結論：データは答えを出すためではなく、仮説を早く見つけるために使う

営業組織で「データ活用」と聞くと、
次のようなイメージを持たれがちです。

• 数字で白黒をつける

• 正解の行動を見つける

• 完璧な勝ちパターンを導き出す

しかし、可視化営業期におけるDataの役割は、
それとは大きく異なります。

結論から言えば、

データは“正解”を出すためのものではない。
仮説を早く見つけ、次の一手を決めるための道具である。

この前提を間違えると、
データは現場を縛るものになり、
逆に営業のスピードを落としてしまいます。

本記事では、
営業データを「管理」ではなく
成果につながる意思決定に変えるためのData設計を、
具体的なステップで解説します。

1. 可視化営業期におけるDataの位置づけ

フェーズ2（可視化営業期）では、
すでに次の状態が整いつつあります。

• Process

• 商談フェーズと進行基準が定義されている

• Contents

• 顧客の反応データが取得できている

この状態で初めて、
Dataは意味を持ち始めます。

逆に言えば、

• プロセスが定義されていない

• 反応データが取れていない

状態でDataを見ても、
数字はノイズにしかなりません。

可視化営業期のDataは、
People・Process・Contentsを横断して
「成果との関係」を照らす役割を担います。

フェーズ2「可視化営業期」の詳細はこちらの記事で解説していますので、ぜひご覧ください。
https://www.coleta.jp/digitalsalesnavi/kashika

2. なぜ多くの営業データ活用は失敗するのか

営業データ活用がうまくいかない組織には、
共通した特徴があります。

2-1. データを見ることが目的化している

• ダッシュボードを作った

• KPIを並べた

• 毎週数字を確認している

それでも成果が変わらない理由は、
数字を見て終わっているからです。

2-2. 行動と結果が結びついていない

• 案件数

• 受注率

• 売上

これらの数字だけを見ても、

• 何を変えればいいのか

• 次に何をすべきか

は分かりません。

2-3. 正解を求めすぎている

• 「これをやれば必ず勝てる」

• 「最適なKPIは何か」

こうした問いは、
可視化営業期には早すぎます。

3. 可視化営業期のDataが目指すゴール

可視化営業期におけるDataのゴールは、
非常にシンプルです。

営業活動データと成果を照合し、
「何をすると成果につながりやすいか」を
仮説として把握すること

ここでは、

• 100％正しい必要はない

• 一度で結論を出す必要もない

重要なのは、

次の改善アクションが決まること

です。

4. 可視化営業期のData設計：全体像

可視化営業期のData活用は、
以下の3ステップで行います。

1. 勝ち案件・失注案件を抽出する

2. AIを使って両者の違いを整理する

3. 抽出した行動パターンをKPIに反映する

ここから、それぞれを詳しく見ていきます。

5. ステップ① 勝ち案件・失注案件を抽出する

まずやるべきは、
データを絞ることです。

抽出対象の例

• 直近3〜6か月

• 一定金額以上の案件

• 条件が近い案件

重要なのは、

• すべてを見ること

• 全案件を分析すること

ではありません。

比較できるサンプルを用意することが目的です。

6. 比較するのは「結果」ではなく「過程」

ここでのポイントは、
勝ち案件と失注案件を、

• 受注した／しなかった

だけで比較しないことです。

見るべきなのは、
そこに至るまでの行動の違いです。

例

• 初回提案までの日数

• 決裁者同席の有無

• 商談回数

• DSRでの資料閲覧状況

• フェーズ滞留期間

これらはすべて、
Process・Contentsと紐づいた行動データです。

7. ステップ② AIを使って違いを要約する

可視化営業期では、
ここでAIを積極的に活用します。

なぜAIを使うのか

• 人が見落としがちな傾向を拾える

• 大量の情報を短時間で整理できる

• 仮説出しを高速化できる

やることはシンプルです。

AIへの入力例

勝ち案件と失注案件の違いを、
行動・プロセス・意思決定の観点で
3点に要約してください。

重要なのは、

AIの出力を「答え」と思わないこと

AIは、
仮説のたたき台を出す存在です。

8. AI分析を正しく使うための考え方

AI分析を使う際の注意点を整理します。

8-1. 完璧さを求めない

• 精度100％は不要

• 大まかな傾向で十分

8-2. 現場の感覚と照らす

• 「確かにそうかも」

• 「これは違和感がある」

この議論こそが価値です。

8-3. すぐ検証できる形に落とす

• 次の案件で試せるか

• 行動に落とせるか

これが、
AI分析を活かす最大のポイントです。

9. ステップ③ 行動パターンをKPIに反映する

AIや分析から見えてきた仮説は、
行動KPIとして定義します。

行動KPIの例

• 初回提案までの日数

• 決裁者同席率

• 特定資料の閲覧有無

• 商談回数

• フェーズ滞留日数

ここで重要なのは、

成果KPI（売上・受注率）ではなく
行動KPIに落とすこと

です。

行動KPIは、
営業がコントロールできる指標です。

10. KPIは「管理」ではなく「改善」のために使う

KPI設計で最も避けるべきなのは、
管理・評価目的で使うことです。

可視化営業期のKPIは、

• 守らせるもの

• 縛るもの

ではありません。

改善のヒントを得るためのもの

です。

• なぜ達成できなかったか

• どこで詰まったか

• プロセスを変えるべきか

こうした議論につながって初めて、
KPIは意味を持ちます。

11. DataがProcess・Contentsを進化させる

Dataは単独で価値を生みません。

• Process

• どのフェーズで止まりやすいか

• Contents

• どの資料が成果に寄与しているか

これらを照らし合わせることで、
改善の方向性が明確になります。

つまり、Dataは、

People・Process・Contentsを
つなぐハブ

として機能します。

12. 可視化営業期のData活用でよくある失敗

最後に、よくある失敗を整理します。

• KPIを増やしすぎる

• 一度決めたKPIを変えない

• 数字だけを追いかける

• 現場を置き去りにする

可視化営業期では、
軽く・早く・回すことが何より重要です。

13. まとめ：データは「仮説生成エンジン」である

本記事の要点をまとめます。

• データは答えを出すためのものではない

• 仮説を早く見つけるために使う

• 勝ち案件と失注案件を比較する

• AIを使って傾向を要約する

• 行動KPIに落とし、次の改善につなげる

可視化営業期におけるDataは、
営業を科学するための第一歩です。

次の記事予告

次回は、
フェーズ2全体を総括する記事として、

• 可視化営業期の全体像

• フェーズ1からどう進化したか

• 次の「勝ちパターン期」への入り方

を解説します。