Claude Codeで営業戦略を立案する方法｜CRM分析から実行設計まで

CRMに溜まったデータを「レポートを眺めて終わり」にせず、次の一手に変える。Claude CodeとHubSpot MCPは、分析と戦略立案のあいだにある手作業を丸ごと引き受けます。

「受注件数のレポートは毎月見ているけれど、そこから何をすべきかが読み取れない」

「注力すべき業界やターゲット規模は、結局マネージャーの肌感覚で決めている」

「分析をやろうとするとCSVを何枚もエクスポートして、ピボットテーブルを組む作業で一日が終わる」——

こうした声は、CRM導入が一定進んだ組織ほどよく聞こえてきます。

Claude Codeを使った営業戦略立案とは、CRMの取引データをAIに読み込ませ、受注率の高いパターンの抽出・注力セグメントの候補出し・アクションプランの素案作成までを自然言語の指示で進める進め方です。人間が担うのは「どの仮説を採用し、どう実行するか」という判断であり、集計と素案づくりの部分をAIに寄せることで、マネージャーの時間を判断に振り向けられるようになります。

本記事は、Claude Codeの実務活用シリーズの一部です。HubSpot完全ガイド関連記事として、CRMデータの分析・活用をテーマに扱っています。

この記事でわかること

CRMにある程度データが蓄積されてきたものの、分析を戦略に落とし込めずにいる方に向けて、考え方から具体的な進め方までをまとめています。

• CRMデータから「勝ちパターン」を定量的に取り出す考え方 — 業界・企業規模・流入チャネル・商談期間といった軸をどう組み合わせて見るか、分析設計の順序から解説します。
• HubSpot MCPを使ったデータ取得と分析の手順 — パイプラインデータの取得、セグメント分析、トレンド把握までをステップで追えるように整理しています。
• 分析結果を戦略とアクションプランに変換するプロセス — 注力セグメントの選び方、優先順位付けの基準、週単位の実行計画への落とし方を扱います。
• CLAUDE.mdによる分析ルールの仕組み化 — 前提条件や判断基準をファイルに書き出し、誰が実行しても同じ品質の分析が出る状態をつくります。
• AIに任せる範囲と人間が判断すべき範囲の線引き — 向かないケースやデータ品質の前提も率直に書いています。

HubSpot CRMにある程度データが蓄積され、データに基づいた営業戦略を立てたい営業マネージャー・経営者の方に向けて書いています。最後まで読むと、自社のCRMデータを使って四半期の注力セグメントを定量的に選び、実行とモニタリングまでを仕組みとして回せるようになります。

なぜ営業戦略の立案にClaude Codeを使うのか

営業戦略の立案が属人的になりやすい最大の理由は、分析作業のコストが高いからです。仮説を検証するたびにCSVをエクスポートし、ピボットテーブルを組み直す——この手間があるために、検証できる仮説の数が絞られ、結果として「いつもの勘」に落ち着きます。Claude Codeは、この検証コストを大きく下げる位置に立ちます。

スプレッドシート集計の限界

多くの営業組織では、HubSpotの標準レポートで足りない分析をスプレッドシートで補っています。取引データをエクスポートし、業界や企業規模の列を追加し、受注率を計算する。このやり方には三つの限界があります。

一つは、手動更新が前提になるため分析が「作った瞬間の写真」で止まること。二つ目は、エクスポート時点でオブジェクト間のつながりが切れてしまい、取引・会社・コンタクトを横断した分析が組みにくいこと。三つ目は、分析ロジックがファイルの中に埋まってしまい、作った人以外が再現できないことです。

三つ目が実は一番厄介で、「あの分析、前任者しか作れなかった」という状態は、営業戦略の継続性そのものを損ないます。分析を人ではなく仕組みに預けるという発想が、ここで効いてきます。

HubSpot標準レポートとの役割分担

Claude CodeはHubSpotのレポート機能を置き換えるものではありません。それぞれ得意な領域が違います。

日常的に全員が見る数字はHubSpotのダッシュボードに置き、四半期ごとの深掘り分析をClaude Codeで回す。この使い分けが現実的です。ダッシュボードの設計そのものについては、関連記事の経営ダッシュボード構築の記事もあわせてご覧ください。

営業レポート自動化との違い

同じCRMデータを扱っていても、営業レポートの自動生成と営業戦略の立案は目的が異なります。

• 営業レポート: 何が起きたかを正確にまとめる（What happened?）
• 営業戦略立案: なぜ起きたか、次に何をすべきかを導く（Why & What next?）

レポート自動化が先に整っている組織ほど、戦略立案の自動化にスムーズに進めます。データの取得経路とプロパティの整理がすでに済んでいるためです。レポート自動化の実装は、関連記事の「Claude Codeで営業レポートを自動生成する」で扱っています。

CRMデータから取り出せる営業インサイト

Claude Codeに何を分析させるかは、あらかじめ決めておく必要があります。「いい感じに分析して」では、出てくるものが毎回変わってしまうためです。ここでは、営業戦略の材料として実務で使いやすい三つの分析軸を紹介します。

受注パターンの分析

最も価値が出やすいのが「どんな案件が受注しやすいか」の分析です。分析軸を明示したうえで、Claude Codeに指示を出します。

HubSpotの過去12ヶ月の全取引データを取得して、受注率の高いパターンを分析して：

■ 分析軸
- 業界別の受注率
- 企業規模別の受注率（従業員数ベース）
- 流入チャネル別の受注率（Web問い合わせ・紹介・展示会など）
- 商談期間別の受注率（30日以内・30-60日・60-90日・90日超）
- 初回接触から商談化までのリードタイム別の受注率

■ 出力形式
- 各分析軸の受注率テーブル
- 受注率の高い組み合わせのランキング
- 件数が少なく信頼性が低いセグメントは明記する

ポイントは最後の一行です。セグメントを細かく切るほど件数が減り、たまたま2件連続で受注しただけの組み合わせが、受注率が突出して高いセグメントとして上位に来てしまいます。件数の注記を指示に含めておくと、読み手が数字を過信しにくくなります。

商談ステージの滞留分析

パイプラインのどこで案件が止まっているかは、プロセス改善の直接的な手がかりになります。

直販パイプラインの全取引について、各ステージの平均滞留日数を算出して。
滞留日数が全体平均の2倍を超えている取引をリストアップして、
共通する特徴（業界・金額帯・担当者）がないか分析して。

この分析が機能する前提は、取引ステージが実態どおりに更新されていることです。受注済みなのにステージが「提案中」のまま残っている取引が混ざると、滞留日数は意味をなさなくなります。パイプライン設計の段階で、ステージ移行時の必須入力プロパティを決めておくと、この種のズレが起きにくくなります。

パイプライン設計は、取引ステージ・受注確度（角度）・ステージ定義・必須入力プロパティの4要素で考えると整理しやすくなります。ステージは「受注確度が変わるポイント」で区切り、各ステージに確度を設定して加重金額でフォーキャストを見る。定義を文章で社内に共有し、移行時の必須入力でデータ品質を担保する。この4点が揃っていると、Claude Codeの分析精度もそのまま上がります。

チャネル別の効率分析

どの流入チャネルが効率よく受注につながっているかを、リードから受注までの一連の指標で見ます。

この表の枠だけを先に決めておき、Claude Codeに実データで埋めてもらう進め方をおすすめします。出力フォーマットが固定されるので、四半期ごとに並べて比較できるようになります。

ただし、チャネル別の数字だけで結論を出すのは危険です。紹介経由の受注率が高いのは、紹介というチャネルが優れているからではなく、紹介が発生する時点ですでに関係性ができているからかもしれません。相関を因果と取り違えないよう、数字の解釈は人間が引き受ける必要があります。

HubSpot MCPを使ったデータ分析の手順

ここからは実際の進め方です。データ取得・セグメント分析・トレンド把握の三段階に分け、それぞれ何を指示するかを見ていきます。いきなり全部をやろうとせず、ステップ1のデータ取得が安定してから次に進むのが結果的に早道です。

ステップ1: 取引データとその関連データを取得する

HubSpotから以下のデータを取得して：

1. 直販パイプラインの全取引（過去12ヶ月、クローズ済みを含む）
   - 取引名、金額、ステージ、作成日、クローズ日、勝敗
   - 関連するコンタクトの会社名、業界、従業員数
   - 流入チャネル（オリジナルソース）
   - 担当者

2. 取得したデータをCSV形式で保存して分析に使えるようにして

HubSpot MCPの利点は、取引オブジェクトと関連する会社・コンタクトのプロパティを一度の指示でまとめて取得できる点にあります。手動でCSVをエクスポートする場合、取引・会社・コンタクトをそれぞれ出してからIDで突き合わせる作業が発生しますが、この工程が不要になります。

HubSpotのオブジェクトがリレーションデータベースとして紐づいているからこそ成立する取得方法です。逆にいえば、取引に会社が紐づいていない、会社の業界プロパティが空欄、といった状態ではこの利点が活きません。データ構造を整えることが、分析の前段階として欠かせません。

ステップ2: セグメント分析を実行する

取得した取引データを以下のセグメントで分析して：

■ セグメント軸
1. 業界（プロパティ: industry）
2. 企業規模（従業員数で5段階に分類: 1-50, 51-200, 201-500, 501-1000, 1001+）
3. 取引金額帯（100万未満, 100-300万, 300-500万, 500-1000万, 1000万以上）
4. 流入チャネル（original_source_type）

■ 各セグメントで算出する指標
- 取引件数（受注・失注・進行中）
- 受注率（受注件数 ÷ クローズ済み件数）
- 平均受注金額
- 平均商談期間（作成日→クローズ日）
- 金額加重受注率（受注金額 ÷ パイプライン通過金額）

受注率の母数をクローズ済み取引に限定している点が重要です。進行中の取引を母数に入れると、パイプラインが膨らんでいる時期ほど受注率が低く出てしまい、時期をまたいだ比較ができなくなります。こうした算出ルールは、後述するCLAUDE.mdに書き出して固定しておきます。

なお、セグメントの切り方は企業によって最適な形が異なります。BtoBで少数の大型案件を扱う事業と、比較的小型の案件を数多く扱う事業では、金額帯の区切りも企業規模の段階も変わります。ここに挙げた分類はあくまで出発点として、自社の商談実態に合わせて調整してください。

ステップ3: トレンドを把握する

セグメント分析は一時点のスナップショットです。ここにトレンド分析を重ねると、「今どうか」に加えて「どちらに動いているか」が見えます。

過去12ヶ月を四半期ごとに区切って、以下のトレンドを分析して：

1. 四半期ごとの受注件数・受注金額の推移
2. 業界別の構成比の変化
3. 平均商談期間の推移（長期化・短期化の傾向）
4. チャネル別の流入構成比の変化
5. 新規顧客 vs 既存顧客のリピート率推移

現時点の受注率が高いセグメントと、これから伸びそうなセグメントは一致するとは限りません。受注率は高いが問い合わせが減っているセグメントに全リソースを寄せると、翌四半期に苦しくなります。静的な数字と動きの両方を並べて見る理由がここにあります。

失注データも分析に含める

受注パターンの裏側にある失注の分析は、しばしば見落とされます。失注理由をプロパティとして記録し、価格・競合・製品機能・時期・社内決裁といったカテゴリーに分類しておくと、Claude Codeで理由別の構成比を出せるようになります。

失注理由の分析結果は、営業だけで抱え込まずマーケティングや製品開発と共有する価値があります。「製品機能を理由とした失注が特定セグメントに集中している」と分かれば、それは営業の努力で埋める問題ではなく、製品側で検討すべきテーマです。

さらに、失注した取引をそこで終わらせない設計も重要です。ライフサイクルステージで失注案件を掘り起こし対象として管理し、一定期間後にナーチャリングのフローへ戻す。この「失注→掘り起こし」のループがあると、分析で見つけた有望セグメントの失注案件が、次の商談機会として再浮上します。

分析結果を営業戦略に変換する

分析だけで終わってしまう組織は少なくありません。数字は出たが、それで何をするのかが決まらない——このギャップを埋めるのが、戦略立案のフェーズです。Claude Codeには、出力してほしい構造を先に指定して依頼します。

注力セグメントを選定する

これまでの分析結果をもとに、次の四半期の営業戦略を立案して：

■ 戦略立案の前提
- 営業リソースは限られており、全セグメントに均等にアプローチできない
- 受注率×受注金額×市場規模の掛け算で優先順位を決める
- 短期（今四半期で成果が出る施策）と中期（来四半期以降の仕込み）を区別する

■ 出力フォーマット
1. 注力セグメント（業界×規模×チャネルの組み合わせ、最大3つ）
2. 各セグメントの根拠（受注率・平均金額・トレンドデータ）
3. 具体的なアクションプラン（誰が・何を・いつまでに）
4. KPI設定（目標値と計測方法）
5. リスクと対策

「最大3つ」という制約を入れることをおすすめします。制約がないと5つも6つも並べてきますが、それは優先順位を付けていないのと同じです。リソースが限られているという前提を指示文に書くこと自体が、意思決定の質を上げます。

出力は次のような構造で返ってきます。

# 次四半期 営業戦略

### 注力セグメント1: ○○業界 × 従業員100-500名 × Web流入

- **根拠**: 受注率（全体平均との比較）、平均受注金額、
  直近四半期の問い合わせ数の推移
- **アクションプラン**:
  - 該当業界向けのケーススタディを制作
  - 広告キーワードに業界特化ワードを追加
  - 滞留中の該当業界案件にフォローアップ架電
- **KPI**: 新規商談件数/月、受注率の維持目標

優先順位をスコアで整理する

複数のセグメントが横並びに見えるときは、評価軸を明示してスコアリングさせると議論が進みます。

分析した全セグメントを以下の基準でスコアリングして、優先順位を付けて：

■ スコアリング基準（各10点満点）
1. 受注率（高いほど高スコア）
2. 平均受注金額（大きいほど高スコア）
3. 市場のトレンド（問い合わせが増加傾向なら高スコア）
4. 商談期間（短いほど高スコア）
5. リソース効率（既存のアプローチで対応可能なら高スコア）

合計スコアの上位5セグメントを、理由とともにテーブルで出力して。

スコアそのものより、5つの基準のうちどれを重く見るかを社内で議論する材料として使う価値があります。商談期間を重視する組織とリピート性を重視する組織では、選ぶセグメントが変わって当然です。基準の重み付けは、企業様によって最適な形が異なる領域です。

アクションプランを実行可能な単位に割る

戦略は、週単位のアクションまで分解して初めて実行されます。

注力セグメント1のアクションプランを週単位のスケジュールに落とし込んで：

■ 条件
- 担当者: 営業2名体制
- 期間: 四半期の3ヶ月間
- 既存のHubSpotワークフローは変更しない

■ 出力
Markdownテーブルで、週ごとのアクション・担当・期限・完了基準を一覧化

制約条件を具体的に書くほど、実行可能な案が返ってきます。「既存のワークフローは変更しない」のような運用上の制約を明示しておくと、現場が受け入れられない提案が減ります。

戦略実行をモニタリングする仕組みをつくる

立てた戦略が機能しているかを確認する仕組みがないと、四半期の終わりに「結局どうだったのか分からない」という状態になります。KPIの定義・進捗確認・修正提案の三点をセットで設計します。

KPIを定義してファイルに固定する

# CLAUDE.md: 営業戦略モニタリング

### KPI定義

| KPI | 計測方法 | 頻度 |
|-----|---------|------|
| 注力セグメントの新規商談数 | HubSpot MCP: 業界フィルター | 週次 |
| 注力セグメントの受注率 | HubSpot MCP: クローズ済み取引 | 月次 |
| 平均商談期間 | HubSpot MCP: 作成日→クローズ日 | 月次 |
| パイプライン残高 | HubSpot MCP: 進行中取引合計 | 週次 |

### アラート条件

- 週次商談数が目標を大きく下回る → 通知を出す
- 受注率が目標から乖離 → 戦略見直しを提案
- パイプライン残高が目標を下回る → 新規リード獲得施策を提案

目標値は自社の実績から設定します。他社の平均値を借りてくるより、過去12ヶ月の自社データから現実的な水準を置いたほうが、達成可否の判断が意味を持ちます。

進捗レポートの生成を定例化する

営業戦略の進捗レポートを以下のフォーマットで生成して：

■ フォーマット
1. KPI達成状況（目標 vs 実績のテーブル）
2. 注力セグメント別の商談状況
3. 今週の主要アクション実行状況
4. 課題と改善提案
5. 来週のアクション推奨

フォーマットを固定しておくと、週次ミーティングで見る場所が毎回同じになり、読み込みの時間が短くなります。数字を眺める会議から、乖離の原因を議論する会議に変わっていきます。

乖離時の修正提案を出させる

今月のKPI実績と目標を比較して、乖離があるKPIについて：
1. 乖離の原因を分析（データに基づいて）
2. 修正アクションを3つ提案
3. 各修正アクションの期待効果を試算

修正案を3つ出させる設計にしているのは、一つだけだとその案の妥当性を検証しにくいためです。選択肢が並ぶと、どれを採るかという議論が成立します。選ぶのは人間の仕事です。

CLAUDE.mdで分析ルールを仕組みにする

Claude Codeを使った分析が属人化しないための鍵が、CLAUDE.mdです。前提条件と手順をファイルに書き出しておけば、担当者が変わっても同じ分析が同じ品質で再現されます。分析のロジックが個人のスプレッドシートに閉じ込められる状態から抜け出すための、実務的な手段です。

分析の前提条件を明文化する

# 営業分析ルール

### データ範囲

- 分析対象パイプライン: 直販パイプラインのみ（パートナー経由は除外）
- 分析期間: 原則として過去12ヶ月（短期トレンドは過去3ヶ月）
- 除外条件: テスト取引（取引名に「テスト」を含む）は除外

### セグメント定義

- 企業規模の分類基準: 従業員数ベース（SMB: 1-200名, Mid: 201-1000名, Enterprise: 1001名以上）
- 金額帯の分類基準: 100万未満（小型）, 100-500万（中型）, 500万以上（大型）

### 分析上の注意

- 受注率の算出: クローズ済み取引のみを母数とする（進行中取引は含めない）
- 季節変動: 決算期の影響で受注が集中する月がある。前年同月比を優先する
- サンプル数: セグメントの取引件数が10件未満の場合は統計的に信頼性が低い旨を明記する

このファイルがあることで、分析結果の食い違いが「AIの気まぐれ」ではなく「前提の違い」として説明できるようになります。数字を巡る不毛な議論が減るという副次的な効果もあります。

定型分析をコマンドとして定義する

### 四半期営業戦略テンプレート

### /quarterly-strategy コマンド
以下の手順で四半期の営業戦略を立案する：
1. HubSpot MCPから過去12ヶ月の取引データを取得
2. セグメント分析（業界×規模×チャネル×金額帯）を実行
3. トレンド分析（四半期ごとの推移）を実行
4. 勝ちパターンのランキングを生成
5. 注力セグメント（最大3つ）を選定し、根拠を提示
6. 各セグメントのアクションプランを週単位で作成
7. KPI設定とモニタリング計画を作成
8. Markdownファイルとして保存

手順をコマンド化しておくと、新任のマネージャーでも初日から同じ分析を回せます。個人の力量ではなく仕組みで再現性を担保するという考え方は、営業プロセスの標準化そのものと同じ発想です。

プロパティ設計を最小限に保つ

分析軸を増やしたくなると、プロパティも増やしたくなります。ただ、使われないプロパティが増えると入力率が下がり、結果として分析に使えるデータが減ります。「全然使っていない項目が大量にある」というSFAのよくある状態は、分析の質を静かに下げていきます。

分析に本当に必要なプロパティを絞り込み、それらはステージ移行時の必須入力にする。項目が少ないほうが入力する側も集中できます。プロパティの追加・変更権限を管理者に限定しておく運用も、増殖の抑制に効きます。

AIと人間の役割分担をどう決めるか

Claude Codeによる営業戦略立案で最も重要なのは、どこまでをAIに任せ、どこからを人間が引き受けるかの線引きです。ここが曖昧なまま導入すると、AIの出力を鵜呑みにするか、逆に何も使わないかのどちらかに振れます。

役割分担の基本線

AIの位置づけは、超一流の営業企画担当というより、優秀なアナリストが下調べをして「こういう方向はどうでしょう」と素案を持ってきてくれるイメージに近いと考えています。素案の質は高くても、採用の判断までは委ねられません。

AI分析が向かないケース

率直に書いておくと、次のような状況ではClaude Codeによる分析の価値は限定的です。

• クローズ済み取引が極端に少ない: 立ち上げ期で取引が数件しかない段階では、パターンといえるものが存在しません。まずはデータを貯める時期です。
• プロパティの入力率が低い: 業界や従業員数が空欄の取引が大半なら、セグメント分析は成立しません。分析より先にデータ設計と入力運用の整備が必要です。
• 事業モデルが直近で大きく変わった: 過去データが現在の事業の参考にならないケースでは、過去の延長線を引く分析はむしろ判断を誤らせます。
• 勝敗の要因が数値化しづらい領域: 個別の関係性や提案内容の質が決定的な要素になる事業では、CRMデータに記録されない要因の比重が大きくなります。

これらに当てはまる場合、無理にAI分析を導入するより、パイプライン設計とプロパティ設計を先に整えたほうが結果的に早く成果に近づきます。

データ品質という前提

分析の精度は、元データの品質を超えられません。定期的に次の観点で点検することをおすすめします。

Claude Codeに「HubSpotの取引データの品質チェックを実施して」と依頼すれば、これらの観点で問題のあるレコードを抽出できます。ただし、抽出されたものを直すのは運用側の仕事です。そして根本的には、入力漏れを個人の注意力で防ぐのではなく、ステージ移行時の必須入力という仕組みで防ぐ設計に寄せていくのが本筋です。

エージェント型のAI活用という選択肢

HubSpot側でも、AIが顧客データを参照して応答したり、レコードを一括更新したりする機能が提供されています。下の画面は、HubSpotのAI機能Breezeがプロパティ条件に合致する複数の関連取引を一括で更新した結果を示しています。

以下の画面は、Breezeが関連取引4件を一括で「お見送り」更新した結果です。

こうした更新結果はそのまま集計とレポートに反映されるため、分析用のデータを整える工程でも使えます。分析はClaude Code、CRM内での日常的なデータ操作はBreeze、といった形で使い分けると、それぞれの得意領域を活かせます。

ただし、AIによる一括更新は範囲を誤ると影響が広がります。条件を絞ってから実行する、実行前に対象件数を確認する、といった手順を運用ルールとして決めておいてください。

全体フローの中での位置づけ

営業戦略立案の自動化は、単体で機能する取り組みではありません。コンタクト獲得から受注・請求までの一連の流れの中で、どこに置くかを意識すると導入がスムーズになります。

コンタクトから請求までの流れとの接続

HubSpotの全体フローは、大まかにコンタクト獲得 → ライフサイクルステージによる検討段階の可視化 → 取引としてのパイプライン管理 → 受注 → 顧客管理・請求という流れで組み立てられます。Claude Codeによる戦略立案は、この流れ全体から出たデータを受け取り、次の期のコンタクト獲得とパイプライン運用の方針として戻す位置にあります。

つまり、分析は流れの「外」にある独立した作業ではなく、ループの一部です。分析結果が次の施策に反映され、その結果がまたデータとして溜まる。この循環が回り始めると、戦略の精度が期を追うごとに上がっていきます。

他機能との連携ポイント

このうち一つでも欠けていると、分析結果を打ち手に変換する経路が途切れます。特にワークフローとの接続は重要で、「この業界のこのセグメントに注力する」と決めた後、該当するコンタクトへのナーチャリングが手動のままでは実行が続きません。

スモールスタートの進め方

いきなり四半期戦略の全自動化を目指すと、データ整備の段階で止まります。段階を分けて進めることをおすすめします。

まずは第2段階の「業界別・チャネル別の受注率を月次で出す」ところから始めて、そこが安定してから分析軸を増やしていく進め方が現実的です。最初から5軸のクロス分析を目指すと、データの不備に何度もぶつかって手が止まります。

よくある質問

Q1: HubSpotのデータが少ない段階でも営業戦略の立案に使えますか？

クローズ済み取引がある程度の件数に達していれば、業界別・チャネル別といった大きな軸での傾向は見えてきます。ただしセグメントを細かく分けるほど各セグメントの件数が減り、信頼性が下がります。データが少ない段階では分析軸を2つ程度に絞り、蓄積が進んでから軸を増やすアプローチをおすすめします。Claude Codeへの指示に「件数が少ないセグメントは明記する」と入れておくと、判断を誤りにくくなります。

Q2: HubSpot以外のCRMでも同じ手法は使えますか？

MCP対応の有無でアプローチが変わります。MCPサーバーが提供されているCRMであれば、HubSpotと同様にMCP経由でデータを取得できます。MCP非対応の場合も、CSVエクスポートしたデータをClaude Codeに読み込ませて分析すること自体は可能です。ただし、リアルタイム性やデータ取得の自動化という点ではMCP連携のほうが優位です。リレーションデータベースとしてオブジェクトが紐づいているCRMであれば、考え方自体はHubSpot以外でも同様に適用できます。

Q3: Claude Codeの分析結果と、営業メンバーの肌感覚が合わない場合はどうすべきですか？

両方を材料として扱ってください。顧客との関係性や市場の空気感といったCRMに記録されない情報は、現場の営業メンバーのほうが把握しています。一方で、思い込みや直近の印象に引っ張られた判断を補正できるのがデータ分析の強みです。「データはこう出ているが現場の感覚はどうか」をチームで議論し、両方の視点を統合して決めるのが実務的です。むしろ食い違いが出たときこそ、これまで見えていなかった要因が浮かび上がる機会になります。

Q4: 営業戦略の立案を自動化すると、営業マネージャーの役割はどう変わりますか？

データ収集・集計・パターン抽出はAIが担うようになり、マネージャーの役割は「分析結果を組織の文脈に照らして解釈し、戦略を選択して実行させる」ことに移ります。提示された複数の注力セグメント候補からどれを選ぶか、自社の営業体制でどう実行するか、KPIが未達のときにどう修正するか——こうした判断と実行のマネジメントが中心になります。作業時間が判断の時間に置き換わるという整理が近いかと思います。

Q5: 分析の更新頻度はどのくらいが適切ですか？

戦略レベルの分析は月次または四半期ごとが現実的です。データが動くたびに戦略を変えると現場が混乱し、施策の効果も測れなくなります。一方でKPIのモニタリングは週次で行い、目標から大きく乖離したときにのみ戦略の見直しを検討する運用をおすすめします。CLAUDE.mdに「/weekly-kpi-check」「/quarterly-strategy」のようにコマンドを分けて定義しておくと、頻度の異なる分析を混同せずに回せます。

まとめ

Claude CodeとHubSpot MCPを組み合わせた営業戦略立案は、スプレッドシートでの手集計に費やしていた時間を、判断と実行の時間に振り替える取り組みです。受注パターンの分析、滞留商談の可視化、チャネル別の効率把握までを指示文で実行でき、分析ロジックはCLAUDE.mdに残るため、担当者が変わっても同じ品質の分析が再現されます。

一方で、分析の精度はCRMデータの品質を超えません。ステージの更新運用、プロパティの入力率、オブジェクト間の関連付け——これらが整っていない状態でAI分析だけを導入しても、期待した結果は得られません。そして最終的な戦略の意思決定は、データに表れない要素も踏まえて人間が下すものです。

最初の一歩としては、次の3ステップから始めてみてください。

1. データ品質を点検する — 直近12ヶ月の取引について、業界・従業員数・流入チャネルの入力率を確認します。空欄が多いプロパティが分析のボトルネックになります。
2. 2軸だけで受注率を出す — 業界別とチャネル別の受注率を、Claude Codeで一度出してみます。ここで出た数字が現場の感覚と合うかを確認します。
3. 分析ルールをCLAUDE.mdに書く — 対象パイプライン、期間、受注率の算出方法を明文化し、次回以降の分析で同じ前提が使われる状態にします。

なお、ここで紹介した分析軸やセグメントの分類は出発点であり、企業様によって最適な形は異なります。自社の商談実態に合わせて調整しながら、段階的に広げていただければと思います。

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HubSpotゴールドパートナーの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

• Claude Codeで営業レポートを自動生成する：週次・月次の定型レポート自動化の実装
• Claude Codeで経営ダッシュボードを構築する方法：営業KPIをリアルタイムで可視化するダッシュボード
• Claude Codeで役員会資料を自動生成する：戦略実行結果を月次役員会資料に落とし込む手順