BIツールを入れたのに売上が変わらない ― "集計の先"にあるデータ活用の実践

BIツールやデータウェアハウス（DWH）を導入する企業が増えています。しかし、その多くが「データを集めてダッシュボードで見る」段階で止まっているのが実態です。

月次の売上レポートを作り、前年比較のグラフを眺める。それ自体は悪いことではありません。ただ、そこに「次の打ち手」を導く分析はあるでしょうか。

本記事では、BtoB SaaS企業を想定したダミーデータを使い、データに隠れた「見えない情報」をどう活用するかをケーススタディとして示します。

顧客データに潜む「欠損」という落とし穴

ここでは、BtoB SaaS企業（顧客500社）を想定したダミーデータでケーススタディを行います。この架空の企業がCRMに蓄積しているデータは以下の通りです。

データ項目	内容	欠損率
月間ログイン回数	サービスの利用頻度	0%
サポート問い合わせ数	月間のサポートチケット数	0%
NPS（顧客満足度）	0〜10のアンケートスコア	30%
月額契約金額	契約プランの金額	15%
顧客企業の従業員数	企業規模の指標	25%
解約フラグ	直近で解約したかどうか	0%

ログイン回数やサポート問い合わせ数は自動で記録されるため欠損がありません。しかし、NPSアンケートの回答率は70%程度。契約金額もCRMへの入力漏れがあり、企業規模に至っては4社に1社が未登録です。

「欠損があるなら、入力されている顧客だけで分析すればいい」と考えるかもしれません。しかし、ここに大きな落とし穴があります。

「欠損データの除外」が生む深刻なバイアス

実は、NPSアンケートに回答しない顧客は、満足度が低い傾向があります。サービスに不満を感じている顧客ほど、アンケートに答える気力がない、あるいは関心が薄れているからです。

この偏りを無視して「回答者だけ」のデータで分析すると、何が起きるでしょうか。

NPS回答者と未回答者のNPS分布・解約率の比較

集計は「過去」を見る。予測分析は「未来」に対応する

BIツールが得意なのは集計です。「先月の売上はいくらだったか」「どのチャネルからの流入が多かったか」を正確に把握できます。

一方、予測分析はデータの中にあるパターンや関係性を使って、まだ見えていない情報を推定します。

	集計	予測分析
目的	過去の実績を正確に把握する	未来の行動やリスクを予測する
欠損データ	除外するか、平均値で埋める	他のデータとの関係性から推定する
アウトプット	1つの数値（平均・合計など）	確率分布（起こりうる範囲）
意思決定	「先月の解約率は20%でした」	「A社が来月解約する確率は70〜90%です」

なぜ「確率分布」で推定することが重要なのか

従来の手法で欠損データを処理する場合、欠損値を1つの数字で埋めます。たとえば「NPSの平均値である5.5」で全ての欠損を埋める方法です。

しかし、これでは「NPS 2の顧客」も「NPS 8の顧客」も全て同じ5.5として扱ってしまいます。個々の顧客の状況が完全に失われるのです。

実際に500社分の顧客データを使って、3つの欠損処理手法を比較しました。

手法の比較

• 欠損除外 ― NPS未回答の顧客を含むレコードを全て除外して分析する
• 平均値補完 ― 欠損値を各項目の平均値で埋めて分析する
• 予測分析による補完 ― 変数間の関係性を学習し、確率分布として欠損を推定して分析する

解約予測の精度比較

3つの手法による解約予測精度（AUC-ROC）の比較

手法	AUC-ROC	使用サンプル数
欠損除外	0.818	223社（55%が除外された）
平均値補完	0.848	500社
予測分析による補完	0.850	500社
完全データ（参考上界）	0.851	500社

なぜ高精度を実現できるのか

その理由は、データ同士の関係性を自動で学習しているからです。

予測モデルが推定した4変数間の相関構造

この相関行列は、予測モデルが推定した4つの変数間の関係性です。注目すべきは、利用頻度とNPSの間に0.73という強い正の相関がある点です。

つまり「ログイン回数が多い顧客はNPSも高い」という関係が存在しています。NPS未回答の顧客でも、ログイン回数は記録されています。この情報を使うことで「ログイン回数が少ない → NPSも低い可能性が高い」と合理的に推定できるわけです。

平均値補完では、この関係性が完全に無視されます。全ての欠損値が画一的に平均値で埋められるため、顧客ごとの文脈が失われてしまいます。

予測分析の最大の価値は、顧客ごとの解約リスクを確率分布として可視化できることです。

3社の顧客について推定した解約確率の分布

3社の顧客について、それぞれの解約確率を推定した結果です。

「解約しそうかどうか」をYes/Noの二択ではなく、確率の範囲で提示することが重要です。A社は「ほぼ確実に解約する」、B社は「可能性は低いが油断はできない」と、対応の優先順位を明確に判断できます。

ここまでの結果が「都合のいい推定」ではないことも確認しておきましょう。

NPS未回答の顧客3社について、推定結果（青い分布）と実際の真の値（赤い点線）

NPS未回答の顧客3社について、推定結果と実際の真の値を重ねた図です。

• A社（低NPS顧客） ― 真のNPSは1.3。推定は幅広い分布だが、真の値をカバーしている
• B社（中NPS顧客） ― 真のNPSは3.4。推定範囲2.5〜8.3に収まっている
• C社（高NPS顧客） ― 真のNPSは5.3。推定平均5.2とほぼ一致している

今回のシミュレーションは解約予測を題材にしましたが、同じアプローチは幅広いマーケティング課題に適用できます。

1. 解約・離反の早期検知

SaaSやサブスク型ビジネスで、ログイン頻度の低下やサポート問い合わせの増加から解約リスクを早期にスコアリングできます。データが欠損している顧客にも「欠損自体がリスクシグナル」として活用できる点が大きな強みです。

2. 広告・マーケティングROIの最適化

複数チャネル（Web広告、展示会、メルマガ）にまたがる顧客接点データを統合し、各チャネルの貢献度を正しく評価できます。チャネル間のデータが断絶していても、確率モデルで統合分析が可能です。

3. 顧客セグメントの精緻化と個別提案

購買履歴・行動データから「次に何を買いそうか」を予測するNext Best Offerモデルを構築できます。顧客属性の欠損があっても行動データから推定できるため、精度の高いパーソナライゼーションが実現します。

4. 需要予測と在庫最適化

過去データが少ない新商品でも、類似商品のデータを「事前知識」として活用し、少ないデータから精度の高い需要予測が可能です。販促キャンペーンの効果シミュレーションにも応用できます。

5. データ活用ロードマップの策定

「データはあるが何から手をつければいいかわからない」という企業向けに、データ資産の棚卸しとROIの高い施策の優先順位付けを行います。小規模なPoCで効果を実証してから本格導入に進むことで、リスクを最小限に抑えられます。

フェーズ	内容	期間目安
アセスメント	データ資産の棚卸し、課題整理、ロードマップ策定	1〜2ヶ月
PoC	1つのユースケースで小規模に効果検証	2〜3ヶ月
本格導入	モデルの本番化、業務プロセスへの組み込み	3〜6ヶ月
運用・改善	モデルの精度モニタリング、継続的な改善	継続

本記事では、BtoB SaaS企業を想定したダミーデータによるケーススタディを通じて、欠損データが意思決定に与えるバイアスと、予測分析の効果を示しました。

重要なのは「新しいツールを導入する」ことではありません。今あるCRMやDWHのデータから、適切な分析手法を使って「見えない情報」を引き出すことです。