リードスコアリングとは？配点モデルの作り方・閾値設計・業種別の例まで完全ガイド【2026年版】

この記事でわかること:

• リードスコアリングの定義と、ナーチャリング・BANT・商談化率との位置関係
• 属性スコア × 行動スコアの2軸の組み立て方
• 今日スプレッドシートで組める配点モデルの完成形（配点表＋合計式＋ホット/ウォーム/コールド閾値＋MQL受け渡し基準）
• 業種別（SaaS／製造／金融／人材）で配点がどう変わるか
• ルールベースと予測（機械学習／Einstein）スコアリングの使い分け
• 「リードスコアリングは当てにならない」を防ぐ失敗診断と対策
• DSR（デジタルセールスルーム）の閲覧データを行動スコアの一次ソースにする方法

「資料請求は来るが、どれを優先して営業すべきか分からない」「マーケが渡してくるリードを営業が放置している」「スコアを設定してみたが、点数が高いのに受注に至らない」——リードスコアリングをめぐる悩みの多くは、点数の付け方そのものではなく、配点設計・閾値・運用ルールが曖昧なまま回していることに起因します。

検索すると「属性と行動を点数化しましょう」という説明は山ほど出てきますが、実際に合計スコアをどう計算し、何点でホットと判定し、いつ営業へ渡すかという設計の完成形を最後まで示した記事は多くありません。本記事では、概念の整理から、手元で組める配点モデル、業種別の調整、失敗の防ぎ方、ツール選択（MA／DSR）までを、特定ツールに偏らないベンダー中立の視点で解説します。

---

リードスコアリングとは｜定義と「今なぜ必要か」

リードスコアリングとは、見込み顧客の属性（企業規模・役職など）と行動（資料請求・料金ページ閲覧など）を点数化し、購買意欲と適合度の高い順に並べ替える仕組みです。点数という共通の物差しを使うことで、「なんとなく良さそうなリード」を担当者の勘で選ぶのではなく、組織として一貫した基準で優先順位をつけられるようになります。

なぜリードスコアリングが必要になるのか

リードが少なければ、すべてに連絡すれば済みます。スコアリングが必要になるのは、獲得したリード数が、営業がフォローしきれる量を超えたときです。Webサイト・ウェビナー・広告から大量のリードが入ってくると、全件に同じ熱量で対応するのは不可能になり、結果として「本当は今すぐ商談したい相手」が他の問い合わせに埋もれて取りこぼされます。

スコアリングは、この取りこぼしを防ぐための「交通整理」です。点数が高いリードには即座に営業が動き、点数が低いリードには育成（ナーチャリング）コンテンツを送って機を待つ——という振り分けを、属人的な判断ではなくルールで回せるようにします。

「行動の数値化」が以前より重要になっている理由

近年スコアリングの重要性が増しているのは、B2Bの購買行動が大きく変わったためです。Gartnerの調査によれば、B2Bの購買には平均6〜10人の関与者が関わり、買い手が購買プロセス全体のなかでサプライヤー（営業担当）と接する時間は**わずか17%**にとどまります（出典: Gartner「The B2B Buying Journey」, https://www.gartner.com/en/sales/insights/b2b-buying-journey ）。

つまり、買い手は残り8割以上の時間を、営業との接点の外——社内での検討や、独自の情報収集——に使っています。この「営業からは見えない検討」のうち、自社サイトの閲覧や資料のダウンロードといったデジタル上に現れる部分を可視化する手段が、Web行動・資料閲覧の数値化、すなわち行動スコアリングです。営業が直接会話できる時間が短いからこそ、デジタル上の行動シグナルを点数として捉え、検討が温まったタイミングを逃さないことの価値が高まっています。

加えて、買い手が自ら情報を集めて検討を進める「セルフ購買」が一般化したことで、問い合わせや資料請求が来た時点では、すでに検討がかなり進んでいるケースが増えています。だからこそ、誰が・いつ・どの情報に反応したかを見逃さず、温度の高い相手を即座に拾い上げる仕組みの有無が、商談化の差につながります。リードスコアリングは、こうした買い手主導の購買環境において、限られた営業接点を最も成果につながる相手に振り向けるための土台になります。

ナーチャリング・BANT・商談化率との位置関係

リードスコアリングは、リード管理の流れのなかで「選別（クオリフィケーション）」を担うピースです。混同しやすい隣接概念との関係を整理します。

リード獲得についてはBtoBのリード獲得手法、育成施策についてはインサイドセールスのコンテンツ・ナーチャリングで詳しく扱っています。本記事は、その間に位置する「選別＝スコアリング」に焦点を当てます。

---

リードスコアリングの2つの軸｜属性スコア × 行動スコア

リードスコアリングは、性質の異なる2つの軸を組み合わせて算出します。片方だけでは精度が出ません。

属性スコア（適合度）｜どんな会社・人か

属性スコアは「そのリードが、自社の理想とする顧客像（ICP: Ideal Customer Profile）にどれだけ合致するか」を測る軸です。本人の関心とは無関係に、企業や担当者の「素性」で決まります。

属性スコアの役割は、そもそも顧客になり得ない相手を早期に外すことです。どれだけ熱心に資料を見ていても、自社が売れない規模・地域・目的の相手であれば、優先度を上げる意味はありません。

行動スコア（関心度）｜どれだけ自社に興味があるか

行動スコアは「そのリードが、自社や製品にどれだけ関心を示しているか」を測る軸です。Webサイトやメールでの反応＝デジタル上の足あとで決まります。

ポイントは、行動によって「購買への近さ」が大きく異なることです。料金ページを繰り返し見る行動は契約検討の最終段階を示唆しますが、ブログ記事を1本読んだだけでは情報収集の初期段階にすぎません。この差を配点に反映させることが、行動スコアの肝です。

もう一つ忘れがちなのが、**マイナス配点（減点）**の設計です。配信停止、採用情報ページの閲覧、長期間の完全な無反応といったシグナルは、関心の低下や対象外であることを示します。これらを減点として扱わないと、過去の加点だけが積み上がり、実態とずれた高スコアのリードが生まれます。加点と減点の両方を設計することで、スコアは「いまの関心の強さ」をより正確に反映します。

なぜ2軸を掛け合わせるのか｜4象限で考える

属性スコアと行動スコアは、合算するだけでなく、2軸のマトリクスとして捉えると打ち手が明確になります。

属性も行動も高い右上が「ホットリード」です。一方で見落としがちなのが左下〜右下で、属性が低いのに行動だけが活発なリードは、競合の調査・学生・情報収集目的であることが少なくありません。合計点だけで判断すると、この「行動だけ高いリード」をホットと誤認してしまいます。2軸で見ることが、誤判定を防ぐ第一歩です。

象限ごとの打ち手（アクションプレイブック）

4象限は、ただ眺めるためのものではなく、それぞれに異なる打ち手を割り当てるための地図です。

• 右上（属性高 × 行動高）＝最優先: 即座に営業へ引き渡し、24時間以内に初回コンタクトを取ります。ここに割く営業リソースの密度を最も高くします。
• 右下（属性低 × 行動高）＝要見極め: 行動は活発でも自社の顧客になり得ない相手が混ざる層です。営業へ渡す前に、所属企業や利用目的を確認するワンクッションを入れます。競合・採用目的・個人利用が判明したら除外します。
• 左上（属性高 × 行動低）＝育成対象: 理想的な顧客像に合致しているのに、まだ関心が温まっていない「将来の本命」です。事例・課題解決コンテンツを定期的に届け、行動スコアを引き上げます。営業を急がず、ナーチャリングで機を待ちます。
• 左下（属性低 × 行動低）＝後回し: 当面はリソースを割かず、自動配信のメルマガ程度の接点に留めます。属性も関心も低い相手に時間を使うと、本命の取りこぼしにつながります。

この割り当てを決めておくと、「スコアが出たあと、誰が・いつ・何をするか」が自動的に定まります。スコアリングの価値は、点数を出すこと自体ではなく、点数に応じた行動を組織で標準化できる点にあります。

---

【独自】配点モデルの作り方｜今日スプレッドシートで組める完成形

ここからは、多くの記事が省略する「配点モデルの完成形」を、手元のスプレッドシートで組める粒度まで示します。MAツールがなくても、考え方は同じです。以下の4ステップで設計します。

ステップ1：ICPから属性配点を決める

まず、過去に受注した顧客に共通する特徴（＝ICP）を洗い出し、それに近いほど高得点になるよう配点します。以下は配点設計の一例です（数値は自社のICPに合わせて調整してください）。

ステップ2：行動配点を決める

次に、行動の「購買への近さ」に応じて配点します。強い購買シグナルとブログ閲覧で、はっきり差をつけるのがコツです。

ステップ3：合計式とホット/ウォーム/コールドの閾値

属性スコアと行動スコアを合算し、合計点で3段階に区分します。多くの競合記事が触れない「合計式」と「閾値」を明示します。

合計スコア = 属性スコアの合計 + 行動スコアの合計

判定（しきい値の設計例）:
  ホット   : 合計 80点以上 かつ 属性スコア 30点以上 → 即・営業へ引き渡し
  ウォーム : 合計 40〜79点                          → 育成を継続しつつ監視
  コールド : 合計 39点以下                          → 定期ナーチャリングのみ

重要なのは、ホットの条件に「属性スコア30点以上」という下限を入れている点です。これにより、行動だけが突出した低属性リード（競合の調査など）が、合計点だけでホットに昇格してしまう事故を防げます。閾値の数値は運用しながら補正する前提で、最初はシンプルに置きます。

ステップ4：MQL→SQL受け渡し基準（マーケと営業のSLA）

スコアリングが機能するかどうかは、「何点になったら、マーケから営業へ渡すか」をマーケと営業が事前合意できているかで決まります。この合意（SLA: Service Level Agreement）がないと、営業は「マーケが送ってくるリードは質が低い」と感じ、放置が常態化します。

初動の速さは成果に直結します。MITとInsideSales.comによるLead Response Management Study（Dr. James Oldroyd, 2007）では、5分以内に連絡した場合は30分後に連絡した場合に比べ、リードを見込み客として選別できる確率が約21倍高かったと報告されています（出典: Lead Response Management Study, https://www.leadresponsemanagement.org/ ）。スコアでホットを検知しても、初動が遅ければ価値は大きく目減りします。営業初動の設計はインサイドセールスのKPI設計も参照してください。

配点モデルの動作例｜1件のリードを最後まで採点する

抽象論を避けるため、架空のリードを4ステップのモデルで実際に採点してみます。設計が機能するイメージを掴んでください。

例: 製造業A社・購買部長からの資料請求

• 企業属性: 従業員300名（+20）／ターゲット業種に合致（+20）
• 個人属性: 購買部長＝決裁関与（+20）
• 利用目的: 自社導入検討（+10）
• 行動: ホワイトペーパーDL（+10）／導入事例の閲覧（+15）／料金ページを2回閲覧（+15×2=+30）／メール開封3回（+1×3=+3）

属性スコア = 70点、行動スコア = 58点、合計 = 128点 → 合計80点以上かつ属性30点以上の条件を満たすため「ホット」と判定。MQLとして営業へ即通知し、24時間以内に初回コンタクト。

同じ行動でも、もし所属が「従業員10名・対象外業種・情報収集目的」だった場合、属性スコアはマイナスを含めて大きく下がり、行動が活発でも「右下（要見極め）」に分類されます。属性の下限条件があるからこそ、行動だけが目立つリードを自動でホットから除外できる——この動作例が、合計式と閾値を設計する意味を端的に示しています。

---

【独自】業種別の配点例マトリクス｜効く行動は業種で変わる

汎用の配点表をそのまま使うと精度が出ません。「効く属性・行動」は業種で変わるためです。代表的な4業種の傾向を示します。

たとえば製造業では、料金ページを1回見たことより「3か月にわたって月1回サイトに戻ってくる」ほうが強いシグナルです。一方で人材・士業では検討が速いため、閾値を高くしすぎると機を逃します。自社の受注顧客がどの行動を経て契約に至ったかを振り返り、その行動の配点を厚くするのが業種調整の基本です。業種ごとの商談プロセスの違いは営業フェーズの業種別設計も参考になります。

業種調整でもう一つ重要なのが、検討期間に合わせて鮮度減衰のスピードを変えることです。検討が数か月〜年単位に及ぶ製造業や金融では、行動スコアをSaaSと同じ速さで減衰させると、まだ検討中のリードを早々にコールドへ落としてしまいます。逆に意思決定の速い人材・士業では、減衰を緩くしすぎると古いリードが上位に残り続けます。配点だけでなく減衰ルールも業種の検討サイクルに合わせて設計してください。

---

スコアデグレード（鮮度減衰）の設計

スコアは「貯まる一方」にしてはいけません。半年前に料金ページを熱心に見たリードと、昨日見たリードを同じ点数で扱うと、検討時期を過ぎた古いリードが上位に居座り、スコアが実態とずれていきます。これが後述する「スコアリングが当てにならない」最大の原因の一つです。

対策が**スコアデグレード（時間減衰）**です。一定期間反応がないリードは点数を減らす、またはリセットします。設計例を示します。

減衰を入れることで、スコアの上位には常に「いま検討が温まっているリード」が並ぶようになります。属性スコアは減衰させず、行動スコアだけを鮮度で調整するのがポイントです。

---

導入ステップ｜スプレッドシート → MA → DSR連携の段階導入

リードスコアリングは、いきなりMAツールを導入しなくても始められます。投資を最小化しながら段階的に高度化するのが現実的です。

フェーズ0：スプレッドシートで運用を立ち上げる

まずはMAなしで、フォーム入力情報（属性）と、把握できる範囲の行動（資料DL・問い合わせ）をスプレッドシートに集計し、本記事の配点モデルで手計算します。件数が少ないうちは、これで「配点と閾値が自社に合っているか」を検証できます。最初からツールに頼らず、設計を固めることが先です。

フェーズ1：MA／CRMで自動化する

リード件数が増え、Web行動を自動で捕捉したくなったら、HubSpot・Salesforce・SATORIなどのMA／CRMでスコアリングを自動化します。フォーム連携・サイト行動トラッキング・スコア自動加算・MQL通知が仕組み化され、手作業の限界を超えられます。このとき、フェーズ0で固めた配点・閾値をそのまま移植できるため、立ち上げがスムーズです。

フェーズ2：行動データの精度を上げる

MAが捉えるのは主に「自社サイト上の行動」と「メールの開封・クリック」です。次の精度向上は、営業が共有した提案資料そのものの閲覧データを取り込むことです。これがDSR（デジタルセールスルーム）連携であり、後述します。

なお、この段階的導入で最も多い失敗が、フェーズ0を飛ばしていきなりMAを導入することです。配点ルールや閾値が固まっていないままツールを入れると、「ツールの初期テンプレートの点数をそのまま使い、自社に合っていないスコアが量産される」状態に陥ります。ツールはあくまで、固めた設計を自動化・高速化する手段です。手計算でも構わないので、まず自社の受注顧客から配点と閾値の仮説を立て、それを検証してからツールに載せる——この順序を守るだけで、導入後の「当てにならない」を大きく減らせます。ツールの機能比較に時間をかける前に、配点設計に時間をかけるべきだということです。

---

【独自】ルールベース vs 予測（機械学習/Einstein）スコアリングの使い分け

リードスコアリングには、人がルールを決める「ルールベース」と、過去データから機械学習が自動で重み付けする「予測スコアリング」の2方式があります。PAA（よくある質問）でも「Einsteinリードスコアリングとは？」が頻出します。両者を整理します。

Einsteinリードスコアリングとは

Einsteinリードスコアリングは、Salesforceが提供する機械学習ベースのスコアリング機能です。過去のリードを分析し、過去に商談化したリードと共通点の多い現在のリードを高く評価します。ルールを人手で組むより迅速で、データ量が十分なら高精度が期待できます（最新の仕様はSalesforce公式ヘルプを確認してください）。

どちらを選ぶべきか

判断基準はシンプルで、過去の成約データが十分に貯まっているかです。リードや成約の件数が少ない立ち上げ期は、機械学習が学習する材料が足りず、予測の精度が出ません。まずはルールベースで運用と仮説検証を回し、データが蓄積されてきたら予測スコアリングの導入を検討する——という順序が安全です。「機械学習だから万能」ではなく、ブラックボックス化して「なぜこのリードが高得点か説明できない」状態に陥るリスクも踏まえて選びます。

ハイブリッド運用という現実解

実務では、二者択一ではなく両者を組み合わせる運用が増えています。たとえば、除外条件（競合・対象外業種）や決裁者の役職といった「自社が確実に分かっているルール」はルールベースで明示的に押さえ、行動の重み付けのように「データに語らせたほうが精度が出る部分」は機械学習に委ねる、という分担です。

予測スコアリングを導入する際も、いきなり全面的に切り替えるのではなく、しばらくはルールベースのスコアと予測スコアを並走させ、どちらがより実際の受注と相関するかを比較検証することをおすすめします。予測モデルが本当に自社のデータで機能しているかを確かめないまま運用に乗せると、ブラックボックスな点数に振り回される結果になりかねません。透明性と精度のバランスを、自社のデータ量と運用体制に合わせて選ぶことが重要です。

---

【独自】「リードスコアリングは当てにならない」を防ぐ失敗診断マトリクス

「スコアを導入したが成果につながらない」「点数が高いのに受注できない」——こうした声は珍しくありません。原因は症状ごとに異なります。自社の状況を診断してください。

注目すべきは、「当てにならない」の多くがスコアの計算式そのものより、運用ルール（鮮度・閾値・受け渡し）の欠落に起因することです。配点をいじる前に、減衰とSLAが設計されているかを先に確認してください。スコアと実際の受注/失注のズレを分析する観点は、失注分析の考え方も参考になります。

そもそもスコアリングを始めてよい前提条件

見落とされがちですが、リードスコアリングには「機能する前提条件」があります。条件を満たさないまま導入すると、どれだけ精緻に配点しても成果は出ません。

• 十分なリード母数があること: スコアリングは「多すぎるリードを選別する」ための仕組みです。月数件しかリードがないなら、全件に連絡すればよく、スコアリングは不要です。まずはリード獲得を優先すべき段階です。
• 行動データを取得できる環境があること: フォーム入力（属性）に加え、最低限のWeb行動や資料閲覧を計測できないと、行動スコアに差がつきません。
• マーケと営業が同じテーブルにつけること: 「どんなリードを渡すか」をマーケが一方的に決めると、営業は使いません。両部門が受注顧客像を共有し、配点と受け渡し基準を一緒に決められる体制が前提です。

逆に言えば、これらが揃っていない段階で「スコアが当てにならない」と感じている場合、原因はスコアモデルではなく前提条件の欠落にあります。まずどの前提が欠けているかを見極めてください。

---

【独自】DSRの閲覧データを行動スコアの一次ソースにする（Terasu運用）

行動スコアの精度を一段引き上げる方法が、DSR（デジタルセールスルーム）の閲覧データを行動シグナルとして取り込むことです。これはMAツール中心の解説記事ではほとんど触れられていない視点です。

MAのメール開封より高粒度な「提案資料の閲覧」シグナル

MAが捉える行動は、主にメールの開封・クリックや自社サイトの閲覧です。一方DSRは、営業が顧客に共有した提案書・見積もり・導入事例を、誰が・どの資料を・何秒・何回見たかという、より検討の核心に近い行動を記録します。前述のとおり、買い手が営業と直接接する時間は購買プロセス全体のごく一部にすぎません（Gartner）。営業との接点の外で顧客が提案資料のどこを読み込んでいるかが分かることは、購買意欲を測る上で極めて濃いシグナルになります。

行動スコアへの組み込み方

DSRの閲覧データは、行動スコアに次のように組み込めます。

• 高配点の行動として加点: 提案書の決裁者による閲覧、見積もりページの再訪、特定の比較資料の精読を、料金ページ閲覧と同等以上の強シグナルとして配点する
• 関与者の広がりを評価: 同じ企業内で複数の関与者が資料を閲覧し始めた＝社内検討が動き出したシグナルとして加点する
• 滞留の検知に使う: 一定期間アクセスがない案件を、鮮度減衰の対象として自動で洗い出す

ホットリードを24時間以内の初動へつなぐ

DSRで「決裁者が提案書を閲覧した」ことを検知したら、それは初動を起こす最良のタイミングです。前掲のLead Response Management Studyが示すとおり、検討が温まった瞬間の速い初動は選別確度を大きく高めます。MAの申告ベースのスコアに、DSRの行動ベースのシグナルを重ねることで、スコアの精度とタイミングの両方を実態に近づけられます。

特にB2Bでは、前述のとおり購買に6〜10人が関わります（Gartner）。提案資料を「誰が」見ているかが分かることは、リード単位のスコアを超えて、取引先の社内で検討がどこまで広がっているかを捉える手がかりになります。最初は担当者だけが見ていた資料を、ある日から部長や役員も閲覧し始めた——という変化は、社内稟議が動き出した強いシグナルです。個人のスコアに加えて、こうしたアカウント（企業）単位の関与の広がりを評価軸に加えると、選別の精度はさらに上がります。

注意：DSRはあくまで行動スコアを補強する一要素

DSRの閲覧データは強力なシグナルですが、これだけでスコアリングが完成するわけではありません。属性スコアによる適合度の判定、鮮度減衰、MQL受け渡し基準といった本記事の他の要素と組み合わせて初めて機能します。DSRは「行動スコアの解像度を上げる手段」と位置づけ、配点モデル全体の設計を省略しないことが大切です。

DSRの全体像はデジタルセールスルーム完全ガイドを参照してください。

---

効果測定とPDCA｜スコア帯別の商談化率でモデルを補正する

リードスコアリングは「作って終わり」ではなく、結果で補正し続けるものです。検証の核心は、スコア帯ごとに実際の商談化率・受注率を集計し、点数と成果が連動しているかを確認することです。

• ホット帯のリードが、本当にウォーム帯より高い商談化率になっているか
• もしホット帯の受注率が低ければ、配点（拾いすぎている行動）か閾値を見直す
• ウォーム帯から受注が出ているなら、見落としている「効く行動」がないか配点に追加する

具体的な補正の進め方はこうです。まず四半期ごとに、その期間にホット判定したリードの「商談化率」「受注率」を集計します。次に、受注に至った顧客が判定前にどんな行動を取っていたかを洗い出し、配点が低いのに受注と強く相関している行動があれば、その配点を引き上げます。反対に、高配点なのに受注とほとんど関係していなかった行動は配点を下げます。こうして「受注という結果」から逆算して配点を更新していくことで、モデルは回を重ねるごとに自社の購買パターンに最適化されていきます。最初の配点はあくまで仮説であり、3〜6か月の実データで補正してこそ精度が出る、という前提を持つことが大切です。

効果検証チェックリスト

• スコア帯（ホット/ウォーム/コールド）別に商談化率・受注率を集計している
• ホット帯の受注率が他帯より明確に高いことを確認している
• 「高得点だが失注」した案件の共通行動を洗い出している
• 鮮度減衰のルールが想定どおり機能しているか確認している
• マーケと営業がMQLの質について定例で擦り合わせている
• 四半期に一度、ICPと配点を受注実績から見直している

このPDCAを回すことで、配点モデルは自社の受注パターンに合わせて精度を上げていきます。営業が会話で精査する確度判定（BANT・MEDDIC）と、マーケのスコアを連動させると、選別から商談までが一気通貫になります。確度判定の枠組みはBANTフレームワーク・MEDDICを参照してください。

---

まとめ｜リードスコアリングは「運用ルールの設計」で決まる

リードスコアリングがうまくいくかどうかは、点数の付け方の巧拙よりも、配点・閾値・鮮度・受け渡しという運用ルールをどれだけ明確に設計したかで決まります。本記事の要点を振り返ります。

• リードスコアリングとは: 属性スコア×行動スコアでリードを点数化し、優先順位をつける選別の手法
• 2軸で見る: 合計点だけでなく属性×行動の4象限で判断し、「行動だけ高い低属性リード」の誤判定を防ぐ
• 配点モデル: 配点表＋合計式＋ホット/ウォーム/コールド閾値＋MQL受け渡し基準まで設計してはじめて機能する
• 業種別調整: 効く行動は業種で変わる。受注顧客の行動を振り返って配点を厚くする
• 鮮度減衰: 行動スコアを時間で減衰させ、上位を常に「いま温まっているリード」にする
• ルール vs 予測: データが少なければルールベースから。予測（機械学習/Einstein）はデータ蓄積後に
• DSR連携: 提案資料の閲覧データはMAのメール開封より濃いシグナル。行動スコアと初動判断に活かす

まずはMAの有無にかかわらず、自社の受注顧客から配点と閾値を設計し、鮮度減衰とMQL受け渡し基準を決めることから始めてください。完璧なモデルを一度に作るより、シンプルな設計で運用を回し、スコア帯別の成果で補正していくほうが、現場で使い続けられるリードスコアリングになります。ツール選びやスコアの計算式に悩む前に、「自社にとって良いリードとは何か」をマーケと営業が言葉にして合意すること——そこがすべての出発点です。

---

よくある質問