リードスコアリングに生成AIを活かす方法

「問い合わせは来るが、どのリードから営業に渡すべきか判断がつかない」「営業から『確度の低いリードばかり回ってくる』と言われる」——BtoBマーケでよくある悩みです。リードに点数をつけて商談化の優先度を見える化するのがリードスコアリングであり、マーケと営業の連携を左右する重要な設計です。本記事では、リードスコアリングに生成AIを活かす方法を、点数設計からMAツールへの実装まで解説します。

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つけ、商談化の見込みが高い順に優先度を判断する仕組みです。全リードに均等に営業をかけるのは非効率なため、点数の高いリードから優先的にアプローチすることで、限られた営業リソースを成果につながりやすい相手に集中できます。マーケが集めたリードを営業に渡すときの「共通の物差し」にもなります。

スコアリングの目的は、MQL（マーケが育てて営業に渡せると判断したリード）を定義することにあります。何点を超えたら営業に渡すのか、という基準を数値で持つことで、「なんとなく良さそう」という主観から脱却できます。マーケと営業が同じ基準を共有できれば、両部門の連携がスムーズになります。

スコアは属性と行動の2軸で設計する

リードスコアリングは、大きく属性スコア（フィット）と行動スコア（エンゲージメント／意欲）の2つの軸で設計するのが定石です。属性は「そもそも自社の顧客像に合っているか」を、行動は「どれくらい関心を示しているか」を表します。この2軸を別々に管理し、最後に合算して優先度を決めます。両方が高いリードが最優先です。

軸	スコアリング対象の例
属性（フィット）	役職・部署、業種、従業員規模、地域
行動（意欲・加点）	料金ページ閲覧、資料DL、デモ申込、メール開封
行動（減点）	配信停止、採用・学生ドメイン、長期間の無反応

重要なのは、マイナス点も設計することです。競合や学生、採用目的のアクセスなど、顧客になりにくい属性・行動には減点を入れます。加点だけだと、関心はあっても顧客にならない相手が上位に来てしまいます。

生成AIでスコアリング設計の初期案を作る

ゼロから点数設計をするのは負担が大きいため、生成AIに初期案を作らせます。「BtoB向けクラウド会計ソフトのリードスコアリングを設計したい。属性スコアと行動スコアに分け、それぞれの項目と配点案（合計100点満点）を表で提案して。マイナス点の項目も含めて」と依頼すると、たたき台が素早く得られます。自社で見落としがちな行動指標も補えます。

さらに「デモ申込は料金ページ閲覧の何倍の点数にすべきか、商談化への近さの観点で根拠とともに提案して」といった相談もできます。AIの案はあくまで出発点で、配点の重み付けは自社の過去の受注データと突き合わせて調整します。実際に受注した顧客がどんな行動を取っていたかが、最も信頼できる配点の根拠です。

MAツールにスコアリングを実装する

設計した点数は、HubSpotやMarketo、SATORIなどのMAツールに実装して自動採点させます。各ツールには、行動や属性の条件を満たしたら自動で加点・減点する機能があります。Marketoでは行動スコアと属性スコアを別々のフィールドで管理し、それぞれのトリガーで加点する設計が推奨されており、HubSpotでもポジティブ／ネガティブの条件を設定できます。

MQLの閾値を決めて営業と合意する

スコアの合計が何点を超えたら営業に渡すか、というMQLの閾値を決めます。多くのBtoBでは60〜100点の間に設定されますが、この数字は他社の真似でなく自社の実データから逆算すべきです。過去に受注したリードが商談化直前に何点だったかを調べ、その分布から閾値を決めると根拠のある基準になります。

閾値は必ず営業と合意して決めます。マーケが勝手に基準を決めると、「渡されたリードの質が低い」という不満につながります。渡した後、営業側が「実際に商談になったか」をフィードバックし、その結果をスコア設計に反映するループを作ることが、スコアリングを機能させる最大のポイントです。

データ品質とスコアの精度

リードスコアリングは、元になるデータが正確でなければ機能しません。役職や業種が未入力・誤入力のままだと、属性スコアが正しく計算されず、優先度を見誤ります。フォームの入力項目を絞って入力率を上げる、名寄せで重複を排除するといったデータ整備が、スコアリングの精度を支える土台になります。

データのクレンジングにもAIが使えます。「このリードリストのCSVで、役職名の表記ゆれ（例：部長／マネージャー／課長）を統一のカテゴリに分類して」と依頼すると、属性スコアの前処理が効率化できます。汚いデータのまま精緻なスコア設計をしても、出てくる点数は信頼できません。まずデータ、次にスコア設計という順序が重要です。

行動スコアには減衰を設ける

スコアリングで見落とされがちなのが、行動スコアの減衰（時間経過による減点）です。半年前に料金ページを見た人と昨日見た人を同じ点数で扱うと、優先度を見誤ります。関心が高いのは「今まさに動いている人」です。「30日反応がなければ行動スコアを一定割合下げる」といったルールを入れることで、スコアが今の熱量を反映するようになります。

MAツールのスコアリング設定では、この減衰も自動化できます。設計時にAIへ「BtoBのリードスコアで、行動スコアの減衰ルールをどう設計すべきか。商材の検討期間が長い前提で提案して」と相談すると、減衰の頻度や幅の考え方が整理できます。検討期間の長いBtoB商材では減衰を緩やかに、短い商材では速く、と商材特性に合わせて調整します。

運用しながらスコアを育てる

スコアリングは一度作って終わりではなく、受注・失注の実績を見ながら継続的に調整して育てるものです。高スコアなのに受注につながらない項目があれば配点を下げ、低スコアでも受注が多い行動があれば加点を見直します。市場や商品が変われば、効く行動も変わります。四半期ごとの見直しを習慣にするとよいでしょう。

見直しの際、蓄積したデータをAIに渡して「受注したリードと失注したリードで、行動パターンにどんな差があるか。スコア配点を見直すとしたらどの項目か」と分析させると、調整の方向性が見えます。最終的な配点判断は人が行いますが、大量データからの傾向抽出はAIが得意とする領域です。

まとめ

リードスコアリングは、属性と行動の2軸で点数を設計し、MAツールで自動採点し、営業と合意した閾値でMQLを定義することで、営業リソースを成果につながる相手に集中させる仕組みです。生成AIは設計の初期案作成・データ整備・受注傾向の分析を支えます。データ品質を土台に、受注実績でスコアを育て続けることが、マーケと営業の連携を強くする鍵になります。

※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。