リードスコアリングに生成AIを活かす方法｜見込み客を見極める

「点数の高い相手から連絡しているが、受注につながっている実感がない」「一度決めた加点のルールを、誰も直せないまま2年たっている」——見込み客の優先順位づけをしている部署から、この2つはよく挙がります。点数が当たらないのは、条件の作り込みが足りないからではありません。本当は、受注した結果を点数の側に返す道が、用意されていないことが原因です。この記事では、属性と行動の分け方、予測型の仕組み、点数の精度を確かめる手順を整理します。

リードスコアリングとは何か

リードスコアリングとは、見込み客（リード）一人ひとりに点数を付けて優先順位をつける手法です。会社の規模や役職といった属性、資料ダウンロードやサイト閲覧といった行動をもとに点数を積み上げ、点数の高い相手から営業が接触します。すべてのリードに同じ熱量で対応するのは非効率なので、「今、確度が高い相手」を見分けるために使います。

BtoBでは、問い合わせから受注まで数か月かかることも珍しくありません。その間、リードは検討したり離れたりを繰り返します。スコアリングは、その変化を点数で可視化し、営業が動くべきタイミングを逃さないための道しるべになります。マーケティングが集めたリードを、確度の高い順に営業へ渡す——この橋渡しがスコアリングの役割です。

従来型スコアリングの限界

従来のスコアリングは、人が条件と点数を手で決めていました。「役職が部長なら＋10点」「価格ページを見たら＋5点」といったルールを積み上げる方式です。分かりやすい反面、点数の根拠が担当者の勘に頼りがちで、本当に受注につながる行動を反映できているとは限りませんでした。

さらに厄介なのが、ルールが古くなることです。市場も商品も変わるのに、一度決めたルールは放置されがちで、いつのまにか実態とずれていきます。条件が増えるほど管理も複雑になり、「何点が高確度なのか」の基準もあいまいになります。結果として、スコアはあるのに営業活動には活かされていないという状態に陥る企業が少なくありませんでした。

生成AI・予測スコアリングで何が変わるか

生成AIと予測スコアリングは、この前提を変えます。予測スコアリングは、過去の受注・失注データをAIが分析し、受注しやすいリードの特徴を自動で学習してスコアを出す方式です。人が「この行動は何点」と決めるのではなく、実際のデータから「どんな属性と行動の組み合わせが受注につながるか」をAIが見つけ出します。

この方式の強みは、人が気づきにくいパターンまで拾えることです。たとえば「特定の業種で、料金ページを2回以上見て、かつメールを開封した相手は受注率が高い」といった複合的な傾向を、AIが自動で検出します。ルールを手で更新する手間も減り、データがたまるほど精度が上がっていくのも大きな利点です。勘に頼っていたスコアリングが、根拠のある仕組みに変わるのです。

属性スコアと行動スコアの考え方

スコアリングの土台になるのが、属性スコアと行動スコアの2つの視点です。属性スコアは「その相手が自社の顧客像に合っているか」を表し、業種・企業規模・役職などで評価します。行動スコアは「その相手が今どれくらい関心を持っているか」を表し、サイト閲覧や資料請求、メール反応などで評価します。

この2軸で見ると、リードの状態が立体的に分かります。属性は合っているが行動が乏しい相手には、関心を高めるコンテンツを届ける。行動は活発だが属性が合わない相手は、優先度を下げる。『合っていて、かつ関心が高い』相手こそ営業が最優先すべきリードです。生成AIに自社の顧客像を伝えれば、どちらの軸にどんな指標を置くべきかの相談にも乗ってくれます。

主要MAツールのAI機能を押さえる

予測スコアリングは、多くのMA（マーケティングオートメーション）ツールに搭載されています。それぞれ得意分野が違うため、自社の状況に合ったツールを選ぶことが出発点です。主要なツールの傾向を整理しておきましょう。

ツール	AI・スコアリングの傾向	向いている企業
HubSpot	AI予測スコアと生成AIによる文面作成の両方に積極的	少人数で幅広く使いたい企業
Marketo Engage	予測分析とアカウント単位のスコアリングに強い	長期・大型のBtoB案件が多い企業
Account Engagement	Salesforceと連携した営業起点の運用に強い	Salesforceを使う企業

大切なのは、ツールの機能名に振り回されないことです。予測スコアリングを活かすには、ある程度の受注データが蓄積されていることが前提になります。データがまだ少ない段階では、まず基本的なルールベースのスコアで運用しながらデータをため、頃合いを見て予測スコアに移行する、という進め方が現実的です。

生成AIでスコアリング設計を助ける

予測スコアリングを使わない場合でも、生成AIはスコアリング設計の心強い相棒になります。どんな指標をスコアに含めるべきか、点数配分をどうするかを、AIと壁打ちしながら整理できます。自社の商材や顧客像を伝えて相談すれば、抜けていた観点や、逆に不要な条件に気づけます。

たとえば「BtoBのSaaSで、こういう顧客像を狙っている。リードスコアの指標と点数配分の案を出して」と頼めば、たたき台がすぐに得られます。出てきた案をそのまま使うのではなく、自社の実感と照らして調整するのがコツです。AIは設計の初速を上げてくれますが、最終的な判断は自社の顧客をよく知る人が行うべきものです。

スコアリングルールをChatGPTで組み立てる

具体的にルールを組み立てるときは、自社の情報をできるだけ具体的に渡すほど、AIの提案の質が上がります。次のような指示が土台になります。出力を土台に、営業チームと相談しながら点数を調整していくと、現場感のあるルールになります。

あなたはBtoBマーケティングの専門家です。
以下の条件でリードスコアリングのルール案を作ってください。

商材：クラウド型の勤怠管理システム（月額課金）
理想の顧客：従業員100〜1000名、情報システム部門または人事部門の責任者
これまで受注につながった行動：料金ページ閲覧、導入事例のダウンロード、無料相談の申込

出力してほしいもの：
1. 属性スコアの指標と配点
2. 行動スコアの指標と配点
3. 「営業が今すぐ動くべき」と判断する合計点の目安

こうして得たルールは、あくまで初期案です。運用しながら、実際に受注につながったリードのスコアを振り返り、配点を見直していきます。この見直しの相談相手としても、生成AIは役立ちます。

スコアとメール配信を連携させる

スコアリングは、営業への引き渡しだけでなく、メール配信の出し分けにも活きます。スコアが低い段階の相手には、関心を育てる基礎的なコンテンツを。スコアが上がってきた相手には、事例や具体的な提案につながる情報を届ける。スコアに応じて送る内容を変えることで、リードの検討を自然に後押しできます。

MAツールを使えば、この出し分けを自動化できます。「スコアが一定を超えたら、このシナリオのメールを送る」「担当営業に通知する」といった動きを、あらかじめ設定しておけます。そして、その各段階のメール文面づくりに生成AIを使えば、出し分けの手間を大きく減らせます。スコアリングとメール、そしてAIの文面生成を組み合わせると、少人数でも精度の高いナーチャリング（見込み客育成）が回せます。

スコアの精度を検証し改善する

スコアリングは、作って終わりではありません。スコアと実際の受注が一致しているかを定期的に確認することが欠かせません。高スコアなのに受注しない、低スコアなのに受注した——こうしたズレが、ルール見直しのヒントになります。ズレの原因を探り、指標や配点を調整していきます。

この検証にも生成AIが使えます。受注・失注のデータを渡して「高スコアだったのに失注した案件に共通する特徴を挙げて」と頼めば、見直すべき点が見えてきます。検証と改善を繰り返すほど、スコアの精度は上がります。スコアリングは育てていくものだと捉えると、運用が続きやすくなります。

営業とマーケティングの連携が鍵

スコアリングを機能させる最大の条件は、営業とマーケティングが同じ基準を共有していることです。マーケが「高確度」と判断して渡したリードを、営業が「まだ早い」と感じるなら、スコアの基準がずれています。両者で「何点以上を営業に渡すか」を合意し、渡した後の結果をフィードバックし合う仕組みが要ります。

この合意を、SLA（サービスレベル合意）として明文化しておくと、認識のずれが減ります。マーケは一定品質のリードを渡す、営業は一定時間内に対応する——こうした約束事を決めておくのです。生成AIに「営業とマーケの連携ルールのたたき台を作って」と頼めば、議論の出発点になります。連携が整ってはじめて、スコアリングは成果につながります。

リードスコアリングでやりがちな失敗

スコアリングを導入するときに、つまずきやすい点を押さえておきましょう。

• 指標を増やしすぎる：条件が多すぎて管理できず、何が効いているか分からなくなる
• 一度決めて放置する：市場や商品の変化を反映できず、実態とずれていく
• AIに丸投げする：自社の顧客理解を加えず、平均的で的外れなルールになる
• 営業と共有しない：スコアの基準がずれ、渡したリードが活用されない

スモールスタートのすすめ

スコアリングは、最初から完璧を目指すと動き出せません。少ない指標でシンプルに始めるのが成功のコツです。まずは「顧客像に合っているか」の属性スコアと、「料金や事例を見たか」の重要な行動スコアだけで運用を始め、慣れてきたら指標を足していきます。

生成AIを使えば、この立ち上げが速くなります。設計の壁打ち、ルールのたたき台づくり、検証の分析——各段階でAIが手を貸してくれるため、専任の分析担当がいなくても回せます。小さく始めて、データと運用の手応えを見ながら育てる。この進め方なら、無理なくスコアリングを定着させられます。

点数が下がらない設計は、半年で使えなくなる

スコアが当たらなくなる原因で最も多いのは、点数が上がるだけで下がらない作りになっていることです。1年前に資料をダウンロードした人が、今日も同じ点数を持ったまま上位に並びます。行動の点数には、必ず有効な期間を持たせます。30日を過ぎたら半分にし、90日を過ぎたら消す、といった具合です。減らす幅と期間は、自社の検討期間から決めます。受注までが平均で3か月かかるのに、1か月で消す設計にすると、まだ検討している相手が落ちます。会社の規模や役職といった属性の点数は、そう簡単には変わらないので減らしません。時間で減らすのは、行動の側だけです。半分にする処理は毎晩まとめて走らせる形にしておくと、点数の動きが日付でそろいます。処理が走った日を記録に残しておくと、後から振り返れます。

次に多いのが、同じ行動の積み上がりです。料金のページを10回見た人は、本当に検討が進んでいるのか、それとも操作に迷っているだけなのかが分かりません。一つの行動で加算できる回数に上限を置きます。同じページの閲覧は3回までで頭打ち、資料のダウンロードは種類が違う場合だけ加算する、といった形です。上限がないと、上位が特定の行動を繰り返す少数の人で埋まり、名簿全体の動きが見えなくなります。上限を入れると点数の分布は平らになり、上位と中位の差が縮みます。そのぶん属性の点数が効いてくるので、二つの配分は同時に調整します。上限を入れた直後は、上位に並ぶ相手の顔ぶれが大きく入れ替わります。入れ替わる理由を営業に先に伝えておかないと、仕組みへの信頼が落ちます。

除外の条件も、最初に入れておきます。自社の社員、すでに契約している顧客、同業の他社、採用に応募してきた人。この四つは、放っておくと上位に来ます。自社の社員が自社のサイトを見るのは当然だからです。メールアドレスのドメインで除外する、既存顧客の一覧と突き合わせて印を付ける、といった処理を、点数の計算より前に入れます。除外した行は消さずに、印を付けて残します。消してしまうと、同じ相手が別のフォームから入ったときに、また上位に現れるからです。上位10件を毎週そのまま目で見る習慣を作ると、除外の抜けはすぐ見つかります。除外の条件は、フォームの項目にも反映します。会社のアドレスだけを受け付ける設定にしておけば、そもそも入ってくる行が減ります。

見直しの間隔も決めます。四半期に一度、上位に並んだ相手のうち何件が商談になったかを数え、期待した比率に届いていなければ配点を触ります。ここで気をつけたいのは、当たらなかったからといって条件を増やす方向に走らないことです。条件が増えるほど、どの条件が効いているかが分からなくなり、次の見直しがさらに難しくなります。消す条件を選ぶときは、直近の四半期で一度も加点に使われていない条件から見ます。使われていない条件は、点数に何も足していないのに、管理の手間だけを増やしています。数える作業は、四半期の初めに日付を決めて予定に入れます。予定に入っていないと、忙しい期はそのまま飛ばされ、一年放置になります。増やすより一つ消すほうが、運用は健全な形で保てます。

点数の理由を、営業に一行で渡す

予測型の仕組みを入れても、営業が使ってくれないことがあります。理由はたいてい同じで、なぜこの相手が高いのかが分からないからです。点数だけを渡された側からすると、根拠の見えない順番を押し付けられているのと変わりません。点数と一緒に、上がった理由の上位三つを渡します。3週間以内に料金のページを2回閲覧、導入事例の資料を取得、従業員数が対象の範囲に合致。この程度の、事実の並びで十分です。渡す場所も決めます。一覧の画面に列として出すのか、通知の文面に入れるのか。営業が普段開いている画面に出てこない限り、結局は読まれません。一覧に出すなら、点数の列のすぐ隣に置きます。離れた場所に出すと、点数だけを見て理由が読まれない、元の形に戻ります。

理由を出せるかどうかは、使う仕組みによって変わります。ルールで組んだ点数なら、どの条件で何点付いたかをそのまま並べられます。予測型の場合は、寄与の大きかった項目を表示できる製品とできない製品があるので、選ぶ段階で確かめておく点です。確かめるのは機能の有無だけではありません。その表示を営業の画面まで持っていけるかどうかまで見ないと、管理者しか開けない画面の中で終わります。表示できない場合は、点数は予測型に任せつつ、営業に渡す理由の部分だけをルールで作る、という二段構えにします。試すときは、実際の営業担当に一週間使ってもらい、理由の欄を見たかどうかを聞きます。見ていないなら、置き場所か書き方のどちらかに原因があります。渡す側が説明できない順番は、現場では回りません。

ここに生成AIを使うときは、役割をはっきり分けます。行動の履歴を渡して、読みやすい一行にまとめさせる作業までは任せられます。一方で、この相手は確度が高いという判定そのものは、AIに出させません。生成AIは渡された履歴から、もっともらしい理由を組み立てる方向に働くため、実際には起きていない行動が理由に混ざることがあります。理由の欄に出てくる事実が、記録に本当にあるかを突き合わせる工程を、渡す前に入れます。工程を置く場所は、作った直後ではなく渡す直前です。作ってから時間が空くと、その間に点数が動き、理由のほうも変わっているためです。突き合わせる相手は、行動の記録そのものです。要約された画面を見て確かめても、同じ間違いをなぞるだけになります。

突き合わせの範囲も決めておきます。全件を人が見るのは現実的ではないので、営業に渡す上位の件数だけ、たとえば毎週20件までを対象にします。理由の欄に書かれた行動が記録にあるかを確かめ、無ければその行を落とす。一件あたり数十秒で終わる作業です。そして、確かめた件数と落とした件数を、月ごとに残しておきます。落とす割合が月をまたいでも減らないなら、理由を作る手順そのものに問題があるということです。落とした行は、理由を付けずに消さず、どの事実が記録に無かったのかを一言残します。同じ種類の事実が何度も落ちるなら、その項目の記録そのものが取れていない可能性があります。履歴の渡し方を変えるのか、まとめさせる範囲を狭めるのか、手を打つ場所が数字から決まります。

始める前にかかるのは、ツール代よりデータの手当て

スコアリングの検討では、どの製品を選ぶかに話が集まりがちですが、実際に時間を取られるのは導入前のデータの整理です。同じ会社から3人が別々に資料を請求していれば、名簿の上では3件になります。同じ人が会社のアドレスと個人のアドレスで登録していれば2件です。この状態で点数を付けると、1社ぶんの関心が三つに割れて、どれも営業に渡す水準に届きません。まず、会社の単位でまとめるための列を作ります。このとき鍵にするのは会社名ではなく、会社を表す番号です。名前を鍵にすると、一文字違うだけで別の会社として扱われます。番号が取れない相手は、会社名を整えたうえで手で結び付けます。すべてを自動で済ませようとすると、別の会社どうしが一つにまとまる事故が起きます。

会社名の表記も揃いません。株式会社を前に書くか後ろに書くか、全角と半角の違い、支店名を入れるかどうか。フォームの自由入力に任せている限り、揺れは必ず出ます。法人番号のように、公開されていて一意に決まる番号を後から付ける運用にすると、揺れに強くなります。ここは生成AIが役に立つ場面で、表記の違う会社名の一覧を渡し、同じ会社と思われる組み合わせを挙げさせられます。ただし、挙がった組み合わせをそのまま統合はしません。似た名前でも別の法人であることは珍しくないため、一覧にして目で見てから、統合してよいかの最終確認は人が行います。確認の順番は、件数の多い組み合わせからです。数の多いところを先に直すほうが、同じ時間で名簿の精度が上がります。

費用の面でも、掃除が先です。連絡先の件数に応じて料金が決まる製品では、重複や、もう連絡の付かない行をそのまま持ち込むと、使わないデータに毎月払うことになります。契約の前に、送れる状態にある行が何件あるのかを数えておきます。名簿の総数と、実際に配信できる件数が2倍近く違っていた、という話は珍しくありません。数えるときは、配信できない行の理由も分けておきます。アドレスが無効なのか、配信停止を申し出た相手なのか、経路が不明なのかで、打てる手がまったく違うからです。数えた結果は、見積もりの依頼にそのまま添えます。件数の根拠を示せると、提案される料金の区分も実態に近いところから始まり、後から増やす交渉も減ります。見積もりを取る前に済ませておきます。

行動の記録の作り方も確認しておきます。他社のサイトをまたいで人を追う仕組みは、2025年4月にグーグルが廃止の計画を取り下げたとはいえ、閲覧する側の設定や、他の閲覧ソフトの方針によって効かないことがあります。点数の土台は、自社のサイトとフォームで自前に取れる記録に置くのが確実です。どのページの閲覧を記録するか、フォームのどの項目を必須にするか。記録する項目を増やすほど後から絞る自由は増えますが、設定と確認の手間も増えます。最初は料金と事例と問い合わせの三つに絞ります。決めたら実際に一週間分のデータを取って、想定どおりに記録が入っているかを見ます。ここで漏れが見つかれば、やり直しは数日で済みます。この設計に一か月を使う想定でいると、見積もりが外れません。

よくある質問

データが少なくても予測スコアリングは使えますか？

予測スコアリングは、ある程度の受注データがあってはじめて精度が出ます。データが少ない段階では、まず基本的なルールベースのスコアで運用しながらデータをため、蓄積が進んでから予測スコアへ移行するのが現実的です。焦らず段階を踏むのがおすすめです。

スコアリングは自社の営業スタイルに合いますか？

スコアリングは、リード数が多く、すべてに手が回らない場合に特に効果を発揮します。逆にリードが少なく全件に丁寧に対応できるなら、無理に導入する必要はありません。自社のリード量と営業体制を踏まえて判断するとよいでしょう。

生成AIが出したルールをそのまま使っていいですか？

そのまま使うのは避けたほうがよいです。AIの案はあくまでたたき台であり、自社の顧客理解や営業の実感を加えて調整することで、はじめて現場で機能します。AIは設計を速くする道具、判断は人が担う、という役割分担が大切です。

まとめ

リードスコアリングに生成AIを活かす要点は、勘に頼ったルールから、データとAIに支えられた仕組みへ移行することです。予測スコアリングで受注しやすい特徴を自動で学び、生成AIでルール設計や検証を助け、MAと連携してメールの出し分けまでつなげる。そして営業と基準を共有し、育てていく。まずは、シンプルなスコアで運用を始め、生成AIを設計の相棒にするところから取り組んでみてください。

※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。