HubSpot予測スコアリング｜AIで営業優先度と運用フローを設計する方法

HubSpot予測スコアリングは、転換データから営業優先度の判断材料をつくる仕組みです。AIに順位付けを任せ、人が配分と対応方針を決める設計が核心です。

「営業チームが全リードに同じ順番で連絡し、優先案件への対応が遅れている」
「注力する案件を決める基準が担当者ごとに違い、引き継ぎに時間がかかる」
「マーケティングから営業へ渡す条件を、会議のたびに調整している」

——こうした状態では、限られた営業リソースをどこへ配分するかが属人的になり、CRMにデータがあっても意思決定へつながりません。

HubSpotの予測スコアリングとは、過去の転換結果をもとにAIが有効な条件と配点を提案し、コンタクトの優先度をスコアとして扱えるようにする仕組みです。スコアは成約を断定する答えではなく、マーケティングと営業が次の行動をそろえるための共通指標です。

この記事では、HubSpotの予測スコアリングの仕組みから、自社に合った設計・活用方法、そして運用上の注意点まで解説します。 関連するトピックを横断的にまとめたHubSpot機能ガイドもあわせてご覧ください。

この記事でわかること

予測スコアリングを機能単体で終わらせず、リード獲得から商談管理、失注後の掘り起こしまでつなげる考え方を整理します。

• AIスコアの仕組み — HubSpotが転換データから何を評価し、どこまでを人が判断するのかを解説します。
• 手動スコアとの使い分け — 営業戦略を反映するルールと、データから得る提案をどう併用するかがわかります。
• 営業リソースの配分設計 — スコア帯ごとの対応方針を決め、マーケティングと営業の引き渡しをそろえる方法を示します。
• 導入前のデータ整備 — 取引ステージ、必須プロパティ、受注・失注記録をどの順番で整えるかを説明します。
• 設定後の改善方法 — 分布、商談化、受注・失注の結果を見ながら基準を見直す流れを整理します。

HubSpot予測スコアリングとは

本記事でいう予測スコアリングは、HubSpotのリードスコアリングにあるAIスコアを中心に扱います。AIが受注を言い当てる機能として捉えるのではなく、過去の転換結果から優先度を考える材料をつくる機能として理解することが大切です。

AIスコアが行うこと

AIスコアでは、評価対象となるコンタクトとライフサイクルステージの変化、評価期間を設定します。HubSpotは条件に合うコンタクトを評価し、エンゲージメントや適合性に関する基準と配点の案を生成します。

生成された案は、そのまま営業活動を決める命令ではありません。担当者は提案された条件を確認し、次のように調整したうえで有効化します。

• 自社の営業プロセスに合わない項目 ── 外したり、配点を調整したりします

スコアは成約確率ではなく優先順位の材料

スコアが高いレコードでも、予算、決裁時期、競合状況、案件規模など、CRMに十分入っていない情報によって結果は変わります。したがって、スコアを成約確率としてそのままフォーキャストへ置き換えるのではなく、誰が先に確認するかを決める材料として使う設計が現実的です。

フォーキャストは、取引ステージの定義や金額、クローズ日と組み合わせて判断します。

利用条件と学習データの前提

HubSpot公式ヘルプの記載は次のとおりです。

• 対象プラン ── AIを使ったコンタクトのリードスコア作成は、Marketing Hub Enterpriseの対象機能です
• スコア生成の条件 ── 転換済みのコンタクトと未転換のコンタクトをそれぞれ二十五件含む、最低五十件のコンタクトです（出典：リードスコアリングツールの概要）

この条件を満たしていても、入力内容が不統一であれば学習対象の意味がぶれます。まず受注と失注、ライフサイクルステージ、取引ステージの更新が同じ定義で行われているかを見直し、比較できるデータをそろえてからAIスコアへ進みます。

手動スコアリングとAIスコアの違い

手動スコアリングとAIスコアは、どちらか一方を選ぶ関係ではありません。自社が重視する条件を明示する手動ルールと、蓄積データから傾向を探すAIを分けて使うと、営業戦略と実績の両方を判断に反映できます。

手動スコアリングは営業戦略を明文化する

手動スコアリングでは、フォーム送信、ページ閲覧、役職、業種などの条件に対して、加点や減点のルールを設定します。新しい市場を開拓したい場合や、過去データには少ないものの戦略上は重視したい属性がある場合に向いています。

一方で、ルールを増やしすぎると、なぜ高得点になったのかを説明しにくくなります。営業が対応順を判断できる最小限の条件から始め、使われない条件は外していく運用がポイントです。

AIスコアは過去データから条件案を見つける

AIスコアは、設定した転換前後のコンタクトを比較し、結果との関係が強い条件と配点を提案します。担当者が気づいていなかった共通点を見つけるきっかけになりますが、過去の受注傾向や入力の偏りも引き継ぎます。

そのため、AIの提案は人がレビューします。特定の業界や流入元だけが過度に評価されていないか、現在の営業戦略と矛盾していないかを確認し、説明できる条件だけを残します。

併用時は役割を分ける

二つのスコアを一つに混ぜて理由が追えなくなるより、別のプロパティとして表示し、営業が判断するときの順番を決めておく方が運用しやすくなります。値が食い違った場合は、案件規模や戦略優先度を人が確認し、対応方針を決めます。

予測スコアリングが営業リソース配分に効く理由

営業リソースの最適配分とは、単に高スコア順に電話することではありません。スコア帯ごとに担当部門、対応期限、次のアクションを決め、対応漏れを仕組みで減らすことに意味があります。

マーケティングと営業の共通言語になる

マーケティングが考えるホットリードと、営業が考える有望案件は一致しないことがあります。スコアの根拠と引き渡し条件を共有すると、感覚的な「熱そう」という表現を、確認可能な条件へ置き換えられます。

例えば、マーケティングは行動と適合性を確認し、営業は予算や決裁状況を追記します。両部門が同じコンタクトと取引を見ながら役割を分けることで、CRMが部門間連携の基盤になります。

対応の優先順位と期限をそろえられる

高いスコアのレコードは担当者へ通知し、中間のレコードはインサイドセールスが状況を確認し、低いレコードはナーチャリングを続ける、といった方針を決められます。ここで重要なのは、点数だけでなく、誰がいつ何をするかまでワークフローとビューへ落とすことです。

通知は、受け取った担当者が次の行動を決められる条件に絞ります。対応されない通知が残る場合は対象条件を狭め、逆に優先案件の見落としがあれば引き渡し条件を見直します。

フォーキャストの見方をそろえられる

予測スコアはコンタクトの優先度を示し、取引パイプラインは商談の進捗と見込金額を示します。この二つを分けて見ると、関心は高いものの商談化していないレコードと、すでに取引として進んでいる案件を混同しにくくなります。

以下の画面は、HubSpotでクローズ日ごとの商談金額を集計し、月別に並べたレポートです。

営業会議では、スコア分布と、商談化後の取引ステージ、クローズ日、金額を同じ流れで並べます。AIの優先順位が実際の商談や受注へつながっているかまで追うことで、スコアリングが単なる並べ替えで終わりません。

コンタクトから受注後までつなぐ全体フロー

予測スコアリングは、コンタクトから取引、顧客、請求へ進む業務のうち、営業へ渡す前後の判断を支える機能です。リード獲得、スコアリング、営業対応、パイプライン、失注後の掘り起こしを一つの流れとして設計します。

ライフサイクルステージと接続する

ライフサイクルステージは、マーケティングと営業の担当範囲を表す軸です。スコアが上がっただけで商談や顧客へ進めるのではなく、営業が確認し、ステージの定義を満たした時点で更新します。

スコア帯ごとに対応方針を決める

高・中・低の区分をつくる場合は、最初から固定値を正解としません。現在の分布と営業が対応できる件数を見て仮の境界を置き、実際の商談化と受注・失注の結果で調整します。

境界を変える判断は、営業の感想だけでなく、各区分から商談へ進んだ割合と、対応できずに残った件数を並べて行います。高スコアの対象が多すぎるなら境界を厳しくし、候補がほとんど出ないなら条件や除外設定から見直します。

AIと人の役割を分ける

AIには大量レコードの比較と優先度候補の提示を任せ、人は営業戦略、案件規模、顧客との関係、最終的な対応を判断します。特に重要案件では、スコアだけで自動送信や対応終了を決めず、レコードと関連取引を確認してから行動します。

Breezeを含むAI活用では、下書きや分類を自動化しても、顧客へ出す内容と営業判断は人がレビューする設計が向いています。自動化の範囲を明確にすると、AIの処理速度と人の判断を両立できます。

導入前に整えるデータとパイプライン

AIスコアの精度を高める出発点は、AIの設定ではなくCRMの運用です。スプレッドシート、個人メモ、チャットに受注・失注情報が分散している場合は、同じ定義のデータをHubSpotへ集めるところから始めます。

スプレッドシート管理の分断を解消する

コンタクト一覧はスプレッドシート、商談進捗は別ファイル、失注理由は担当者のメモという状態では、転換前後を一貫して比較できません。まずコンタクト、会社、取引を関連付け、誰がどの会社のどの商談に関わっているかを追える形にします。

移行時に項目をそのまま増やすと、使われないプロパティが残ります。営業判断やレポートで使う項目だけを選び、値の選択肢と入力する場面を決めてから取り込みます。

パイプライン設計の要素をそろえる

予測スコアを商談管理へつなぐには、取引パイプラインの定義がそろっていることが前提です。次の要素を決めると、担当者が変わっても同じ条件で進捗を更新できます。

これは管理のためだけでなく、新しい担当者が何を確認すれば次へ進めるかを理解する手順書にもなります。

受注・失注の記録を比較できる形にする

受注と失注を結果だけで記録しても、改善の手掛かりは増えません。失注理由は選択肢をそろえ、必要な場合だけ補足を自由記述にすると、集計と個別確認の両方ができます。

月ごとに選択肢の使用状況を見て、意味が重なる項目は統合し、使われない項目は入力画面から外します。分類を変えた場合は変更日を記録し、変更前後の集計を同じ基準だと誤解しないようにします。

AIスコアの設定と運用手順

設定は、学習対象を決める、提案内容をレビューする、営業運用へ接続する、という順番で進めます。いきなり通知や自動割り当てまで広げず、まず少数の担当者がスコアと実際の案件を見比べるところから始めると修正しやすくなります。（出典：Determine likelihood to close with predictive lead scoring）

学習対象と転換条件を決める

HubSpotのナビゲーションから［その他］、［マーケティング］、［リードスコアリング］へ進み、AIを使ったスコア作成を選びます。コンタクトのエンゲージメントまたは適合性を選び、開始と終了のライフサイクルステージ、評価する期間を設定します。

開始と終了は、社内で定義が固まっている変化を選びます。例えば営業へ引き渡した時点と、営業が有望と確認した時点の境界が曖昧なら、先にその定義と更新担当を決めてから評価を開始します。

提案された条件をレビューしてテストする

評価が完了したら、提案された条件、配点、対象レコード、除外レコードを一覧にし、残す条件と修正する条件を分けます。過去の偏りを強める条件、営業が説明できない条件、現在の戦略と合わない条件は調整します。

有効化する前に個別レコードのテストと分布プレビューを行います。想定していた有望コンタクトと明らかに合わない場合は、配点だけを直すのではなく、学習対象のライフサイクルステージや期間が適切かまで戻って見直します。

ビュー、ワークフロー、レポートへ接続する

通知だけで行動が変わらない場合は、通知数を増やすのではなく、担当者、期限、完了条件をタスクやビューに反映します。

注意点と向かないケース

予測スコアリングには、データが多ければ判断が自動的に正しくなるという性質はありません。過去データの偏り、入力定義の揺れ、営業戦略の変更を人が見つけて修正する運用が欠かせません。

過去データの偏りを引き継ぐ

ただし、過去に特定の業界や流入経路からの受注が多いと、その傾向が条件案へ表れます。

• 現在も重視する市場なら ── 残します
• 新しく開拓したい市場を不当に下げるなら ── その条件を外すか、手動スコアで戦略優先度を補います

確認時は、高スコア群の属性だけでなく、低スコア群に将来性のある対象が埋もれていないかも見ます。除外した案件の理由を残しておくと、次回の見直しでAIの傾向と人の判断を比較できます。

大型案件や新市場は人が優先度を上書きする

過去に類似案件が少ない大型案件、新商材、新市場は、AIが評価に使える比較対象が不足しやすい領域です。この場合は、担当者が会社情報、課題、決裁者、検討時期を確認し、スコアが低くても優先対応へ切り替えます。

上書きは口頭で終わらせず、理由を選択式のプロパティへ残します。上書き理由が繰り返し発生するなら、手動ルールへ追加するか、AIスコアの対象範囲を分ける判断材料になります。

データが少ない段階では手動設計から始める

次の場合は、手動スコアリングから始めます。

• AIスコアの利用条件を満たさない場合
• 受注・失注の定義が統一されていない場合

フォーム送信や商談化など、意味が明確な行動を少数選び、営業が結果を確認できる範囲で運用します。

データが蓄積したらAIスコアを作り、手動ルールとの違いを比較します。差があること自体を問題とせず、なぜ違うのかを受注・失注履歴から説明できる状態を目指します。

定期的に分布と結果を見直す

商品、価格、営業体制、集客チャネルが変われば、過去の傾向と現在の優先度はずれます。見直しでは、スコア分布、営業への引き渡し数、商談化、受注・失注理由を同じ期間で並べます。

• 高スコアなのに失注が続く場合 ── 失注理由が提案内容にあるのか、対象条件にあるのかを分けて考えます
• 低スコアから受注が続く場合 ── その案件に共通する属性や行動を確認し、手動ルールとAI条件のどちらへ反映するかを決めます

よくある質問

HubSpotの予測スコアリングを検討するときに、プラン、更新、併用、精度について生じやすい疑問を整理します。

予測スコアリングはどのプランで使えますか

AIを使ったコンタクトのリードスコア作成は、Marketing Hub Enterpriseが対象です。手動で作成するリードスコアとは利用条件が異なるため、契約画面と公式ヘルプで自社ポータルの対象機能を確認してから設計を進めます。

スコアの変化はどこで確認できますか

スコアプロパティをコンタクト一覧の列へ追加するか、レコード右側のリードスコアカードから現在値と履歴を確認できます。全体の傾向はリードスコアレポートで分布とパフォーマンスを見て、個別レコードと全体傾向を行き来しながら原因を調べます。（出典：リードスコアの履歴とパフォーマンスの表示）

高スコアなのに受注しない場合はどう直しますか

まず高スコア群の失注理由を、価格、機能、時期、決裁など自社で使う分類ごとに集計します。特定の理由へ偏るなら営業プロセスや提案を見直し、共通点がないのに高スコアが続くなら、学習対象、条件、配点、除外設定の順に戻って修正します。

手動スコアリングとAIスコアは併用できますか

併用する場合は、同じ点数へ混ぜるより、手動スコアを戦略上の優先度、AIスコアを過去実績から見た優先度として分けて表示します。二つが一致すれば優先候補とし、食い違えば案件規模や新市場への該当を人が確認する判断表を用意します。

AIスコアだけで担当者を自動割り当てしてよいですか

最初は通知と候補表示にとどめ、誤った対象や重複対応を記録します。問題が残らず運用結果を説明できる状態になったら対象を絞って自動割り当てへ進み、例外レコードを戻す担当者と手順も同時に決めます。

まとめ

HubSpot予測スコアリングは、AIの判定だけで営業活動を決める機能ではありません。転換データから得た条件案を人がレビューし、ライフサイクルステージ、取引パイプライン、ワークフロー、レポートへ接続することで、営業リソース配分の仕組みになります。

設計の要点

• AIスコアは優先度の材料 — 成約の断定ではなく、営業が先に確認する対象をそろえるために使います。
• 手動ルールと役割を分ける — 営業戦略は手動スコア、過去実績からの傾向はAIスコアとして比較します。
• パイプラインの定義を先に整える — ステージ、角度、定義、必須入力プロパティをそろえ、受注・失注データを比較できる状態にします。
• 失注後もフローへ戻す — 失注理由を記録し、ナーチャリングと再評価へつなげます。
• AIと人の判断を分ける — AIは候補抽出、人は案件規模、戦略、顧客関係、最終対応を判断します。

まず行うこと

まずはAIスコアの作成画面を開く前に、現在のCRMデータと営業プロセスを書き出します。

1. 受注・失注とライフサイクルステージの定義を書き出します。
2. 取引ステージごとの必須入力項目と、使われていないプロパティを整理します。
3. 手動スコアで小さく試し、転換データがそろった段階でAIスコアと比較します。

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、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

予測スコアリングをライフサイクルステージやパイプライン設計へつなげる際は、次の記事も参考にしてください。

• HubSpotリードスコアリング新機能ガイド
• HubSpotパイプライン設計の考え方
• HubSpotナーチャリング設計の全体フロー