Forecast Accuracy
フォーキャスト精度
Median forecast error is +/-13-20%. AI adjustment cuts error by 4-7 points (Gartner 2024).
💡TL;DR
精度向上のカギは「前提の一貫性」と「案件レベル補正」。ステージ×確度の標準係数を固定し、パイプライン品質（マルチスレッド、最新タッチ有無）で補正する。SMBは母数が少ないためリニア回帰よりルール＋信号ベースが安定。
定義
予測値と実績の乖離（|予測−実績|÷実績）で測る精度。
🏢SMBチームにとっての意味
1件の大型案件が外れると全体が崩れる。大型案件は別管理しリスク係数を下げる。
📋実践例
年商2,500万ドルの地域B2B通信リセラーが大型案件を分離して予測精度を改善。導入前は50万ドル案件2件の遅延で誤差18%。法務とマルチスレッドが揃うまで確度0.5倍とする「大型案件レーン」を設けた結果、60日後に誤差は7%へ縮小し、期末のブレが減少。経営陣は期中に30万ドルのマーケ費を信頼して再配分し、19万ドルの追加受注を得た。
🔧実装ステップ
- 1
ベースラインのステージ確率を固定し、全担当者に共有する。
- 2
大型案件用のレーンを設け、より厳しい確率ルールと別のレビュー頻度を設定する。
- 3
マルチスレッド、最新タッチ、法務進捗などのライブ信号で確率を補正する。
- 4
予測と実績を週次で突合し、スリップ理由をCRMに記録する。
- 5
単一案件が予測の15%以上を占めたらアラートし、経営レビューを必須にする。
❓よくある質問
AI回帰モデルとルール、どちらを使うべき？
データ量が少ないSMBでは、ルール＋シグナル補正がブラックボックスモデルより安定する。データ衛生が整ってから軽量モデルを導入し、6〜8週間で誤差を比較する。
季節性や休暇の扱いは？
過去2年の季節係数を適用し、休暇週は低確度としてマークする。係数のズレを四半期ごとに確認し、補正を最新化する。
⚡Optifaiでの活用
Optifaiが信号ベースでステージ確率を補正し、予測と乖離を週次で提示。
📚参考文献
- •
- •