営業データ分析とは？手法・フレームワーク・KPIを解説

営業データ分析とは？勘と経験に頼らない営業改善の基本

営業データ分析とは、営業活動の過程と結果を数値で捉え、成果の差を生んでいる要因を特定して改善につなげる活動です。最初に、分析の対象となるデータの種類、分析全体の流れ、そして生成AIの登場で何が変わったのかを整理します。

営業データ分析の定義と目的

営業データ分析とは、営業担当者の活動記録、案件の進捗、顧客の属性や購買履歴、売上実績といったデータを集めて分析し、売上を伸ばすための意思決定に活かす取り組みを指します。目的は数字を眺めることではなく、「なぜ売れたのか」「なぜ失注したのか」を説明できる状態をつくり、次の行動を変えることにあります。

営業分析という言葉もほぼ同じ意味で使われますが、本記事では特にデータを根拠にする点を強調して営業データ分析と呼びます。生成AIが普及した現在でも、この定義と目的は変わりません。変わったのは、分析にかかる手間と、扱えるデータの範囲です。

分析対象となる営業データの4分類

営業データ分析で扱うデータは、おおむね次の4種類に分けられます。自社にどのデータがどこにあるのかを把握することが、分析の第一歩です。

分類	具体例	主な保管場所
活動データ	訪問数、架電数、メール送信数、商談回数	SFA、日報、カレンダー
案件データ	商談ステージ、見積金額、受注・失注理由、進捗日数	SFA、案件管理表
顧客データ	業種、企業規模、担当者属性、購買履歴、問い合わせ履歴	CRM、基幹システム
売上データ	受注金額、商品別売上、担当者別売上、月次推移	基幹システム、会計システム

SFAは営業支援システム、CRMは顧客関係管理システムを指します。これらのデータは部門やシステムごとに分散しがちです。分散したデータを1か所に統合して横断的に見ることが、営業データ分析の出発点です。

従来は数値として整理された構造化データだけが分析対象でした。生成AIの登場により、商談の録音や議事録、メールのやり取りといった文章や音声の非構造化データも、要約や分類を経て分析に取り込めるようになっています。

生成AIで営業データ分析はどう変わったか

生成AIがもたらした変化は、大きく3つあります。1つ目は、SQLや関数を書かなくても自然な言葉で質問すればグラフや集計結果が返ってくるようになったことです。2つ目は、売上が下がった要因をAIが自動で探索し、文章で説明してくれるようになったことです。

3つ目は、商談の会話や日報といった非構造化データを、AIが要約して構造化データに変換できるようになったことです。

企業側の環境も急速に変わりました。総務省の令和8年版情報通信白書によると、何らかの業務で生成AIを利用している日本企業の割合は2025年度調査で86.4%に達し、2024年度調査の55.2%から大幅に上昇しています(※1)。営業部門でも、HubSpotの2026年調査で営業職の生成AI活用率が43.4%となり、前年の28.9%から14.5ポイント伸びました(※2)。

ただし、生成AIは分析を代行してくれる魔法ではありません。何を問うか、答えをどう検証するか、どのデータを渡すかは人が決める必要があります。本記事では、この前提に立って各手法を解説します。

営業データ分析の全体像

営業データ分析は、まず市場や売上の大きな動きをつかみ、次に動きの要因を仮説として立て、最後に施策で仮説を検証するという順番で進めます。この3つの基本手法を土台に、KPI分析やパイプライン分析などのフレームワークで切り口を決め、KPI指標で進捗を測ります。

つまり、手法は「分析の順序」、フレームワークは「分析の切り口」、KPIは「測るものさし」という関係です。生成AIは、この3つすべての作業時間を短縮する道具として位置づけられます。以降の章で、それぞれを順に解説します。

営業にデータ分析が必要な3つの理由

営業にデータ分析が必要な理由は、顧客ニーズを客観的に把握できること、営業ノウハウの属人化を防げること、そして限られた営業時間の生産性を高められることの3つです。生成AIの普及で、いずれの理由も以前より切実になっています。公開されている調査データをもとに、それぞれの背景を確認します。

生成AIで情報収集する顧客のニーズをデータで把握するため

顧客がどの商品を、どのタイミングで、いくらなら買うのかは、担当者の勘だけでは正確に捉えられません。しかも顧客の側も変わっています。HubSpotの2026年調査では、購買検討時に生成AIを活用した経験のある買い手は36.7%に上り、そのうち55.3%が生成AIの情報は最終的な意思決定に影響したと回答しています(※2)。

生成AIで比較検討を済ませた顧客は、営業に会う前から候補を絞り込んでいます。同じ調査で、買い手の81.2%は営業担当者に生成AIにはない価値を期待していました(※2)。購買履歴や商談記録を分析してどの顧客層がどの商品を、どんな課題で買う傾向にあるのかを把握しておかなければ、生成AIが出す一般的な情報を超える提案はできません。

優秀な営業のノウハウが属人化するのを防ぐため

従来の営業では、安定して成績を残す担当者のやり方が本人の中にとどまり、組織に共有されないことが課題でした。HubSpotの2025年調査によると、2024年度の日本企業におけるCRM導入率は37.2%にとどまっています(※3)。データが蓄積されていなければ、成果を出している担当者の行動を比較することすらできません。

生成AIは、この課題の解消を後押しします。商談の録音を文字起こしして要点を要約し、SFAに自動で記録する仕組みを使えば、トップセールスの提案の進め方や切り返しが、本人の負担なく組織の資産になります。データ化されたノウハウを比較分析し、再現可能な形で展開することが、営業組織全体のスキル底上げにつながります。

限られた営業時間の生産性を高めるため

営業担当者が実際に顧客と向き合える時間は、想像以上に少ないのが実態です。Salesforceが2024年に27か国5,500人を対象に実施した調査「セールス最新事情」第6版では、日本の営業担当者が1週間のうち営業活動に費やす時間は平均32%でした(※4)。

同社が2025年に世界22か国4,050人を対象に実施した第7版でも、営業担当者は時間の60%を販売以外の業務に費やしていると報告されています(※5)。

残りの時間はデータ入力や資料作成、社内報告に消えています。データ分析でボトルネックを特定し、効果の薄い活動を減らすことに加えて、生成AIで入力や報告そのものを省力化すれば、顧客に向き合う時間を取り戻せます。

同じ第7版では、AIの営業ツールを活用している担当者は、そうでない担当者と比べて目標を達成する可能性が3.7倍高いという結果も示されました(※5)。

営業データ分析の基本手法は動向分析・要因分析・検証分析の3つ

営業データ分析の基本手法は、動向分析、要因分析、検証分析の3つであり、この順番で進めるのが一般的です。全体の動きをつかまずに要因を探すと見当違いの仮説になり、検証せずに施策を広げると失敗したときの損失が大きくなるためです。生成AIは、特に前半2つの作業時間を大きく縮めます。

動向分析で市場と自社売上の動きをつかむ

動向分析とは、自社の売上推移と市場全体のトレンド、季節要因、競合の状況をグラフなどで可視化し、自社の立ち位置を把握する分析手法です。たとえば月次売上を3年分並べれば、毎年同じ時期に落ち込む季節性や、市場全体は伸びているのに自社だけ横ばいという構造的な問題が見えてきます。

従来は、この可視化のたびに集計表やグラフを作る必要がありました。現在はBIツールの自然言語クエリ機能を使えば、「直近12か月の売上推移をエリア別に見せて」と入力するだけでグラフが返ってきます。

さらに、売上や受注率の急な変化をAIが常時監視して通知する機能を使えば、ダッシュボードを毎日見に行かなくても変化に気づけるようになります。

ただし、動向分析でわかるのは「何が起きているか」までです。顧客に適した商品やサービスを特定するといった細かい部分は捉えられないため、次の要因分析に進む必要があります。売上推移の見方については、関連記事「売上の推移を分析するために必要な基礎知識とその方法」もあわせてご覧ください。

要因分析で変化の原因を仮説として立てる

要因分析とは、動向分析で見つかった変化に対して「なぜその動きが起きたのか」を仮説として立てる分析手法です。ある月に特定エリアの売上が急増していたとします。同じ月に市場全体では増えていないのであれば、新規出店や広告出稿、担当者の交代など、自社固有の要因が関係している可能性があります。

要因分析では、売上をエリア別、商品別、担当者別、顧客業種別といった軸で分解し、どの切り口で差が大きいかを確認します。この分解作業は、生成AIが最も得意とする領域です。

BIツールの自動インサイト機能は、変化に寄与した項目を自動で探索し、「この月の減少の大半は、A商品のB業種向け売上の落ち込みによるものです」のように文章で説明します。

人が数十の切り口を1つずつ試していた作業が、数分に短縮されます。ただし、AIが示すのは統計的な相関であり、因果関係の確証ではありません。この段階ではあくまで仮説であり、次の検証分析で確かめる必要があります。

検証分析で仮説を施策として確かめる

検証分析とは、動向分析と要因分析で得られた仮説を、実際の施策やデータで検証する分析手法です。「Web広告の出稿が売上増の要因だった」という仮説があれば、別のエリアで同様の広告を予算に応じて実施し、売上の変化を比較します。

比較の際は、施策を実施したグループと実施しなかったグループを分けて結果を見ると、効果を判断しやすくなります。生成AIが要因の候補を大量に出せるようになった分、どの仮説から検証するかの優先順位づけが人の重要な役割になりました。この検証分析を経て、はじめて確かな分析結果として組織の施策に組み込めます。

営業データ分析に使える7つのフレームワーク

営業データ分析のフレームワークは、分析の切り口を定めるための型であり、自社の課題に合わせて選ぶことが重要です。ここでは代表的な7つを紹介します。まず課題別の選び方を表で整理し、その後それぞれの考え方と、生成AIを使った実践方法を解説します。

課題	適したフレームワーク
目標未達の原因がどの行動にあるか知りたい	KPI分析、行動分析
案件がどの段階で止まっているか知りたい	営業パイプライン分析
提案の質や優先順位を見直したい	商談分析
狙うべき顧客層を明確にしたい	顧客分析、クラスター分析
地域ごとの戦略を立てたい	エリア分析

KPI分析で目標との差をアクション単位で把握する

KPI分析とは、KGI(経営目標達成指標)を達成するために設定したKPI(重要業績評価指標)の数値を追い、目標との差がどのアクションで生まれているかを特定する分析手法です。営業部門では、新規商談件数、訪問件数、アポイント件数、受注件数などがKPIとして設定されます。

この数値をトップセールスと比較すると、差が出ている工程が見えてきます。アポイント件数に差がないのに受注件数で差がついていれば、課題はクロージングにあると絞り込めます。やみくもに活動量を増やすのではなく、差が生じている工程に対策を集中させることがKPI分析の狙いです。

生成AIを使う場合は、「今期の受注件数が目標を下回っている担当者と、その担当者のKPIで平均より低い項目を教えて」と自然言語で聞くだけで、比較表が得られます。マネージャーが毎週手作業で作っていた比較資料を、会議の場でその場で呼び出せるようになります。

営業パイプライン分析でボトルネックを特定する

営業パイプライン分析とは、初回接触、ヒアリング、提案、見積提示、受注、リピートといった営業プロセスをパイプラインに見立て、各段階の案件数と次の段階への移行率を分析する手法です。各段階で案件数がどれだけ減るかを見れば、どの工程がボトルネックになっているかが一目でわかります。

提案から見積提示への移行率が低ければ提案内容や資料に課題があり、見積提示から受注への移行率が低ければ価格や競合対応に課題がある可能性があります。単に「受注が少ない」と捉えるのではなく、工程ごとに課題を切り分けることが重要です。

AI搭載のSFAやBIツールでは、過去の受注・失注データをもとに、各案件の受注確率をAIが予測する機能が広がっています。滞留日数が平均を超えた案件や、受注確率が急に下がった案件を自動で抽出できるため、マネージャーがどの案件に介入すべきかを数字で判断できます。

行動分析で成績上位者のノウハウを抽出する

行動分析とは、営業担当者一人ひとりの行動データを把握し、成績の良いメンバーと伸び悩むメンバーの行動の違いを比較する分析手法です。訪問頻度、商談の間隔、フォローの回数、提案までの日数などを比較すると、成果を分ける行動パターンが浮かび上がります。

生成AIの登場で、行動分析の対象は「回数」から「中身」へ広がりました。オンライン商談の録音を文字起こしし、話す割合、質問の数、顧客の懸念への応答といった要素をAIが抽出すれば、トップセールスが商談の中で何をしているのかまで比較できます。

抽出したノウハウを組織全体に共有すれば、営業力の底上げにつながります。また、特定の業種や顧客層に対して高い成果を出しているメンバーがわかるため、適材適所の人員配置にも役立ちます。

商談分析で提案内容と案件の優先順位を見直す

商談分析とは、商談で話した内容や提案資料、顧客の反応、フォローの有無といった商談単位の情報を分析し、提案の質と案件の優先順位を改善する手法です。価格重視と品質重視のどちらの提案で受注率が高いか、どの段階でのフォローが受注につながったかなどを確認します。

従来、商談の中身はSFAの自由記述欄に担当者が書いたメモしか残らず、分析にかけにくいデータでした。生成AIを使えば、商談の議事録やメールから失注理由や顧客の懸念を自動で分類し、「価格」「導入時期」「競合」「社内承認」といった軸で集計できます。

分析結果をもとに、顧客属性に合わせた提案資料やトークスクリプトを整備すれば、ナレッジとして共有できます。あわせて、受注確度の高い案件を優先順位の誤りで逃していないかも確認します。

顧客分析で狙うべき優良顧客層を明確にする

顧客分析とは、業種、企業規模、担当者の役職といった属性に加えて、購入頻度、購入金額、取引継続期間などを分析し、優良顧客の特徴を明らかにする分析手法です。売上上位の顧客に共通する属性がわかれば、ターゲットとすべき顧客のペルソナが明確になります。

顧客を売上貢献度でA、B、Cにランク分けするABC分析も、顧客分析の代表的な方法です。生成AIは、優良顧客の特徴をもとに既存顧客リストや見込み客リストから類似する企業を抽出する作業を得意とします。HubSpotの2026年調査でも、アプローチ先のリストアップに生成AIを使った営業職は週3.9時間の削減効果を実感していました(※2)。

エリア分析で地域特性に合った戦略を立てる

エリア分析とは、地域ごとの人口、産業構造、企業数、競合の分布などを洗い出し、地域に適した販売戦略を立てる分析手法です。国勢調査や経済センサスなどの公的統計、エリアマーケティングを専門とする企業の公表データを使って進めます。

自社の売上データを地域別に重ねると、市場規模に対して開拓が進んでいないエリアや、担当者の配置が市場規模に見合っていないエリアが見えてきます。公的統計と自社データの結合はこれまで手間のかかる作業でしたが、BIツールのデータ準備機能や生成AIによるデータ整形で負担が軽くなっています。

拠点配置や担当エリアの見直しに直接つなげられる点が特徴です。

クラスター分析で見えにくい共通項を発見する

クラスター分析とは、性質の異なる多数のデータから共通項を見つけ出し、意味のあるグループ(クラスター)に分類する統計的な分析手法です。たとえばWebマーケティングツールの販売で、受注率が高い顧客にアパレル関連企業が多かったとします。

これだけでは「アパレル業界に支持されている」とまでは言えません。クラスター分析で購買行動や企業属性を多角的に見ると、実はECサイトを運営している企業の受注率が高かったとわかる場合があります。表面的な属性ではなく、本当の共通項から効率的な営業ターゲットを特定できる手法です。

クラスター分析は統計の専門知識が必要で、営業部門では敷居の高い手法でした。現在は、AIがクラスターを自動で生成し、各グループの特徴を文章で説明してくれるため、専門家がいなくても結果を解釈できます。

営業データ分析で見るべきKPI指標

営業データ分析で見るべきKPI指標は、売上という結果を「リード数、案件数、転換率、単価、期間」に分解したものです。結果指標だけを見ても打ち手は決まらないため、プロセスを表す指標とセットで追うことが重要です。生成AI時代には、これらに加えてデータの質を測る指標も必要になります。

指標	算出方法や定義	わかること
新規リード数	広告やイベントなどで獲得した新規見込み顧客の数	営業の入口の量
見込み案件数	見積提示や複数回訪問など、確度の高い案件の数	近い将来の受注の見込み
コンバージョン率	受注数÷見込み案件数	営業活動の質、リードの質
営業案件数	各担当者が抱えている案件の数	担当者の負荷と機会の量
平均取引額	取引総額÷受注数	1件あたりの売上規模
セールスサイクル	リード獲得から受注までの平均日数	営業プロセスの速さ

売上を分解して見る

売上は、おおまかに「見込み案件数×コンバージョン率×平均取引額」で表せます。売上が目標に届かないとき、この3つのどれが落ちているかを確認すれば、打つべき手が変わります。案件数が少なければ新規リードの獲得を強化し、コンバージョン率が低ければ提案やクロージングを見直します。

平均取引額が下がっている場合は、値引きの常態化や小口案件への偏りが起きている可能性があります。受注件数が増えていても平均取引額が下がっていれば、優良顧客が減っている兆候かもしれません。

生成AIに「売上が前年比で落ちた要因を、案件数、転換率、単価のどれが大きいか分解して」と聞けば、この分解を即座に行えます。

セールスサイクルが長期化している案件に注意する

セールスサイクルとは、新規見込み顧客を獲得してから受注に至るまでの期間です。平均日数より大幅に長くかかっている案件は、受注の可能性が低下している傾向があります。パイプライン上の滞留案件を定期的に洗い出し、追加のアプローチをするか、優先順位を下げるかを判断します。

なお、指標の定義は部門内で統一しておく必要があります。「見込み案件」の基準が担当者ごとに違えば、コンバージョン率を比較しても意味がありません。

生成AI時代に追加で見るべきデータ品質の指標

生成AIの答えの精度は、入力されるデータの質で決まります。Salesforceの2025年調査では、データ分析責任者の84%が「AIの出力はデータの入力の質次第」と回答し、営業責任者は自社データの19%にアクセスできていないと見積もっていました(※5)。日本でも、2024年の同社調査でAI活用の最大の障壁は「不完全、不正確、古いデータ」でした(※4)。

そこで、SFAの必須項目の入力率、案件情報の最終更新からの経過日数、顧客マスタの重複率といったデータ品質の指標をKPIと並べて追うことを推奨します。これらが低い状態で生成AIに質問しても、もっともらしいが誤った答えが返るだけです。

営業データ分析の進め方5ステップ

営業データ分析は、目的の設定、データの収集と整備、可視化による動向把握、要因の仮説立案、検証と定着という5つのステップで進めます。いきなりツールや生成AIを導入するのではなく、何を明らかにしたいのかを先に決めることが成功の条件です。各ステップで生成AIが担える役割もあわせて示します。

ステップ1 目的と問いを設定する

最初に、分析で答えを出したい問いを1つに絞ります。「売上を伸ばしたい」では広すぎるため、「受注率が前年より下がった原因はどこにあるか」のように、具体的な問いに落とし込みます。問いが決まれば、必要なデータと使うフレームワークがおのずと定まります。

中小企業庁の2026年版中小企業白書によると、AIを活用していない中小企業の理由で最も多いのは「活用する業務がイメージできていない」の63.4%でした(※6)。問いを先に決めることは、生成AIの使いどころを決めることでもあります。問いの言語化が難しければ、生成AIに自社の状況を説明して問いの候補を出させる使い方も有効です。

ステップ2 データを収集して整備する

SFAや基幹システム、Excelの管理表など、必要なデータの所在を確認して1か所に集めます。この段階で、顧客名の表記ゆれ、重複登録、未入力の項目を整理します。データの整備は地味な作業ですが、ここを省くと後の分析結果がすべて疑わしくなるため、時間をかける価値があります。

生成AIは、表記ゆれの統一や業種の分類、自由記述の構造化といった整備作業を大幅に省力化します。ただし、AIが整えたデータも必ずサンプルを目視で確認してください。AI活用が進むほど、データ整備の重要性は下がるのではなく上がります。

ステップ3 可視化して動向をつかむ

集めたデータをグラフや表にして、動向分析を行います。月次推移、担当者別、商品別、エリア別など複数の軸で可視化すると、どこに大きな差があるかが見えてきます。この段階で多くの気づきが得られるため、まずは可視化だけでも始める価値があります。

BIツールの自然言語クエリを使えば、分析担当者に依頼しなくても営業マネージャー自身が質問して可視化できます。可視化のたびに発生していた「依頼して数日待つ」という時間がなくなり、会議の場で疑問が出たらその場で確認するという運用が可能になります。

ステップ4 要因の仮説を立てて施策を決める

可視化で見つかった差について、パイプライン分析や行動分析などのフレームワークで要因を深掘りし、仮説を立てます。BIツールの自動インサイト機能や生成AIに「この差の要因候補を挙げて」と問えば、人では思いつかない切り口も含めて候補が得られます。

得られた候補の中から、自社の状況に照らして確からしいものを人が選びます。仮説ごとに「どの施策を、誰が、いつまでに実施するか」を決め、効果を測るKPIをあらかじめ設定しておきます。

ステップ5 検証して組織に定着させる

施策を実施し、設定したKPIの変化を確認します。効果があった施策は標準の営業プロセスに組み込み、効果がなければ次の仮説に移ります。週次の営業会議やマネージャーとの1on1でデータを見る習慣をつくると、分析が一度きりで終わらず、継続的な改善サイクルとして定着します。

生成AIの定着にも、同じことが言えます。HubSpotの2026年調査では、会社が生成AIを許可しただけの場合に週1回以上利用する営業職は47.2%でしたが、業務プロセスに組み込んだ場合は74.8%まで上がりました(※2)。分析もAIも、個人の工夫に任せるのではなく、会議や日報といった既存のプロセスに組み込むことが定着の鍵です。

営業データ分析でつまずきやすい4つの注意点

営業データ分析でつまずく原因の多くは、分析手法そのものではなく、データ入力の定着、指標の定義、AIの出力の扱い、データの渡し先といった運用面にあります。生成AIが普及したことで、新たに加わった注意点もあります。事前に把握しておけば避けられるものばかりです。

データ入力が定着しない

SFAを導入しても、入力が負担になって現場に定着しないケースは少なくありません。入力項目を必要最小限に絞ること、入力した結果が本人の役に立つ形で返ってくることが定着の条件です。

生成AIは入力負担そのものを減らす手段になります。HubSpotの2026年調査では、CRMやSFAへの活動記録入力に生成AIを使った営業職は週4.0時間の削減を実感し、68.4%が投資に見合う効果があったと回答しています(※2)。商談の音声から要約を生成してSFAに記録する仕組みは、入力の定着とデータの質の向上を同時に実現します。

指標の定義が人によって違う

「商談」や「見込み案件」の定義が担当者ごとに異なると、数字を比較しても正しい結論は出ません。分析を始める前に、各指標の定義と計測タイミングを文書化し、部門内で共有します。

この問題は生成AIを使っても解決しません。むしろ、定義がばらついたデータをAIに渡すと、AIはそのまま計算して自信のある口調で答えを返すため、誤りに気づきにくくなります。定義の統一はAI導入の前提条件だと考えてください。

生成AIの出力を検証せずに使う

生成AIは、存在しない数値や根拠を、もっともらしい文章で出力することがあります。これはハルシネーション(AIが事実と異なる内容を生成する現象)と呼ばれ、営業分析の文脈では「売上減の要因」をそれらしく説明してしまう形で現れます。

AIが示した要因は仮説として扱い、必ず元データで確認したうえで、検証分析のステップを通してください。また、きれいなグラフや要約を得ること自体が目的化し、施策につながらない状態も避ける必要があります。分析の結果は「誰が、何を、いつまでに変えるか」というアクションに翻訳します。

受注件数だけでなく、平均取引額や取引継続率といった中長期の指標もあわせて見ることで、短期の数字づくりに偏ることも防げます。

汎用の生成AIに顧客データをそのまま渡してしまう

ChatGPTなどの汎用生成AIに、顧客名や取引金額を含む営業データをそのまま貼り付けて分析させる方法は手軽ですが、注意が必要です。社外のサービスにデータを送信すること自体が、自社の情報セキュリティ規程や顧客との秘密保持契約に抵触する可能性があります。

Salesforceの2025年調査でも、営業職の51%がデータセキュリティの懸念でAIの取り組みが止まったと回答しています(※5)。営業データの分析に生成AIを使う場合は、データが学習に使われない法人向けの契約や、社内のデータ基盤の上でAIが動くBIツールのように、データの保管場所と権限管理が明確な環境を選ぶことが前提になります。

営業データ分析ツールの選び方

営業データ分析のツールは、Excel、SFAやCRM、BIツールの3種類が中心であり、データ量と分析の複雑さに応じて段階的に使い分けるのが現実的です。これに加えて、ChatGPTのような汎用生成AIをどう位置づけるかも、現在のツール選びでは欠かせない論点です。それぞれの特徴を表で整理します。

ツール	向いている段階	得意なこと	限界
Excel・スプレッドシート	少人数、分析の初期	ピボットテーブルでの集計、簡単なグラフ化	データ量が増えると処理が重く、属人化しやすい
SFA・CRM	営業プロセスの標準化	活動と案件の記録、パイプラインの可視化	他システムのデータとの横断分析は不得意
BIツール	複数データの統合分析	複数システムのデータを統合し、自動更新で可視化	導入時にデータ整備と設計が必要

Excelから始める

普段の業務で使い慣れているExcelは、最初の一歩として有効です。ピボットテーブルを使えば、担当者別や商品別の売上推移を手早く集計できます。近年は表計算ソフトにも生成AIの補助機能が組み込まれ、関数の作成やグラフの提案を自然言語で指示できるようになりました。

ただし、データ量が増えたり、複数の人が同時に更新したりする段階になると、ファイルの管理や集計の手間が限界を迎えます。限界を感じたら、次の段階のツールを検討する時期です。

汎用の生成AIは仮説出しに使う

ChatGPTのような汎用生成AIは、分析の切り口を相談したり、商談メモを要約したりする用途に向いています。一方で、同じ質問に毎回同じ答えが返るとは限らず、計算の過程を後から検証しにくいため、業務として継続的に運用する分析には向きません。分析結果の共有や閲覧権限の制御もできません。

汎用生成AIは「考えを整理する相手」として使い、継続的に数字を追う分析はSFAやBIツールで行うという使い分けが現実的です。

SFA・CRMで営業プロセスを記録する

SFAは営業活動の記録と案件管理を通じて営業の効率化を支援するシステム、CRMは顧客情報のデータベースをもとにメール配信や問い合わせ管理まで含めた顧客との関係づくりを支援するシステムです。どちらも顧客情報を管理する機能を持ち、活動データと案件データを蓄積する基盤になります。

主要なSFAやCRMには、商談記録の自動要約、メール文面の下書き、受注確率の予測といった生成AI機能が標準で搭載されるようになりました。自律的にリストアップやフォローを行うAIエージェントも登場しています。ただし、これらのAI機能が参照できるのは原則としてそのSFAやCRMの中のデータに限られます。

BIツールで複数のデータを統合して分析する

BIツール(ビジネスインテリジェンスツール)とは、SFA、基幹システム、Excelなど複数の場所にあるデータを統合し、ダッシュボードで可視化して分析するためのツールです。データが自動で更新されるため、最新の数字をもとに人気の高い製品の特性や現在の優良顧客層を把握でき、製品開発や営業手法の改善に活かせます。

現在のBIツールは、生成AIを活用した自然言語クエリ、変化の自動検知、要因の自動説明といった機能を備えています。営業データ分析では、SFAの案件データと基幹システムの売上データを突き合わせる場面が必ず出てきます。

システムをまたいだデータに対して、自然言語で質問したいと感じた時点が、BIツールを検討するタイミングです。BIツールの選び方は、関連記事「【BIツール比較】正しい選び方やメリットを理解し失敗しない導入検討を」で詳しく解説しています。

営業データ分析に関するよくある質問

営業データ分析は何から始めればよいですか？

まず「受注率が下がった原因はどこか」のように、答えを出したい問いを1つ決めます。次に、SFAやExcelにある既存のデータを集め、月次推移や担当者別などの軸で可視化してください。可視化だけでも課題の所在は見えてきます。高度な手法やツールは、問いと課題が明確になってから検討すれば十分です。

営業データ分析で最も重要なKPIは何ですか？

業種や商材によって異なりますが、売上を「見込み案件数×コンバージョン率×平均取引額」に分解した3つの指標が基本です。この3つのどれが落ちているかで打ち手が変わります。あわせてセールスサイクルを見ると、案件の滞留も把握できます。定義を部門内で統一したうえで追うことが前提です。

データが少ない小規模な営業組織でも分析は有効ですか？

有効です。担当者が数名でも、案件の進捗や失注理由を記録すれば、パイプライン分析や商談分析は実施できます。規模が小さいほど1件の受注の影響が大きく、ボトルネックを1つ解消するだけで成果が出やすい面もあります。まずはExcelやスプレッドシートで始めれば、追加コストもかかりません。

営業パイプライン分析とはどのような手法ですか？

初回接触から受注までの営業プロセスを段階に分け、各段階の案件数と次の段階への移行率を見る手法です。案件数が大きく減る段階がボトルネックであり、そこに対策を集中させます。提案から見積へ進まないなら提案内容を、見積から受注へ進まないなら価格や競合対応を見直す、といった判断ができます。

ExcelとBIツールはどう使い分ければよいですか？

データが1つのファイルに収まり、更新する人が限られる段階ではExcelで十分です。SFAと基幹システムなど複数のシステムのデータを突き合わせる必要が出てきたり、毎回の集計作業に時間がかかるようになったりしたら、BIツールの検討時期です。BIツールは自動更新で常に最新の数字を見られる点が大きな違いです。

まとめ:営業データ分析はYellowfinで始めよう

営業データ分析は、動向分析で全体の動きをつかみ、要因分析で仮説を立て、検証分析で確かめるという流れで進めます。KPI分析やパイプライン分析などのフレームワークで切り口を定め、売上を分解したKPI指標で進捗を測れば、勘や経験に頼らない営業改善が可能になります。

分析を定着させるには、データの整備と、複数のシステムにまたがるデータを統合して見られる環境が欠かせません。Excelでの集計に限界を感じたら、BIツールの導入を検討する段階です。

Yellowfinが営業データ分析に向いている理由

Yellowfinは、SFAや基幹システム、Excelなど複数のデータソースを統合し、ダッシュボードで可視化できるBIプラットフォームです。売上や受注率の変化を自動で検知して通知するシグナル機能や、変化の要因を自動で説明する自動インサイト機能を備えているため、動向分析から要因分析までの時間を大幅に短縮できます。

分析結果を物語として共有するデータストーリーテリングにより、営業会議での合意形成にも役立ちます。

・参考

• ※1 総務省「令和8年版 情報通信白書」概要(2026年7月) https://www.soumu.go.jp/main_content/001082851.pdf
• ※2 HubSpot Japan株式会社「日本の営業に関する意識・実態調査2026」(2026年2月発表) https://www.hubspot.jp/company-news/stateofsales-20260227
• ※3 HubSpot Japan株式会社「日本の営業に関する意識・実態調査2025」(2025年2月発表) https://www.hubspot.jp/company-news/stateofsales-20250218
• ※4 株式会社セールスフォース・ジャパン「セールス最新事情」第6版 日本語版(2024年9月発表) https://www.salesforce.com/jp/news/press-releases/2024/09/30/sales-ai-statistics-2024/
• ※5 Salesforce「State of Sales」第7版(2025年8〜9月調査、22か国4,050人) https://www.salesforce.com/sales/state-of-sales/sales-statistics/
• ※6 中小企業庁「2026年版 中小企業白書・小規模企業白書」概要(2026年4月) https://www.chusho.meti.go.jp/pamflet/hakusyo/2026/PDF/2026gaiyou.pdf