リードリスト整備をAIで進める5つの工程｜名寄せと更新をラクに

月曜の朝、営業部から気まずい連絡が入ります。「A社の部長から、おたくから同じ案内が二通来ていると言われたんだけど」——調べてみると、リストには「株式会社アーク製作所」と「（株）アーク製作所」が別々の企業として登録され、別々の担当者がそれぞれメールを送っていました。どちらの表記も間違いではないのに、システムの上では他人同士。この手の事故は、リストの重複と表記ゆれが引き起こす典型例で、どの会社でも起こり得ます。本記事では、生成AIと無料の公的データを組み合わせて、名寄せ・表記統一・鮮度維持を仕組み化する方法を、実際の作業工程の順番に沿って解説します。

「同じ会社に二通のメール」はこうして起きる

冒頭のような事故の根っこには、リードの入口が複数あるという構造があります。展示会の名刺、Webフォームの入力、営業の手入力、購入リストの取り込み——それぞれの経路で同じ会社が別の表記のまま登録され、同一企業を判定する共通のキーがないために、システムは別の会社として扱い続けます。法人格の位置（株式会社が前か後か）、略記（（株））、全角と半角、旧社名。表記の組み合わせは膨大で、目視の突き合わせでは追い切れません。

実害は二重メールの気まずさだけではありません。同じ企業への重複アプローチは営業間の衝突を生み、企業単位の集計が狂えば、どの業界に注力すべきかという判断まで誤らせます。そして最も深刻なのは、現場がリストを信用しなくなることです。当てにならないと分かったリストは使われなくなり、各自の記憶と個人メモで動く属人的な営業へ逆戻りします。リストの汚れは、データ基盤への投資全体を無駄にする静かな損失なのです。

また、重複には企業単位と人単位の2つのレベルがあることも押さえておきましょう。同じ会社の同一人物が展示会とWebフォームから二重登録される人単位の重複と、表記ゆれで同じ会社が複数レコードに分かれる企業単位の重複では、突き合わせに使う手がかりが違います。前者はメールアドレスの一致で比較的見つけやすい一方、後者は会社名の正規化なしには検出できません。どちらのレベルの重複が多いのかを切り分けることが、後の工程の設計に直結します。

リストは黙っていても年2割が古びる

リストの劣化は、事故ではなく経年変化です。海外では、BtoBのコンタクトデータは月に約2.1%、年に換算して約22.5%が古びるという目安が広く引用されています。米国のMarketingSherpaの調査に基づくとされ、HubSpotなどが繰り返し紹介してきた数値です。海外の目安ではありますが、1万件のリストなら単純計算で年間2,250件前後が使えなくなっていく規模感は、日本の実務の肌感覚とも大きくは外れないはずです。

日本でも、春と秋の人事異動、転職、組織再編、社名変更と、リードの情報が古びる契機は年中あります。放置すれば配信エラーが積み上がり、エラーの多い送信元というレッテルはメールの到達性まで悪化させます。ここから導かれる結論は明快です。リスト整備は一度きりの大掃除ではなく、劣化の速度に合わせて回し続ける運用だということ。年2割という目安から逆算すれば、四半期ごとの定期メンテナンスは決して過剰ではありません。

劣化を放置したときの損失は、無駄なメールが数通増える程度では済みません。エラー率の高い配信を続ければ送信元ドメインの評価が下がり、生きている宛先への到達まで悪化します。営業がすでに存在しない部署へ電話をかけ続ける時間、古い属性のままMAのスコアリングが誤作動する影響、そして間違った相手に届いた案内が与える雑な印象——リストの劣化は、関わるすべての施策から少しずつ成果を目減りさせていきます。目に見える事故になる前の、見えない損失こそが劣化の本当のコストです。

整備は5つの工程で進める

闇雲に直し始めると、必ず途中で挫折します。リスト整備は診断→名寄せ→表記統一→属性補完→鮮度維持という5つの工程に分けて進めるのが定石です。それぞれの工程で、生成AIに任せられる部分と、人や公的データで確定すべき部分が異なります。全体像を先に押さえましょう。

順番にも意味があります。診断を飛ばすと投資判断ができず、名寄せの前に表記の正規化を挟まないと重複の検出率が落ちます。工程の後半ほど運用の色が濃くなり、前半ほど一括処理で片づく作業です。以降、工程ごとに深掘りします。

工程1：現状診断——汚れを数えてから手を付ける

最初にやるべきは、掃除ではなく計測です。手元のリストにどの種類の汚れがどれだけあるのかを数えると、かけるべき工数もツールの要否も判断できるようになります。診断の観点は次の4つです。

汚れの種類	調べ方の例	典型的な影響
重複登録	会社名の部分一致や電話番号の一致で候補を抽出	同一企業への二重アプローチ・件数の水増し
表記ゆれ	法人格の位置や全角半角の分布を集計	名寄せ不能・企業単位の集計が狂う
欠損	業種・役職・従業員規模など主要項目の空欄率	セグメント配信の対象から漏れ続ける
鮮度切れ	配信エラー率・最終更新日の分布	エラー増加・退職者宛ての見当違いの配信

診断結果は、そのまま社内説得の材料になります。「リードの何%が重複」「主要属性の何%が空欄」という数字があれば、整備にかける工数や有償データベースの導入を、感覚ではなく事実で議論できます。診断用の集計クエリや表計算の関数づくりは生成AIが得意とするところで、列の構成を伝えれば空欄率や重複候補の抽出方法をすぐに組み立ててくれます。数えてから、直す。この順番を崩さないことが、整備を完走させる第一の条件です。

なお、診断は全件を対象にする必要はありません。直近1年に獲得したリードや、主力の配信リストに絞ったサンプル診断でも、汚れの傾向は十分つかめます。大切なのは、重複率・空欄率・エラー率という診断指標を整備の前後で比較できる定点観測の数字にしておくことです。整備後に同じ物差しで測り直せば改善の効果を数字で示せますし、数カ月後に再測定すれば、自社のリストが汚れていく速度も見えてきます。診断は一度きりの検査ではなく、リスト運用の健康診断として定例化する価値があります。

工程2：名寄せ——確定のキーは法人番号に置く

名寄せで最も重要な設計判断は、何をもって「同じ会社」と確定するかです。ここで使えるのが、国税庁が国内の法人などに指定している13桁の法人番号です。国税庁の法人番号公表サイトでは、商号・所在地・法人番号の基本3情報が無料で公開されており、Web-APIやデータのダウンロードも提供されています。リストの各企業に法人番号を付与してしまえば、表記がどれだけ揺れていても、番号の一致だけで同一企業を機械的に判定できます。

これは名寄せの考え方の転換です。従来の名寄せは「文字列がどれだけ似ているか」で同一性を推し量るもので、似た社名の別会社を誤って統合する危険と常に隣り合わせでした。文字列の類似で推測するのではなく、公的なキーの一致で確定する方式に切り替えれば、判定の曖昧さそのものがなくなります。番号を付与する作業自体は、社名と所在地を手がかりに公表サイトのAPIで突き合わせる流れになり、その前処理として表記の正規化が効いてきます。

ただし、法人番号は万能ではありません。番号が指定されるのは法人などに限られるため、個人事業主のリードには使えず、海外企業も対象外です。こうした相手には、メールアドレスのドメインや電話番号といった別の手がかりを補助キーとして併用します。それでも、国内の法人が中心のBtoBリストであれば、大半のレコードを公的キーで確定できるはずです。キーで確定できる範囲を最大化し、確定できない範囲だけを人の判断に回す。この設計が、名寄せ全体の工数を最小にします。

変更履歴検索で旧社名・移転まで追いかける

法人番号公表サイトには、名寄せの精度をもう一段引き上げる機能があります。変更履歴の検索です。商号変更や本店移転の履歴を法人番号にひも付けて追えるため、リストに旧社名のまま残っているレコードを、現在の社名へ突き合わせることができます。数年前の展示会名刺から作ったリストに旧社名が眠っている、という状況はどの会社にもありますが、これを人手で調べるのは現実的ではありませんでした。

旧社名問題の実害は想像以上に大きいものです。合併や社名変更を経た企業へ旧社名のまま営業メールを送れば、「うちのことを何も調べていない」という印象を与え、最初の接点で信頼を失います。逆に、変更履歴の確認を定期メンテナンスに組み込んでおけば、社名変更をきっかけに「新体制のご状況はいかがですか」と接点を持ち直す攻めの使い方さえできます。公的データは掃除の道具であると同時に、変化を検知するセンサーにもなるのです。

変更履歴の確認は、頻度を決めて仕組みにしてしまいましょう。四半期メンテナンスの項目に「主要顧客と主要リードの法人番号を変更履歴で照会する」を加える、あるいはWeb-APIで自動照会する簡単なスクリプトを組む——ここまでできれば、社名変更の検知は担当者の記憶に頼らなくなります。スクリプトのたたき台づくりは生成AIの得意分野で、公表サイトのAPI仕様を伝えれば骨組みはすぐに用意できます。

生成AIの受け持ちは正規化と候補出しまで

では生成AIはどこで使うのか。答えは、法人番号を突き合わせる前の表記の正規化と、重複候補のグルーピングです。大規模言語モデルは表記の揺れに強く、法人格の統一や略記の展開といった整形を、ルールを示すだけで大量に処理できます。プロンプトの例を挙げます。

以下は営業リストの企業名欄の一覧です。
（企業名のリストを貼る）

ルール：
・法人格の表記（(株)・株式会社など）は「株式会社」に統一し、元の位置を保つ
・全角の英数字は半角に統一する
・前後の空白と機種依存文字を除去する

1. ルールに沿って正規化した一覧を出してください
2. 正規化後に同一企業とみられるグループを挙げてください
3. 同一かどうか判断に迷うものは「要確認」に分けてください

重要なのは、AIの出力を確定に使わないことです。言語モデルは、似た社名の別会社をもっともらしく同一と判定してしまうことがあり、統合や削除は取り消しの難しい操作です。AIは正規化と候補出しまで、確定は法人番号と人の確認でという役割分担を最初に決めておけば、AIの速度と公的キーの正確さを両取りできます。要確認に分類されたものだけ人が調べる運用にすると、確認作業は現実的な量に収まります。

実務でもう一つ注意したいのが、大量データを渡したときのAIの取りこぼしです。長いリストを一度に処理させると、行を飛ばしたり、頼んでいない修正を勝手に加えたりすることがあります。対策は単純で、処理前後の件数が一致しているかを毎回確認すること、そして数百件程度のかたまりに分割して処理することです。地味な検証ですが、この一手間を挟むかどうかで、整備したはずのリストに新しい欠損が生まれるという本末転倒の事故を防げます。

工程3：表記統一——ルールを文書にしてから一括変換

名寄せと並行して進めたいのが、リスト全体の表記統一です。ポイントは、変換作業より先に正とする表記ルールを文書化すること。法人格の表記と位置、全角半角、部署名の粒度（部までか課までか）、役職の書き方（部長・マネージャーの対応関係）などを1枚のルール表にまとめます。ルールが文書になっていれば、AIへの指示も再現可能になり、担当者が代わっても同じ品質で変換できます。

実際の変換は、ルール表をそのままプロンプトに含めて生成AIに一括処理させ、変換結果の差分を人が確認して反映します。手作業なら数日がかりの作業が大きく圧縮されます。効果は検索性の向上にとどまりません。表記がそろってはじめて、企業単位の集計、MAのセグメント条件、営業支援ツールの重複チェックが設計どおりに動き始めます。表記統一はデータベース全体の機能を回復させる基礎工事だと考えてください。

ルール表には、迷いやすい具体例を載せておくと運用が安定します。英字社名の大文字小文字、旧字体と新字体、支店・営業所の扱い、姓と名の分割——判断が割れた事例をそのままルール表へ追記していく運用にすると、ルール表は使うほど賢くなります。生成AIへの指示も、この事例集をそのまま渡せば精度が上がります。表記ルールは一度作って終わりの文書ではなく、整備のたびに育てる自社の辞書だと考えてください。

工程4：属性補完——gBizINFOと推定の使い分け

業種・従業員規模・資本金などの属性が空欄のリードは、セグメント配信の条件に一致せず、実質的に存在しないのと同じです。補完の第一候補は、経済産業省が運営するgBizINFOです。法人番号をキーに500万社以上の法人情報がまとめられており、基本情報のほか財務・特許・補助金の取得状況などをREST APIで参照できます。工程2で法人番号を付与してあれば、公的データによる補完はほぼ機械的に進められます。

公的データで埋まらない項目は、生成AIによる推定で補うこともできますが、扱いには線引きが必要です。推定した属性は推定であることが分かるフラグ付きで保持し、確定値と混ぜないこと。そして、すべての空欄を埋めようとせず、直近のセグメント配信で条件に使う属性から優先的に補完することです。推定値はあくまで暫定の道具で、商談前の企業調査など重要な場面では一次情報で確認し直す前提で使います。

有償の企業データベースを使う目安

整備の規模が大きくなると、有償サービスの検討も視野に入ります。国内には、ユーソナー社の企業データベースLBC（約820万拠点、2023年8月時点の自社発表）のような大規模データや、名刺管理から企業情報の統合まで担うサービス群があり、リストとの自動突合や属性の自動付与まで提供されています。人手とAIの組み合わせで回らない規模なら、こうした専門サービスに乗せるほうが総コストは下がることがあります。

判断の目安は3つです。第一にリストの件数と更新頻度。数万件を毎月更新するような運用は、手作業の延長では持ちません。第二にMAやCRMとの連携要件。リアルタイムに近い突合が要るなら専用サービスの領域です。第三に社内の体制。まずは無料の法人番号とgBizINFOで工程を一巡させ、限界を実感してから有償を検討するのが失敗しない順番です。工程を経験していれば、有償サービスの評価も具体的にできます。

比較検討の際は、収録件数の大きさだけでなく、更新の頻度と情報の出どころを確認しましょう。リスト整備の文脈では、数が多いことより、異動や社名変更がどれだけ早く反映されるかのほうが効きます。無料の公的データで工程を一巡した経験があれば、「自社はどの工程のどの作業を買いたいのか」という要件が言語化できているはずです。要件が明確なら、営業トークではなく自社の基準でサービスを選べます。

工程5：鮮度維持——会社の変化と人の変化を分けて追う

最後の工程は、きれいになったリストを保つ運用です。ここで押さえたいのは、リードの劣化には会社の変化と人の変化という2種類があることです。社名変更・移転・合併といった会社の変化は、法人番号と変更履歴という公的キーで機械的に追跡できます。一方、担当者の異動や転職という人の変化には公的なキーが存在せず、仕組みだけで完全に解決することはできません。

だからこそ、人の変化は検知の網を張って拾います。配信エラーや宛先不明の返信は最も確実なシグナルです。営業やインサイドセールスが商談の中で得た「担当が変わったらしい」という気づきをリストへ戻す報告ルートも欠かせません。会社の変化はキーで自動追跡、人の変化は検知と還流で補足。この二本立てを、四半期ごとの定期メンテナンスと週次のエラー反映という頻度に落とし込めば、鮮度維持は根性論ではなく運用になります。

エラーの処理では、恒久的なエラーと一時的なエラーを分けて扱うのが基本です。宛先が存在しないことを示す恒久的なエラーは即座に配信対象から外し、受信サーバーの一時的な不調によるエラーは経過を観察してから判断します。この分類は多くの配信ツールが自動で行ってくれるため、リスト側へ反映する運用だけ決めれば回ります。エラーは削除ではなく状態の記録として残すようにすると、後から取引が復活した企業の履歴も追え、リストが資産として厚くなっていきます。

個人情報保護委員会が示した2つの確認点

外部の生成AIサービスにリストを渡す場面では、個人情報保護法への配慮が欠かせません。参照すべき一次情報は、個人情報保護委員会が2023年6月2日に公表した「生成AIサービスの利用に関する注意喚起」です。事業者向けのポイントは大きく2つ。第一に、個人情報を含むプロンプトの入力が、あらかじめ特定した利用目的の範囲内かを確認すること。第二に、本人の同意なく個人データを入力し、それが応答結果の出力以外の目的（モデルの学習など）で取り扱われる場合、法違反となる可能性があるため、学習に利用されないことを確認することです。

注目すべきは、この注意喚起が生成AIの利用を禁じるものではなく、確認すべき2点を示す構造になっていることです。つまり、利用目的の範囲を確かめ、入力データが学習に使われない設定やプランを選べば、個人データを扱う業務でも生成AIを使う道は残されています。逆に言えば、この2点を確認しないまま現場任せで使い始めることが、最も避けるべき状態です。社内ルールをこの2点に沿って明文化しておきましょう。

なお、この注意喚起は個人情報の観点ですが、リストには営業秘密や守秘義務という別の観点も付きまといます。取引状況や商談メモなど、契約上の秘密に当たる情報が列として付随していることがあるからです。個人情報保護法の確認と併せて、秘密保持契約に反する持ち出しにならないかも点検項目に加えてください。法律・契約・社内規程という3つのレンズで見て問題がなければ、外部AIの利用は堂々と進められます。

外部AIに渡してよい情報の線引き

注意喚起を実務に落とすと、線引きはかなり明快になります。鍵は、リスト整備の大半は個人情報なしで実行できるという事実です。名寄せ・表記統一・属性補完の対象は会社名・所在地・部署名といった企業情報であり、氏名・メールアドレス・電話番号を外部AIに渡す必要はほとんどありません。作業用に列を絞った抽出ファイルを作り、個人を特定できる列を最初から含めない設計にすれば、リスクの大部分は入口で断てます。

• 氏名・メールアドレス・電話番号の列は、外部AIに渡す作業ファイルから最初から除外する
• 入力データが学習に利用されない設定・契約（法人向けプラン等）であることを確認する
• 個人情報を含む処理が避けられない場合は、利用目的の範囲内かを管理部門と確認する
• 作業用に書き出したファイルの保存場所と削除期限をルール化しておく

この線引きは、一度文書にしてチームで共有してこそ機能します。「会社情報だけなら渡してよい、個人情報の列は渡さない、迷ったら管理部門へ」という3行のルールがあるだけで、現場の判断は安定します。効率化の道具を安心して使うための投資として、線引きの明文化を整備プロジェクトの初日に済ませておくことをおすすめします。

どうしても個人情報を含む処理が必要になった場合は、手段を選ぶ順番を決めておきます。まず、入力データが学習に利用されない契約形態の法人向けサービスやAPI利用を選ぶこと。次に、氏名を通し番号に置き換えるなど、個人を特定できない形への加工を検討すること。それでも残る処理は、利用目的との整合を管理部門と確認してから進めます。例外時の手順まで決まっていれば、現場は迷いなく、かつ安全に動けます。

入口を整えて新しい汚れを防ぐ

たまった汚れの掃除と同じくらい効くのが、入口での汚れの防止です。Webフォームは業種や役職を自由記述ではなく選択式にする、会社名の入力欄に記入例を添える、リストの取り込み時には正規化と重複チェックを通してから登録する。入口の設計しだいで、これから発生する汚れの量は大きく変わります。展示会名刺の一括取り込みも、生成AIでの正規化を通してから登録する流れを標準にしましょう。

さらに一歩進めるなら、新規リードの登録時に法人番号の付与まで済ませてしまう方法があります。入口でキーが付いていれば、後工程の名寄せは発生する前に解決されます。入口で防ぎ、たまった分は定期で掃除する。この両輪がそろうと、リストはきれいな状態で安定し、整備にかける労力そのものが減っていきます。掃除の頻度を上げるより、汚れの発生源を断つほうが、長期的にはずっと安上がりです。

入口対策の効果は、診断指標の推移で確かめられます。対策の前後で新規リードの重複率や空欄率を比べれば、フォーム改修や取り込みフローの見直しがどれだけ効いたかが数字で見えます。効果が数字で示せれば、営業やシステム部門など関係部署の協力も得やすくなります。リスト整備は一部署の善意では続きません。数字を共通言語にして、入口に関わる全部署を巻き込むことが、仕組みとして定着させる近道です。

やりがちな失敗と回避

リスト整備の失敗には、はっきりしたパターンがあります。いずれも「急がば回れ」を省略したときに起きるもので、あらかじめ知っていれば避けられるものばかりです。特に最初の2つは、整備プロジェクトそのものを頓挫させる致命傷になりがちです。自社の計画に当てはまるものがないか、着手前に確認してください。

• AIの名寄せ判定をそのまま確定に使う：似た社名の別会社を統合する、取り返しのつかない事故につながる
• 診断を飛ばして掃除から始める：工数の見積もりが立たず、途中で力尽きて中途半端に終わる
• 個人情報の列を含んだまま外部AIへ渡す：利用目的と学習利用の2点確認を欠くと法違反のリスクがある
• 一度の大掃除で満足する：年2割の劣化速度により、数年で元の汚れたリストに戻る

まとめ

本記事では、リードリストの整備を診断・名寄せ・表記統一・属性補完・鮮度維持の5工程に分けて解説しました。核になる考え方は、正規化と候補出しは生成AIに任せ、同一企業の確定は法人番号という公的キーで行うこと、そして外部AIへ渡す前に利用目的と学習利用の2点を確認することです。リストは年2割が古びる消耗品であり、整備は一度きりの掃除ではなく運用です。診断の数字が出れば、整備は感覚論から投資判断へ変わります。まずは重複率と空欄率を数える現状診断から、今週の予定に組み込んでみてください。

※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。