対象をそろえ、変化の内訳を確認します。この章では、推移を読む切り口と、予測を業務で見直す方法を説明します。
売上トレンドの多角的分析
「トレンドを分析して」という指示だけでは、比較の基準が曖昧になります。期間、商品、顧客区分など、判断に使う切り口を明示します。
- 時系列分析 ── 同じ定義の売上を期間ごとに並べ、変化した箇所を調べます。期間の長さや集計対象が違う場合は、そのまま増減を解釈しません。
- コホート分析 ── 顧客を獲得時期ごとに分け、同じ経過時点で比較します。売上の差が見えたら、獲得チャネルや契約内容など、比較条件の違いを確認します。
- 商品別・サービス別のABC分析 ── 売上への貢献度で区分し、注力先を考える材料にします。売上が小さい区分でも伸び方や提供に必要な負担は異なるため、区分だけで扱いを決めません。
どの方法でも、AIに説明を求める前に、集計値が元データと一致するかを確認します。差が出たら、日付、取消し、重複、対象外の扱いを調べます。
売上予測のAI活用
売上予測は、将来の確定値を得るためではなく、前提が変わったときに見通しをどう見直すかを議論するために使います。
- ベースライン予測 ── 過去の推移を基準にした見立てです。元データの期間や集計条件を記録し、実績と比較できる形にします。
- シナリオ分析 ── 新規営業、単価、主要顧客の動きなど、変更する前提を明示して比較します。複数の前提を同時に変えず、どの違いが結果に影響したかを確認します。
- パイプライン加重予測 ── 商談金額とステージごとの受注確度から見込みを考える方法です。ステージ定義と受注確度の根拠を共有し、実績とのずれを振り返ります。
予測と実績がずれた場合は、まず対象取引の金額や日付、次にステージと受注確度、最後にデータにない事情を確認します。見込みが外れた理由を記録し、同じ種類のずれが続く場合に定義や運用を見直します。予測を広い範囲に使うのは、この振り返りを担当者が継続できるようになってからです。
AI分析ツールの選び方と活用パターン
ツールは、分析したい問い、データの置き場所、取り扱いの条件から選びます。機能の多さだけで決めると、データを渡せない、元の数値と照合できない、といった問題が残ります。ここではAI、既存のBI、CRM内の機能を比べ、試す前に確かめる条件を整理します。
AIの直接活用（ChatGPT・Claude）
ChatGPTやClaudeに、利用を認められたデータを渡して分析する方法です。単発の問いについて切り口を試す際に使えます。
活用パターン
- CSVデータについて、列の説明を添えて集計やグラフを依頼する
- CRMから出したデータについて、対象期間や除外条件を示して比較する
- 会議で確認したい論点を整理し、元の集計値と照らし合わせる
データを渡す前に、OpenAIのEnterprise privacy at OpenAIで、OpenAIとの関係では提供した入力の権利が利用者に残り、正当に受け取った出力を法令で認められる範囲で利用者が所有すること、APIの入力・出力は一部のエンドポイントや機能を除き最大30日間保持される場合があることを確認します。Anthropicを利用する場合は商用サービス利用規約も確認します。
判断の分かれ目は、必要な情報を取り除いても問いに答えられるかです。取り除くと判断できなくなる場合は、データを渡す方法を社内で確認してから進めます。Claudeのビジネス活用については「Claudeのビジネス活用ガイド」で詳しく解説しています。
BIツール × AI連携
Tableau、Power BI、Lookerなど、すでに社内で利用しているBIがある場合は、まず既存の指標とデータの更新方法を確認します。AI機能の名称や提供範囲は変わり得るため、利用できる機能は契約と公式案内で確かめてください。
- Tableau AI ── 自社の契約で利用できる機能と、対象にできる指標を公式案内で確認します。
- Power BI Copilot ── 自然言語でレポートについて質問するなどの使い方が案内されています。自社のデータと契約で利用できる範囲を確認します。
- Looker（Google Cloud） ── Google Cloudのデータと組み合わせた分析の選択肢があります。利用中の構成で扱えるデータと機能を確認します。
既存のBIで定型指標を確認できるなら、その指標を基準に追加の問いを試します。AI機能を使う前後で同じ対象と条件の数値を比べ、一致しない場合は集計条件を調べます。必要な機能が利用できない場合も、先にBI上の指標定義を整えることで、別の方法による深掘りの基準を作れます。
CRM内蔵のAI分析機能
CRM内のAI機能を検討する場合は、対象の記録がCRMにあり、担当者がそこで結果を確かめられるかが判断の起点です。機能名や利用条件に加え、どのデータを参照し、何を変更できるかを利用前に確認します。
- HubSpot（Breeze） ── CRM内の情報を使うAI機能を検討する際は、対象の記録と参照できる情報を確認します。得られた説明を商談の判断に使う場合は、元の取引や活動履歴を開いて確かめます。
- Salesforce Einstein Analytics ── CRMデータを使う分析機能を検討する際は、利用中の環境で使える機能と、結果の根拠を確認する方法を調べます。機能の名称だけで分析手順を決めません。
資料を参照する際は、画面に表示された入力ソースを確認し、分析の問いに必要な資料と利用してよい範囲を見極めます。
次の画像をご覧ください。
CRMの記録と資料を合わせて参照するなら、まず問いに必要な資料を特定し、参照してよい範囲を確認します。回答に資料の内容が使われているか、商談履歴と矛盾しないかを人が確かめてから、次の行動を決めます。
目的別のツール選定表
手段を比べる際は、次の表で最初の選択肢を絞り、その手段で元データと結果を照合できるかを確認します。
| 目的 | 向いている手段 | 選ぶときの判断ポイント |
|---|---|---|
| まず試してみたい・単発の分析 | AIの直接活用 | 渡すデータから個人情報を外せるか、法人プランで扱えるか |
| 既存のKPIを深掘りしたい | BIツール × AI連携 | すでに社内でBIを使い、データがBIに集まっているか |
| 商談・顧客データを日常業務の中で分析したい | CRM内蔵のAI分析機能 | 商談・顧客データがCRMに一元化され、入力ルールが決まっているか |
選んだ手段で問いに必要な項目がそろわなければ、別の機能を探す前に記録方法を見直します。必要なデータを安全に扱え、元の数値と一致し、担当者が結果を確認できるなら、一つの問いで試します。企業様によって最適な形は異なります。自社のデータと業務でこの条件を満たせるかを、選定の基準にしてください。
AI分析の実践プロセス — 5ステップで問いから意思決定まで
分析を業務に結び付けるには、問いを決め、データを整え、結果を確かめ、行動を記録するまでを一続きにします。各段階で次へ進む条件を決めておけば、答えが曖昧なまま判断に進むことを防げます。
| ステップ | やること | 次へ進む目安 |
|---|---|---|
| 1. 分析目的の明確化 | 具体的な問いを1文で書く | 問いに「誰が・何を決めるか」が含まれている |
| 2. データの準備と前処理 | 欠損・表記揺れ・不要列を整える | 同じ顧客が1行にまとまり、列の意味を説明できる |
| 3. AIへの分析指示 | データの説明・目的・出力形式・前提を渡す | AIの回答が問いに沿っている |
| 4. 結果の検証と深掘り | 数値の妥当性・件数・因果を確かめる | 結論を現場の事実で説明できる |
| 5. 意思決定への接続 | 次の行動・責任者・測る指標を決める | 行動がCRMのタスクや予定に登録されている |
ステップ1・2：分析目的の明確化とデータの準備
最初に、分析結果で誰が何を決めるかを書きます。
- 悪い例: 「売上データを分析して」
- 良い例: 「売上が前年同期を下回った区分を確認し、営業責任者が次に調べる取引を決めたい」
次に、売上の定義、比較する期間と区分、対象外にする記録を決めます。データを準備するときは、以下を確認します。
- 欠損値の点検: 空欄がある取引を確認し、その項目がないまま比較できるかを判断します。
- データの統一: 日付や通貨、顧客の識別方法をそろえます。
- 不要列の除外: 問いに使わない項目や渡す必要のない情報を外します。
前処理で直した内容は記録しておきます。同じ補正を繰り返すなら、CRMの入力ルールやデータの管理方法を見直します。比較する集団を説明できない場合は、AIへの依頼に進まず、対象データを確定させます。
ステップ3：AIへの分析指示
AIへの指示には、問いだけでなく、データの意味と回答の条件を含めます。
- データの説明: 列の意味、値の単位、同じ顧客を識別する方法
- 分析の目的: 誰が何を決めるための比較か
- 出力フォーマット: 区分ごとの表、確認すべき記録、説明文など
- ビジネスコンテキスト: 商談ステージの定義や、集計から除く条件
例えば、次のように依頼します。
失注した取引を業種別と失注理由別に整理してください。対象となる取引の範囲と、各区分の件数を表に示してください。記録が少ない区分や理由が未入力の取引は分けて示し、確認できる事実と考えられる説明を区別してください。
回答が問いに沿っていなければ、対象や列の説明を修正します。AIに説明を増やさせる前に、入力条件が伝わっているかを確認することが次への条件です。
ステップ4：結果の検証と深掘り
AIが出した表と説明は、元データを使って別々に確かめます。
- 数値の妥当性: 対象件数や合計が、同じ条件で集計した元データと一致するかを見ます。
- 区分の偏り: 記録が少ない区分や、理由が未入力の取引が結論を左右していないかを見ます。
- 説明の根拠: 関連が見えたことと、その変化を引き起こしたことを区別します。
数値が合わなければステップ2に戻り、重複、欠損、日付や除外条件を調べます。数値は合っていても説明の根拠が足りなければ、該当する取引の記録と担当者の把握する事情を確認します。確かめられない傾向は仮説として残し、次にどの記録が必要かを決めます。
ステップ5：意思決定への接続
検証した結果を使い、実行することと見直す条件を決めます。
- Next Action: どの顧客や取引について、何を確かめるか
- 責任者: 誰が確認し、誰が判断するか
- KPI: 行動後にどの指標を、同じ定義で見直すか
行動は担当者と確認時点を付けてCRMのタスクや予定に登録します。次に結果を見たとき、想定と違えば問いやデータの定義を見直します。この一巡を終え、同じ手順で別の問いにも答えられる状態になってから、分析の対象を広げます。
AIに任せること・人が判断すること
AIを業務に組み込む前に、出力を誰が確認し、どの操作に人の判断を挟むかを決めます。ここでは分析作業の役割を分け、CRMへの反映や、AIの説明だけでは決められない場面での進め方を示します。
役割分担の整理
本記事では、データ分析に関わる作業を次のように整理します。
| AIに任せやすい作業 | 人が判断する作業 |
|---|---|
| 問い合わせやフィードバックの分類 | 分類カテゴリの定義 |
| 商談メモ・レコードの要約 | パイプラインのステージ設計と受注確度の設定 |
| 企業情報のWebリサーチ | ライフサイクルステージの定義 |
| データクレンジング・表記揺れの洗い出し | どのデータを正とするかのルール決め |
| 傾向・異常値の候補出し | 結果を意思決定に使うかどうかの判断 |
| 分析結果の説明文の下書き | 大型案件へのアプローチ方針 |
AIの出力を使うときは、誤りがあった場合に元へ戻して確かめられるかを考えます。分類や要約は元の文章と読み比べられます。一方、ステージの定義や正しい記録の決定は、以後の集計にも影響します。最初に人が基準を決め、AIの出力がその基準に合うかを確認します。
結果の反映は人のレビューを挟む
AIによるCRMの更新は、分析対象そのものを変える操作です。次の画面では、関連取引の表示を確認し、意図した状態になっているかを確かめます。
更新を検討するときは、対象の記録、変更前の値、変更後の値、変更理由を一覧にします。担当者が取引の履歴と照らし合わせ、対象が正しいと確認してから反映します。反映後は、意図した記録だけが変わったかを確認します。金額や日付、受注状況など判断への影響が大きい項目は、AIの説明だけで確定させず、担当者が元の根拠を確認します。
AI分析が向かないケース
AIの出力を使う範囲は、データの性質と、結果を検証できるかで決めます。
- 確定値が求められる数値: 決算書や税務申告などの数値は、所定の会計処理で確定した値を使います。
- 件数が少ないデータ: 見えた差を一般的な傾向とせず、対象の記録を確認して仮説として残します。
- データに含まれない事情: 口頭で決まった条件などが重要なら、担当者への確認を分析手順に含めます。
- 社内用語や略称が多いデータ: 用語の定義を添え、AIが意味を取り違えていないか元の記録で確かめます。
検証に必要な根拠が手に入らない場合は、結論を保留し、足りない記録や確認先を明らかにします。その条件が整ってから判断へ進みます。
会計データと連携した収益性の分析
CRMと会計データを合わせて見るときは、まず何を比較するかを決めます。受注、請求、入金は別の時点の記録なので、差があるだけで誤りとは判断できません。AIによる経営データの可視化にも、こうした定義の確認が欠かせません。経理データの自動化・分析については「AI経理自動化の実践ガイド」で詳しく解説しています。
管理会計データとCRMデータの統合分析
管理会計の視点では、次のような分析を検討できます。
- 顧客別収益性分析: 売上と原価を顧客ごとに対応付け、両方の集計範囲が一致しているかを確認してから粗利を見ます。
- LTV対CAC分析: 顧客の区分、費用に含める項目、比較する期間をそろえてから、投資配分を検討します。
- キャッシュフロー予測: 受注見込みと請求・入金の記録を分け、入金予定の根拠を確認して見通しを作ります。
集計方法が決まっていない場合は、AIに計算を任せる前に、会計担当者と指標の定義を決めます。定義がそろった後に、差分の整理や確認対象の一覧化にAIを使います。
突合を始める順番
全件を一度に結び付ける前に、代表的な取引で対応関係を確かめます。
- 顧客の識別子をそろえる: CRMの会社レコードと会計側の取引先を対応付け、同名の別会社や表記揺れを確認します。
- 受注と請求を紐づける: 取引と請求の記録を照らし合わせ、請求が分かれている場合や複数の取引をまとめている場合は、対応関係を確認します。
- ギャップを読む: 差分を一覧にし、計上時点の違い、未請求、未入金など、元の記録で確認する順番を決めます。
対応付けできない取引が残るなら、その範囲を明示して集計から分けます。対応関係と差分の理由を担当者が説明できる範囲から分析し、手順が再現できるようになってから対象を広げます。
AI分析を組織に定着させるための3つのポイント
分析を続けるには、担当者が変わっても問い、データの定義、確認方法をたどれることが必要です。ここでは、会議での使い方、最初の対象の選び方、データ品質の見直しを、日常業務に組み込む順番で説明します。
分析文化の醸成
会議では、グラフだけを示すのではなく、「確認できた変化」「考えられる説明」「まだ確かめる必要があること」を分けて共有します。
参加者が元の指標や対象取引を確認できれば、AIの説明に異論が出た場合も議論を進められます。
最初は既存の会議で扱う問いを選び、その場で次に調べることと担当者を決めます。結果が次の会議でも使われなければ、問いが業務上の判断につながっているかを見直します。
小さな成功体験を積み重ねる
最初の指標は、データがすでに記録されており、変化した場合に担当者が行動できるものを選びます。例えば商談の進行を調べるなら、ステージの定義と更新方法が共有されているかを確かめます。
- 指標があっても次の行動を決められない ── 問いを具体化します
- 行動は決められるのにデータが足りない ── 記録方法の整備を先に進めます
一つのチームでこの判断と検証を一巡できてから、別の指標やチームへ広げます。
データ品質の継続的改善
分析のたびに見つかった欠損、重複、表記揺れを記録し、原因を分けます。
- 入力時に防げる問題 ── 必須項目や選択肢を見直します
- 入力時に防ぎにくい問題（外部から入るデータなど） ── 確認の担当と方法を決めます
AIに表記揺れを洗い出させる場合も、統合する記録は人が元データを見て決めます。修正後は同じ問題が再び起きていないかを確かめます。こうした見直しを、会議で扱う問いと結び付けることで、データの手入れが分析のための具体的な作業になります。
よくある質問
AI分析を始めるのに、プログラミングスキルは必要ですか？
自然言語で問いを示せるツールなら、基本的な集計や比較を試す段階でプログラミングは必須ではありません。ただし、列の意味、対象と除外条件、元の集計値を説明できる必要があります。まず利用を認められたデータで一つの問いを試し、元データと結果を照合してください。データの取得や処理を自動化する段階では、技術担当者と方法を検討します。
機密性の高い売上データをAIに渡しても大丈夫ですか？
渡せるかどうかは、利用するサービスと契約、設定、社内規程、データの内容を確認して判断します。分析に不要な氏名や連絡先、個別の取引情報は外します。それらを外すと問いに答えられない場合は、利用方法と取り扱いの条件を社内で確かめてから進めてください。
BIツールとAI分析は、どちらかに統一すべきですか？
問いによって使い分けられます。同じ定義で繰り返し見る指標はBIやCRMのレポートに置き、その変化について切り口を変えて調べる際にAIを使います。両方を使う場合は、AIが示した数値を定型の指標と同じ条件で照合できるようにします。
AI分析の結果が間違っていた場合、どう対処すべきですか？
数値が違うのか、説明の解釈が違うのかを分けます。数値が違えば、対象、重複、欠損、日付、除外条件を確認してデータの準備に戻ります。数値は合うのに理由を説明できなければ、該当する記録と担当者の把握する事情を確認します。根拠が足りない間は仮説として残し、確かめる事項を決めます。
小規模企業でもAIデータ分析の導入メリットはありますか？
担当者が同じ集計や確認を繰り返しているなら、問いとデータをそろえ、AIに整理を手伝わせる余地があります。まず既存の会議で判断に使う問いを一つ選び、必要なデータがあり、結果を元の記録で確認できるかを確かめます。データが足りなければ、その問いに必要な項目を記録するところから始めます。
まとめ
AIデータ分析を意思決定に使うには、自然言語で質問できることに加え、比較する対象を決め、元データで結果を確かめ、次の行動を記録する必要があります。始める順番は、問いの性質とデータの状態で決めます。
この記事の要点は次のとおりです。
- AIとBIの使い分け: 繰り返し確認する指標は定義を固定し、変化の内訳や説明を調べる際にAIを使います。
- CRMデータ・売上データの準備: 顧客や取引の関連付け、入力ルール、売上の定義を確認します。失注理由は記録の背景も読み、再接触や改善につなげる条件を決めます。
- ツールの選び方と5ステップ: データを扱える条件で手段を選び、問い、準備、指示、検証、行動の順に進めます。
- 役割分担と定着: AIの分類や説明を元の記録で確かめ、業務上の定義と判断は担当者が担います。
最初の一歩として、直近の会議で答えられなかった問いを一つ選んでください。
- 誰が何を決めるための問いかを書き、必要なデータと比較条件を確認する
- 利用を認められた範囲のデータで分析し、元データの集計や記録と照合する
- 確認できたことをもとに、次の行動、担当者、見直す条件をCRMに記録する
このテーマの全記事はAI実務活用ガイドでご覧いただけます。
CRMを活用した業務効率化やAIとの連携に関するご相談は、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
このテーマと関連する内容を、次の記事でも詳しく解説しています。
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。
次に読む
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より、お気軽にご連絡くださいませ。
著者情報
