こんにちは、CRMエバンジェリストの松原です。

「AIを営業に活用したい。でも何から始めればいいかわからない」

多くの中小企業経営者が抱えるこの悩みに、実は明快な答えがあります。

すでにCRMを使っているなら、AIとの相性は最高の状態にある。

なぜか。AIが高精度な予測を生み出すために最も必要な条件——「時系列で蓄積した定量データと定性データの両方」——を、CRMだけが持っているからです。

AI分析を行うためには時系列で蓄積した定量データと定性データがそこからパターンマッチングを実施します。CRMではその必要なデータを両方（顧客データと活動データ）を持つため、AIと良相性を実現します。

この記事では、CRMとAIが相性が良い理由をデータ構造から解説し、顧客行動予測がどういう仕組みで動くのかを、EMOROCOのアルゴリズム設計に基づいてわかりやすく解説します。

AIが「当たる予測」をするために必要な3つの条件

まず、AIが精度の高い予測を生み出すために何が必要かを整理します。

条件① 定量データ——「事実の数字」

購買金額・来店回数・商談件数・成約率——数値として計測できるデータです。AIは定量データを使って「どれくらいの確率でこの顧客が購買するか」「今月の売上はどれくらいになるか」というパターンを学習します。

しかし定量データだけでは限界があります。「Aさんは月に3回来店している」という事実はわかっても、「なぜ来店しているのか・何がきっかけで来なくなるか」は数字からは見えません。

条件② 定性データ——「文脈と感情」

顧客との会話メモ・担当者の観察記録・顧客の価値観・感情の変化——数値化できない「文脈のデータ」です。

定性データがあると、「Aさんは競合製品と比較していると担当者が記録している。価格より品質重視と書いてある」という文脈が加わり、AIの予測精度が劇的に向上します。

しかし定性データは「テキスト」のため、そのままでは数値計算ができません。後述するように、定性データを数値化・符号化することが技術的な鍵になります。

条件③ 時系列性——「変化のパターン」

3ヶ月前のデータ・先月のデータ・今週のデータ——時系列に蓄積されたデータがあって初めて「変化のパターン」が見えます。

「この顧客は3ヶ月前から来店頻度が下がっていて、担当者のメモも短くなってきている」——この「変化の文脈」こそが、AIが「離脱リスクが高い」と判断する根拠になります。

CRMは、この3つの条件を唯一すべて満たすシステムです。

なぜCRM以外のシステムはAIと「相性が悪い」のか

比較すると、CRMの独自性が浮かび上がります。

会計システム（SoR）とAI： 定量データは豊富。しかし「いつ・いくら」の記録のみで定性データは皆無。時系列はあるが、顧客の「なぜ」がわからない。「売上が下がった理由」をAIは予測できない。

MAツール（SoEの一部）とAI： 行動ログ（クリック・開封・訪問）は定量的に豊富。しかし「なぜクリックしたか・どんな感情で見たか」という定性データがない。SoEの行動データだけでは「表面的な行動パターン」しか学習できない。

BI（Business Intelligence）とAI： 分析はできるが、「過去のデータを集計して見せる」ツールであり、顧客との継続的な関係データを蓄積する設計になっていない。時系列の関係データがBIには存在しない。

CRMとAI： 顧客属性（定量）・購買履歴（定量・時系列）・接触記録（定性・時系列）・担当者のメモ（定性）・感情の変化（定性・時系列）——すべてが揃っている。AI予測に必要な「定量×定性×時系列」の三拍子が揃う唯一のシステムです。

CRM×AIの仕組み——データがどう「予測」に変わるか

EMOROCOのアルゴリズム設計（スライド34）を基に、データが予測に変わるプロセスを4ステップで解説します。

ステップ① 定量データと定性データを「結合」する

CRMには二種類のデータが時系列で蓄積されています。

【時系列定量データの例】
2024年1月：来店2回、購入金額1.2万円
2024年2月：来店1回、購入金額0.8万円
2024年3月：来店0回、購入金額0円
→「来店頻度が下がり、購入金額が減少している」という数値パターン

【時系列定性データの例】
2024年1月：「競合商品に興味を示している」（担当者メモ）
2024年2月：「返答が短くなった。やや距離感がある」（感情メモ）
2024年3月：「連絡に返信なし」（接触記録）
→「関係が冷えていく」という文脈パターン

問題は、定量データ（数値）と定性データ（テキスト）を直接AIに入力できないことです。EMOROCOのアルゴリズムでは、時系列定量データを符号化することで、定性データと結合させるという技術を使います。

【結合符号化のイメージ】

定量データ（来店・フォロー・購入の時系列）
　来店 → フォロー → 購入 → 来店 → 購入 → ─

定性データ（感情変化・担当者観察の時系列）
　良好 → 良好 → やや冷え → 不在 → 不在

↓ 符号化して結合

G（good）→ F（follow）→ A（attention）→ Nil → Nil → ...

このように、時系列の定量データと定性データを「記号のシーケンス（パターン列）」に変換することで、AIが処理できる形式に統合されます。

ステップ② パターンデータベースでマッチングする

変換されたシーケンスを、EMOROCOのパターンデータベースと照合します。

【パターンマッチングのイメージ】

観察されたシーケンス：
G → G → F → A → Nil → Nil

パターンデータベースにある既知パターン：
・「離脱前パターン」：G→F→A→Nil→Nil → 離脱確率87%
・「復活前パターン」：Nil→Nil→A→F→G → 復活確率62%
・「アップセル機会」：G→G→G→G → 追加購入確率74%

→ このシーケンスは「離脱前パターン」にマッチ
  → 「今すぐフォロー介入が必要」という洞察が生成される

**xForest（拡張ランダムフォレスト）やNN（ニューラルネットワーク）**などのアルゴリズムが、このパターンマッチングの精度を高めます。これらは単純な「もしAならB」というルールベースの判断ではなく、無数のパターンの組み合わせから最も確率の高い予測を導き出す機械学習の手法です。

ステップ③ マルコフ連鎖で「次の行動」を予測する

パターンが特定されたら、次のステップは「この顧客が次に何をするか」の予測です。EMOROCOではマルコフ連鎖という手法を活用します。

マルコフ連鎖とは「現在の状態から次の状態への遷移確率」を計算する手法です。

【マルコフ連鎖による行動予測のイメージ】

現在の状態：「来店（G）の後、フォロー（F）がある」

過去データから計算された遷移確率：
・G→F の後に「購入（Purchase）」が来る確率：52%
・G→F の後に「離脱（Nil）」が来る確率：28%
・G→F の後に「再度来店（G）」が来る確率：20%

→ 現時点の最適アクション：
  「購入確率52%のタイミングを逃さず提案する」
  「離脱確率28%を下げるためのフォローを今週中に実施する」

過去の顧客行動パターンから「来店→フォロー→購入」という連鎖を学習したAIは、「今まさにフォローを入れれば購入につながる」というタイミングを先読みして教えてくれます。

ステップ④ 「教師あり学習」で精度を自社に最適化する

一般的なAIは「学習データを持たないため、自らの手で成長させていく（学習データの蓄積とアルゴリズムの選択）必要があります」——これはまさに「新卒採用」のような状態です。一から育てるには6〜12ヶ月の期間が必要です。

EMOROCOは、予め顧客サービスに関する学習が完了した「教師あり学習」モデルを採用しています。つまり「中途採用（4年目以降）」として即戦力で使える状態です。

さらに重要なのが**リトレーニング（再学習）**です。

日々の活動から得られたデータによって、再学習を行い、使えば使うほど算出値を自社に最適化する精度の向上を実施します。

【リトレーニングの仕組み】

月1日：AIが「A社は今月購入確率70%」と予測
月15日：A社が実際に購入
→ 「この予測パターンは正しかった」とAIが学習

月1日：AIが「B社は離脱リスク低」と予測
月20日：B社が実際に離脱
→ 「この予測パターンは外れた。何が足りなかったか」とAIが修正

これを繰り返すことで、予測精度が自社の顧客パターンに
最適化されていく

使えば使うほど精度が上がる——これが「自社に最適化するAI」の本質です。

顧客グルーピングの革命——「思い込み分類」から「自動検出」へ

AIとCRMの相性の良さが最も劇的に現れるのが「顧客グルーピング」です。

従来の顧客分類は、人間が「こういう軸で分類しよう」と決めてから実施します。

【従来の顧客分類（思い込みベース）】

「優良顧客」「一般顧客」「休眠顧客」の3分類で管理
→ 「お得意様だ！」と思っていた顧客が実は離脱寸前だった
→ 「普通のお客さん」と思っていた顧客が実は高LTVになる素質があった
→ 人間の思い込みが正確な分類を妨げていた

EMOROCOのAIは、どのような軸を使い、どのようにグループ分けすれば顧客ごとの特徴が際立つかを自動計算します。

【AI自動グルーピングの例】

人間が名前をつけていない「名称不明だが重要なグループ」を検出：
・「記念日購入タイプ」：年に2〜3回、特定の時期だけ高額購入する
・「まとめ買いタイプ」：購入頻度は低いが、来るときは大量購入
・「離脱傾向タイプ」：購入頻度の微分値（減少率）が高い
・「日常ファンタイプ」：金額は小さいが高頻度で継続購入

これらは「事前に定義した軸」では見えなかったグループ。
AIが3次元（平均購入単価×月別購入頻度×購入頻度微分）で
自動的に発見した洞察。

「この人は何かな？」という謎のグループを人間が無理やり既存カテゴリに当てはめていた従来のやり方から、AIが「名称不明だが重要なグループ」を自ら発見する——これがCRM×AIの革命的な価値です。

EMOROCO CRM Liteで「AI準備体制」を整える

上位製品のEMOROCOはAI機能を統合していますが、中小企業がまず取り組むべきは「AIが学習できるデータを蓄積すること」です。EMOROCO CRM LiteはそのAI準備体制の基盤として機能します。

AI準備のための「良質なデータ設計」3原則

原則①：定量データは「時系列」で蓄積する

単発の購買記録ではなく、時系列のパターンとして意味を持ちます。

【時系列定量データの設計例】
・最終接触日（毎回更新）← 時系列の「変化」が追える
・来店回数（累積）← 増減のパターンが見える
・今月の購買金額（月次更新）← 季節性・周期性が学習できる
・商談フェーズ（毎週更新）← 進捗パターンが蓄積できる

原則②：定性データは「構造化」して記録する

自由記述のメモは、AIが処理しにくい形式です。選択式・タグ式で記録することで、定性データが「符号化できる形式」に近づきます。

【定性データの構造化設計例】

非構造化（AI処理が難しい）：
「田中さんは最近あまり乗り気でない感じ」

構造化（AI処理しやすい）：
感情温度：クール
ICX変化サイン：返答が短くなった ✓ / 連絡頻度が下がった ✓
顧客の関心キーワード：コスト削減、競合比較

選択式・チェックボックス・選択タグで記録された定性データは、将来のAI分析において「符号化→パターンマッチング」の精度を高める材料になります。

原則③：「なぜそうなったか」の文脈を残す

AIは「何が起きたか」は数字から学習できますが、「なぜ起きたか」は文脈データがなければ学習できません。

【文脈データの設計例】

失注理由（選択式）：価格 / 競合 / タイミング / 機能不足 / その他
失注の詳細文脈（一行テキスト）：
  例：「競合A社が価格を20%下げてきた。
       次回は価格以外の価値訴求が必要」

→ AIはこの文脈を学習し、
  「競合接触あり × 価格重視の顧客」を
  「失注リスク高」パターンとして認識するようになる

「今すぐ使えるAI」と「育てるAI」——中小企業の現実的な選択

AI活用を考える中小企業は、二つの選択肢があります。

① 今すぐ使えるAI（教師あり学習済みモデル）

業界・業種別の「学習済みパターン」を持つAIです。自社データをゼロから蓄積しなくても、ある程度の予測精度から始められます。EMOROCOの上位製品はこのアプローチを採用しています。

② 育てるAI（自社データで自己最適化）

自社のデータを蓄積しながらAIが自社の顧客パターンを学習し、使えば使うほど予測精度が上がるアプローチです。EMOROCO CRM Liteで定量×定性データを時系列で蓄積することが、この「育てるAI」の準備段階になります。

現実的な中小企業の最初の一歩は、**「AIの判断材料になる高質なデータを今日から蓄積し始めること」**です。

CRMに「感情温度」「失注理由（選択式）」「次のアクション期日」が記録されていくとき、その積み重ねはAIの学習データになります。今日入力した一行のメモが、1年後の顧客行動予測の精度を決める材料になります。

CRM×AI活用のロードマップ——中小企業向け3フェーズ

【フェーズ1：データ設計フェーズ（1〜3ヶ月）】
EMOROCO CRM Liteの設計

・定量フィールド：
  最終接触日・来店回数・購買金額・商談フェーズを時系列で記録

・定性フィールド（構造化）：
  感情温度（選択式）・ICX変化サイン（チェックボックス）・
  失注理由（選択式）・顧客の関心キーワード（タグ式）

・文脈フィールド：
  次のアクション期日・フォロークフック（一行テキスト）

目標：全顧客の「定量×定性×時系列」データが蓄積し始めた状態

【フェーズ2：パターン発見フェーズ（3〜12ヶ月）】
蓄積データからの洞察

・ダッシュボードで「高LTV顧客の共通属性」を分析
・失注理由の分布から「失注パターン」を特定
・感情温度の変化と失注の相関を確認
  （例：「感情温度がクールになってから30日以内に失注した案件が73%」）

目標：人間がパターンを発見し、
    AIが学習すべき「教師データ」が揃い始めた状態

【フェーズ3：AI予測活用フェーズ（1年〜）】
予測に基づくアクション

・蓄積されたパターンが、「次に誰に連絡すべきか」を先読みする
・グルーピングが「思い込み分類」から「データ発見型」に移行
・リトレーニングにより、予測精度が自社の顧客パターンに最適化

目標：「勘と経験の営業」が「データと予測の営業」に転換した状態

まとめ——CRMとAIの相性が良い理由を3つにまとめる

理由①：CRMは定量×定性×時系列のデータを唯一持つ 購買データ（定量）×担当者メモ・感情変化（定性）×時系列の変化——AI予測の三条件をすべて満たすのはCRMだけ。ERPもMAもBIも、このすべてを持っていない。

理由②：CRMの定性データは「符号化→パターンマッチング」できる 感情温度・ICX変化サインなどの構造化された定性データは、xForest・NNなどのアルゴリズムが処理できる「記号のシーケンス」に変換できる。これがマルコフ連鎖による行動予測の材料になる。

理由③：使えば使うほどAIが自社に最適化する リトレーニングによって、AIは自社顧客のパターンを継続的に学習し、予測精度が向上し続ける。「育てるAI」として、CRMに蓄積するデータそのものが競争優位になる。

EMOROCO CRM Liteは、このAI活用への道を月1,500円/ユーザーから準備できるCRMです。まず今日、一人の顧客の「感情温度」と「失注理由（選択式）」を記録することから始めてください。その一つのデータポイントが、将来のAI予測の最初の学習素材になります。
EMOROCO CRM Lite 製品ページ

関連記事：[ICX（インプリシットカスタマーエクスペリエンス）とは何か——言語化されない顧客体験をCRM4.0とEMOROCO CRM Liteで設計する方法]

関連記事：[【連載第2回】なぜCRMだけがSoIを担えるのか——CRM1.0から4.0への進化と「洞察の深化」]

関連記事：[顧客データは「資産」か「負債」か——蓄積するだけで終わるCRMと、活かせるCRMの差]