売上予測の3つの手法とAIの使いどころ｜見通しで先手を打つ

営業組織の売上予測は、実際どれくらい当たっているのでしょうか。海外の調査では、売上予測の精度は中央値で70〜79％にとどまり、自社の予測に強い自信を持つ営業リーダーは半数に満たないと報告されています。一方で、予測が正確な企業はそうでない企業より増収を実現しやすいという分析もあります。つまり売上予測は、多くの組織にとってまだ伸びしろの大きい領域です。生成AIの普及で、統計の専門家がいなくても、データに基づいた予測を手元で回せる環境が整ってきました。本記事では、予測手法を3つの系統に整理し、自社に合う選び方と始め方を解説します。

売上予測はどれくらい当たっているのか——データで見る現在地

冒頭の数字をもう少し見てみましょう。海外の調査会社の報告によると、営業組織の予測精度は中央値で70〜79％。つまり平均的な組織では、四半期の見通しが2〜3割ずれている計算です。さらに、自社のフォーキャストに強い自信を持つ営業リーダーは半数未満とされ、予測は存在するのに、意思決定の場で信じられていないのが多くの組織の実態といえます。

一方で、予測の精度は業績と無関係ではありません。予測が正確な企業は前年比での増収を実現する可能性が高く、目標達成率も高い傾向があるという分析が報告されています。理由は単純で、見通しが正確なら、未達の兆候に早く気づいて打ち手を選ぶ時間が生まれるからです。予測の精度は、そのまま打ち手の早さに変わる。これが売上予測に投資する意味です。

目指す水準の目安も、海外の解説では語られています。BtoBの営業組織では予測精度85％で優秀な部類、90〜95％がトップクラスの目標値とされ、実際には多くの企業が80％台前半に落ち着くようです。完璧を目指す必要はありませんが、中央値の70％台から80％台へ引き上げるだけでも、予算配分や人員計画といった予測に依存する意思決定は目に見えて安定します。まずは自社の予実差を測り、現在地を知ることが改善の第一歩です。

予測が信頼されない組織では、目に見えないコストも発生します。会議のたびに「本当のところはどうなんだ」と数字の作り直しが指示され、担当者は説明資料の再作成に追われる。期中の下方修正が繰り返されると、経営は営業から上がってくる数字の全般を割り引いて見るようになり、予算や人員の要求も通りにくくなります。予測の精度は、部門の発言力にも直結するのです。逆にいえば、精度への投資は社内での信頼への投資でもあります。

予測手法は3系統——見ているものがそれぞれ違う

売上予測の手法は、大きく3つの系統に整理できます。1つめはパイプライン積み上げで、現在の商談から積み上げるボトムアップ型。2つめは時系列・統計モデルで、過去の実績の規則性から引くトップダウン型。3つめはAIによる予測で、商談や活動の多くの要因から学習して推定する型です。どれが優れているかではなく、見ているものが違うのがポイントです。

積み上げは「いま目の前にある商談」を、時系列は「毎年繰り返される規則性」を、AIは「人が気づかないパターン」を見ています。だからこそ実務では、どれか1つを選ぶのではなく、軸を1つ決めて別の手法で検算する組み合わせが現実的です。次の章から、各手法の得意と限界を順に見ていきます。

なお、この記事でいう「AI予測」と「生成AIの活用」は区別しておきます。AI予測は、機械学習モデルが数字そのものを推定する手法の名前です。一方、対話型の生成AIは、3つの手法すべての実行を助ける横串の道具——集計の自動化、季節性の分析、シナリオの文章化——として働きます。つまり、予測専用のAI製品を導入しなくても、生成AIがあれば3手法の運用は大きく軽くなります。この関係を押さえておくと、ツール選定の議論が混乱しません。

手法1：パイプライン積み上げ——商談から積むボトムアップ

BtoBの売上予測の土台は、パイプラインの積み上げです。商談を段階別に並べ、金額に段階ごとの受注率を掛けた期待値を合計します。提案段階の商談500万円に受注率40％なら期待値200万円、という計算をパイプライン全体で行うものです。最大の強みは根拠を商談単位でさかのぼれること。予測が下振れしたとき、どの段階のどの商談が想定どおり進まなかったのかを特定できます。

弱みは、受注率の設定が担当者の主観に寄りやすいこと、そしてパイプラインにまだ入っていない売上は見えないことです。商談化までのリードタイムより先の期間は、この手法だけでは予測できません。生成AIには、商談リストを渡して段階別の期待値集計や先月からの変化の整理を任せると、毎週の更新が数分で済むようになります。

積み上げ精度の鍵は、受注率の決め方にあります。おすすめは、過去4四半期の段階別の実績——各段階に入った商談のうち、最終的に何割が受注したか——から機械的に計算し、担当者の主観的な確度とは分けて管理することです。主観確度は商談個別の事情を映す参考値として残しつつ、予測の計算には実績由来の率を使う。この二本立てにすると、「今回はいけると思います」という楽観が、数字に紛れ込みにくくなります。

もう1つの前提が、データの鮮度です。積み上げ予測は「今この瞬間のパイプライン」を写す手法なので、商談情報が1カ月前のまま更新されていなければ、予測も1カ月前の写真にすぎません。週次での更新をルールにし、更新されていない商談は予測から外すか、要確認の印を付けて別枠にする。鮮度の落ちたデータでは計算しないという規律が、この手法の信頼性を支えます。SFAの更新徹底は営業マネジメントの仕事ですが、その必要性を数字で示せるのは予測の運用者です。

手法2：時系列・統計モデル——規則性から引くトップダウン

2つめの系統は、月次売上の推移から将来を引く時系列・統計の手法です。移動平均や季節分解といった古典的な手法は、表計算ソフトでも実行できます。強みは季節性と趨勢の把握です。期末の駆け込み、連休の停滞、業界特有の繁忙期——BtoBでも毎年繰り返される波は多く、これを織り込むだけで「毎回同じ場所で外れる」予測から抜け出せます。

弱みは、過去にない変化に対応できないことです。値上げ、市場の急変、例外的な大型案件は、過去の規則性の外にあります。また、個別の商談事情は一切見えないため、商談数が少なく1件の影響が大きい事業には向きません。季節性を安定して分離するには24カ月以上の月次実績があることが望ましく、継続課金型や取引件数の多い事業ほど力を発揮します。

実行のハードルは、生成AIの登場で大きく下がりました。月次実績を渡せば、移動平均での平滑化や、季節性と趨勢の分解を、計算の手順ごと提示しながら実行してくれます。その際のコツは、営業日数や大型連休の位置を月ごとの注記として添えることです。同じ月でも営業日が2日違えば売上は数％変わりますし、連休の位置は年によってずれます。カレンダー要因を補正するだけで、時系列予測の見え方はかなり整います。

手法3：AI予測——機械学習と時系列基盤モデルの現在地

3つめの系統がAIによる予測です。SFAに搭載される機械学習型は、過去の受注・失注パターン、商談の進行速度、営業活動の量といった多くの要因から受注確度を推定します。担当者の楽観・悲観という主観バイアスを補正できるのが持ち味で、人の「いけそうです」を数字で検算する役割を果たします。

2025年後半には、大量の時系列データで事前学習した「時系列基盤モデル」と呼ばれる汎用予測モデルの新版を、Amazon・Google・Salesforceが相次いで公開するなど、技術の更新も続いています。ただし、追試では古典的な統計モデルの組み合わせが基盤モデルの精度を上回ったという報告もあり、どんな場面でも最強という予測手法は存在しないのが現在地です。事前学習と似たパターンには強い一方、環境が急変する局面では大きく外すという指摘もあり、検算とセットで使うのが前提になります。

SFA搭載型のAI予測が何を見ているかも知っておきましょう。解説によれば、過去の受注・失注のパターン、商談が各段階を通過する速度、メールやコールといった活動量の変化、さらに担当者ごとの予測の癖までを学習し、フォーキャストを補正するとされています。「進みの遅い商談は落ちやすい」「この担当者の見立ては強気に出やすい」といった、営業マネージャーの経験則をデータで裏づけて運用に載せたもの、と考えると仕組みがつかみやすいはずです。

3手法の比較と選び方

ここまでの3手法を整理すると、次のようになります。

手法	得意なこと	必要なデータ	弱点
パイプライン積み上げ	短期予測と原因の特定	商談の段階・金額・受注率	受注率が主観に寄る・視野が短期
時系列・統計	季節性と趨勢の把握	24カ月以上の月次実績	過去にない変化に弱い
AI予測	多要因の学習と主観の補正	蓄積された商談・活動データ	データ品質に依存・根拠を説明しにくい

選び方の目安は事業モデルです。商談型のBtoBなら積み上げを軸に、時系列で季節性を検算する。継続課金型なら時系列を軸に、解約や拡張の要因を補う。SFAに商談データの蓄積があるならAI予測を重ねて主観を補正する。軸を1つ決めて、別の手法で検算する——単一手法の1つの数字だけを信じることが、最も危険な選択です。

SFAのAI予測機能という選択肢

すでにSFA・CRMを使っているなら、内蔵のAI予測機能が最短の選択肢になります。SalesforceのEinstein売上予測や、HubSpotのAIによる予測補助のように、過去の商談パターンや担当者ごとの予測の癖を学習してフォーキャストを補正する機能の搭載が進んでいます。追加のツール選定なしに試せるのが利点です。

ただし前提があります。商談データの入力が整っていることです。ステージの定義が人によって違う、更新が月末にまとめて行われる、失注理由が空欄——この状態では、AIは間違ったパターンを学びます。機能を有効化する前に、ステージ定義の統一と更新ルールの整備を済ませる。地味ですが、この順番を守るかどうかで結果がまったく変わります。

提供のされ方としては、AIの予測値を、人が提出したフォーキャストと並べて比較できる形が主流になりつつあります。AIが人を置き換えるのではなく、人の見立てとAIの推定のずれが大きい商談を洗い出し、そこを重点的に確認するという使い方です。ずれの理由を説明できない商談にこそ、リスクや誤登録が潜んでいるものです。この運用が回り始めると、フォーキャスト会議が「数字の読み上げ」から「ずれの検討」に変わり、会議の質が上がります。

生成AIで始める最小構成の予測

専用ツールがなくても、生成AIと手元のデータで予測は始められます。手順は次の4ステップです。

プロンプトは次の形が出発点になります。

売上予測のたたき台を作ってください。
月次売上：{24カ月分}／商談リスト：{段階・金額・想定受注率}
(1)売上の傾向と季節性
(2)パイプラインの段階別期待値
(3)来四半期の楽観・中位・悲観の3シナリオ（前提を明記）
(4)この予測の弱点として注意すべき点
を整理してください。

渡すデータには、大型案件や値上げといった特殊要因を注記してください。注記がないと、AIは一時的な山を「毎年の規則性」と読み違えます。

運用に載せるときは、毎回同じ形式・同じプロンプト・新しい会話で回すのがコツです。形式が同じなら先月との差分が見えやすく、会話を毎回新規にすることで、前回のやり取りに引きずられたバイアスを避けられます。分析結果は日付と前提つきで保存しておきましょう。この保存の積み重ねが、後述する「外れたときの振り返り」の材料にそのままなります。予測は1回の分析ではなく、記録が資産になる定期運用です。

機密面の扱いも、最初に決めておきましょう。顧客名は記号（A社・B社）に置き換え、社名と紐づく形では金額を渡さない。この程度の匿名化なら分析の質はほとんど落ちません。社内にAI利用のルールがあるなら、売上データを渡してよい範囲を予測の運用開始前に確認しておくと、後から運用を止めずに済みます。

予測に幅を持たせる——楽観・中位・悲観

予測を1つの数字で示すのは、当たるか外れるかの賭けと同じです。実務では楽観・中位・悲観の3シナリオで幅を持たせます。幅があれば、外れたときも「どちらに振れたか」として扱え、次の判断につなげられます。シナリオには、前提と打ち手をセットで書いておきます。

シナリオ	前提の例	事前に決めておく打ち手
楽観	大型案件を受注し市況も好調	納品体制と人員を前倒しで確保
中位	パイプラインが平常どおり進行	計画どおりの施策を実行
悲観	大型案件が失注し商談化率も低下	リード獲得の強化と費用の抑制

あわせて決めたいのが、シナリオの分かれ目になるトリガーです。「A社案件の受注可否」「月間リード数が基準を割るか」のように分岐条件を明文化しておけば、月中でもどのシナリオへ向かっているかを判定でき、打ち手の発動を予測の更新を待たずに判断できます。

パイプラインの厚みを測る補助線として、目標に対するパイプライン総額の倍率（カバレッジ）も使われます。目標の3倍程度という経験則が語られることもありますが、適正値は自社の受注率次第です。受注率が25％なら4倍必要、50％なら2倍で足りる、という具合に自社の実績から逆算してください。カバレッジが基準を割り始めたら、悲観シナリオに近づいている早期警報——そんな使い方ができる、シンプルで強力な指標です。

シナリオの数は3つで十分です。5つも6つも作ると、前提の管理も打ち手の準備も追いつかず、運用が確実に崩れます。余力があれば、各シナリオに主観的な確率——中位60％、悲観25％、楽観15％のように——を添えてみてください。厳密な確率である必要はありません。「悲観の目が4分の1もあるのか」という感覚がチームで共有されるだけでも、打ち手の準備を始めるタイミングは目に見えて早くなります。

マーケ指標と接続する——先行指標で早くつかむ

売上は突然生まれるのではなく、リード獲得→商談化→受注という流れの結果です。つまり、上流の指標の変化は数カ月遅れて売上に現れます。今月のリード数の落ち込みは、リードタイムが3カ月なら3カ月後の売上減の予告です。この時間差をつかむことが、予測を「先手の道具」に変える鍵になります。

生成AIにリード数・商談数・売上の推移を渡し、時間のずれを含めた関係の分析をさせると、自社のファネルでどの指標が何カ月先の売上に効いているかの見当がつきます。マーケにとっては、自分たちの施策が将来の売上にどうつながるかを数字で語れるようになるということです。予測はマーケと営業の共通言語になる——この効果は精度の向上と同じくらい大きな価値があります。

この接続は、逆方向にも使えます。来期の売上目標から出発し、受注率で割って必要な商談数を、商談化率で割って必要なリード数を逆算していく——いわゆる目標のブレイクダウンです。予測（今のままだとどうなるか）と逆算（目標にはいくつ必要か）を並べると、差分が具体的な数字になります。「このままだとリードが月20件足りない」という水準まで落とし込めれば、マーケ施策の優先順位の議論は一気に実務的になります。

小売の需要予測に学ぶ——予測を業務に埋め込む

予測の活用が最も進んでいる業界の1つが小売です。ファミリーマートは2025年6月末からAIによる発注推奨の運用を開始し、発注業務が1店舗あたり週6時間削減されたと報告されています。スーパーマーケットのバローでは、人流や気象データを使った来店客数予測の精度が93％に達し、惣菜部門の利益が約5％増、発注作業時間が27％減という報告もあります。回転寿司チェーンが需要予測で廃棄を大幅に削減した事例も知られています。

これらの事例に共通するのは、予測を参考情報ではなく業務フローに埋め込んだことです。予測がそのまま発注や仕込みという行動に接続しているから、成果が数字になります。売上予測も同じです。眺めるだけのレポートで終わらせず、シナリオ別の打ち手や予算配分の判断に直結させて、初めて投資に見合う価値が出ます。

予測の「使い道の広げ方」にも学べる点があります。コンビニ大手のローソンでは、AIが発注数の推奨と値引きの推奨を組み合わせて提示する仕組みの導入が2024年に報じられており、廃棄の削減と利益の確保を同時に狙う設計になっています。予測を単独の数字として使うのではなく、複数の判断をつなぐ基盤にする発想です。BtoBに置き換えれば、売上予測をリード獲得目標・広告予算・さらには採用計画にまで接続していく、ということになります。

データ品質が精度を決める——パイプラインの衛生管理

海外の報告では、CRMデータの衛生管理（ハイジーン）を改善した企業は予測精度を大きく高められるとされ、3割程度の改善に言及する調査もあります。具体的には、商談ステージの定義を全員でそろえる、更新の期限を決める、失注理由の入力を必須にする、といった地道なルールづくりです。AIを含むどの手法も、入力データ以上の精度は出せません。

特に注意したいのが、動きのない商談が残り続ける「パイプラインの膨張」です。死に案件が積み上がると、積み上げ予測は常に楽観側へ歪みます。四半期ごとに棚卸しを行い、一定期間動きのない商談を整理する。予測の改善はデータ整備からという順番は、どれだけAIが進化しても変わりません。

外れたときの振り返り——予実差を記録して前提を直す

予測は必ず外れます。重要なのは、外れたときに外れ幅と原因を記録することです。予測時の前提（受注率、季節性の想定、特殊要因）を書き残しておけば、実績が出た後に「どの前提がずれたのか」を特定できます。受注率が甘かったのか、想定外の失注か、季節性の読み違いか——原因が分かれば、次の予測で同じ外れ方を防げます。

この振り返りにも生成AIが使えます。予測時の前提と実績を渡してずれの整理をさせると、毎月の振り返りが短時間で回ります。続けるうちに、自社の外れ方の癖——楽観に寄りやすい、期末の駆け込みを読み違えやすい——が見えてきます。外れ方の記録こそ、予測精度を上げる一番の教材です。

振り返りを組織の習慣にするなら、フォーキャスト会議の冒頭に前回予測の答え合わせを組み込むのが効果的です。海外では、予測の振り返り指導を営業プロセスに組み込んだ企業で精度が向上したという報告もあります。精度の測り方は、実績と予測の差を実績で割るだけの簡単な式で十分です。チームの予実差を毎月数字にして掲示するだけで、「予測は出しっぱなし」という文化は少しずつ変わっていきます。

AI予測の限界と注意点

AIによる予測は便利ですが、本質的には過去データの延長です。前例のない変化は捉えられず、基盤モデルの検証でも環境の急変時に大きく外すという指摘があります。次の点を守って使いましょう。

• AIの予測は仮説として扱い、重要な経営判断の唯一の根拠にしない
• 予測の前提（受注率・期間・データ範囲・特殊要因）を必ず記録し、後から検証できるようにする
• 顧客名や金額など機密データの扱いは、社内のAI利用ルールに従う
• 市況や制度の大きな変化があったときは、過去データ由来の予測をまず疑う

限界を知って使う分には、AIは予測の民主化と呼べるほど強力な道具です。恐れず、しかし鵜呑みにせず、が距離感の基本です。

もう1つの注意は、生成AIの計算そのものの検証です。生成AIは計算の手順をもっともらしく説明しながら、途中の数値を取り違えることがあります。期待値の合計や成長率の計算は、表計算ソフトでの検算を習慣にしましょう。最近は、分析用のコードを書かせて実行結果ごと確認できる環境も増えており、口頭の計算より確実です。数字を扱う以上、検算までがAI活用の作法だと考えてください。検算の習慣が、予測への信頼を静かに支えます。

やりがちな失敗と回避

売上予測でつまずきやすい典型的なパターンです。手法選びと運用の両面で先回りしておきましょう。

• 単一の数字だけで予測する：外れた瞬間に信頼を失い、予測そのものが使われなくなる
• 1つの手法を盲信する：積み上げだけでは長期が、時系列だけでは急変が見えず、死角がそのまま残る
• データを整備せずAI機能だけ有効化する：乱れた入力からAIが間違ったパターンを学び、精度が出ない
• 外れた原因を振り返らない：同じ外れ方を繰り返し、いつまでも予測が育たない

いずれも、予測を「一度作って終わりの成果物」と捉えることから生まれます。予測は毎月育てる運用そのものです。

もう1つ付け加えるなら、予測の担当を1人に固定して属人化させるのも危険です。作った本人しか前提を知らない予測は、異動や退職とともに一瞬で失われます。前提の記録・データの形式・プロンプトをチームの共有資産にしておけば、誰が引き継いでも同じ品質で更新でき、予測が個人の技ではなく組織の仕組みとして残ります。

よくある質問

データが少なくても売上予測はできますか？

できます。商談リストさえあれば、パイプライン積み上げは今日から始められます。月次実績が12カ月程度でも、傾向の把握には十分役立ちます。データが少ないうちはシナリオの幅を広めに取り、実績がたまるにつれて幅を絞っていくのが現実的です。少ないなりに始めて記録を残すことが、将来の精度への一番の投資になります。

予測のためにどんなデータを用意すればよいですか？

最初にそろえるのは、月次売上の実績、商談の段階別リスト、リード数と商談化率の3点です。ツールが分かれていても、表計算ソフトに集約すれば生成AIで分析できます。大切なのは量より、粒度と期間をそろえることです。大型案件や値上げなどの特殊要因には必ず注記を添えて渡しましょう。

専用の予測ツールと生成AI、どちらから始めるべきですか？

予測の習慣がまだない段階なら、生成AIから始めるのがおすすめです。分析の根拠を対話で確かめながら進められ、コストもほぼかかりません。毎週の更新が定着し、対象が増えて手作業が追いつかなくなったら、SFA内蔵のAI予測や専用ツールを検討する順番が無理のない進め方です。

まとめ

予測精度の中央値は70〜79％という調査が示すとおり、売上予測には多くの組織でまだ大きな伸びしろがあります。パイプライン積み上げ・時系列・AIの3手法から軸を決めて検算を重ね、楽観・中位・悲観の幅とシナリオ別の打ち手まで用意する。データ品質の整備と外れ方の記録が、予測を毎月育てていきます。まずは月次売上24カ月分と商談リストをそろえ、生成AIと一緒に最初の3シナリオを作るところから始めてみてください。

※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。