「今期の着地見込みは78.0億円です。確度ベースだと86.0億円でした。差の8.0億円のうち4.2億円は、チーム全体が確度を高めに付けているために生じた差です」
何気ない期末報告に見えますが、しかし
（2）確度をそのまま足した額との差
（3）その差の理由
これらを、しっかり分解し、なおかつ「データに基づいて」説明すること、できていますか？
機械学習モデルの力を生かせば、この差の説明や補正が可能です。この記事でご紹介いたします！
例えば、こんなこと、解決してみませんか？
・確度Aを付けた案件が、期末に何件も失注した・着地見込みが、毎期のように実績を上回る
・確度を割り引いて読むべき担当者が何人もいる
・プリセールスを入れる案件を、経験で決めている
現場の勘
担当者100人の営業グループの最終責任者になったとしましょう。いま手元には、担当者が案件ごとに付けた確度A・B・Cの一覧があります。
社内ルールでは、以下のように確度を決めています。
| 確度 | 社内ルール |
|---|---|
| A | だいたい80% |
| B | だいたい50% |
| C | だいたい20％ |
このパーセンテージを案件の金額に掛けて足せば、感覚ベースでの着地見込みは計算できます。しかし、これって指標としてどこまで有効なんでしょうか？
いざ検証
受注・失注の正解が分かっている架空のデータを利用します。
＜設定＞
| 項目 | 前期 | 今期 |
|---|---|---|
| 担当者 | 100人 | 100人 |
| 全社での担当業界 | 10業界 | 10業界 |
| 案件 | 3,000件 （全部確定） |
受注済み：20億円 商談中：3,000件 |
| 分かっていること | 確度・金額・ 受注結果 |
商談中の案件は、 確度と金額だけ |
| 確度のままで見込んだ額 | 65.5億円 |
86.0億円 ・受注済み20億円 ・商談中66.0億円 |
| 実際の受注額 | 57.1億円 | まだ分からない |
簡単のため、担当者ごとの確度の付け方と、業界ごとの受注のしやすさは、前期と今期で変わらないものとします。
塵も積もれば
①確度をそのまま使う
架空のデータなので、3分クッキングよろしく、今期の実績（77.9億円）も、前もって分かっています。これを答え合わせに使っていきます。
方法①＝確度をそのまま足した着地見込みは86.0億円で、実績の77.9億円より8.1億円（10%）多くなりました。ところで、この8.1億円の差は、原因によって2つに分けることができます。
・担当者によるばらつきがある（③）
この②や③を補正するとかなり実績に近い値が出るわけです（下図参照）。ここから解説していきます。
②チーム全体の傾向を補正
②の補正は、前期実績さえあればエクセル一つでも試せる代物です。手順は2つです。
・今期の着地見込みを計算するときに、社内ルールの代わりに、前期の案件から計算した受注率を使う。
| 確度 | 社内ルール目安 | 前期、結局の受注率 |
|---|---|---|
| A | 80% | 68% |
| B | 50% | 44% |
| C | 20% | 24% |
検証してみると確かに「A＞B＞C」という序列は正しくマーキングできているようです。なので、「ただの感想」として切り捨てるのはいただけません。
ただし、確度Aと確度Bの受注率は社内ルールの目安より低くなっています。そこで行った②の補正では、着地見込みが81.8億円になり、4.2億円、誤差を減らすことができました。
③担当者の個人差を反映
先ほどのグラフにあったように、今回最も精度が高いのがこの③の方法です。
②の補正の後にも、実に3.9億円の差が残りました。3.9億円の差の主な原因は、担当者ごとに確度の付け方が違うことです。これを下記のような機械学習モデルで補正することで、高い精度を得ているのです。
さらにこの方法だと、78億円決め打ちではなく、悲観的な見積もり、楽観的な見積もりも併記することが可能です。この試算も統計的に補正されています。
より確かな意思決定へ
ここで改めて、確度に対する実際の受注割合のばらつきを観察すると、以下のようになりました。確かにこれで見込みを出せば、リスクが伴うだろうな…という感じですね。
さて、担当者ごとの確度Aの「真の受注確率」が分かれば、部やグループ単位では、次のような意思決定が可能になります。
・悲観75.1億円・中間78.0億円・楽観81.0億円の3パターンで示す（実績が悲観〜楽観に入る確率は80%）
・確度Aなのに補正後の受注確率が50%未満になる7件を「要注意案件」とし、担当者に確認
③の補正を始めるには、次の3つの作業が必要です。ただこれは、エクセル単体で行う補正よりも、実現の難易度は上がります。
・担当者ごとの確度の付け方の違いを、機械学習モデルで推定する。
・担当者の確度の付け方は時期によって変わる可能性があるため、毎期、補正の値を計算し直し、実績と比べて補正が正しいかを確かめる。
弊社AIソリューション部では、様々なAI・機械学習モデルの開発や、モニタリング用ダッシュボード、モデルの保守更新を、まとめてご支援しています。ぜひお気軽にご相談ください！
