"感覚頼みのフォーキャスト"から卒業する——14種類の売上予測モデルと正しい選び方ガイド

売上予測（セールスフォーキャスト）に使えるモデルは数多く存在しますが、どれが自社に合っているかは一目では分かりません。選び方を誤ると、データがあるのに根拠なき予測に依存し続けることになります。適切なモデルを選べば、より賢く計画を立て、目標を自信を持って達成するための枠組みが手に入ります。

本記事では、現在実際に使われている14種類の主要な売上予測モデルをすべて解説します。それぞれをいつ・なぜ使うべきかを説明し、自社に最適なモデルを見つけるための実践的な判断フレームワークも提示します。

売上予測（セールスフォーキャスト）とは

売上予測とは、一定期間（通常は月次・四半期・年次）において、自社がどれだけの製品・サービスを販売するかを予測することで、将来の収益を見積もるプロセスです。

過去の実績データ・現在のパイプライン活動・市場トレンド・経済指標、そして近年ではAIが生成するシグナルを組み合わせて、将来収益の根拠ある予測を導き出します。

なぜ重要なのか： Gartnerの調査によると、経営幹部はパイプラインデータやフォーキャスト結果への信頼が持てないことが多く、その結果、意思決定の機会を逃したり、無駄な作業が発生したりしています。正確な予測はこの問題を、感覚頼みの判断から構造化・再現性のあるプロセスへと置き換えることで解決します。

売上予測モデルとは何か

売上予測モデルとは、一定期間における将来の収益・販売量・市場需要を予測するために使う、体系的・データドリブンなフレームワークです。単なる「勘」とは異なり、優れたモデルは過去のパフォーマンス・リアルタイムのパイプライン状況・外部市場変数を統合し、ビジネス成長のための数理的なロードマップを作成します。

売上予測モデルの4つの大分類

個別のモデルに入る前に、すべてのモデルが属する4つの大分類を理解しておくことが重要です。

• 時系列/投影型： 過去の売上データからパターン（トレンド・季節性・循環）を特定し、将来に投影する。将来は過去に似ると仮定する。
• 因果/定量型： 売上と独立変数（広告費・経済指標・競合動向など）の関係を分析する。複雑だが精度が高い。
• 定性型： 専門家の判断・担当者の経験・市場インテリジェンスに基づく。過去データが限られるか、市場環境が急変している場合に有効。
• AIを活用した予測型： 機械学習を使って大規模データセットを分析し、パターンを学習し、新データが入るたびにリアルタイムで予測を更新する。エンタープライズのレベニューオペレーションで最も急成長しているカテゴリー。

14種類の売上予測モデル——完全解説

多くのリストは6〜8種類のモデルしか紹介しませんが、本記事では見落とされがちなモデルも含め、現代の営業組織にとって重要なモデルを網羅します。

【時系列・統計モデル】

1. 直線（一定成長率）予測 Straight-Line Forecasting

最もシンプルな予測モデルです。過去の成長率を取り、それをそのまま将来に延長します。昨年7%成長したなら、来年も7%成長すると仮定します。

予測売上 ＝ 現在の売上 × （1 ＋ 過去成長率）

• 向いている場面： スタートアップ・安定市場・詳細なモデルより概算値が優先される短期計画
• 注意点： 市場が不安定な時期・急成長フェーズ・新競合や経済環境の大きな変化があるシーンでは精度が落ちます

2. 移動平均 Moving Average

直近の一定期間（例：直近3ヶ月）の売上平均を取ることで、短期的なブレを滑らかにします。単発の急増・急落によるノイズを取り除くトレンド検出ツールです。

予測売上 ＝ （期間1 ＋ 期間2 ＋ … ＋ 期間N） ÷ N

• 向いている場面： 季節性・循環性のある売上パターンを持つ業種（小売・消費財・在庫計画が必要なビジネスなど）

3. 指数平滑法 Exponential Smoothing

移動平均の発展版で、古いデータほど重みを小さく設定します。2年前のデータより直近の月のデータを重視する設計です。市場環境が変化し、過去データの参考度が低くなる場面で特に有効です。より高度なHolt-Wintersモデルではトレンドと季節性の調整も組み込め、柔軟性の高い統計ツールとなっています。

• 向いている場面： 直近の実績がより強いシグナルになる動的な市場の企業。短期の業務オペレーション予測にも効果的

4. 時系列分析 Time Series Analysis

複数のパターン検出手法を含む広義のカテゴリーです。過去データの中にある繰り返し構造（季節性・トレンド・循環パターン）を探し出し、それを将来予測に用います。

• 向いている場面： サブスクリプション型ビジネス・経常収益を持つSaaS企業・少なくとも2〜3年の一貫した過去データを持つ組織

5. ARIMA（自己回帰和分移動平均モデル） AutoRegressive Integrated Moving Average

統計的に最も厳密な時系列モデルの一つです。過去の値（自己回帰成分）・過去の予測誤差（移動平均成分）・非定常データへの対応（和分成分）を同時に扱います。複雑なパターンを持つデータセットに対して高い精度を発揮しますが、正しく実装・解釈するためには統計の専門知識が必要です。

• 向いている場面： データサイエンスチームを持つエンタープライズ組織・複雑な季節パターン・精度が最優先の高リスクなフォーキャストシーン
• 注意点： ARIMAはプラグアンドプレイではありません。モデルのチューニング・定常性の検定・継続的なキャリブレーションが必要です。分析リソースのないチームには推奨しません

【因果・定量モデル】

6. 線形回帰 Linear Regression

売上と一つ以上の独立変数（マーケティング費用・人員数・価格など）の関係をモデル化します。各変数が売上にどれだけ影響するかを数値化することで、計画した投入値に基づいて将来の売上を予測できます。

例えば、広告費10万円あたり売上が80万円増加するという分析結果が出れば、その倍率をフォーキャストモデルに組み込めます。

• 向いている場面： 営業投資（マーケティング・採用・価格）と収益成果の関係を理解したい組織。シナリオプランニングで特に有効

7. 計量経済モデル Econometric Models

回帰分析をGDP成長率・インフレ率・金利・消費者信頼感指数・業界固有の指標といったマクロ経済変数まで拡張したモデルです。「景気後退・利上げ・市場拡大が起きた場合、自社の収益はどう変わるか」という問いに答えるために設計されています。楽観・悲観・基本シナリオを同時にモデル化するシナリオ分析を支援します。

• 向いている場面： マクロ経済に敏感な業界（金融・不動産・製造・消費財）。外部経済環境が需要に直接影響するビジネス

8. 多変量分析 Multivariable Analysis

定量的アプローチの中で最も包括的な手法です。過去売上・SNSシグナル・商談の会話テーマ・競合動向・マーケティングデータ・マクロ経済要因など、多岐にわたるデータソースを同時に活用します。多くの変数が相互作用する複雑・高速変化の営業環境向けに設計されています。

• 向いている場面： 単一変数モデルでは重要なシグナルを見逃してしまう、複雑なマルチチャネルの収益を管理するエンタープライズ営業チーム

9. コホート分析 Cohort Analysis

顧客を共通の特性（獲得日・製品ライン・地域・行動パターンなど）に基づいてグループ化し、各コホートの収益が時間とともにどう変化するかを追跡します。顧客生涯価値（LTV）・継続率・解約率を理解するための最も強力なモデルの一つです。「来四半期に何を売るか」ではなく、「それぞれの顧客グループはどう動き、各コホートはどれだけの収益を生むか」を問います。

• 向いている場面： SaaS企業・サブスクリプションビジネス・顧客継続と拡大収益が主要な成長ドライバーである組織

【パイプライン・プロセスモデル】

10. パイプライン/ファネルステージ予測 Pipeline / Funnel-Stage Forecasting

B2B営業で最も広く使われるモデルの一つです。商談がパイプラインのどのステージにあるかに基づいて、クローズ確率を設定します。例えば、「提案送付済み」の商談はクローズ確率60%、「口頭コミットメント」の商談は90%といった形です。

加重予測収益 ＝ Σ（商談金額 × クローズ確率）

パイプライン全体にわたって商談金額にクローズ確率を掛け合わせると、加重収益予測が得られます。

• 向いている場面： 定義されたパイプラインステージとCRMデータを持つB2B営業組織。ステージ別の受注率が記録・安定している場合に特に有効
• 注意点： このモデルの精度は確率設定の正確さに依存します。商談の自信度を実際より高く設定すると、フォーキャスト全体に系統的なバイアスが生じます

11. テリトリー別予測 Territory-Based Forecasting

地域・製品ライン・組織セグメントごとに営業予測を集計するモデルです。会社全体の収益を一つの数字として予測するのではなく、地域別のパフォーマンスをボトムアップで積み上げて経営陣にレポートします。地域によって成長率・季節性・競合環境・顧客タイプが異なる大規模営業組織では、このアプローチが不可欠です。

• 向いている場面： パフォーマンスの強弱を粒度高く把握し、リソースを適切に配分したい複数地域・複数セグメントの営業組織

12. 従量課金型（コンサンプション）予測 Consumption / Usage-Based Forecasting

SaaSやクラウドインフラで一般的なモデルです。定額サブスクリプションではなく、顧客が製品をどれだけ使うかに基づいて収益を予測します。API呼び出し数・消費クレジット数・有効シート数・処理データ量などが指標となります。顧客の利用パターンを追跡し、拡大・縮小・解約の行動をモデル化する必要があります。

• 向いている場面： SaaS企業・クラウドプロバイダー・従量課金制の料金モデルを持つあらゆるビジネス。定額サブスクリプションから従量課金へのシフトが進む中で、ますます重要になっています

【定性モデル】

13. 定性的予測（デルファイ法・市場調査・専門家判断） Qualitative Forecasting

数値データではなく、構造化された専門家の意見に依拠するモデルです。最もよく知られる手法は「デルファイ法」で、複数の専門家がアンケートに回答し、回答が匿名化されてグループにフィードバックされ、コンセンサスが形成されるまで繰り返される構造化プロセスです。その他の定性的アプローチとして、顧客インタビュー・フォーカスグループ・市場調査アンケートがあります。

• 向いている場面： 過去データが限られるスタートアップ・新市場への参入・新製品ローンチや新地域展開など、過去パターンが将来の参考にならないシーン

第14のモデル：AIを活用した予測

AIと機械学習による予測は、単なる「もう一つのモデル」ではありません。上記のどのモデルも大規模に動かすことができる、新しいパラダイムです。

AIを活用した予測ツールは、大量のCRMデータ・過去の売上実績・担当者の活動・バイヤーのエンゲージメントシグナル・外部データソースを取り込みます。機械学習アルゴリズムは人間が見逃すパターンを特定し、変数を動的に重み付けし、新しいデータが入るたびにリアルタイムで予測を更新します。

その効果は顕著です。手作業やスプレッドシートベースの予測からAIドリブンのツールに移行した企業では、予測精度が最大90%改善したという報告もあります。

AIを活用した予測の主な機能は次の通りです。

• バイヤーのエンゲージメントと商談活動に基づくリアルタイムのパイプラインスコアリング
• リスク商談の自動検出：担当者が気づく前に問題フラグを立てる
• 数十の変数を同時に扱うシナリオモデリング
• 新データが入るたびに継続的にモデルを再学習
• 非技術系リーダーにもフォーキャストをわかりやすく伝える自然言語サマリー
• 向いている場面： 大規模で質の高いデータセット・複雑なパイプライン・スケーラブルかつリアルタイムの予測が必要な組織。AI予測ツールは今や、エンタープライズだけでなく中規模企業にも広く普及しています

売上予測モデル早見表

自社の状況に合ったモデルを素早く絞り込むための参照表です。複雑度・活用シーン・データ要件の観点から整理しています。

モデル名	複雑度	向いている場面	データ要件
直線（一定成長率）予測	低	安定・予測可能な市場	最小限の過去データ
移動平均	低	季節性・循環性のある商品	数期間分の過去データ
線形回帰	中	変数と売上の関係把握	クリーンなペアデータ
時系列分析	中	サブスクリプション・循環型ビジネス	複数年の過去データ
ARIMA	高	複雑な循環パターンの予測	定常性時系列データ
指数平滑法	中	急変するトレンドへの対応	直近データを重視
計量経済モデル	高	マクロ経済に敏感な業界	経済指標＋売上データ
コホート分析	中	SaaS・サブスク・LTV分析	顧客セグメントデータ
多変量分析	高	複雑なマルチチャネル営業	多様な外部・内部データ
パイプライン/ファネルステージ	低〜中	B2B営業チーム	CRMパイプラインデータ
テリトリー別予測	中	多地域・多セグメント組織	テリトリー＋クォータデータ
従量課金型（コンサンプション）	中	SaaS・従量課金型製品	利用量の時系列データ
定性的予測（デルファイ法等）	低	初期段階・新市場参入	専門家判断（過去データ不要）
AI/機械学習予測	高	データ豊富な大規模組織	大量・クリーン・リアルタイムデータ

自社に合った予測モデルの選び方

13種類以上のモデルから選ぶとなると、判断が難しく感じるかもしれません。次の4つの基準を使って選択肢を絞り込みましょう。

1. データの成熟度を評価する

最も高度なモデルも、基盤となるデータの質を超えることはできません。モデルを選ぶ前に、手元にあるデータを正直に評価することが重要です。

• 1年未満のデータ：定性モデルまたは直線予測から始める
• 1〜3年の一貫したデータ：時系列・移動平均モデルが活用可能になる
• 3年以上のクリーンなデータ：回帰・ARIMA・計量経済モデルが選択肢に入る
• リアルタイムの大規模CRMデータ：AI予測が有効な選択肢になる

2. ビジネスモデルを考慮する

• サブスクリプション/SaaS： 時系列分析・コホート分析・コンサンプション予測
• B2Bエンタープライズ営業： パイプライン/ファネルステージ予測・テリトリー別予測
• 小売/季節性商品： 移動平均・指数平滑法
• マクロ経済に敏感な業界： 計量経済モデル
• 新市場/新製品： 定性的手法

3. 複雑度をリソースに合わせる

高精度のARIMAモデルも、チームの誰も構築・保守・解釈できないなら意味がありません。自社の分析リソースについて現実的に評価することが大切です。一貫して運用されるシンプルなモデルは、断続的にしか使われない高度なモデルを上回る場合が多くあります。

4. 複数モデルの組み合わせを前提に計画する

成熟した営業組織の多くは、単一のモデルに依存しません。複数のアプローチを組み合わせます。例えば、パイプライン予測をベースラインとして使い、過去のトレンドデータを重ね合わせ、AIが生成するシグナルで検証するといった方法です。目標は「一つの完璧な予測」ではなく「複数の情報源からの三角測量」です。

正しい予測モデルを選ぶことのメリット

• 正確な予算策定： 採用・マーケティング・インフラへの投資をどこまで行えるかを、過剰投資・過少投資を避けながら把握できます。
• より適切なリソース配分： 最も高いリターンが見込める場所に、人員・クォータ・テリトリー投資を集中させることができます。
• 投資家への信頼性： 高成長企業にとって、データに裏打ちされた収益予測は資金調達と取締役会・投資家への信頼構築に不可欠です。
• プロアクティブなリスク管理： パイプラインのギャップとパフォーマンスリスクを、収益ミスになる前に——後ではなく——特定できます。
• 財務上の強靭性： 強固な予測プロセスを持つ企業は、市場の変動をより上手く乗り越えます。問題に反応するのではなく、シナリオに備えているからです。

Xactlyで売上予測の精度を高める

XactlyのインテリジェントレベニュープラットフォームはAIを基盤とし、既存のCRMやGTMシステムと連携して、パイプラインの健全性・商談リスク・予測収益を360度の視点で把握できる環境を提供します。

主な機能は次の通りです。

• パイプラインデータの自動キャプチャとリアルタイムのフォーキャスト更新
• AIによる商談スコアリングとリスク特定
• クォータ・テリトリー・人員計画のwhat-ifシナリオモデリング
• 期間別の並列比較ができる協働型フォーキャスト
• 営業フォーキャストを財務・オペレーション計画につなぐ経営ダッシュボード

よくある質問

売上予測モデルはいくつありますか？

広く認識されている売上予測モデルは13〜14種類あり、定性型・時系列/投影型・因果/定量型・AI予測型の4つの大分類に整理されます。ほとんどのビジネスは、単一のモデルではなく2〜3種類の組み合わせを活用しています。

最も正確な売上予測の手法は何ですか？

唯一の「最も正確な手法」は存在しません。精度はデータの質・ビジネスモデル・市場環境によって異なります。リアルタイムの豊富なデータを持つ組織では、AI予測が一貫して最高の精度を発揮します。データが限られる組織では、適切に調整されたパイプライン/ファネルステージモデルや時系列アプローチが最も効果を発揮することが多くあります。

予測モデルと予測手法の違いは何ですか？

予測手法とは広義のアプローチ（例：定量型フォーキャスティング）であり、モデルとはその手法の中で使われる具体的な技法（例：ARIMAや線形回帰）です。一つの手法の中に複数のモデルが含まれ、一つのモデルが複数の手法にまたがって活用されることもあります。

定性的予測はどんなときに使いますか？

過去データが限られているか信頼性が低い場合に最も適しています。例えば、新製品のローンチ・新市場への参入・過去パターンが将来の参考にならないほど急変している業界での事業運営などです。

中小企業でも高度な予測モデルを使えますか？

はい。現代のAI予測ツールは、中規模企業にも——場合によっては小規模企業にも——広く普及しています。ただし、より小規模な組織には、直線予測・移動平均・パイプラインベースのシンプルなモデルが強力な成果をもたらすことが多く、必要なデータ量と技術的な専門知識もはるかに少なくて済みます。

Xactlyに相談する

こんな課題をお持ちではありませんか？

• フォーキャストを毎回スプレッドシートで手作業で集計しており、精度と再現性に課題がある
• パイプラインの商談リスクが四半期末になるまで見えず、後手の対応が続いている
• 複数のモデルや手法を試したいが、自社のデータ環境や組織規模に合った選択肢が判断できない

——そんな課題をお持ちの方は、ぜひXactlyの専門チームにご相談ください。
貴社のデータ成熟度・ビジネスモデル・組織規模に合わせた具体的なアプローチをご提案します。

• RevOps（レベニューオペレーション）
• セールスプランニング
• AI
• 報酬管理
• フォーキャスト