作成・編集：Claricores · 内容更新：
1. 成約率を、切り口を変えて見てみる
「流入経路」と「商談回数」を切り替えると、同じ60件の集計が変わります。表示値はこのサンプルCSVから計算しています。
架空の商談60件を、端末内で単純集計します。機械学習の結果ではありません。
流入経路,初回返信時間,商談回数,結果 紹介,2,1,成約 検索,9,2,未成約 広告,16,3,成約 紹介,23,4,成約 検索,30,1,未成約 広告,37,2,未成約
…（全60件）
グループごとの成約率
ここで見える差は、他の条件の違いを含みます。この比較だけで「原因」とは言えません。
架空の商談60件のCSVを直接ダウンロード。1行目が列名、2行目から60件のデータです。JavaScriptが無効でも、このリンクから保存できます。
2. 自分の商談CSVでは、何を列にする？
1行を1つの商談にそろえ、成約・未成約が確定した過去のデータを用意します。進行中の商談をすべて未成約とすると、結果がまだ分からないものまで混ざります。今回のサンプルは4列ですが、実データでは「いつの時点で予測したいか」を先に決めてください。
| 列 | 役割・値の例 | 注意点 |
|---|---|---|
| 結果 | 調べたい項目。成約 / 未成約。 | 対象期間と結果を確定するタイミングをそろえる。 |
| 流入経路 | 手がかり。紹介 / 検索 / 広告。 | 「Web」「ウェブ」など同じ意味の表記を統一する。 |
| 初回返信時間 | 手がかり。初回の返信までの時間数。 | 単位を時間に統一。返信前の予測には使えない。 |
| 商談回数 | 手がかり。予測する時点までの商談回数。 | 成約後に分かった総回数を使うと、未来の情報が混ざる。 |
顧客名、氏名、メールアドレスは分析に不要なら削除します。契約締結日や確定した受注金額も、成約前に分からないため、成約の予測に使う手がかりから外します。こうした結果の情報の混入は「データ漏洩」と呼ばれ、実際には使えないのに高精度に見える原因になります。
ファイルはUTF-8またはShift_JISのCSVで、1MB・100列・20,000行まで。選択後に端末内プレビューを確認し、「このデータを送信して次へ」でサーバーへ送ります。目的変数に「結果」、説明変数に分析したい項目を選びます。
3. 成約率と、予測に役立つ重要度を読み分ける
上のサンプルは、グループ別の「成約件数 ÷ 商談件数」という単純集計です。たとえば紹介経由で成約率が高くても、案件規模や顧客の検討段階が異なる可能性があります。その差だけで「紹介を増やせば同じ割合で成約する」とは言えません。
機械学習分析に進むと、複数の項目を使った予測の精度と、モデルが使った項目の重要度を確認できます。重要度は成約率や因果効果のパーセントではありません。高い項目ほど施策の優先順位を上げる、と機械的に決めず、データの偏りと一緒に見ます。
正確率を見る前の基準
このサンプル全体では未成約が38 / 60件なので、すべてを未成約と答えるだけでも63.3%が当たります。これは学習結果ではなく、件数から計算した比較の出発点です。
実際のモデルの評価と比べる場合は、同じ評価データの内訳で基準を計算する必要があります。全体の比率と評価データの比率は一致するとは限りません。
サンプル60件は使い方の練習用です。実データの必要件数を保証する数ではありません。分類ごとの件数が少ない、対象期間が短い、特徴に偏りがある場合には、精度の解釈や追加データが必要になります。
4. 分析のあとに、何を確認する？
- 元データを見直す：重要だった項目に空欄、入力ルールの違い、結果が出たあとの情報がないか確認します。
- 比較条件をそろえる：対象期間や顧客層の違いを確認し、違う集団を一緒に比較していないか考えます。
- 施策の検証を分ける：「返信が速い商談は成約しやすい」という関連と、「返信を速める施策の効果」は別に確かめます。
- 結果を残す：対象データ、選んだ項目、精度、重要度、次の仮説を保存します。結果には有効期限があります。