失注データを宝の山に変える ― クロス集計とカイ二乗検定で「負けパターン」を特定する

1. 実例：失注理由を集めているのに、同じ負け方を繰り返す

先日、あるBtoB企業の営業マネジャーの方からこんな相談をいただきました。

「SFAに失注理由を入力させているんですが、見ても何も分からなくて。『競合負け』が多いのは分かるんですが、誰が・どんな案件で・なぜ負けているのかが見えない。チーム全体で同じ負け方を繰り返している気がするんですが、どう分析すればいいですか。」

実際にデータを整理していただくと、こんな状況でした。

一見すると「競合他社」が最多(30件)で、次いで「ニーズとのミスマッチ」(24件)と「予算」(24件)が続きます。しかしここで終わってしまうと「競合対策を強化しよう」という曖昧な結論にしかなりません。メンバー別に見ると、全く異なるパターンが見えてきます。

2. 解決策：クロス集計×カイ二乗検定で「誰が・なぜ負けているか」を特定する

Step1: クロス集計で失注パターンを可視化する

メンバー別の失注構成比を計算します。

構成比で見ると明確なパターンが見えてきます。

• 新人(A・E): ニーズミスマッチ・キーパーソン未到達・信頼関係構築不足が多い → ヒアリング力・関係構築力の問題
• 中堅・ベテラン(B・C・D): 競合他社・予算が多い → 提案の差別化・価格交渉力の問題

Step2: カイ二乗検定でこの差が偶然でないか確認する

メンバー間の失注パターンの差が統計的に意味があるかどうかをカイ二乗検定で確認します。

• カイ二乗値: 18.3
• 自由度: 16
• p値: 0.031

p値が0.05を下回っているため、メンバーによる失注パターンの差は統計的に有意です。「新人は関係構築で負け、中堅以上は競合に負ける」というパターンは偶然ではありません。

Step3: 失注パターン別の改善アクションを設計する

新人向けの改善アクション

• ヒアリングシートの標準化(ニーズミスマッチの削減)
• 商談同行でキーパーソン特定の支援
• 初回商談後のフォロー頻度を上げる(信頼関係構築)

中堅・ベテラン向けの改善アクション

• 競合比較シートの整備(競合負けの削減)
• 価格交渉の権限委譲ルールの明確化
• 差別化ポイントのトークスクリプト整備

面談での声かけ例

Aさん(新人)への1on1

「Aさんの失注データを見ると、ニーズミスマッチとキーパーソン未到達が全体の52%を占めています。これは経験を積めば改善できる部分です。次の商談から、ヒアリングの最後に『今日お話しした内容を意思決定される方にも共有いただけますか』と必ず聞いてみてください。キーパーソンへのアクセスが改善するはずです。」

Dさん(中堅)への1on1

「Dさんは競合負けが39%と高いです。どの競合に負けているか教えてもらえますか。競合ごとに負けるシーンのパターンがあるはずなので、一緒に整理して対策を作りましょう。競合Xに対してはこう差別化する、競合Yに対してはこう、という対応マップを作ります。」

チーム全体への共有

「今月の失注データをカイ二乗検定で分析したところ、経験年数によって失注パターンが明確に異なることが分かりました。新人はヒアリング・関係構築、中堅以上は競合対策がそれぞれの優先課題です。来月からメンバーのキャリアステージに合わせた個別強化プランを設計します。」

3. なぜクロス集計×カイ二乗検定なのか：選定理由と計算式

選定理由

失注分析でよくある失敗は「失注理由の件数を集計して終わり」というパターンです。これでは「競合が多い」という結論しか出ず、次のアクションにつながりません。

クロス集計を使うと「誰が・なぜ負けているか」という2次元の分析ができます。さらにカイ二乗検定を加えることで「このパターンの差は偶然ではない」という統計的な裏付けが取れます。この2つをセットで使うことで、感覚的な指導から「データに基づいた個別育成」に転換できます。

カイ二乗検定の計算式

• $O_{ij}$: 実際の観測値(例: Aさんのニーズミスマッチ件数=8)
• $E_{ij}$: 期待値(メンバー間に差がない場合の理論値)

期待値の計算:

例: Aさんのニーズミスマッチの期待値

実際は8件で期待値6.0より多い。この差がカイ二乗値の計算に使われます。

よくある誤解

「失注理由は主観的だからデータとして使えない」という意見があります。確かに失注理由の入力は担当者の主観が入ります。しかし100件以上のデータが集まると、主観のブレが平均化されてパターンが浮かび上がります。

精度を上げるには、失注理由の選択肢を5〜7個に絞り、自由記述ではなく選択式にすることが重要です。「なんとなく失注」「その他」という選択肢をなくすだけで、データの質が大きく改善します。

4. 生成AIとの対話例：このプロンプトで誰でも同じ分析ができます

実際にこの分析をする際、生成AIに以下のように依頼すると、計算と解釈をまとめて出力してくれます。

あなたは営業データ分析の専門家です。
以下は営業チーム5名(A〜E)の失注理由別データです。

失注理由 / メンバー別件数:
ニーズとのミスマッチ: A=8, B=3, C=2, D=4, E=7
予算が合わない: A=5, B=6, C=4, D=5, E=4
競合他社: A=3, B=8, C=7, D=9, E=3
キーパーソン未到達: A=7, B=4, C=2, D=3, E=6
信頼関係の構築不足: A=6, B=2, C=1, D=2, E=5

以下を行ってください。
1. メンバー別の失注構成比(%)を計算する
2. カイ二乗検定でメンバー間の失注パターンの差が有意かどうか検定する
3. 経験年数(新人/中堅/ベテラン)別の失注傾向を分析する
4. 各メンバーの最優先改善ポイントと具体的なアクションを提示する
5. チーム全体の失注率を下げるための優先施策を3つ提案する

出力は、営業マネジャーがそのまま1on1前に読めるよう、簡潔な日本語でまとめてください。