コラム

AIで商談創出を高度化する前に、営業・マーケデータは“使える状態”になっているか

Facebook Twitter はてなブックマーク Pocket

遠藤 美加
株式会社パワー・インタラクティブ 取締役/常務執行役員

生成AIやAIエージェントの活用が進む中で、営業・マーケティング領域でもAIへの期待が高まっています。

・有望リードを見つけたい。
・商談化しやすい企業を予測したい。
・顧客ごとに最適なナーチャリングを行いたい。
・購買グループを推定したい。
・広告やメール施策のROIを可視化したい。
・営業が次に取るべきアクションを提示したい。

こうした取り組みは、今後の商談創出を大きく変える可能性があります。

一方で、AI活用を考えるときに見落とされがちなことがあります。
それは、AIが判断するための材料です。

・MAにメール反応は残っている。
・CRMに商談情報は入っている。
・Web解析データもある。
・広告実績もある。
・営業活動履歴もある。

それでも、それらのデータが分断されていたり、商談・受注までつながっていなかったり、入力ルールが揃っていなかったりすれば、AIは商談創出に使える判断を返しにくくなります。

営業・マーケティング領域でAI活用を進める前に、まず問うべきことがあります。

自社には、AIが商談創出を判断できるだけのデータが蓄積されているのか。

AI活用の第一歩は、最新ツールを選ぶことではありません。
自社の営業・マーケティングデータが、判断に使える状態で蓄積・連携されているかを確認することです。

AIは、存在しないデータから判断することはできない

営業・マーケティング領域で、AIに期待される役割は増えています。

たとえば、
・過去の受注データから、商談化しやすい企業の特徴を抽出する。
・Web行動やメール反応から、有望リードを見つける。
・商談履歴や失注理由から、次に取るべき営業アクションを提案する。
・広告やセミナーの成果を、商談・受注までひもづけて分析する。
・企業内の複数人の行動から、購買グループの動きを推定する。

こうした活用が進めば、営業やマーケティングの判断は大きく変わります。

しかし、AIは魔法のように正しい判断を生み出すものではありません。
AIが判断するには、判断材料となるデータが必要です。

しかも、単にデータが「ある」だけでは不十分です。
AIが学習・分析・推論に使える形で蓄積されている必要があります。

たとえば、
・メール開封やクリックはMAにある。
・商談ステージはCRMにある。
・広告費は広告管理画面にある。
・受注金額は販売管理や会計システムにある。
・営業メモは担当者ごとの入力欄に残っている。

このようにデータが別々の場所に存在していても、それらがつながっていなければ、AIは商談創出の全体像を捉えられません。

・どの施策が、どの企業の反応を生んだのか。
・その反応は、営業接点につながったのか。
・営業接点は、商談化につながったのか。
・商談は、受注や失注にどうつながったのか。
・受注した企業には、どのような共通点があるのか。

こうした流れが見えなければ、AIに有望リードを見つけさせても、営業が納得できる判断にはなりにくいのです。

AI-readyとは、データがあることではなく、商談創出の流れとしてつながっていること

営業・マーケティング領域では、多くの企業がすでにさまざまなデータを保有しています。

・MAには、メール反応やフォーム入力、セミナー参加、資料ダウンロードなどのデータがあります。
・CRMには、営業活動、商談ステージ、提案内容、受注・失注結果などのデータがあります。
・Web解析には、流入経路や閲覧行動、コンバージョンのデータがあります。
・広告管理画面には、広告費、クリック数、CV数などのデータがあります。

一見すると、AI活用に必要なデータは十分に蓄積されているように見えます。

しかし、AI-readyな状態とは、データが多く存在することではありません。
それらのデータが、商談創出の流れとしてつながっている状態です。

たとえば、
1.ある企業が展示会で名刺交換をした。
2.その後、メールを開封し、資料をダウンロードした。
3.別の担当者がセミナーに参加した。
4.営業が面談し、商談化した。
5.提案後に情報システム部門が関与した。
6.最終的に受注した。

この一連の動きが、企業単位、人物単位、施策単位、商談単位でつながって見えるでしょうか。

もし見えていれば、AIは「どのような顧客接点が商談化につながりやすいか」「どのような購買グループの動きが受注に近いか」「どの施策が受注に貢献しやすいか」を分析しやすくなります。

一方で、データが分断されていれば、AIは点の情報しか扱えません。

・メールを開封した人は見える。
・資料をダウンロードした人も見える。
・商談化した案件も見える。
・しかし、それらがどうつながっているかはわからない。

この状態では、AIは商談創出の構造を理解できません。

AI-readyな営業・マーケデータとは、単にデータが蓄積されている状態ではありません。
施策、顧客反応、営業活動、商談、受注がつながり、AIが判断に使える状態になっていることです。

AI-readyな営業・マーケデータに必要な5つの条件

では、営業・マーケティング領域でAI-readyなデータとは、どのような状態を指すのでしょうか。

少なくとも、次の5つの条件を確認する必要があります。

1.顧客・企業IDがつながっている

まず重要なのは、同じ企業や同じ顧客を、複数のシステムをまたいで識別できることです。

・MA上の個人リード。
・CRM上の取引先・商談。
・Web解析上の行動データ。
・広告経由の流入データ。
・セミナーや展示会の参加データ。

これらが別々に存在していると、同じ企業の動きとして捉えることができません。

営業・マーケティング領域では、個人単位だけでなく、企業単位で顧客を見ることが重要です。
特にBtoBでは、1人の担当者だけで購買が進むことは少なく、複数の関係者が関与します。

同じ企業の中で、誰がどのテーマに反応しているのか。
どの部門の人が情報収集しているのか。
営業接点がある人物と、Webやメールで反応している人物が同じ企業にいるのか。

こうした情報をつなげるには、顧客・企業IDの整備が欠かせません。

2. 施策と商談・受注がひもづいている

次に重要なのは、マーケティング施策と商談・受注がつながっていることです。

広告、メール、セミナー、展示会、ホワイトペーパー、Webコンテンツ。
これらの施策が、最終的にどの商談や受注に関与したのかを追えるでしょうか。

リード数やクリック数は見えていても、商談・受注までのつながりが見えていなければ、AIは「何が成果に効いたのか」を学習できません。

・どの施策が商談化につながりやすいのか。
・どのチャネル経由のリードが受注しやすいのか。
・どのテーマのコンテンツに反応した企業が、高い案件単価になりやすいのか。
・展示会後のどのフォローが商談化に効いているのか。

こうした分析を行うには、施策と商談・受注のひもづきが必要です。

AIにROI分析や次の施策提案を期待するのであれば、まず施策成果が商談・受注まで追える状態になっているかを確認する必要があります。

3. 営業活動と顧客反応が一緒に見える

AI活用では、マーケティング反応だけでなく、営業活動のデータも重要です。

・資料をダウンロードした。
・メールをクリックした。
・セミナーに参加した。

これらは顧客の関心を示す重要なデータです。
しかし、実際に商談へ進むかどうかは、営業活動の内容にも左右されます。

・いつ営業が接触したのか。
・誰と会話したのか。
・どのような課題が語られたのか。
・どの資料を使ったのか。
・どのステージで止まったのか。
・なぜ失注したのか。

こうした営業活動の文脈がなければ、AIは「なぜ商談化したのか」「なぜ失注したのか」を判断しにくくなります。

たとえば、同じ資料をダウンロードした2社があったとしても、片方はすぐに商談化し、もう片方は反応が止まることがあります。
その違いは、企業属性だけでなく、営業接点、課題の顕在度、関与者、予算時期、社内検討状況などにあるかもしれません。

AIが営業の次アクションを提示するには、マーケティング反応と営業活動が一緒に見える必要があります。

4. 指標定義が揃っている

AI-readyなデータを考えるうえで、意外に見落とされがちなのが指標定義です。

・有効リードとは何か。
・MQLとは何か。
・SQLとは何か。
・商談化とはどの状態を指すのか。
・受注貢献とは何をもって判断するのか。
・ROIはどの費用と成果を対象に見るのか。

これらの定義が営業とマーケティングで揃っていなければ、AIの分析結果も解釈が分かれます。

マーケティングは「有望リード」と判断している。
しかし営業は「まだ追うべき状態ではない」と考えている。
マーケティングは「商談化した」と見ている。
しかし営業は「単なる情報交換に近い」と考えている。

このように定義がずれている状態では、AIに学習させるデータの意味も曖昧になります。

AIが正しく判断するには、人間側が何を成果とみなし、どの状態を次のステップと定義するのかを揃えておく必要があります。

データ品質と運用ルールが整っている

最後に重要なのは、データ品質と運用ルールです。

・入力漏れが多い。
・表記ゆれがある。
・重複データが多い。
・営業担当者によって入力粒度が違う。
・失注理由が自由記述でばらばらに残っている。
・商談ステージの更新が遅れる。
・名寄せができていない。

このような状態では、AIの出力も信頼しにくくなります。

AIは、データの状態をそのまま反映します。
・入力が不安定であれば、分析結果も不安定になります。
・定義が曖昧であれば、AIの判断も曖昧になります。
・更新が遅れていれば、現場判断に使うにはタイミングが合いません。

AI活用を進めるには、データを集めるだけでなく、データを継続的に整える運用が必要です。

・誰が入力するのか。
・どのタイミングで更新するのか。
・どの項目を必須にするのか。
・どの表記を標準にするのか。
・どの粒度で失注理由や顧客課題を残すのか。
・どのデータを分析に使うのか。

こうしたルールが整って初めて、AIは営業・マーケティングの判断に使えるようになります。

データが蓄積されていないと、AIは“もっともらしい一般論”しか返せない

AIは、一般的なマーケティング知識や過去のパターンをもとに、もっともらしい提案を返すことができます。

たとえば、
・リードナーチャリングを強化すべき。
・営業とマーケティングの連携を改善すべき。
・顧客セグメント別にコミュニケーションを分けるべき。
・商談結果を分析して勝ちパターンを見つけるべき。

これらは、多くの場合、正しい方向性です。

しかし、それが自社の商談創出に本当に効くかどうかは別問題です。

・自社では、どの業種が商談化しやすいのか。
・どの役職者が関与すると受注率が上がるのか。
・どのテーマのセミナー参加者が営業接点につながりやすいのか。
・どの広告経由のリードが受注金額に貢献しているのか。
・どの失注理由が最も多いのか。
・どの購買グループの構成が受注に近いのか。

こうした問いに答えるには、自社の営業・マーケティングデータが必要です。

自社データが蓄積され、つながっていなければ、AIは一般論を返すことはできても、自社固有の商談創出に踏み込んだ判断はできません。

AIの精度は、モデルの性能だけで決まるわけではありません。
自社データの質、蓄積状態、接続状態、運用状態によって大きく左右されます。

AI導入前に見るべきは、ツール選定ではなくデータの現在地

営業・マーケティング領域でAI活用を検討するとき、多くの企業は「どのツールを使うか」から考え始めます。

・どのAIツールがよいのか。
・MAにAI機能を追加すべきか。
・CRMのAI機能を使うべきか。
・BIやCDPと連携すべきか。
・営業支援ツールを導入すべきか。

もちろん、ツール選定は重要です。
しかし、その前に確認すべきことがあります。

・AIで何を判断したいのか。
・その判断に必要なデータは何か。
・そのデータはどこにあるのか。
・データ同士はつながっているのか。
・信頼できる品質で蓄積されているのか。
・営業やマーケティングの現場で使える形になっているのか。

この確認をしないままツールを導入すると、AI機能はあっても活用が進まない状態になりかねません。

・有望リードを抽出したいのに、受注データと行動データがつながっていない。
・ROIを可視化したいのに、広告費と商談・受注金額がひもづいていない。
・次アクションを提示したいのに、営業活動履歴や失注理由が十分に残っていない。
・購買グループを見たいのに、企業内の複数リードが統合されていない。

この状態では、AIツールを導入しても期待した成果は出にくくなります。

AI活用を進める前に見るべきなのは、ツールの機能比較だけではありません。
自社の営業・マーケティングデータの現在地です。

AI活用を進める前に、自社データが判断に使える状態かを確かめる

AI活用に取り組むこと自体は、今後ますます重要になります。

営業・マーケティング領域でも、AIは単なる業務効率化にとどまらず、商談創出の判断を支援する存在になっていくでしょう。

しかし、AIを成果につなげるためには、前提があります。
それは、自社のデータが判断に使える状態になっていることです。

・MA、CRM、Web、広告、商談、受注データがつながっているか。
・企業単位・人物単位・施策単位・商談単位でデータを見られるか。
・営業活動や失注理由が分析できる粒度で残っているか。
・商談化や受注貢献の定義が揃っているか。
・入力ルールやデータ品質が整っているか。

これらを確認することは、AI活用を止めるためではありません。
むしろ、AI活用を成果につなげるための前提確認です。

AIに何を任せるかを考える前に、AIが何を根拠に判断できるのかを確認する。
それが、営業・マーケティング領域におけるAI活用の現実的な第一歩です。

まとめ:AI-readyな営業・マーケデータが、商談創出の高度化を支える

営業・マーケティング領域でAI活用を進めるとき、多くの企業は「どのAIツールを使うか」「どの業務を自動化するか」から考えがちです。

しかし、本当に先に見るべきなのは、AIが判断に使えるデータが蓄積されているかです。

・MAに反応データがある。
・CRMに商談データがある。
・Web解析データがある。
・広告実績がある。
・営業活動履歴がある。

それだけでは十分ではありません。

それらが企業単位、人物単位、施策単位、商談単位でつながり、商談創出の流れとして見えること。
営業・マーケティング間で指標定義が揃っていること。
入力ルールやデータ品質が保たれていること。
AIの出力を現場の判断に使える運用があること。

これらが整って初めて、AIは商談創出の高度化に使えるようになります。

AI活用の第一歩は、最新ツールを選ぶことではありません。
自社の営業・マーケティングデータが、AI-readyな状態で蓄積されていhttps://powerweb.powonder.net/wordpress/wp-admin/post.php?post=19582&action=edit#るかを確認することです。

営業・マーケティング領域でAI活用を進める前に、自社のMA・CRM・Web・広告・商談データが、商談創出の判断に使える状態で蓄積されているかを一度確認してみてはいかがでしょうか。

パワー・インタラクティブでは、営業・マーケティングデータの蓄積状況や連携状態を整理し、AI活用に進むためのデータの現在地を可視化する支援を行っています。

まずは、自社の営業・マーケティングデータがAI-readyな状態にあるかを確認することから始めてみませんか。

遠藤 美加

取締役/常務執⾏役員

遠藤 美加

マーケティング戦略策定

関⻄学院⼤学経済学部卒業。住友ビジネスコンサルティング株式会社⼊社。マーケティング分野のリサーチおよびコンサルティング業務を経て、⽴命館⼤学(学校法⼈)に転じ、⼤学の⻑期経営計画づくりや産学連携事業を担当。その後、⼤阪市のソフト産業プラザにてベンチャーコーディネーター業務に従事。2000年4⽉、パワー・インタラクティブ⼊社。同年6⽉取締役、2003年常務執⾏役員に就任。全社の事業戦略を統括する。

TOP