予測分析

予測分析（よそくぶんせき）Predictive Analytics

予測分析とは、過去に蓄積したデータからパターンを学習し、これから起きる出来事の可能性を確率として示す分析手法のことです。「先月の売上はいくらだったか」を集計するのが従来の分析だとすれば、予測分析が答えるのは「この顧客は3か月以内に解約する可能性が高いか」「この問い合わせは受注につながりそうか」といった問いです。重要なのは、予測が当たること自体ではありません。結果が確定する前に、手を打てる時間が生まれることに価値があります。解約は起きてから知れば引き止めるしかありませんが、兆候の段階で気づけば、まだ関係を立て直せます。

なぜ予測分析が重要か

多くの企業が持っているデータは、すでに起きたことの記録です。月次の売上、サイトのアクセス数、問い合わせ件数——これらを見て「先月は落ちた」と分かっても、その時点で先月は終わっています。対策を打てるのは来月以降で、実際に数字へ表れるのはさらに先です。気づくのが遅いのではなく、気づける仕組みが結果側にしかないというのが構造的な問題です。振り返りの分析をどれだけ精緻にしても、この時間差は縮まりません。

予測分析が変えるのは、この時間の使い方です。たとえば解約について考えてみます。チャーン率を月次で追っていれば「先月は解約が増えた」と分かりますが、そこから打てる手は限られます。一方、解約した顧客に共通する事前の動き——利用頻度の低下、問い合わせの減少、担当者からの連絡への反応の鈍化——をパターンとして学習させれば、まだ解約していない顧客の中から「同じ動きを始めている人」を抽出できます。ここに使える時間があります。
新規側でも同じことが言えます。すべての問い合わせに同じ熱量で対応するのは、人数の限られた中小企業には難しい話です。過去に受注した案件と失注した案件のデータから、受注につながりやすい特徴を学習させれば、優先して動くべき相手が見えてきます。これはリードスコアリングを勘ではなく実績で組む、ということでもあります。限られた人手をどこに向けるかを決める根拠——予測分析の実務的な価値は、そこにあります。

AUTOSELLの視点

A. 顧客心理の視点
顧客は、不満を感じたその瞬間に離れるわけではありません。多くの場合、静かに離れていきます。ログインしなくなる、メールを開かなくなる、担当者からの連絡に返事が遅れるようになる。この段階で顧客は、まだ「やめよう」と決めてはいません。「なんとなく使わなくなった」「他にいいものがあるかもしれない」という程度の気持ちです。この揺れている時期こそ、声のかけどころです。解約の意思が固まってから引き止めても、決めた人の気持ちは動きにくい。まだ決めていない人には、まだ働きかける余地があります。
ただし、ここで気をつけたいのが接触の仕方です。予測をもとに「解約しそうな顧客」を抽出したあと、割引の案内を送ると、かえって関係を悪くすることがあります。顧客からすれば、使えていないことを見透かされたうえで値引きで引き止められた、という受け取り方になりかねません。逆に効くのは、相手が困っている可能性に沿った内容です。使われていない機能の案内、同じ規模の会社での活用例、設定の見直しの提案。売り込むためではなく、使いこなせていない状態を解くために連絡するという立ち位置であれば、顧客は歓迎します。予測はきっかけを教えてくれるだけで、何を届けるかは別に設計する必要があります。

B. 仕組み化の視点
予測分析を仕組みにするうえで最初に決めるのは、精度ではなく予測したあとに何をするかです。ここが決まっていない予測は、リストが出力されるだけで終わります。「解約可能性が高い顧客の一覧」が毎週メールで届いても、誰がいつ何をするか決まっていなければ、誰も開かなくなります。仕組みとして成立させるには、予測・判定・行動の三つをつなぎます。予測（このスコア以上を対象とする）、判定（担当者が状況を確認する）、行動（この内容で連絡する）。この一連が回って初めて、分析が業務になります。
次に必要なのが、正解データの確保です。予測は過去の結果から学ぶため、「解約した／しなかった」「受注した／失注した」という結果が記録されていなければ成り立ちません。中小企業でつまずくのは、たいていアルゴリズムではなくこの部分です。失注理由が担当者の頭の中にしかない、解約日が正確に残っていない、といった状態では学習させるものがありません。だからこそ、予測を始める前に、結果を記録する運用を先につくることが実質的な第一歩になります。
そして、予測は必ず外れるという前提で運用します。確率で示されるものであって、断定ではありません。「解約しそう」と出た顧客の中には継続する人も含まれます。だからこそ、予測を根拠に契約条件を変えるといった不可逆な扱いはせず、あくまで優先順位をつけるための材料として使う。この線引きが、現場に受け入れられるかどうかを分けます。

C. AI・自動化との接点
以前の予測分析は、統計の専門知識を持つ担当者が分析基盤を組んで初めて成立する領域でした。現在は状況が変わっています。CRMやMAツール、BIツールの多くが予測機能を標準で備えるようになり、既存データをつなぐだけで一定の予測が得られるようになりました。加えて、生成AIを使えば、データの傾向を説明させたり、どの変数が効いているかを日本語で解説させたりすることもできます。分析そのものより、出てきた結果をどう業務に落とすかに人の時間を使える——これが実務上の大きな変化です。
中小企業にとって現実的な組み方は、顧客追跡の仕組みと業務ツールをつなぐことです。ARGASのような顧客追跡システムがあれば、サイト上の行動が時系列で残ります。この行動データと、CRMにある商談・契約の記録を突き合わせられる状態にしておくと、予測の材料が揃います。「料金ページに戻ってきた」「サポートページの閲覧が増えた」といった動きは、購入検討や不満の兆候として意味を持ちます。
自動化の設計では、予測結果を人の作業リストに変換するところまでを含めます。スコアが基準を超えたら担当者にタスクが立つ、一定期間動きがない顧客には自動でフォローのメールが出る。予測を出すことと、動きが起きること。この二つが別々の運用になっている限り、成果は出ません。

図解：同じ出来事でも、動ける時間の長さが変わる

事例

国内事例：たとえば、法人向けにサービスを月額提供している中小企業を想定します。契約数は数百件あり、解約が出ることは把握しているものの、気づくのはいつも解約の連絡が届いたときでした。ここで最初に取り組むべきは、予測モデルの構築ではありません。過去に解約した顧客が、解約の3か月前に何をしていたかを人の目で確認することです。ログインの記録、問い合わせの有無、担当者との連絡の頻度を並べてみると、いくつか共通する動きが見えてきます。多くの場合「担当者が代わったあとに利用が落ちている」「導入時に設定した機能の一部しか使われていない」といった、統計を持ち出すまでもない傾向が出ます。
この段階で組めるのは、複雑なモデルではなく単純な条件です。「30日間ログインがない」「問い合わせが半年以上ない」といった条件で抽出し、担当者が状況を確認して連絡する。ここまでを運用に乗せると、予測分析に取り組む前提となる記録の習慣も同時に整います。誰にいつ連絡し、その後どうなったかが残るようになるためです。この記録が、後から本格的な予測を組む際の学習データになります。順番として、条件抽出の運用を回してからモデル化に進むほうが、途中で止まりにくくなります。

海外事例：予測分析が業務に組み込まれている代表的な領域として、通信事業者やサブスクリプション型サービスにおける解約予測（チャーン予測）が広く知られています。継続課金を前提とする事業では、既存顧客の維持が収益に直結するため、利用状況の変化から離脱の可能性が高い顧客を事前に抽出し、担当者のフォロー対象を絞り込む運用が定着してきました。小売や物流の領域でも、需要予測に基づいて在庫や配送計画を組み立てる取り組みが進んでいます。
一方で、運用面での留意点も整理されてきました。予測はあくまで確率であり、個人に対する不利益な扱いの根拠として用いるべきではないという考え方、モデルが過去のデータに含まれる偏りをそのまま引き継ぐ可能性への注意、そして時間の経過とともに前提が変わり精度が落ちていくため定期的な作り直しが必要だという点です。作って終わりにできる仕組みではなく、継続的に見直す前提の業務として扱われているのが実際のところです。

現場での使い方

1. 結果を記録する運用を先につくる：解約日、失注理由、受注に至った経緯。これが残っていなければ予測は成立しません。分析より記録が先です。
2. 過去の離脱者を人の目で並べる：解約した顧客の3か月前の動きを一覧にします。統計を使う前に、目で見て分かる共通点が見つかることがほとんどです。
3. 単純な条件から始める：「30日ログインなし」「半年間問い合わせなし」といった条件で抽出し、運用に乗せます。モデル化はその後で構いません。
4. 予測のあとの行動まで決める：誰がいつ何をするか。連絡の内容も用意します。リストが出るだけの運用は必ず形骸化します。
5. 売り込みではなく支援の内容を届ける：値引きの案内ではなく、使われていない機能の紹介や設定の見直し提案を。見透かされた感覚を与えないことが要です。
6. 予測と実際の結果を突き合わせる：外れたケースを確認し、条件を調整します。前提は変わっていくため、定期的な見直しを予定に組み込んでおきます。

関連用語

• 顧客行動予測
• 機械学習マーケティング
• チャーン率
• リードスコアリング
• データドリブンマーケティング
• LTV

まとめ

予測分析は、過去のデータから次に起きることを確率で示す手法です。価値があるのは当たることではなく、結果が確定する前に手を打てる時間が生まれることにあります。解約も失注も、起きてから知れば取り返すしかありません。兆候の段階で気づければ、まだ関係を立て直す余地があります。中小企業がここに取り組むとき、最初の壁はアルゴリズムではなく記録です。解約日や失注理由が残っていなければ、学ばせる材料がありません。だから、過去の離脱者を人の目で並べて共通点を探し、「30日ログインなし」といった単純な条件で抽出する運用から始めるのが確実です。この運用を回すこと自体が、後から本格的な予測を組むためのデータづくりになります。
そして、予測を出したあとに何をするかを必ず決めてください。誰がいつ、どんな内容で連絡するのか。ここが空白のままだと、リストが届くだけの仕組みになります。届ける内容も大切です。値引きで引き止めようとすれば見透かされた印象を与えますが、使いこなせていない部分を解く提案であれば歓迎されます。予測は外れるものだという前提を持ち、断定の根拠ではなく優先順位の材料として扱うこと。この節度を守れば、限られた人手が最も効く場所に向かい、顧客が離れる前に自然と支えられる仕組みが動き出します。