中小企業の経営判断は、データではなく「経験と感覚」で行われることが多い。
「今月の売上が伸びている」「あの商品は動きが遅い」「この顧客は最近注文が減っている」──こういった判断の根拠は、担当者の肌感覚であることが珍しくない。
感覚的な判断が完全に間違いというわけではない。現場を長く見てきた経験値は確かな情報だ。しかし、10人・20人・30人の会社になると、社長や営業が全ての動きを把握しきれなくなる。データで見れば気づいていたことが、感覚だけでは見えなくなる。
この記事では、データサイエンティストやIT専門家がいない中小企業が、AIを使ってデータ分析を始める方法を解説する。
中小企業でよくあるデータ活用の現状
多くの中小企業でデータ分析が進まない理由は、「分析のためのデータが整っていない」からではない。実際には、以下のようなデータが既に社内にある。
- 売上データ（受注管理システム・会計ソフト・POSレジのデータ）
- 顧客データ（取引先台帳・CRMのデータ・名刺情報）
- 在庫データ（在庫管理システム・Excelで管理している商品台帳）
- 問い合わせ・対応履歴（メール・チャットツール・受付票）
問題はデータがないことではなく、「どのデータをどう見れば判断に使えるか分からない」ことだ。Excelに数字はあるが、そこから何を読み取るかが分からない状態が多い。
AIでできるデータ分析の種類
AIを使ったデータ分析で中小企業が実際に取り組めるものは、以下の種類に分かれる。
1. 売上・収益分析
月別・商品別・顧客別の売上データを整理してAIに見せると、「どの商品の売上が伸びているか」「季節性のパターンがあるか」「利益率が低い商品はどれか」といった示唆を引き出せる。
Excelデータをそのまま生成AIに貼り付けて「この売上データから、注目すべきことを教えてください」と聞くと、人間が見落としていたパターンを指摘してくれることがある。
2. 顧客分析
取引先ごとの注文頻度・金額・最終注文日を整理すると、「最近注文が減っている顧客」「購入頻度が高く利益率も高い優良顧客」「新規顧客の定着率」が見えてくる。
BtoB取引の会社では、顧客リストをCSVにエクスポートしてAIに貼り付け、「半年以上注文がない顧客を抽出して、注文額の大きい順に並べてください」という指示で、アクションが必要な顧客リストを作ることができる。
3. 在庫・仕入れ分析
過去の売上実績と在庫の動きを組み合わせると、「適正在庫数の算出」「過剰在庫になりがちな商品の特定」「欠品リスクが高いタイミング」が見えてくる。
仕入れの意思決定を「担当者の勘」に頼っている会社では、データを整理してAIに見せるだけで「過去のパターンから見ると、この月はこの商品の需要が増える傾向がある」という観察が得られる。
4. 業務コスト分析
スタッフの業務時間の記録や外注費のデータがあれば、「どの業務に最もコストがかかっているか」「外注費と社内処理のコスト比較」を整理することができる。
業務改善の優先順位を決める根拠になる。
具体的な進め方
ステップ1: 分析したいテーマを1つに絞る
「データ分析をしたい」という漠然とした目標では進まない。「どの顧客から優先的にフォローすべきか」「どの商品の粗利率が低いか」など、経営判断に直結する「問い」を1つ決める。
問いが決まると、必要なデータが明確になる。
ステップ2: 必要なデータを1か所に集める
分析に使うデータを1つのExcelまたはGoogleスプレッドシートに集める。複数のシートに分散していても構わないが、まず「分析対象のデータが全部入っているシート」を作る。
この工程が最も時間がかかる。しかし、この整理をしておくと後の分析が格段に楽になる。
データを集める際は、個人情報（個人の氏名・住所等）をそのまま使わないようにする。BtoB取引のデータであれば、「顧客ID・売上金額・業種」のような形で扱う。
ステップ3: AIに貼り付けて分析依頼をする
整理したデータをClaudeやChatGPTに貼り付けて、「問い」に答えてもらう形で分析を依頼する。
依頼の仕方で結果が変わる。「このデータを分析してください」と言うより、「このデータから、注文頻度が落ちている顧客を探し、注文金額が大きい順に並べてください」と具体的に指示した方が、使える結果が出やすい。
有効な依頼パターン例:
- 「この月別売上データで、前月比10%以上増加した月を全て教えてください」
- 「この顧客リストを注文金額×注文頻度でスコアリングして、上位20件を出してください」
- 「この商品データで、売上高に対して粗利率が低い商品を5つ抽出してください」
ステップ4: 結果を確認して経営判断に使う
AIが出した分析結果は、必ず元のデータと照らし合わせて確認する。AIが計算を間違えていることがある。特に数値計算は、AIだけを信じるのではなく、重要な数字は手動でも確認する癖をつける。
確認した上で、「では次の四半期はこの顧客への営業を優先する」「この商品の在庫は半分に絞る」という経営判断につなげる。
生成AIとデータ分析専用ツールの違い
| 項目 | 生成AI（ChatGPT/Claude） | データ分析専用ツール（BIツール等） |
|---|---|---|
| 操作の難易度 | 低い（テキストで指示） | 中〜高い（設定が必要） |
| 初期費用 | 低い | 中〜高い（月数万円〜） |
| リアルタイム更新 | 手動（毎回貼り付け） | 自動（データソースと連携） |
| 向いている用途 | スポット分析・臨機応変な探索 | 継続的なダッシュボード管理 |
| データ件数の限界 | あり（貼り付けられる量に制限） | なし（大量データに対応） |
最初から専用ツールを入れる必要はない。まず「生成AIで手動分析してみる」ことから始めて、「これを定期的に自動化したい」というニーズが出てきた段階でBIツールの導入を検討する。
よくある落とし穴
落とし穴1: データが汚くて分析できない
「A社」と「株式会社A」が別の行に入っている、日付の入力形式がバラバラ、空白のセルが多い──こういった状態では正確な分析ができない。データ整備（クレンジング）が分析の前提だ。
AIに「このデータを整理してください。会社名の表記ゆれを統一して、日付のフォーマットを揃えてください」と依頼することで、クレンジングの補助ができる。
落とし穴2: 分析して満足してしまう
データを分析した結果、「なるほど、こういう傾向があるのか」と理解して終わるケースがある。分析は経営判断に使って初めて意味がある。「この分析結果から、来週何をするか」を決めることがゴールだ。
落とし穴3: データが少なすぎる
取引先が20社しかなく、月次売上が12ヶ月分しかないデータでは、「傾向がある」と言えるほどのパターンが出ないことがある。件数が少ない場合は、分析より「数を増やす」ことの方が先決になる。
AI顧問に依頼する場合の役割
自社でデータ分析を進める場合、詰まりやすいのは「問いの設定」と「データ整備」の工程だ。
「何を分析すればいいか分からない」「データをどう整理すればいいか分からない」という状態では、分析ツールを入れても使いこなせない。
AI顧問に依頼する場合は、この「問いの設定」と「データ整備の設計」を支援してもらうことが多い。「自社の意思決定のボトルネックはどこか」を外部の目で整理してもらうことで、分析の優先順位が明確になる。
まとめ
中小企業がAIでデータ分析を進めるには、以下の3つが揃えば動き出せる。
- 分析する「問い」が1つ決まっている（「売上を上げたい」ではなく「どの顧客から優先すべきか」）
- その問いに答えるためのデータがExcelで1か所に集まっている
- 生成AIに貼り付けて、具体的な指示で分析を依頼できる
データサイエンティストがいなくても、この3つが揃えば始められる。大事なのは「分析の精度」より「判断に使えるか」だ。完璧なデータを追い求めるより、今あるデータで動ける判断をする方が経営判断として正しい。
