HG Insightsで狙う企業を絞る4工程|IT支出の推定値を検収する

「どの会社がどの製品を使い、IT にいくら使っているかが分かるなら、ABM の狙い先はそれで決まるはずだ」「データ上は年に何億円もIT に使っているはずの会社に当たったのに、担当者はまったく話が通じなかった」——海外の企業データを入れたマーケと営業の企画の担当から、同じ時期に聞こえてくる正反対の声です。米国の HG Insights は、企業の導入技術とIT支出を推定したデータに、AIのコパイロットとエージェントを載せた基盤を提供しています。IT支出の数字は、相手企業の帳簿ではありません。公開された文書や契約の手がかりから作った推定値です。この記事では、公式と報道で確かめられる範囲で、HG Insights の推定値で狙う企業と優先順位を決めるときの4つの工程と、推定値を自社の受注・失注で検収する方法、AIに任せる範囲と人が決める範囲、渡すデータ、費用とやめ方を整理します。画面の操作や料金の一覧は扱いません。
カメ先生企業データを買えば、どこに売り込めばいいかが分かる、と思われがちなんだ。でも本当は、IT支出の数字は外から見えた手がかりで作った推定で、相手の予算そのものではない。だから買った後に、自社の受注の記録で当たり外れを確かめる工程が要るんだよ。
カメ子データを買うことと、そのデータを信じてよいかは別の話ということですか。
カメ先生そう。とくに日本企業の行が、米国の企業と同じ厚さで入っているとは限らない。推定値をそのまま点数にして営業に渡す前に、どこまで当たるかを自社の数字で測っておくのが先なんだ。
カメ子推定値は、狙う理由を考えるための材料なんですね。
- HG Insights は導入技術・IT支出・契約の時期・購買意欲などを企業単位に束ねた推定データの基盤。2026年3月に、AIのコパイロットと独自エージェントを作る Agent Builder(早期提供)を発表した
- IT支出は推定値で、公式は精度90%と掲げるが測り方は示していない。自社の受注・失注で当たり外れを確かめ、日本企業の行の厚さを契約前に測る
- 狙う企業と優先順位は人が決め、AIのスコアは根拠付きの候補として扱う。渡すデータ、消費量で増える費用、やめた後に残るデータを先に決める
ウェビナーの集客を、思いつきの告知から「設計」へ
「開催しても人が集まらない」「集まっても商談につながらない」——BtoBウェビナーの集客を設計から見直すための無料ガイドです。
HG Insights とは:導入技術とIT支出を推定するGTMの基盤
HG Insights は、カリフォルニア州に本社を置く米国の企業データの会社です。どの会社がどの製品を使っているかという導入技術のデータと、IT への支出の推定値を中心に、契約の時期、購買の意欲を示す行動、資金調達、担当者の連絡先などを企業ごとに束ねて提供しています。2025年6月の発表では、2万2千を超える技術、2,000万社を追っていると説明していました。
もともとは IT 製品を売る会社の市場分析や営業の狙い先の決定に使われてきたデータで、2025年の発表では米国の大手 IT 企業の多くが顧客だとしています。2026年3月の報道では、CEO のロヒニ・カストゥリ氏が、IT 業界以外の業種にも広げたいと話しています。もともとの強みは、IT を売る側から見た「誰が何を使っているか」のデータだと理解しておくと、自社の商材との相性を判断しやすくなります。
株主には投資会社の Riverwood が入っており、2025年の買収の発表には同社の役員が取締役として名を連ねています。HG Insights はこの数年、データを買い足す側に回っており、2022年にはクラウドの利用と支出のデータを持つ会社を買収しました。データの種類を買収で増やしてきた会社なので、どの機能がどのデータから来ているかを契約前に確かめる価値があります。
2025年から2026年の動き:口コミの TrustRadius、点数付けの MadKudu、Agent Builder
2025年6月19日、HG Insights はソフトウェアの口コミサイトの TrustRadius を買収したと発表しました。口コミを読みに来る購買担当者の行動から購買の意欲を示すデータと、検討中の見込み客を、HG Insights の企業データと組み合わせるとしています。続いて同年8月には、見込み客の点数付けを手がける MadKudu の買収が報じられ、データの統合、コードを書かずにエージェントを作る機能、Copilot・Agentforce・ChatGPT・Perplexity などとの接続が加わると説明されました。
2026年3月24日には、IT 系の報道機関の独占記事として、収益成長の情報基盤と、その上で動くコパイロット、そして自社向けのAIエージェントを作る Agent Builder の早期提供が報じられました。報道によれば、データの層は15年かけて集めた50ペタバイト近い外部データをAIで整えたもので、企業ごとに固有の識別子を振り、導入技術・支出・購買意欲の手がかりを一つの企業像にまとめます。Agent Builder は MCP の接続で社内のデータや業務の流れにつなぐとしています。
報道で紹介された使い方には、既存顧客の重要な担当者が辞めた、見込み客が競合を検討している、といった兆しを営業に知らせる例があります。料金は使ったデータの量に応じた消費型で、年間契約で利用枠を買う形だと説明されています。データを読む道具から、データを使ってAIが動く基盤へというのが、この一年の動きの要約です。
誤解:IT支出の数字は、相手企業の帳簿ではない
企業データの画面に「この会社のIT支出は年◯億円」と表示されていると、相手の予算が分かったように感じます。しかしその数字は、相手の会社が開示した予算ではなく、外から見える手がかりから組み立てた推定です。公式の方法論の説明では、導入の記録、契約の情報、支出の分析といった材料を組み合わせるとしていますが、支出の数字をどう計算しているかは、公開ページでは説明されていません。
公式は、AIによる処理と人による文脈の確認を組み合わせて精度90%を達成していると掲げています。ただし、その90%が何を対象に、どう測った数字なのかは示されていません。導入技術の有無の精度と、支出の金額の精度はまったく別の問題で、「導入している」が当たっていても、金額の桁が合っているとは限らないことを前提にします。
数字の揺れもあります。方法論のページでは236か国の1,320万社超と2万を超える製品、データの基盤のページでは7,000万社超を一つの企業の単位に対応づけていると書かれ、2025年の買収の発表では2,000万社となっています。数える対象が違うのだと思われますが、どの数字が自社の狙う市場の行数なのかは、契約前に自分で数えるしかないということです。
推定値はどこで外れやすいか
推定値が外れやすい場面には型があります。どれも HG Insights に限らず、外から企業の中を推定するデータに共通する性質ですが、ABM の狙い先を決めるときに効いてくるので、検収の前に頭に入れておきます。
| 外れやすい場面 | 起きること | 検収で見る点 |
|---|---|---|
| 大企業の子会社・事業部 | 親会社の導入や支出が子会社に付く、または逆 | 契約の単位(親か子か)で行を寄せ直す |
| 導入しているが使っていない | 試験導入や解約済みの製品が残る | 受注・失注の会社で導入の有無を突き合わせる |
| 公開の手がかりが少ない会社 | 支出が小さく推定される、行が薄い | 業種・規模ごとに空欄の割合を数える |
| 日本語の情報が中心の会社 | 英語の文書から拾える手がかりが少ない | 日本企業の行の項目の埋まり方を見る |
| 購買意欲の手がかり | 調べているのが担当者の勉強か、本当の検討か分からない | 意欲の高い会社のうち、実際に商談になった割合を測る |
表のうち、日本企業の扱いは特に注意が要ります。公式の方法論は236か国を対象にしていると書きますが、国ごとのデータの厚さや、日本企業の行の数は公開ページでは確認できませんでした。これは数字を見る前に、自社の狙う会社の一覧を持ち込んで確かめる以外にありません。
もう一つの外れ方が、時間のずれです。方法論のページは、技術が組織に入ったり出たりする変化をできるだけ即時に反映すると書いていますが、更新の周期は示していません。導入技術の行がいつ確かめられたものかが分からないと、すでに乗り換えた会社に、乗り換えの提案を持っていくことになります。検収の際には、行ごとに最後に確かめた日付が見られるか、見られないなら何か月前までの情報と考えればよいかを、販売元に確かめておきます。
IT を売る会社のためのデータが、自社の商材に合うか
検収の前に、そもそも自社の商材がこのデータの得意な領域に入っているかを考えておきます。HG Insights の顧客として公式が挙げるのは、米国の大手の IT 企業と大手のクラウド事業者です。導入技術とIT支出のデータは、「この会社は競合の製品を使っているか」「クラウドにどれだけ払っているか」を知りたい IT の売り手に向けて磨かれてきました。
自社がクラウド型のソフトウェアやIT サービスを売っているなら、導入技術は狙い先を決める直接の材料になります。たとえば、自社の製品とつながる製品を使っている会社、乗り換えの対象になる競合製品を使っている会社、といった絞り込みです。一方、マーケティングの支援や業務の外注、IT 以外の商材を売っている場合、導入技術は「この会社はデジタルへの投資に積極的か」を測る間接の目安にとどまります。
IT 業界以外への拡大は、2026年3月の報道では経営者の目標として語られている段階です。公式サイトには外部の購買意欲データの Bombora との提携も載っており、意欲の手がかりは複数の出どころを束ねたものだと分かります。自社の商材が IT の外にあるほど、検収で差が出る項目は少なくなると見込み、工程1の結果で契約の範囲を小さくする選択肢も残しておきます。
4工程の全体像:買う前に検収し、人が狙い先を決める
ここからは、HG Insights の推定値で ABM の狙う企業と優先順位を決める進め方を、4つの工程に分けて示します。考え方は単純で、推定値は、自社の過去の結果で当たり外れを測ってから使うということです。インテントデータの一般的な使い方や、エージェントに企業データを引かせるか買ったリストを使うかの選び方は別の記事で扱っているので、ここでは推定値の検収に絞ります。
過去の受注した会社、失注した会社、接触していない会社の三つの群を用意し、推定値がどれだけ見分けられるかを測ります。
自社の狙う日本企業の一覧を持ち込み、行があるか、項目がどれだけ埋まっているかを数えます。
推定値は候補を広げる材料に使い、最終の一覧と順位は営業とマーケの責任者が根拠を添えて決めます。
渡した一覧が商談になったかを四半期ごとに確かめ、効いた項目と効かなかった項目を入れ替えます。
4工程のうち、工程1と2は契約の前、または試用の期間に行うものです。検収をせずに年間契約を結ぶと、データが合わなかったときに使い切れない利用枠が残るため、順番を逆にしないことが大切です。
工程1:自社の受注・失注で検収する
最初に用意するのは、自社の顧客管理から抜き出した三つの群です。直近2〜3年に受注した会社、提案まで進んで失注した会社、狙っていたが接触できなかった会社をそれぞれ数十社ずつ選びます。会社名だけでなく、法人番号やドメインのような照合の鍵も付けておくと、販売元のデータとの突き合わせがぶれにくくなります。
次に、その三つの群で推定値がどう分かれるかを見ます。受注した会社に共通する導入技術があるか、支出の推定値の大きさで受注と失注が分かれるか、購買意欲の手がかりが受注の数か月前に出ていたか、という三点です。受注と失注で差が出ない項目は、狙い先を決める材料に使わないと決めておくと、データの多さに振り回されずに済みます。
差の大きさの見方も決めておきます。たとえば、受注した会社の6割が特定の製品を使っていて、失注した会社でも5割が使っているなら、その項目は受注を見分ける力がほとんどありません。数十社の規模では数社の違いで割合が大きく動くので、差が1割程度の項目は偶然の範囲と見なし、差が大きい項目だけを残すくらいの粗さで十分です。細かい統計の検定よりも、営業が見て納得できるかを重視します。
この検収で大切なのは、販売元に結果の解釈を任せないことです。販売元が用意する事例は、その会社のデータが効いた例が中心になります。検収の群を選ぶのも、当たり外れを判定するのも自社で行い、販売元には照合の作業と、外れた行の理由の説明だけを求めます。
工程2:日本企業のデータの厚さを確かめる
海外の企業データを日本で使うときに最も多い失敗は、米国企業の事例を見て契約し、日本企業の行が薄いことに後から気づくことです。HG Insights の場合も、日本企業の行数や項目の埋まり方は、公開されている情報からは確認できません。契約前に確かめるしかありません。
- 自社の狙う日本企業の一覧のうち、何割に行があるか
- 行がある会社のうち、導入技術・支出の推定値・購買意欲の各項目が何割埋まっているか
- 大企業と中堅企業で埋まり方がどれだけ違うか
- 日本の子会社が親会社の行にまとめられていないか
- 購買意欲の手がかりが、日本語で調べる担当者の行動まで拾えているか
購買意欲の手がかりは、とくに慎重に見ます。TrustRadius の口コミサイトや外部の意欲データは、英語で調べる購買担当者の行動が中心になると考えられます。日本語で情報を集める担当者の検討は、手がかりに出にくい可能性があるので、日本企業について意欲の高さが低く出ても、関心がないとは限らないと読みます。
確かめ方として現実的なのは、試用の期間に、自社の狙う会社100社程度の一覧を渡し、その会社分のデータを書き出してもらうことです。画面で数社を眺めるだけでは、行の薄さに気づけません。書き出したデータの空欄を数えれば、日本企業の行の厚さは数字で語れるようになり、契約するかどうかの判断や、価格の交渉の材料にもなります。
工程3:狙う企業と優先順位を人が決める
検収で効く項目が分かったら、狙う企業の一覧づくりに使います。ここでの推定値の役割は、営業が知らなかった候補を広げることと、候補の中で調べる順番の目安を付けることまでです。最終の一覧と順位は、営業とマーケの責任者が、取引の履歴、既存顧客との関係、自社の提供体制を合わせて決めます。
優先順位を決めるときは、推定値の項目ごとに重みを付けて点数にしたくなります。しかし検収の群が数十社の規模では、重みを細かく決めるほどの根拠はありません。点数の細かさより、「なぜこの会社か」を一行で説明できるかを基準にするほうが、営業に渡したときに使われる一覧になります。
一覧には、推定値から来た根拠と、人が足した根拠を分けて書いておきます。たとえば「競合製品を使っている(推定)」「昨年の展示会で名刺交換(自社記録)」のように出どころを付けると、どの根拠が当たっていたかを後で答え合わせできるようになり、工程4の改善につながります。
狙い先は新規の会社だけではありません。報道で紹介された使い方のように、既存顧客の重要な担当者の退職や競合製品の検討の兆しを拾う用途では、推定値の誤りの影響が新規の開拓より大きくなります。誤った兆しで既存顧客に慌てて連絡すると、関係を損ねかねないからです。既存顧客に関わる兆しは、担当の営業が事実を確かめてから動くという約束を、新規の狙い先とは別に決めておきます。
工程4:営業に渡し、結果で答え合わせする
一覧を営業に渡すときは、推定値をそのまま見せるのではなく、「この会社に今声をかける理由」として翻訳して渡します。IT支出の推定値の金額を営業がそのまま信じて提案の規模を決めると、桁が外れていたときに提案が空回りするからです。金額は「大きめ」「中くらい」のような幅で伝えるほうが安全です。
渡した一覧は、四半期ごとに結果で答え合わせします。どの根拠で選んだ会社が商談になり、どの根拠の会社が反応しなかったかを並べ、効かなかった項目は次の四半期の選定から外します。答え合わせの結果は、販売元のデータの評価として契約更新の判断にも使うと決めておくと、データの費用対効果を数字で語れるようになります。
営業の側から「データと実態が違った」という指摘が上がったら、それを記録する場所を用意しておきます。現場の指摘は、推定値の誤りを見つける最も安い方法で、まとめて販売元に返せば、データの修正を求める材料にもなります。
AIのスコアを、営業の優先順位にそのまま使わない線
MadKudu の買収で、HG Insights は見込み客の点数付けの機能を手に入れました。AIが出す点数は、多くの手がかりを一つの数字にまとめてくれる便利なものですが、点数の中にどの推定値がどれだけ入っているかを営業は見られないことが多く、外れたときに理由を説明できません。
そこで、AIの点数は営業の訪問の順番をそのまま決めるものではなく、人が見直す候補の並びとして扱います。点数の上位の会社にも、点数を上げた根拠を表示させ、根拠が推定値だけの会社は一段下げて扱う、といった約束を決めておくとよいでしょう。
- AIの点数の順に営業の担当を割り当て、点数の根拠を誰も確かめていない
- 点数が低い既存顧客を、拡大の候補から自動で外す
- IT支出の推定値の金額を、提案の見積もりの根拠に使う
- 購買意欲が高いという手がかりだけで、相手の担当者に「検討中ですよね」と連絡する
最後の例は特に避けます。購買意欲の手がかりは相手が自分で明かしたものではないため、相手が知らないはずの行動を知っているように話すと、信頼を失うことになります。手がかりは連絡の時期を決める材料にとどめ、会話の中身は相手の公開情報と自社の提案から組み立てます。
Agent Builder に任せる範囲と、人が決める範囲
Agent Builder は2026年3月時点で早期提供の段階です。報道によれば、企業が自社の営業・マーケの道具をまたいで動くAIエージェントを作れるもので、MCP の接続で自社のデータや業務の流れにつなぐとされています。コパイロットは手順を案内し、裏でエージェントが動く間も人が関わり続ける作りだと説明されています。
エージェントに任せやすいのは、狙う企業の一覧の更新、担当者の異動や競合の検討といった兆しの拾い出し、営業向けの会社の概要の下書きのような、人が後から確かめられる下ごしらえです。一方で、狙う企業の確定、優先順位の決定、顧客への連絡、顧客管理の項目の書き換えは、人が決めるか、少なくとも人の承認を挟む設定にします。
早期提供の機能は、仕様や料金が変わる前提で扱います。本番の業務の流れに組み込む前に、どの操作を自動で行い、どの操作で止まるかを試験の環境で確かめること、そしてエージェントが何を根拠に動いたかの記録が残るかを販売元に確認することが、早期の機能を使うときの最低限の線です。
もう一つ、接続先の広がりにも目を向けます。MadKudu の買収の時点で、Copilot・Agentforce・ChatGPT・Perplexity といった外部のAIとの接続がうたわれ、公式サイトにも MCP サーバーが載っています。社内のAIからデータを引けるようにすると、そのAIの提供元にも検索の条件や結果が流れることになるため、どのAIからの接続を許すかは情報システム部門と一緒に決めます。
何が社外に出るか:自社の顧客データを渡すか
HG Insights のデータを使うだけなら、社外に出るのは検索の条件や照合のために渡す会社名の一覧が中心です。しかし、工程1の検収で受注・失注の一覧を渡す、顧客管理とつないでデータを補う、MCP で社内のAIと接続する、と使い方が広がるほど、渡すデータは増えていきます。
特に注意したいのは、受注・失注の一覧と、担当者の個人情報です。どの会社がいつ受注したかは、自社の営業の成績そのもので、検収のために渡すなら、会社の識別子だけに絞り、金額や担当者名は渡さないのが基本です。渡したデータが販売元のデータの改善に使われるかどうかは、契約書で確かめます。
- 顧客管理とつなぐ場合、販売元が読める項目と書き換えられる項目を分けて設定する
- 担当者の連絡先を受け取る場合、取得の経緯と利用目的を確かめ、自社の個人情報の扱いに沿うかを法務と確認する
- MCP で社内のAIとつなぐ場合、そのAIを使う社員の誰が何を引けるかを権限で絞る
担当者の連絡先のデータは、米国の会社が集めた日本の個人の情報になります。連絡先を使ってメールや電話をする前に、取得の経緯と利用目的の説明を販売元に求めることを忘れないようにします。
費用の増え方とやめ方
報道によれば、HG Insights の料金は使ったデータの量に応じた消費型で、年間契約で利用枠を買う形です。消費型は小さく始められる一方で、エージェントやコパイロットが自動でデータを引くようになると、利用枠の減り方が人の操作のときより速くなる可能性があります。誰の操作で、どの機能が、どれだけ枠を使ったかを月次で見られるかを、契約前に確かめます。
費用の増え方を見るときは、データの量だけでなく、買収で加わった機能が別の料金になっていないかも確認します。口コミサイト由来の見込み客の提供、点数付け、エージェントの構築が、同じ枠の中なのか別の契約なのかで、総額は大きく変わります。費用の妥当性は、工程4の答え合わせから逆算します。データ経由で選んだ会社から生まれた商談の数と、その受注の見込み額を年間の費用と並べ、一件の商談を生むのにいくらかかったかで比べると、ほかの集客の手段と同じ物差しで更新の判断ができます。
やめるときに問題になるのは、すでに自社の顧客管理に書き込んだデータです。補完した項目や点数は、契約が終わった後も使ってよいのか、消す必要があるのかを契約書で確かめます。販売元から来た項目には出どころの印を付けておくと、やめるときに残すものと消すものを分けられます。
契約前のチェックリスト
最後に、ここまでの工程を契約前の確認の形にまとめます。すべてに答えが出てから年間契約に進むのが理想ですが、少なくとも上の三つは試用の期間で確かめておきます。
- 自社の受注・失注・未接触の三つの群で、推定値が受注と失注を見分けられたか
- 自社の狙う日本企業の何割に行があり、主要な項目が何割埋まっているか
- IT支出の推定値の作り方と、精度90%の測り方について販売元から説明を受けたか
- AIの点数と Agent Builder の動作に、根拠の表示と記録が残るか
- 検収や連携で渡すデータの範囲と、そのデータが販売元のデータ改善に使われるかを契約書で確かめたか
- 消費型の利用枠が、どの機能でどれだけ減るかを月次で見られるか
- 解約後に、顧客管理に書き込んだ項目を使い続けてよいか、消す必要があるか
このチェックリストは、HG Insights に限らず、外から企業の中を推定するデータを買うときに共通して使えます。推定値の価値は、自社の結果で測って初めて分かるという前提を、社内の稟議の段階で共有しておくことが大切です。
まとめ
HG Insights は、導入技術とIT支出の推定データを企業単位に束ね、2026年にはコパイロットと Agent Builder でAIが動く基盤へと広げています。ただし、IT支出の数字は相手企業の帳簿ではなく推定値で、精度の測り方も日本企業のデータの厚さも、公開情報からは確かめられません。だからこそ、自社の受注・失注での検収、日本企業の行の確認、人が狙い先と順位を決めること、結果での答え合わせという4つの工程を、契約の前から回すことが大切です。AIの点数とエージェントは根拠付きの下ごしらえとして使い、渡すデータと費用の増え方、やめた後に残るデータまで決めておけば、推定値を ABM の判断に安心して使えるようになります。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
ウェビナーの集客を、思いつきの告知から「設計」へ
「開催しても人が集まらない」「集まっても商談につながらない」——BtoBウェビナーの集客を設計から見直すための無料ガイドです。
