スコアリングを「感覚」から「データ」に変える｜行動データ・属性データの重み付けと、統計的スコアリング設計の考え方

スコアが高いのに商談につながらない、なぜか

ナーチャリングを設計して、セグメントを切って、シナリオも動かしている。

それでも「スコアが高いリードを営業に渡したら、質が低いと言われた」「MQLを渡しても動いてもらえない」という状況に悩んでいるチームは多いです。

この記事では「スコアリング」に焦点を当て、なぜ感覚ベースのスコアリングが機能しないのか、そしてどうすれば精度を上げられるかを整理します。

感覚ベースのスコアリングが機能しない理由

多くのMAでは「料金ページの閲覧に15点」「資料ダウンロードに10点」のように、担当者の経験則でスコアを設定しています。一見合理的に見えますが、この設定には根本的な問題があります。

問題① 行動の「文脈」を無視している

同じ資料をダウンロードした行動でも、競合調査で取得した他社の担当者と、具体的な導入を検討しているターゲット企業の決裁者では、その後の商談化率は大きく異なります。ただ「ダウンロードした」という事実に同じ点数をつけると、質の全く違うリードを同等に扱うことになります。

属性データを加味していない点も同じ問題です。「料金ページを閲覧した」という行動が、従業員1,000人以上のターゲット企業の部長によるものか、ターゲット外企業の担当者によるものかで、意味合いは大きく変わります。行動データだけでスコアを判断すると、このような差が見えなくなります。

問題② 「行動の量」と「行動の質」を混同している

サイトの構造が分かりにくくて迷ってしまい、結果的に多くのページを閲覧したユーザーが、明確な目的を持って料金ページや事例ページだけを見たユーザーより高スコアになる、ということが起きます。

こうしたスコアが蓄積されると、「スコアが高いリードは単にアクティブなだけで、購買意欲があるわけではない」と営業が感じ、スコア自体を信用しなくなります。営業とマーケの連携が崩れるよくある原因のひとつです。 

問題③ 相関と因果を混同している

「過去の受注顧客は、商談前に特定のホワイトペーパーをダウンロードしていることが多い」というデータがあったとして、「そのホワイトペーパーをダウンロードさせることが受注を引き起こす」と解釈してしまうケースがあります。

これは相関と因果の混同です。実際には「特定の業務課題を抱えている」という別の要因が、ホワイトペーパーのダウンロードと受注の両方を引き起こしている可能性があります。この誤解に基づいてスコアを高く設定しても、精度は上がりません。

スコアリングを「データ」で設計する考え方

感覚ベースのスコアリングから脱却するためには、「こうあってほしい」という仮説ではなく、「過去の受注データはどうだったか」という事実から逆算する設計に切り替えることが必要です。

基本的な考え方：結果から逆算する

統計的スコアリングの出発点は、過去の商談・受注データです。「受注に至ったリード」と「失注・放置になったリード」のデータを比較して、どんな属性を持ち、どんな行動を取ったリードが統計的に商談化しやすいかを明らかにします。

その分析結果に基づいてスコアの重みを設定することで、「このスコア配分には根拠があります」と営業に説明できるようになります。感覚で決めたスコアと、データで決めたスコアでは、営業の信頼度が変わります。

活用できる主な分析手法

統計的スコアリングを実現するために、実務でよく使われる分析手法を3つ紹介します。

ロジスティック回帰で「重み」に根拠を持たせる

この中でもスコアの重み付けに直接使えるのがロジスティック回帰分析です。分析結果として「オッズ比」という指標が得られ、「この行動を取ったリードは、そうでないリードと比べて受注確率が何倍になるか」を数値で示せます。

この数値を営業に示せると、「なぜこのリードを渡すのか」の説明が定性的な感想ではなく、定量的な根拠になります。「このリードはスコアが高い」ではなく「このリードは過去データに基づくと商談化確率が高い」という説明ができるようになります。 

行動データと属性データをどう組み合わせるか

スコアリングの精度を上げるには、行動データと属性データを組み合わせることが重要です。どちらか一方だけでは見えない「文脈」が、組み合わせることで見えてきます。

ロジスティック回帰分析では、行動データと属性データを組み合わせた「交互作用」も評価できます。たとえば「料金ページの閲覧」単独ではオッズ比が低くても、「従業員数500人以上のリードによる料金ページの閲覧」は受注確率を大きく高める、といった関係性が発見できることがあります。

こうした分析結果は、このシリーズで整理してきたセグメント設計（フェーズ×属性軸）やMQL定義（営業に渡すタイミングの条件）にも直接活かせます。「なぜこの条件でMQLと定義するか」の根拠が、データから説明できるようになります。 

統計的スコアリングに必要なデータ基盤

統計的アプローチは、データの質と整備状況に大きく依存します。高度な分析手法を使っても、元のデータが不正確であれば意味のある結果は得られません。

よくあるデータの問題

多くの企業が抱えているデータの課題として、以下のようなものがあります。

統計分析はクリーンなデータがあって初めて成立します。分析に着手する前に、MAとSFA/CRMのデータが正しく連携できているか、最低限のデータクレンジング（名寄せ・表記の統一）ができているかを確認することが先決です。

また、データ基盤の整備は「マーケだけの話」ではありません。営業がCRMに正確に商談結果を入力してくれなければ、分析に使える「成功/失敗データ」が揃いません。このシリーズの営業連携の記事で整理したマーケと営業の協力体制が、スコアリングの精度にも直結します。

スコアリングは「作って終わり」ではない

統計的スコアリングは、一度設定したら終わりではありません。市場や顧客の行動は変化するため、スコアも定期的に見直す必要があります。

この改善サイクルは、このシリーズの「ナーチャリングの成果、どうやって測ればいいのか」で整理した改善サイクルの考え方と同じです。スコアリングも施策も、動かしながら検証・改善を繰り返すことで精度が上がっていきます。 

少人数チームでも始められる、現実的な進め方

統計的スコアリングと聞くと、データサイエンティストが必要なイメージを持つかもしれませんが、最初から完璧な分析環境を整える必要はありません。

まずは「MQL条件の合意形成」から

統計分析の前段として、まず営業と「どんなリードなら動けるか」をすり合わせることが重要です。このシリーズの営業連携の記事でも触れたように、MQLの条件を営業と一緒に決めるプロセス自体が、スコアリングの改善につながります。

「過去に商談化したリードはどんな行動をしていたか」を営業に聞くことで、簡単な仮説が立てられます。統計分析はその仮説を検証するためのツールとして使う、というステップを踏むと始めやすいです。

スモールスタートで検証する

最初から全リード・全製品を対象にするのではなく、データが比較的整っている特定の製品や事業領域に絞って試すことをおすすめします。小さい範囲で分析・検証して有効性を確認してから、対象を広げていく方が失敗しにくいです。

このシリーズの「少人数チームでナーチャリングを回す」の記事で整理した「削る設計」の考え方は、スコアリングにも同様に当てはまります。最初から完璧を目指さず、動かしながら改善していく姿勢が、長続きするスコアリング運用につながります。

まとめ

感覚ベースのスコアリングが機能しない理由は、行動の文脈を無視していること、行動の量と質を混同していること、相関と因果を混同していることの3つに集約されます。

これを解決するためには、過去の受注データから逆算して「実際に商談化しやすい行動・属性」を特定し、その根拠に基づいてスコアを設計する統計的アプローチが有効です。ロジスティック回帰分析などの手法を使うことで、営業に対して「なぜこのリードを渡すのか」を定量的に説明できるようになります。

ただし、どんな分析手法よりも先に必要なのは、MAとSFA/CRMのデータが正しく連携していること、そして営業とスコアリングの目的を共有していることです。スコアリングの精度は、データ基盤と組織の連携の質に依存します。