月間売上予測を±5%精度で立てる|パイプライン分析で着地予測・中小不動産向け・改善ガイド

2024年6月の月初、自社の月次予測を出した。仲介売上の見込みは320万円。月末の実績は259万円。誤差19%。経営会議でオーナー様向け配当の試算が大きく狂い、自分が役員に頭を下げる事態になった。原因を追ったら、6月単体のパイプラインだけを見て予測値を出していた。3月・6月・9月は法人異動の波で内見数が一時的に増え、予測上は強気になりやすい。だが申込キャンセル率も同時に上がる季節要因がある。これを織り込んでいなかった。翌月から、パイプラインの数字に加えて「過去同月比」と「季節調整」を別々に算出し、3つを加重平均する仕組みに切り替えた。9月の予測誤差は3.8%、10月は4.5%。半年間の平均は4.1%まで圧縮できた。月20〜30万円のキャッシュフロー誤差で済むようになり、オーナー報告と運転資金の管理が安定した。

本記事は、自社管理200室+年間280件の客付けを回している自分が、2024年7月から運用している3モデル統合型の月次予測手法を、Excel実装レベルまで落とし込んで書いたものだ。神奈川・東京の中堅管理会社で、月次の売上予測ブレに悩んでいる経営者・営業マネージャー向けに、机上の理論ではなく現場で12か月回した手順をそのまま書いた。

不動産業務のなぜ単一モデルでは月次予測が±15%もブレるのか

月次予測を「パイプラインの期待売上だけ」で出している会社が多い。確度ベースの計算は精度が高そうに見えるが、実際は3つの落とし穴がある。

落とし穴1: 月初時点でパイプラインに乗っていない案件は予測に入らない。賃貸客付けでは、月初に問い合わせが来て月内に契約まで進む案件が、自分のところでは月平均で月次成約数の25〜30%を占める。これらは月初のパイプラインに存在しないので、確度ベースの予測には反映されない。月初予測値が常に過小評価される構造的バイアスがある。

落とし穴2: 季節要因が織り込まれない。1〜3月の繁忙期、9月の法人異動期、6月の梅雨で内見数が落ちる時期、12月の年末で意思決定が止まる時期。確度ベースのパイプラインモデルは、これらの季節パターンを直接は捉えない。月内に成約予定の案件数が同じでも、月によって最終的な歩留まりが変わる。

落とし穴3: 営業の主観的バイアス。営業がパイプラインに案件を載せる際の「確度判定」には、人による偏りがある。楽観的な営業はベースラインより高い段階に分類しやすく、悲観的な営業は低めにつける。これを集計した予測値には、人数分のバイアスが平均されているとはいえ、ゼロにはならない。

自社で2023年通年で、確度ベースのパイプライン予測単独の誤差を月別に集計したのが以下だ。

12か月で誤差±5%以内に収まったのはわずか1か月 (10月)。±10%超は7か月あった。最大は6月の26.3%。これでは経営の意思決定には使えない。単一モデルでの予測は、特定の月に大きく外す構造的問題があり、これが経営判断のリスクになる。3モデル統合に切り替えた2024年7月以降は、誤差±10%超の月はゼロになった。

不動産業務のモデル1: パイプライン確度モデルの計算手順

3モデルの1つ目はパイプライン確度モデル。これはこのシリーズの別記事「不動産営業 パイプライン管理|確度別5段階で売上予測精度95%」で詳述しているが、本記事ではエッセンスを書く。月初時点でパイプラインに載っている全案件について、各段階の確度を掛け合わせて期待売上を合計する。

計算式は以下のとおりシンプル。

月次パイプライン期待売上 = Σ (案件想定売上 × 段階確度)

確度 (自社実績ベース):
- 初回接触: 10%
- 内見アポ確定: 30%
- 申込書受領: 55%
- 保証会社審査通過: 85%
- 契約締結: 100%

このモデルの強みは、案件単位の精度が高いこと。案件1件1件の状態が反映されるので、特定の案件で動きがあれば予測値が即座に動く。弱みは、月初時点で存在しない案件 (これから問い合わせが来る案件) を捉えられないこと。月内に問い合わせから契約まで進む案件は、このモデルでは捕捉できない。

自社のデータでは、月初パイプラインからの実成約は月次成約数の70〜75%。残り25〜30%は月内に発生して月内に成約する「即決型」案件だ。だから、パイプラインモデル単独では月次売上の70〜75%しか予測できない。残り25〜30%を、別モデルで補完する必要がある。

不動産業務のモデル2: 過去同月比モデルの計算手順

2つ目のモデルは過去同月比モデル。過去3年間の同じ月の実績を平均し、最新の市況補正をかける。これが「月内発生・月内成約」型の案件をある程度捕捉する。

計算式は以下のとおり。

過去同月比予測 = (過去3年同月実績の平均) × 直近トレンド補正係数

例: 2024年9月の予測
- 2021年9月実績: 364万円
- 2022年9月実績: 387万円
- 2023年9月実績: 419万円
- 3年平均: 390万円
- 直近トレンド補正係数 = 直近3か月実績平均 / 過去3年同月平均
  = (6/7/8月の3か月平均 287万円) / (6/7/8月の過去3年平均 245万円) = 1.171
- 予測値 = 390万円 × 1.171 = 457万円

このモデルの強みは、季節要因や市況の流れを大枠で捉えられること。月初パイプラインに乗っていない案件も、過去の実績パターンに含まれているので暗黙的に予測に入る。弱みは、案件ごとの個別事情を反映できないこと。たとえば9月にいつもより大型のオーナー案件が動いていても、過去同月比モデルはそれを直接捉えない。

過去同月比モデル単独で2023年通年を予測してみると、誤差は平均±13%、最大±28%。パイプラインモデル単独より誤差幅は大きい。ただし、誤差の方向 (過大評価/過小評価) がパイプラインモデルとは反対になることが多い。これが2モデルを組み合わせる根拠になる。

不動産業務のモデル3: 季節調整モデルの計算手順

3つ目のモデルは季節調整モデル。年間の売上を月別に分解し、各月のシェアを過去3年で計算した季節指数として持っておく。当月の予測には、年間予測×当月の季節指数を使う。

計算式は以下のとおり。

季節調整予測 = 年間予測 × 当月の季節指数

季節指数 (自社過去3年実績):
- 1月: 0.115 (繁忙期前半)
- 2月: 0.145 (繁忙期最盛期)
- 3月: 0.135 (繁忙期後半)
- 4月: 0.075 (オフ入口)
- 5月: 0.065 (オフ)
- 6月: 0.060 (梅雨で底)
- 7月: 0.075 (回復)
- 8月: 0.055 (お盆休み)
- 9月: 0.110 (法人異動)
- 10月: 0.080
- 11月: 0.065
- 12月: 0.055
合計: 1.000

このモデルの強みは、年単位の傾向を踏まえた安定した予測が出ること。年間目標売上が4,000万円なら、9月の予測は4,000×0.110=440万円が出る。弱みは、年間予測自体が外れていればすべて外れること。年間予測は、前年実績+市況調整で出すしかなく、新規物件の管理開始や大型契約の発生で大きく変わる。

季節指数は、毎年12月末に過去3年分のデータで再計算している。市況の長期変化 (たとえば在宅ワーク普及で郊外物件のシーズン性が変わるなど) を反映するため。3年スパンで見ると、繁忙期の集中度がここ数年で少し緩和してきている (1〜3月のシェア合計が3年前の42%→直近38%) のが見える。

不動産業務の3モデルの加重平均と重み配分の決め方

3つのモデルを別々に計算したら、最後に加重平均で1つの予測値に統合する。重み配分は、過去のモデル別誤差を見て決める。自社では現在、以下の配分にしている。

統合予測値 = (パイプライン予測 × 0.50)
          + (過去同月比予測 × 0.30)
          + (季節調整予測 × 0.20)

例: 2024年9月の各モデル予測
- パイプライン予測: 412万円
- 過去同月比予測: 457万円
- 季節調整予測: 440万円
- 統合予測 = 412×0.5 + 457×0.3 + 440×0.2
          = 206 + 137.1 + 88
          = 431.1万円
- 実績: 419万円 / 誤差: +2.9%

重み配分の決め方は、過去6か月分の各モデル単独予測を実績と比べて、誤差が小さいモデルに重みをつける。自社ではパイプラインモデルが最も精度が高い (誤差±10%程度) ので0.5、次に季節調整 (±12%程度) と過去同月比 (±13%程度) を続ける形。3つの重みの合計は1.0になるように調整。

業態によって最適な重み配分は変わる。賃貸客付け中心の自社は上記の配分が最適だったが、売買仲介中心の会社では過去同月比の重みを下げて (案件単価の変動が大きい)、パイプラインの重みを上げる方が向く。新規開拓中心の会社では、季節調整の重みを上げて、パイプラインを下げる方が安定する。最初の3か月は0.4/0.3/0.3など均等寄りで始めて、誤差データを見ながら3か月ごとに調整する運用が現実的。

月次予測の運用カレンダー (月初2営業日目までに出す)

予測値を出すタイミングが遅れると、月次の経営判断に間に合わない。自社では月初2営業日目までに予測値を確定させるルールを置いている。1日目はデータ収集と各モデル計算、2日目は3モデル統合と経営会議への提出。

具体的なカレンダーは以下のとおり。

合計の月次作業時間は、第1〜2営業日に集中して2.5時間、月中の更新も含めると月3時間程度。これで月次予測の精度が±5%圏内に収まるなら、十分元が取れる投資だと思う。

運用で大事なのは、月末に必ず予測vs実績の振り返りをすること。誤差が±10%を超えた月は、3モデルそれぞれの誤差を分解して、どのモデルが外したかを特定する。3か月連続で同じモデルが外していたら、そのモデルの計算式や重み配分を見直す。これを続けることで、12か月平均で誤差±5%圏内が安定して維持できる。

不動産業務の特殊月の扱い (繁忙期・盆月・年末)

3モデル統合でも、特定の月は予測が難しくなる。自社の経験では、2月・8月・12月の3つが「特殊月」として別の補正が必要だった。

2月 (繁忙期最盛期): パイプラインに載る案件数が他月の2倍近くになる。確度ベースの計算式自体は同じだが、月内に発生して月内に成約する「即決型」の比率が他月より高くなる。自社では2月のパイプラインモデル予測値に+8%の補正を入れている。これは過去3年の2月で「月初パイプライン外発生案件」が成約数の35%程度を占めていた実績から決めた数字。

8月 (お盆休み): 営業稼働日が他月より3〜5日少ない。パイプラインも過去同月比も、稼働日数の影響を直接捉えにくい。自社では8月の統合予測値に「稼働日数補正係数」を入れている。当月稼働日÷標準稼働日 (20日) で算出。お盆休みで稼働日が16日なら、補正係数は0.80。これを統合予測値に掛ける。

12月 (年末): 12月後半の意思決定停滞で、申込から契約まで時間がかかる。月初時点で「契約締結」段階に到達していなかった案件は、12月内に契約まで進む確率が他月より低い。自社では12月の確度を、申込書55%→45%、審査通過85%→75%に下方修正している。年明けの1月実績に流れる案件が増えるためだ。

これらの特殊月補正は、過去5年の自社データから経験的に出した数字なので、業態や地域によって調整が必要になる。最初の1年は標準モデルだけで運用し、特殊月の誤差パターンが見えてから補正を入れる方が、精度が安定する。

月次予測の振り返りと精度向上の継続的改善

予測モデルは「導入して終わり」ではない。月次・四半期・年次で、精度の劣化や改善のチャンスを継続的にチェックする必要がある。

月次レビュー (月末1日、30分): 当月の予測値と実績値を比較。誤差が±5%以内なら成功、±5〜10%なら原因を1つだけ特定、±10%超なら3モデル全部の誤差を分解する。

四半期レビュー (3/6/9/12月末、2時間): 過去3か月の予測精度を集計。3モデルの重み配分を調整するかどうかを判断。たとえばパイプラインモデルが3か月連続で過大評価だったら、重みを0.5→0.45に下げる。

年次レビュー (12月末、半日): 年間の精度推移、季節指数の再計算、確度数値の見直し、特殊月補正の妥当性検証。新しい商品ライン (たとえば駐車場仲介を始めたなど) を追加したら、別シートで予測モデルを分割する。

2年間続けてきて、月次レビューだけだと改善が散発的になり、四半期で重み配分を見直すサイクルが噛み合うと、精度が緩やかに上がっていく感覚がある。予測モデルは生き物で、市場環境や自社の商品構成が変わるたびに再調整が必要。年1回の見直しではなく、四半期で軽く調整する方が、変化への追随が速い。

不動産業務の私が他社と意見が違う点 — AIによる予測信仰への反論

2024〜2025年、不動産業界でも「AIで月次売上予測が自動でできる」という売り込みが急増した。自分はこれに距離を置いている。理由は3つ。

理由1: 自社データの量が機械学習には足りない。中堅以下の不動産会社の月次売上データは、年12点。3年で36点、5年でも60点しかない。これでは機械学習モデルが安定しない。確度ベースのシンプルなパイプラインモデルの方が、案件件数 (年280件×3年=840件) を素材にできるので、実は精度が高い。AIモデルは大量データが前提で、中小企業の実データでは過学習やノイズに敵わない。

理由2: 説明可能性が低い。AIモデルが「来月の売上は350万円」と出してきたとき、その根拠を経営会議で説明できないと意味がない。3モデル統合なら「パイプラインで320万円、過去同月比で360万円、季節調整で340万円、加重平均で337万円」という分解が説明可能で、外れたときも原因の特定がしやすい。AIモデルだと「なぜそう出たのか」が説明できず、外れたときの改善も「もっとデータを学習させましょう」になる。経営判断には使えない。

理由3: 改善が打ち手につながらない。3モデル統合では、パイプラインモデルが外したら「営業のヒアリングが弱い」「内見後の追客が遅い」など、現場の動作改善に直結する。AIモデルが外しても、現場で何を改善すればいいかが見えない。予測モデルの本当の価値は、予測値そのものではなく、外したときに「なぜ外したか」「次に何を改善すればいいか」が見えること。AIで予測精度を1〜2ポイント上げるより、現場で動作改善ができる枠組みを持つ方が、長期では成果が大きい。

AIを使う場面がないと言いたいのではない。問い合わせ内容の自動分類、内見アポ確定の予測、入居者属性のスコアリング、こうした「個別タスク」のAI化は有効。ただ、月次売上予測のように経営判断に直結する部分は、人が説明できる枠組みで持つべきだと考えている。

実装の第1ステップ — 現状把握から始める

改善に着手する前に、現状の業務フロー・所要時間・関係者を可視化することが重要です。最低1週間の時間記録をとり、改善ポテンシャルが大きい業務を3つに絞ってからスタートします。

実装の第2ステップ — 小さく試して効果検証

いきなり全社展開せず、1〜2名のキーパーソンで2〜4週間の試験運用を行い、改善効果を数値で確認してから全社展開に進めるのが定石です。

実装の第3ステップ — 全社展開と継続改善

試験運用で得たノウハウを全社マニュアルに反映し、月次の改善会議で運用上の課題を吸い上げます。3〜6ヶ月の継続運用で本格的な定着が見えてきます。

よくある質問 FAQ|実務の疑問に答える

本記事の論点に関連する、現場でよく寄せられる質問への回答をまとめました。

関連記事|あわせて読みたい

同じテーマで深掘りしたい場合や、関連する論点を整理する際にお読みください。

• オーナー解約率を減らすコホート分析|流出パターンの見つけ方・改善ガイド
• 中堅管理会社の経営指標ベンチマーク|業界平均との比較で課題発見
• 顧客獲得コスト(CAC)の計算法|マーケ投資を最適化して年300万円削減
• 空室対策AI|物件特性別の打ち手を自動レコメンド|空室期間22日→8日・中小不動産向け
• 交渉がこじれた案件を立て直す|スタックポイント診断シート・中小不動産向け
• デモ・内見対応で成約につながる質問フレーム|5ステップ実践法・中小不動産向け・改善ガイド
• 顧客セグメンテーションをAIで自動化|次の営業アクションを提案・不動産会社向け・追客実務
• 提案資料の標準テンプレ化|顧客属性別5パターンで作成時間を1/3に・改善ガイド

出典・参考資料

本記事の主張は以下の公的機関・業界団体の公表情報をもとにしています。

• 経済産業省「DX推進ガイドライン」
• IPA「DX白書」
• 中小企業庁「中小企業白書」
• 総務省「テレワーク総合情報サイト」
• ULSAPO 公式サイト