データドリブン経営を営業組織で実現する

ダッシュボードは、かつてないほど整っています。受注件数、商談単価、フェーズ別の進捗、予実差。経営会議のスクリーンには、色とりどりのグラフが並びます。それでも、会議の終盤でこんな声が漏れることがあります。「で、なぜこの案件は負けたのか」。そして、答えられる人はいません。

データドリブン経営という言葉が広まって、もう十年以上が経ちます。多くの企業がBIツールを導入し、KPIを可視化し、数字で語る文化を整えてきました。ところが、最もデータ化が遅れている領域があります。それが営業です。会社の売上をつくる中枢でありながら、勝敗を分けた判断そのものは、いまだに「勘と経験」の中に閉じ込められています。

データドリブン経営とは、本来「結果の可視化」ではなく「判断の質を上げる仕組み」のことです。ところが営業領域では、可視化できているのは結果データばかりで、勝敗を分けるプロセスデータ、すなわち商談の対話が、構造化されないまま残されています。この断層こそが、データドリブン経営が営業組織で止まってきた本当の理由です。

この記事の3つの結論

データドリブン経営の最後の空白は営業です。結果データは可視化できても、勝敗を分けるプロセスデータ＝対話が構造化されていないからです。
データドリブン経営の課題は技術ではなく文化と判断構造にあります。データ文化を確立できた企業はわずか21%です[3]。
生成AIの効果はワークフローの再設計があって初めて出ます[4]。営業をデータドリブン化する条件は、可視化ではなく対話の構造化です。

データドリブン経営とは「結果の可視化」ではなく「判断の質」のことです

データドリブン経営とは、経験や直感に頼った意思決定を、データに基づく意思決定へと置き換える経営の方法です。その効果は、感覚論ではなく実証されています。マサチューセッツ工科大学のエリック・ブリニョルフソン氏らが上場大手179社を分析した研究によれば、データに基づく意思決定を取り入れた企業は、同等のIT投資をした企業と比べて、生産性が5〜6%高いという結果が出ました[1]。資産効率や株主資本利益率でも同様の差が確認されています[1]。

ここで注意したいのは、この研究が測っているのが「ダッシュボードの枚数」ではなく「意思決定がデータに基づいているか」だという点です。データドリブン経営の本質は、可視化ではなく、判断の質にあります。BIツールを入れることと、データドリブン経営を実現することは、まったく別のことなのです。

ところが現実には、多くの企業でこの2つが混同されています。グラフは増えました。レポートは厚くなりました。それでも、経営会議で交わされる判断の中身が変わったかと問われると、答えに詰まります。私たちはこの状態を「二次情報依存」と呼んできました。要約レポートと加工済みの数字は整っているのに、判断の根拠となる生の一次情報が経営に届いていない状態です。

データドリブン経営の課題は、技術ではなく組織の文化と構造にあります

データドリブン経営の課題はどこにあるのか。多くの経営者は「ツールが足りない」「人材が足りない」と考えます。しかし、データを見ると、ボトルネックは別の場所にあります。

NewVantage Partners（現Wavestone）がFortune 1000企業のデータ責任者を対象に実施した2023年の調査によれば、自社を「データドリブンだ」と答えた企業はわずか24%、「データ文化を確立できた」と答えた企業は21%にとどまりました[3]。しかも自社をデータドリブンとする企業の割合は、2017年の37%から右肩下がりに低下しています[3]。投資は増え続けているのに、文化として根づいた企業の割合は、むしろ減っているのです。

同調査が一貫して指摘するのは、最大の障害がテクノロジーではなく、組織の文化と人にあるという事実です[3]。つまり、データドリブン経営の課題は、データを集める技術ではなく、データを判断に変える組織の構造にあります。可視化の技術はこの十年で十分に成熟しました。詰まっているのは、その先です。

営業領域は、この詰まりが最も深刻に表れる場所です。経理データも、生産データも、マーケティングのアクセスログも、もとから数字として記録されます。ところが営業の中核にあるのは、人と人との対話です。商談の場で何が語られ、どの一言が受注を引き寄せ、どの沈黙が失注を招いたのか。この最も重要な情報が、構造化されないまま消えていきます。私たちはこれを「表出化の壁」と呼んでいます。暗黙知を形式知に変える工程だけが、長らく人手と時間に頼るしかなかったのです。

図1：結果データとプロセスデータの断層（受注件数・単価は可視化済み／商談の対話は未構造化）

営業こそ、データドリブン経営の最大の空白地帯の一つです

なぜ、営業だけがデータ化から取り残されてきたのでしょうか。理由は単純です。営業の勝敗を分けているのは結果データではなく、プロセスデータ、すなわち商談の対話だからです。そしてその対話は、構造化されていません。

経営会議のダッシュボードに並ぶのは、受注したか失注したか、いくらで決まったか、何日かかったかという「結果」です。結果データはたしかに可視化できます。しかし、結果データをいくら眺めても、なぜ勝ったのか、なぜ負けたのかという「プロセス」は見えてきません。勝敗を分けた判断は商談の対話の中にあり、その対話は、録音されても議事録に丸められた瞬間に、肝心の判断構造が抜け落ちてしまうのです。

私たちは、国内大手企業を中心に1,000名以上、計2万時間に及ぶ商談データをAIで解析しました[5]。そこで見えたのは、結果データのみでは決して見えてこない事実でした。ハイパフォーマーは、業界によってローパフォーマーの2.0倍から3.2倍の頻度で、顧客に「仮説」をぶつけていました[5]。IT業界で2.0倍、人材業界で3.2倍、M&A業界で1.9倍です[5]。「お客様の話をよく聞きなさい」という日本の営業教育を、対話のデータが否定したのです。私たちはこれを「傾聴の呪縛」と名づけました。

ここで重要なのは、この勝ち筋が、結果データのダッシュボードには一切映らなかったということです。受注率の棒グラフをどれだけ精緻に並べても、「仮説提示の頻度」というプロセス変数は、対話を構造化しない限り取り出せません。営業がデータドリブン経営の最後の空白地帯であり続けたのは、まさにこの一点に理由があります。

生成AIの効果は、ワークフローの再設計があって初めて実現します

ここに、転換点が訪れています。生成AIです。ただし、安易な期待は禁物です。マッキンゼーが2023年に公表した調査では、生成AIの最大のインパクトは、これまで自動化が最も難しいとされてきた意思決定と協働の知識労働に及ぶとされ、経営・人材育成の自動化可能性は2017年の16%から2023年には49%へと跳ね上がりました[2]。営業という、判断と対話の連続でできた仕事は、まさにその中心にあります。

しかし、ツールを入れるだけでは何も変わりません。マッキンゼーが2025年に世界の企業を調査した報告書は、極めて重要な事実を示しています。生成AIから利益（EBIT）への効果を生み出す要因を25項目で検証したところ、最も効果が大きかったのは「ワークフローの再設計」でした[4]。成果を上げている企業は、そうでない企業に比べて、業務プロセスを根本から作り直している割合がおよそ3倍に達します[4]。生成AIの効果は、既存の業務にAIを足すことからではなく、ワークフローそのものを設計し直すことから生まれるのです。

2026年4月、KADOKAWAから拙著『生成AIで最強の組織が生まれる──トップと現場をつなぐ一次情報経営』を刊行しました。本書の中核命題は、現場の一次情報を要約に変える前に構造化し、経営判断へ直結させるという「一次情報経営」の思想です。今回のテーマであるデータドリブン経営を日本企業の営業組織に当てはめると、必要なのは新しいダッシュボードではなく、対話という一次情報を構造化するワークフローの再設計そのものになります。

この観点を営業に適用すると、やるべきことは明確です。商談の対話を録音し放置するのではなく、「誰が、どの場面で、どんな仮説を出し、何が受注を分けたのか」を構造化された変数として取り出す。この設計こそが、生成AIによる営業のデータドリブン化の核心です。鍵になるのは個人のスキルに頼ることではなく、組織として仮説を生成し共有する仕組みを持つことです。

ワークフローの再設計は、4つのステップで具体化できます

では、その設計は具体的に何をすることなのか。「ワークフローを再設計する」と言うと抽象的に聞こえますが、営業に当てはめれば、やることは4つの工程に整理できます。私たちが顧客の営業組織で実際に回している手順でもあります。

第一に、自社の「勝ち筋」をAIを使って分析し、言語化します。2万時間の商談解析が示した事実、「勝敗を分ける変数が仮説提示の頻度である」ように、これまで数字にならなかったプロセスの中に潜む定性的な勝ち筋をAIによって定量化し、分析することが可能です[5]。

まず自社の受注商談と失注商談を対話のレベルで突き合わせ、何が勝敗を分けているのかを、名前のついた変数として取り出します。「お客様の話をよく聞く」といった曖昧な美徳ではなく、「課題仮説を持ち込んでぶつけたか」「決裁プロセスに同席させてもらえるように踏み込んだか」という、観測できる行動に翻訳するのです。

勝ち筋の言語化を実践した好例が日本M&Aセンター様です。営業の属人的な暗黙知を対話を通じて引き出し、その暗黙知に価値があるかを大量の商談データを用いた受注率との相関分析で検証し、得られた示唆を数値化していきました。その結果、M&Aを実施した際のシナジーに関する仮説をお客様に提案できているかが受注率に最も寄与することを特定し、商談を100点満点で数値化できるようになっています。

第二に、商談のステージごとに「必要アクション」と「通過条件」を定義します。言語化した勝ち筋を、商談プロセスの各段階に配置していきます。たとえば「課題探索」の段階なら、課題が構造化されているか、相手の意思決定プロセスが言語化できているか、複数接点の温度感がつかめているか。「共創設計」の段階なら、プロジェクト仮説が顧客と共通認識になっているか、データ・体制・予算感の目安が共有されているか。これらの条件を満たして初めて次の段階へ進める、という関門（ステージゲート）を引きます。勘で「いけそうだ」と言うのをやめ、満たすべき条件で案件を語るのです。

図2：営業案件のステージゲート・ダッシュボード：各ステージに通過条件（必要アクション）を定義し、商談データからAIが達成状況を判定する画面

第三に、その判定をAIに任せ、基準の精度を上げます。通過条件を人が一件ずつ目視で確かめていては、現場は回りません。商談の録音から「課題が構造化されたか」「決裁ルートが解像されたか」をAIが判定し、各案件が今どの段階にあり、どの条件が未達なのかを自動で示します。判定がずれていれば基準を直す。これを繰り返すうちに、AIの判定はその会社固有の勝ち筋に合わせて精度を増していきます。可視化済みの結果データではなく、対話という一次情報を判定の入力に使う点が肝心です。

第四に、この基準に基づいて案件会議や1on1が行われるように、組織に業務フローとして埋め込むことです。ここまで来ると、営業担当者も、マネージャーも、経営も、理論上は同じ一枚の盤面を見て案件を語れるようになるはずです。一方で、組織の現状維持バイアスはそれでもなお強いものです。これをみながら日々の会議を行うようマネジメントが現場に徹底し、その実践状況自体を、AIによって可視化させるのです。

図3：1on1で活用される個人のスキルシートが、商談後に自動生成されている例。定義した営業の型に対して、何が足りていないか、ネクストアクションをどうすべきかが提示される

データドリブン化に必要な3つの条件

ここまでを、営業組織をデータドリブン化するための3つの条件として整理します。

第一に、結果データではなくプロセスデータを対象に置くこと。受注件数や商談単価の可視化はすでに各社が達成しています。これから取り組むべきは、勝敗を分ける対話、すなわちプロセスデータの構造化です。生の対話情報をどう構造化するかが論点になります。
第二に、可視化ではなくワークフローの再設計から始めること。生成AIの効果はツール導入からではなく、業務プロセスの作り直しから生まれます[4]。営業で言えば、対話を「仮説提示の頻度」のような判断変数へ変換する設計が要ります。
第三に、文化と判断構造を経営の論点として扱うこと。データドリブン経営の課題は技術ではなく文化にあり、それを動かせるのは現場ではなく経営です[3]。どの判断が受注を分ける一次情報なのかを論点として定めるのは、経営の仕事です。

私たちが、顧客の声を起点とした戦略立案と、営業の型をAIで特定し実装する取り組みの両方を支援しているのは、この3条件が分かちがたく結びついているからです。対話というプロセスデータを構造化し、ワークフローを設計し直し、それを経営の判断構造に組み込む。一連の流れとして設計しなければ、営業のデータドリブン化は途中で止まります。

図4：データドリブン経営に必要な3つの条件（①結果データでなくプロセスデータを対象に ②可視化でなくワークフロー再設計から ③文化と判断構造を経営の論点に）の3ステップ図

それは個人の問題ではなく、経営のOSの問題です

営業がデータドリブン化されてこなかったのは、現場の努力不足でも、データ人材が足りないからでもありません。勝敗を分けるプロセスデータ＝対話を構造化する仕組みと、それを徹底する文化が、これまで存在しなかったからです。問題は個人のスキルにあるのではなく、組織の経営OS、すなわち意思決定の構造そのものにあります。

データドリブン経営の成否は、ダッシュボードの数では決まりません。決めるのは、勝敗を分けた対話という一次情報が、要約に丸められる前に構造化され、経営の判断に届いているかどうかです。問題は技術ではなく、その回路を経営OSに組み込めているか。次の経営会議で「で、なぜこの案件は負けたのか」と問われたとき、データで答えられる組織になっているでしょうか。データドリブン経営とは、その一点から始まります。

出典

データに基づく意思決定の企業は生産性・産出が5〜6%高い（上場大手179社）— Erik Brynjolfsson, Lorin Hitt, Heekyung Hellen Kim「Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?」(2011, SSRN/ICIS)。
生成AIの最大インパクトは意思決定・協働の知識労働、経営自動化可能性16%(2017)→49%(2023) — McKinsey「The economic potential of generative AI: the next productivity frontier」(2023年6月)。
自社を「データドリブン」と答えた企業は24%・「データ文化を確立」は21%、2017年37%から低下、最大障害は文化と人 — NewVantage Partners (a Wavestone Company)「2023 Data and Analytics Leadership Executive Survey」(2023年1月)。
生成AIのEBIT効果に最も寄与するのはワークフロー再設計、高成果企業は約3倍プロセス再設計 — McKinsey「The state of AI: How organizations are rewiring to capture value」(2025年3月)。
2万時間・1,000名以上の商談解析、仮説提示 IT2.0／人材3.2／M&A1.9倍、傾聴の呪縛 — Bring Out 自社リサーチ（公開済み数値）。