失注分析をAIでまとめる方法

結論

失注した案件を記録するだけで終わっている営業チームは多い。AIを使えば蓄積した失注情報を30分でパターン分類し、「どんな顧客に・どんな場面で・なぜ負けているか」が数値と傾向で見えるようになる。失注の共通パターンが見えると、次の商談で同じ失敗を避ける具体的なアクションが取れる。失注分析を月次で回すだけで商談のトレーニング効果が積み上がる。

使うAIツール

ChatGPT（GPT-4o） テキストデータや表形式データの分類・傾向分析が得意。複数の失注案件をまとめて入力してパターン分類させる用途に向いている。

Claude 3.5 Sonnet 長い文章（商談メモや録音の文字起こし）を要約して本質的な原因を抽出する精度が高い。「表面的な失注理由の裏にある真因を考えてください」といった深堀り分析に向いている。

Googleスプレッドシート + Gemini 既にスプレッドシートで失注データを管理しているチームは、Geminiアシスタントに直接分析を依頼できる。追加のツール導入なしで使えるため、チーム展開しやすい。

手順（ステップ別）

ステップ1: 失注データを整理する

分析の質は入力データの質で決まる。最低限、以下の項目を各案件について記録しておく。

• 案件ID・失注日
• 顧客の業種・企業規模・担当者の役職
• 商談開始から失注までのステージ数と期間
• 記録された失注理由（顧客から伝えられた言葉）
• 競合他社（比較されていた場合）
• 最終提案金額・競合との価格差（わかる場合）
• 担当営業のコメント（感触として気になったこと）

CRMにこれらが入っていればCSVでエクスポートしてそのままAIに渡せる。入っていない場合は失注後に5分でメモを書く習慣をつけると1〜2か月でデータが貯まる。

ステップ2: 失注パターンを分類する

10件以上の失注データが揃ったら、以下のプロンプトで分類を依頼する。

以下は営業チームの失注案件データです。
このデータを分析して、失注パターンを分類してください。

分析内容:
1. 失注理由のカテゴリ分類と件数（例: 価格・競合負け・タイミング・予算凍結・ニーズ不一致）
2. 失注が多い顧客の特徴（業種・企業規模・担当者の役職で傾向があれば）
3. 商談ステージ別の失注割合（どの段階で失注が多いか）
4. 競合別の勝率傾向（データがある場合）

出力は箇条書きと表形式を組み合わせてください。

---失注データ---
[CSVまたは表形式でデータを貼り付け]

ステップ3: 真因を深掘りする

AIが分類した失注パターンを元に、表面的な理由の裏にある真因を探る。

先ほどの失注分析で「価格」が最多の失注理由でした。
ただし「価格が高い」という表現の裏には異なる理由が隠れている場合があります。

以下の観点から真因の仮説を立ててください。
1. 価値訴求が不十分で価格に対する納得感が作れなかった可能性
2. 意思決定者に直接話せていなかった可能性
3. 競合の安さが機能の違いを考慮せずに比較された可能性
4. 顧客の予算サイクルや承認プロセスとタイミングが合わなかった可能性

各仮説について、根拠となるデータパターンを示してください。

ステップ4: 個別案件の詳細分析をする

特定の大型失注案件については、商談メモや文字起こしを入力して詳細分析を行う。

以下は失注した商談の詳細情報です。この案件の失注原因を分析し、
同様のケースで次回取れる対策を提案してください。

【案件概要】
[業種・企業規模・提案内容・金額・商談期間]

【商談の流れ】
[各ステージでの顧客の反応・懸念点・担当者のコメント]

【最終的な失注理由（顧客から伝えられた言葉）】
[失注理由テキスト]

【競合情報（わかる範囲で）】
[競合名・価格差・機能差]

分析項目:
1. 商談プロセスで改善できた点（ステージ別）
2. 提案内容の改善点
3. 次回同様の案件が来たときに変えるべきアクション3点

ステップ5: 改善アクションをまとめてチームに共有する

分析結果をチーム向けの月次失注レポートにまとめる。

以下の失注分析結果を元に、営業チームへの月次レポート（A4一枚）を作成してください。

構成:
1. 今月の失注サマリー（件数・金額・主な理由）
2. 失注パターンのトップ3と根拠
3. 来月から実施する改善アクション（具体的に3点）
4. 注目すべき個別案件からの学び（1〜2件）

対象読者: 営業チームのメンバーとマネージャー。
難しい言葉は使わず、すぐにアクションに移せる内容にしてください。

[分析データを貼り付け]

営業固有の具体例

事例1: 失注理由「価格」の裏にある真因を発見

IT機器販売会社の営業チームが、四半期ごとに手作業でまとめていた失注レポートをAI分析に切り替えた。15件の失注データをChatGPTに入力したところ、「価格」失注の7割が、意思決定者である情報システム部長に直接プレゼンできていないケースと相関していることが判明した。決裁権者に直接話す機会を設けることを商談プロセスのチェックリストに加えたところ、翌四半期の成約率が8ポイント改善した。

事例2: 失注後のフォローメールの文面を分析して受注転換

医療機器の代理店営業担当が、失注案件10件の失注後フォローメールと顧客の返信をClaude 3.5 Sonnetで分析した。「予算の問題で今年は難しい」という返信が多いことに気づき、「来期に向けた情報共有として、導入事例と費用対効果のデータをお送りします」という返信テンプレートをAIで作成した。6か月後に4件の顧客から「予算が確保できた」と連絡があり、うち2件を受注した。失注をパイプラインとして管理する発想がAI分析から生まれた。

うまくいかない場合のポイント

データ件数が少なすぎてパターンが見えない場合 件数が5件未満でもAIは分析を試みるが、傾向の信頼度は低い。件数が少ない場合は「このデータから断定的な結論を出さず、仮説として提示してください」とプロンプトに明記する。並行して失注後のヒアリングを充実させてデータを増やす取り組みが先決だ。

失注理由が「タイミング」「社内検討中」ばかりで本音が見えない場合 営業担当の「感触メモ」を入力に加える。「顧客が何度も言い返してきた言葉」「顧客が明らかに関心を示した場面」など主観的なメモも分析に有用だ。AIに「感触メモから本音の失注理由を推察してください」と指示する。

チームによって失注理由の記録方法が違う場合 記録の粒度がバラバラだとAIの分析精度が下がる。失注理由を「価格競争・ニーズ不一致・競合負け・タイミング・予算凍結・その他」の6カテゴリに統一するルールをチームで決める。AIに「失注理由を6カテゴリに分類し直してください」と依頼すれば過去データも整理できる。

関連記事

• 商談前の競合調査をAIで行う方法
• 商談準備をAIで30分で終える方法
• 営業報告書をAIで作成する方法
• 営業のメール作成をAIで効率化する方法