コンテンツへスキップ
All articles
Sales

AIによる予測(成約確率)

自社の過去データで学習したモデルが、開いている各商談の成約確率をAIコスト無しで予測します。

「AI予測」ページ(サイドメニュー内)では、あなたの過去の成約・失注商談の履歴を使って、成約につながる特徴を学習し、そこから開いている各商談のクロージング確率を推定します。

仕組み

  • モデルは、すでにクローズ済み(成約/失注)の商談を使って自動的に学習します。
  • ステージ、獲得経路、案件種別、優先度、金額帯などの特徴を分析します。
  • 開いている各商談には成約確率と区分(高・中・低)が付与されます。
  • 「加重パイプライン」は、開いている案件の金額に予測確率を掛けて合計したもので、現実的な予測値を示します。

この画面では、あなたの履歴から学習した、成約に対してプラス・マイナスに最も影響する要因も表示されます。

💡 モデルの学習には最低限の履歴(クローズ済み案件が約10件程度)が必要です。成約/失注として決着させた商談が増えるほど、予測精度は向上します。

チャーンリスク

同じページの「チャーンリスク」セクションでは、失ったアカウント(ライフサイクルが「失注」または種別が「チャーン」)と継続中のアカウントの履歴を比較学習し、現在アクティブな各アカウントの解約リスクを推定します。ヘルススコアや更新ステータスなどの先行指標を用い、リスクが高い順にアカウントを一覧表示します。

拡大・ダウングレードの傾向

同じエンジンが、どのアカウントが最も拡大(アップセル/クロスセル)する可能性が高いか、またどのアカウントが最もダウングレード/縮小する可能性が高いかを予測します。これは、時間の経過に伴うサブスクリプションのMRR拡大・縮小という実際の収益変動履歴から学習します。特徴量はアカウント属性(ティア、規模、業種、ヘルス、更新ステータス、プラン)です。Copilotに「拡大の可能性がある顧客は?」「ダウングレードしそうなのは誰?」と尋ねると、スコアが高い順にアカウントを一覧表示し、予測の根拠となるシグナルも示します。

💡 このモデルはサブスクリプションのMRR変動履歴で学習します。サブスクリプションオブジェクトをまだ使用していない、または記録された拡大/縮小が少ない場合、サンプルが不十分となり、結果は「未学習」として扱われ、数値を捏造することはありません。

更新予測と将来収益

Copilotに「どの契約が更新される?」「MRR/ARRはどのくらいになる?」と尋ねてみてください。現在のアクティブMRRと平均純増(新規+拡大−縮小−チャーン)から今後数か月のMRR/ARRを予測し、あなたの履歴(アクティブ対解約済みサブスクリプション)で学習した各アクティブサブスクリプションの更新確率を推定して、リスクが高いもの(低い確率)から順に一覧表示します。各行には、アカウントの更新ステータスから導かれる契約リスクのサブスコアも付与されます。特徴量には、プラン、契約期間、アカウント属性(ティア、規模、業種、ヘルス、更新ステータス)が考慮されます。

💡 すべてローカルで計算され、AIコストは発生しません。MRRの変動履歴がない場合、予測は横ばいとなり、解決済みのサブスクリプションが少ない場合はモデルが「未学習」として扱われ、数値を捏造することはありません。

予測の信頼性(過去の誤差と分散)

「予測はどれくらい信頼できる?」「コミットは達成できている?」と尋ねてみてください。過去の誤差(MAPE)は予測モデルをバックテストし、期間ごとの予測値(金額×確率の合計)を実績(成約商談)と比較します。分散は、申告された予測(コミットおよびベストケースのカテゴリ)と実績を比較し、コミットを上回ったか下回ったかを示します。

💡 システムはまだ日次の予測スナップショットを保存していないため、MAPEは履歴全体で計算されます(楽観的な近似値)。また分散はレコードの現在のカテゴリを使用します。各回答には制限事項を説明する根拠フィールドが含まれるため、適切な文脈のもとで数値を読み取ることができます。

製品レコメンド(最適なオファーとクロスセル)

Copilotは各アカウントにどの製品を提案すべきかも、「Xを購入したアカウントはYも購入している」という形式でレコメンドします。これは、あなたの実際の販売履歴、つまり各顧客がすでに購入した製品(成約した商談と商談明細)を参照します。製品間の共起関係から、類似する顧客が購入し、そのアカウントがまだ持っていない製品を、スコア(確信度×頻度)が高い順に提案します。各提案はクロスセル(別カテゴリーの製品)、アップセル(既に購入済みのカテゴリーで、より高価格帯)、または次の製品として分類され、理由(「Aを購入したアカウントの60%がBも購入」)が添えられます。

特定のアカウントについて「このアカウントに何を提案すべき?」と尋ねるか、「最も有望なクロスセル機会は?」と尋ねてチーム全体のキューを取得し、アカウントごとの最適なオファーを確認できます。

💡 このレコメンドはあなた自身の履歴から導かれます。販売件数が少ない場合や、一緒に購入された製品がない場合、リストは空のまま返されます。データに現れないペアをシステムが創作することはありません。

異常検知

「検出された異常」ブロックは、週次指標(作成された商談・リード数、成約した案件数)を追跡し、たとえばリードの急減や成約の急増など、パターンから外れた週にフラグを立てます。検出には、外れ値に強いロバストなzスコア(中央値+中央絶対偏差)を使用します。

リアルタイム表示に加え、スケジューラが自動で検知を実行し、新たな異常が見つかると管理者に通知します(ベル通知)。同じ異常は一度だけアラートされ、同じ指標の同じ週について重複してアラートが発生することはありません。ページ内の「異常の履歴」には、これまでに検知・アラートされたすべての内容が一覧表示されます。

設定 > 組織で、アラートのオン/オフ、感度の調整(zスコアのしきい値。値が小さいほど敏感)、監視する指標の選択ができます。デフォルトは有効になっており、感度は2.5、3つの指標すべてが対象です。

スマートルーティング

「スマートルーティング」セクションでは、担当者を過去の成約率(サンプルが少なくても歪まないよう平滑化済み)と現在の負荷でランキングします。このランキングを使って、成約可能性が最も高い担当者に新規リードを振り分け、負荷を均等に分散させましょう。

💡 すべてお手元のデータからローカルで計算されます。外部のAIプロバイダーは一切使用せず、コストも発生しません。

Open this article inside the system

Read it and want to see it working?

The account is free and the whole manual is available inside the system, with an assistant that answers from this very content.

無料アカウントを作成
AIによる予測(成約確率) · Sellio