失注理由の分析をAIで整理する

失注理由の分析は、何にいちばん時間を使っているか

失注案件の振り返りで時間を取られやすいのは、次の4つです。

• 営業担当がSFAや商談メモに自由記述で残した失注理由を、後からまとめて読み直す作業
• 表現の違う理由(「予算オーバー」「金額が合わない」「他社が安い」など)を同じカテゴリに揃える作業
• 月次・四半期でカテゴリごとの件数を集計し、傾向をグラフや表にする作業
• 傾向をもとに、次の提案でどこを変えるべきかの叩き台を作る作業

このうち理由の読み直しとカテゴリ揃えは「決まった分類の枠に文章を 当てはめる」作業です。失注そのものの原因究明ではなく、原因究明の 材料をそろえる部分に時間がかかっています。

AIに任せられる作業と、任せられない作業の切り分け

切り分けの基準は「記録された文章を分類・集計する作業か、記録の 裏にある本当の理由を見極めて次の一手を決める作業か」です。 過去の記述データの整理はAIに向きますが、真因の判断と、そこから 価格や提案内容をどう変えるかの意思決定は人が担う領域です。

下書きと集計はAIが作り、真因の見極めと次の一手の決定は人が担う。 この線引きを崩さないことが、分析の精度を保ったまま時間を減らす 前提になります。

失注理由の分類作業でAIに任せられるのは何か(計算例)

月末に、その月に失注した案件の記録をもとに、理由をカテゴリへ 分類する作業の計算例です。

計算例の前提: 月間の失注案件20〜30件程度を想定した規模です。 分類のカテゴリ自体(価格・機能・タイミング・競合・社内都合など)は 社内で決めたものを使い、AIはその枠に沿って振り分ける作業だけを 担います。カテゴリの見直しや、分類に迷う案件の最終判断は担当者が行います。

傾向レポート作成でAIに任せられるのは何か(計算例)

分類が終わったデータをもとに、四半期ごとの傾向をまとめて 営業会議で共有する作業の計算例です。

計算例の前提: 傾向の増減が生じた理由の特定(競合の値下げなのか、 提案の見せ方の問題なのかの判断)はこの表に含めず、営業責任者の 検討時間として別枠にしています。四半期の差70分は月あたり約23分です。 月次の分類作業の差70分と合わせると、約93分、 月1.5時間前後の削減余地になる計算です。これらの時間は このサイトの試算であり、実測値ではありません。

導入する時の指示文例(コピーしてそのまま使える)

AIに失注理由の自由記述をカテゴリへ分類させるときは、次のような 指示文がそのまま使えます。カテゴリ名は自社の営業会議で使っている 区分に置き換えてください。

以下は失注した商談の理由を、営業担当が自由記述で残したものです。
それぞれの記述を、次のカテゴリに分類してください。

分類カテゴリ:
- 価格・予算
- 機能・仕様が合わなかった
- 導入時期・タイミングが合わなかった
- 競合他社に決まった
- 社内稟議・体制の都合
- その他(分類に迷うものは理由も添える)

出力形式: 案件名 / 失注理由の原文 / 分類カテゴリ / 分類理由(迷った場合のみ)

原文に書かれていない情報は推測で補わず、判断できない場合は
「分類不可」としてください。取引先名・担当者名などの個人情報は
出力に含めず、案件番号など社内の識別子に置き換えてください。

[ここに失注理由の一覧を貼り付け]

分類済みのデータから傾向を集計するときは、次の指示文が使えます。

以下は分類済みの失注理由のデータです。カテゴリごとの件数と
比率を集計し、前回集計と比べて増えたカテゴリ・減ったカテゴリを
挙げてください。

出力形式: カテゴリ / 件数 / 比率 / 前回比 / 増減が読み取れる範囲でのコメント

増減の原因については断定せず、あくまで考えられる候補として
複数案を挙げてください。

[今回の分類データ]
[前回の分類データ]

導入前のチェックリスト

失注理由の分析にAIを取り入れる前に、次の3点を確認してください。

□ 失注理由をテキストで記録する運用になっているか(自由記述・選択式のどちらでも可)

□ 分類のカテゴリ(価格・機能・タイミング・競合など)が社内であらかじめ決まっているか

□ 取引先名・担当者名などの機微な情報を、分類作業に使う前に除く運用になっているか

よくある質問

失注理由の分析にAIを使うと、営業担当は要らなくなりますか。

要らなくなりません。AIが作るのは自由記述の分類や傾向集計の下書きまでで、 記録された理由が本当の断り文句かどうかの見極めと、そこから価格や 提案内容をどう変えるかの判断は、引き続き営業担当や上長が行う領域です。

取引先名や担当者名を含む商談データをAIに読ませても問題ありませんか。

個人向けのプランでは、入力した内容が学習に使われる場合があります。 OpenAIの公式ページ(2026年9月確認)では、ChatGPTの個人向けプラン (Free・Plus・Go・Pro)は、設定でオフにしない限り学習に使われる可能性が あり、Business・Enterpriseは初期設定で学習に使われないと説明されています。 Anthropicの公式発表(2025年8月28日)では、Claudeの個人向けプラン (Free・Pro・Max)に学習への利用の設定があり、法人向けの商用契約 (Claude for Work・API)は対象外と説明されています。 ツールごとに条件が違い、変わることもあるため、使う前に各社の公式ページで 現在の内容を確認してください。失注理由のデータには取引先名や金額など 社外に出したくない情報が含まれることが多いため、案件番号などの識別子に 置き換えるか、学習に使われない法人向けプランを確認してから使うことを おすすめします。 出典: https://openai.com/policies/how-your-data-is-used-to-improve-model-performance/ 、 https://openai.com/business-data/ 、 https://help.openai.com/en/articles/11989085-what-is-chatgpt-go 、 https://www.anthropic.com/news/updates-to-our-consumer-terms

失注理由だけでなく、受注できた理由(勝因)も同じ方法で分析できますか。

同じ枠組みで分析できます。分類のカテゴリを「価格が合った」 「機能が刺さった」などに変えるだけで、同じ指示文の形をそのまま 使えます。失注理由と勝因を両方分析すると、どちらの傾向がより 強く出ているかを比較しやすくなります。

競合他社の名前が記録に含まれている場合、そのまま分析してよいですか。

競合名を含めて分類してよいかどうかは、自社の情報管理の ルール次第です【各自確認：競合名を含む記録を社内の分析資料に使ってよいか。自社の情報管理規程またはコンプライアンス担当に確認】。 分析結果を社外の資料や取引先向けの提案書に転用する場合も、 競合名の扱いについて社内のルールを確認してください。

案件数が少ない会社でも効果はありますか。

月間の失注件数が多く、分類作業が発生する頻度が高い会社ほど 効果が出やすい仕組みです。件数が少ない会社では、削減できる時間も 比例して小さくなります。

概算できます。