行動データで精度を上げるリードスコアリング

リードスコアリングを入れたのに、営業が結局スコアの高い順には電話していない。

心当たりはありませんか。

90点のリードに連絡したら、まったく検討していなかった。その一回で、仕組みへの信頼は消えます。

原因がアルゴリズムにあることは、実はあまり多くありません。点数の材料が、その人が何をしたかではなく、その人が何者かに偏っていることのほうがずっと多いのです。

この記事では、属性中心のスコアに行動データを足して精度を上げる手順と、スコアが誰にも説明できない黒い箱にならないための設計を書きます。GTM（Go To Market、製品を市場に届けるための一連の活動）やRevOps（Revenue Operations、マーケ・営業・カスタマーサクセスの業務と数字を横断して整える役割）に関わる方を想定しています。

属性だけのスコアが当たらない理由

まず言葉をそろえます。リードスコアリングとは、見込み客ごとに点数をつけて、営業が接触する順番を決める仕組みのことです。

よくある構成は、業種・従業員規模・役職・地域といった属性に点を振り、合計点で並べるというもの。MQL（Marketing Qualified Lead、マーケ側が営業へ渡してよいと判断した見込み客）の判定にも、たいていこの点数が使われます。

属性は誰かを語るが、いまを語らない

従業員1000人のメーカーの部長。この情報は、その人が自社の理想的な顧客像に近いかどうかを教えてくれます。

けれど、いま検討しているかどうかは一言も教えてくれません。半年前に資料をダウンロードしたきりの人も、昨日から毎日料金ページを開いている人も、属性が同じなら同じ点数です。

営業が知りたいのは後者です。順番を決める材料としては、属性は静止画すぎます。

点が高い人ほど、営業が信じなくなる

属性だけのスコアは、理想的な顧客像に一致する人へ機械的に高い点を与えます。結果として、まったく興味のない大企業の担当者が上位に並びます。

一度そういうリストを渡すと、営業は次からスコア順ではなく自分の勘で並べ替えます。仕組みは動いているのに誰も使っていない、という状態のできあがりです。

これは技術の問題ではなく信頼の問題。一度失うと、モデルを直しても戻すのに時間がかかります。

しきい値の根拠を誰も説明できない

もう一つ多いのが、境界線の置き方です。80点以上をMQLとすると決めたものの、その80という数字がどこから来たのかを誰も説明できない。

しかも点が溜まって80に届いたころには、その人の検討はもう終わっているかもしれません。スコアは高さだけでなく、いつ高くなったかとセットで意味を持ちます。

引き継ぎの基準そのものをどう決めるかは、MQLの引き継ぎ設計｜マーケと営業が揉めない基準づくりで詳しく扱っています。

行動を足すとき、何を点にするか

行動データとは、その人がサイトやプロダクトの中で実際にやったことの記録です。ページ閲覧、資料請求、料金ページの再訪、フォームを開いて閉じたこと。

ここで一番やりがちな失敗は、取れる行動をぜんぶスコアに入れてしまうことです。点の種類が30個あるモデルは、もう誰にも説明できません。

点をつけていい行動の条件

絞り込みの基準は二つ。購入の意思に近いか、そして再現性があるかです。

実務では、次の四つの観点で仕分けると迷いにくくなります。

• 検討の深さを示す行動か（料金・導入事例・比較ページの閲覧）
• 手間をかけた行動か（フォーム入力、見積り作成、トライアル登録）
• 繰り返しているか（同じページへの再訪、複数日にまたがる訪問）
• 組織として動いているか（同じ企業から複数人が訪れている）

逆に、トップページの1回の閲覧やブログ記事1本の閲覧は、単体ではほとんど情報を持ちません。点を振るとしても最小限に。

どの小さな行動を数えるかという設計そのものは、マイクロコンバージョンの設計｜小さな一歩を計測するの考え方がそのまま使えます。

重みは、勘ではなく実績から逆算する

各行動に何点を振るか。ここを会議室の多数決で決めると、あとで説明できなくなります。

やり方は単純です。過去に受注した案件と失注した案件で、その行動の発生率を比べるだけ。

たとえば受注した100件のうち70件が料金ページを3回以上見ていて、失注した300件では60件だったとします。発生率は70%対20%なので、はっきり差があります。

一方でブログ閲覧が受注側50%、失注側45%なら、ほぼ差がありません。前者には点を振り、後者には振らない。

判断の基準は、それだけで足ります。

差の大きさをそのまま点数の比にすると、あとで説明が楽になります。5ポイント刻みで、最大でも40点まで。

細かく刻んでも精度はほとんど変わりません。増えるのは説明の難しさだけです。

受注件数が数十件しかないなら、統計的な有意差にはこだわらなくて構いません。その代わり、なぜ差が出たのかを一件ずつ読んで納得できるかを基準にしてください。

古い行動は減衰させる

3か月前に料金ページを見た事実と、昨日見た事実を同じ点にしてはいけません。行動スコアは時間とともに減らすのが基本です。

減衰の実装は難しく考えなくて構いません。30日で半分、90日でゼロ、という単純な線でも十分に効きます。

定義を文章で持つと必ずずれるので、そのまま集計できる形まで書き下します。たとえば、有効期間を直近90日としたとき、こんな形です。

これに、発生から30日で50%・90日で0%という減衰と、行動スコアの合計は100点までという上限を添えます。属性スコアを0〜60点とすれば、最終スコアは0〜160点の幅に収まります。

そのうえでMQLの判定条件を、合計70点以上、かつ直近14日に行動スコアの加点があること、と決めます。もちろん点数も日数も、ここでは説明のために置いた仮の値です。

後半の条件が肝心です。合計点だけでなく直近の動きを条件に入れると、古い高得点リードが営業のリストを占領しなくなります。

仮の数値で、効果を確かめてみる

理屈はわかっても、本当に精度が上がるのかは数字で見たいところですよね。ここでは仮の数値例を置いて計算してみます。

たとえば月に1000件のリードが入り、そのうち実際に商談になるのが50件だとします。営業が接触できるのは上位200件まで。

属性だけのスコアで上位200件を選んだとき、その中に商談化する50件のうち20件が入っていたとします。適中率は20÷200で10%、取りこぼしは30件。

ここに行動スコアを足して並べ替えたら、上位200件に35件が入った。適中率は17.5%になります。

並べると、こうなります。

最後の行を少し補足させてください。同じ20件の商談を得るのに必要な接触は、適中率17.5%なら約114件で済みます。

つまり86件分の営業時間が浮く。そして本当の分かれ目は、その時間を何に使うかです。

浮いた時間をそのまま件数の上積みに回すのか、上位リードへの準備の質に回すのか。成果の差はスコアの精度そのものより、空いた時間の再投資先で決まることのほうが多いように思います。

なお、ここに出した数字はすべて説明のための仮定です。実際の改善幅は、商材の性質と行動データの取れ方でまったく変わります。

スコアをブラックボックスにしない

精度が上がっても、中身の見えないスコアは使われません。ここが設計でいちばん大事なところです。

点の内訳を、そのまま見せる

営業が見る画面に、82点という数字だけでなく、その内訳を並べること。料金ページ2回で35点、フォーム表示で30点、属性で17点、というふうに。

内訳が見えると、電話の第一声が変わります。相手が何を気にしていたかがわかるからです。

そして内訳がおかしければ、営業のほうから間違いを指摘してくれます。これは無料の品質チェックです。

定義の置き場所を一つにする

スコアの定義が営業資料とCRMの設定とスプレッドシートに散らばると、必ず食い違います。定義は一箇所に置き、変更履歴を残す。

それだけで、揉め事の半分は消えます。

同じ指標なのに部署ごとに数字が違うという問題は、スコアリングに限った話ではありません。原因と直し方はKPI定義のすり合わせ｜同じ指標なのに数字が食い違う理由にまとめています。

機械学習は、説明できる形になってから

自動で重みを学習するモデルは魅力的です。ただ、なぜこの人が高得点なのかを営業に説明できないなら、導入は先送りで構いません。

まずはルールベースで運用し、受注実績との相関を毎月見直す。半年ほど回して材料が溜まってから検討しても、遅くはありません。

材料が汚れていないかを、先に疑う

重み付けをどれだけ調整しても、入力が汚れていたら意味がありません。地味ですが、着手の順番としては最初に来ます。

社内メンバーのアクセスが混ざっている。検証環境の訪問が本番に混ざっている。

広告側の計測とサイト側の計測で、流入元の呼び方がそろっていない。どれもスコアを静かに歪めます。

自社の営業やCSが顧客サイトを見ている分が加点されている、というのも起こりがちです。誰も気づかないまま、営業のリストの上位が汚れていきます。

定義を書きはじめる前に、この四つだけ確かめてください。

• 社内IPと社内ドメインのアクセスを除外できているか
• 料金・事例・比較といった重要ページのURLが、リニューアル後も一致しているか
• フォームの表示と送信を、別々のイベントとして取れているか
• 同じ人の複数回の訪問を、一本の履歴としてつなげられているか

四つ目が抜けていると、再訪という一番強いシグナルがまるごと消えます。初回訪問だけが記録される状態では、行動スコアはほとんど機能しません。

匿名の行動と、個人への紐づけを分けて考える

整理しておきたいのは、サイト上で取れる行動と、リードに紐づく行動は別物だということです。フォーム送信より前の訪問は、多くの場合まだ誰なのかわかりません。

実務では、フォーム送信の時点で匿名の行動履歴を後ろ向きに結びつけます。誰かわかる前の行動こそ、検討の深さをよく表しているからです。

私たちが作っているStrideは、このサイト側の行動を正しく測る層を担当します。Cookieを使わず氏名やメールも集めない設計で、ページ・流入元・デバイス別の動きと、訪問者ひとりの行動履歴をセッションをまたいで時系列で追えます。

一方でStrideはCRMでもMAツールでもありません。個人を特定してリードに紐づけたり、スコアをCRMへ書き戻したりする機能は持っていないので、スコアの器はCRM側に置き、行動の観測はサイト側で正確に取るという組み合わせで考えるのが現実的です。

AIに任せる範囲と、人間を残す場所

スコアリングの周辺は、いま自動化がいちばん進んでいる領域です。ただ、機能を点で足していくやり方はうまくいきません。

うまく回っている例を見ていると、AIを画面の中のボタンとして置くのではなく、CRMやチャットやデータ基盤をまたぐイベント駆動の業務フローとして組む形が多いようです。スコアが閾値を超えたら通知が飛び、下書きが作られ、担当が割り当たる。

人はその流れの中で、判断だけをします。

もう一つは順番の話です。人間のトップパフォーマーが何をどの順で判断しているかを先に文章にして、それをAIに写す。

手順が言葉になっていないまま自動化すると、何が間違っているのかを検証できません。うまくいかないときに直せる場所がない、という状態がいちばん困ります。

どこに承認を残すか

全部を自動にする必要はありませんし、全部に承認をつけると誰も回せません。線の引き方は、間違えたときのコストで決めます。

判断の目安を表にすると、こうなります。

社外に出るもの、取り消せないもの、相手との関係を壊しうるものには、必ず人の承認を残す。逆に、社内で完結して何度でもやり直せる作業は自動でいいのです。

そして本番に入れる前に、シャドーモードで数週間走らせます。スコアも提案も出すけれど、営業のリストの順番は変えない。

その期間に、人の判断とAIの判断がどれくらい一致したかを数えます。過去のリードを使ったテストセットで先に確かめておくと、さらに安全です。

ここで一致率が低いなら、悪いのはモデルではなく手順の明文化です。承認の設計やガードレールの具体的な組み方は、GTMにAIエージェントを入れる｜人間承認とガードレールの設計に切り出しました。

なお、Strideは分析をMCP（AIから外部ツールを呼び出すための共通の仕組み）経由で開けるので、このリードは直近でどのページを何回見たか、といった問い合わせをAIから自然文で投げられます。スコアの内訳を確かめたいときの調べ物が、ダッシュボードを開き直さずに済むという程度の話ですが、地味に効きます。

着手の順番と、部門の合意の取り方

最後に、明日からの進め方を書きます。全社一斉ではなく、高頻度で繰り返され、遅れるほど損をする業務に絞って深く入れるのが原則です。

最初の30日は、計測の掃除と実績の突き合わせだけに使ってください。社内アクセスの除外、フォーム表示の計測追加、そして受注案件と失注案件で行動の発生率を比べる作業です。

次の30日で、定義のv1を書きます。行動は5〜7種類まで、減衰と上限を明記し、しきい値は仮置きで構いません。

そして最後の30日はシャドー運用。スコアは出すが営業の運用は変えない期間を必ず挟みます。

営業との合意は、重みではなく却下権で取る

ここでよくつまずくのが、重みの決め方を営業と合議にしてしまうことです。それぞれの経験則がぶつかって、会議が長引くだけになります。

おすすめは役割を分けること。重みは受注実績から機械的に決め、営業には個別リードを却下する権限と、その理由を残す義務を渡します。

却下理由が溜まると、それがそのまま次のバージョンの材料になります。営業は納得しやすく、マーケは改善のネタが手に入る。

悪くない交換だと思いませんか。

見直しは月次で十分。四半期に一度は、しきい値そのものを引き直してください。

入力作業をなくすと、データが溜まりはじめる

最後にひとつだけ。営業に入力を強いる設計は、必ず形骸化します。

商談メモや行動の記録は、人が頑張って入れるものではなく、入力の手間をなくした結果として溜まるものにする。順番はこちらが正しい。

そうやってデータが溜まってはじめて、スコアの精度は上がっていきます。最初の一歩は、モデルではなく計測の掃除からです。