インテントデータとは？｜「検討中の企業」を外部シグナルから推定する仕組みと精度の限界

営業チームから「まだ問い合わせも来ていない企業から、ちょうどいいタイミングで提案の連絡が来た」という話を聞いたことはないでしょうか。

競合の営業が、こちらより一足先に同じ企業へアプローチしていた、というケースも含めてです。

その裏側では、多くの場合インテントデータと呼ばれる仕組みが動いています。企業が自社サイトの外側で見せている「検討中らしき行動」を第三者のデータとして捕捉し、今まさに買う気配のある企業を推定する仕組みです。

ダークファネルとは? では、指名検索やダイレクト流入の背後にある、計測できない検討プロセスを扱いました。今回のテーマは、その見えない検討プロセスに外部から光を当てようとする、専門的な仕組みの話です。

MonaLensのような自社サイトの解析ツールは、あくまで自社サイトに来た人の行動しか観測できません。インテントデータはその手前、つまり自社サイトに来る前に他のメディアで調べものをしている気配を扱う点が大きく異なります。

この記事では、インテントデータの仕組みを分解し、どこまで信じてよく、どこから疑ってかかるべきかを整理します。RevOpsやマーケティング担当者、そして限られた予算で意思決定をする立場の人にとっての判断材料になれば幸いです。

インテントデータとは何か

一言で言えば、インテントデータとは企業が公開情報や広告ネットワーク上で見せている、購買検討を示唆する行動の記録です。

個人の閲覧履歴そのものではなく、多くの場合IPアドレスや広告IDから逆算した「企業単位」の行動として扱われる点に特徴があります。

一次データ・二次データ・三次データという整理

データの出所は、大きく3つの層に分けて考えると理解しやすくなります。

• 一次データ: 自社サイトやプロダクトで直接観測した行動。MonaLensのようなアクセス解析やプロダクト内のイベントログがここに含まれます。
• 二次データ: 提携先や自社の姉妹メディアなど、限られた範囲で共有される行動データ。
• 三次データ: 自社と契約関係のない外部サイト群から、専門ベンダーが横断的に収集した行動データ。一般に「インテントデータ」と呼ばれる商用データの大半はこの三次データに当たります。

三次データは自社では絶対に取得できない情報を含むという強みを持つ一方で、収集経路が自社の管理外にあるぶん、後述するような精度の課題も抱えています。

なぜ「企業単位」で扱うのか

BtoBの購買検討は、ひとりの担当者だけでは完結しないことがほとんどです。稟議に関わる複数人が、それぞれ別のタイミングで情報収集をしています。

そのため、個人を特定するのではなく、同じ会社に所属すると推定される複数の閲覧を束ねて「この会社が検討している」という単位で扱うほうが、営業やマーケティングの現場では扱いやすい情報になります。これは、この後で見る収集方式そのものにも直結しています。

なぜ今、この仕組みが注目されるのか

企業の購買担当者は、営業に問い合わせる前に、検索エンジンやレビューサイト、比較記事、コミュニティでの評判を自分で調べ尽くしてから動く傾向が強まっています。

問い合わせフォームに入力される頃には、すでに検討がかなり進んでいるケースも珍しくありません。

「問い合わせ前」が長くなっている

営業やマーケティングの側から見ると、この問い合わせ前の期間は長らく見えない領域でした。インテントデータは、その見えない期間の一部を、外部の行動シグナルから推測しようとする試みです。

見えない期間そのものをなくすことはできませんが、その期間に起きている検討の気配だけでも先に察知したいというのが、この仕組みが求められる根本的な動機です。特に競合が多いカテゴリでは、声をかける順番そのものが商談化率に響くという実感を持つ営業リーダーは少なくありません。

個人単位のトラッキング制約という追い風

もう一つの背景は、個人を特定して広告配信を最適化するやり方が、年々難しくなっていることです。ブラウザやOSの仕様変更によって、個人単位で追いかける手法には制約が強まっています(この経緯は Googleが「サードパーティCookie廃止」を撤回した理由 で扱いました)。

個人ではなく企業という単位でシグナルを集める発想は、こうした制約の下でも比較的成立しやすく、結果としてインテントデータへの関心を後押ししています。企業単位の推定は個人の識別子に依存しないぶん、技術的な規制強化の影響を受けにくいという構造上の理由もあります。

収集の仕組みを分解する

インテントデータと一口に言っても、収集の方式にはいくつかの系統があります。代表的な2つの方式を分解してみます。

IPアドレスからの企業逆引き

最も基礎的な方式は、閲覧元のIPアドレスを法人契約のネットワーク情報と突き合わせ、どの企業のオフィスからのアクセスかを推定するものです。

自社サイトへのアクセスログにこの逆引きをかけると、「問い合わせはまだないが、A社のネットワークから料金ページへの複数回アクセスがあった」といった読み方ができるようになります。この方式は自社サイトの実アクセスログが土台になるため、後述の共同ネットワーク型に比べると出どころを追いやすいという特徴があります。

コンテンツ共同ネットワーク型のトピックスコア

もう一つの方式は、業界メディアや専門メディアが持つ会員データや広告ネットワークを横断して集めた閲覧ログから、特定のトピックについて閲覧が急増している企業を検出するものです。

自社と契約関係のない外部メディアでの閲覧まで対象に含められる点が、自社ログの逆引きとの大きな違いです。専門ベンダーは、この横断データを「トピックごとの急上昇度」のようなスコアに変換して提供します。参加メディアの数が多いほど網羅範囲は広がりますが、その分だけ一つ一つの閲覧の重みは薄まります。両方式を組み合わせ、自社サイトの逆引きデータと外部の共同ネットワークデータを突き合わせて精度を補い合う運用を提案するベンダーもあります。

自社の一次データとの役割の違い

ここまでの2方式は、いずれも自社サイトの外側で起きている行動を扱う点で共通しています。

対して、自社サイトやプロダクト内での行動は一次データであり、PQL(プロダクトクオリファイドリード)のように、より解像度の高いシグナルとして扱えます。三次データは範囲の広さと引き換えに解像度を犠牲にしている、という対比で捉えると整理しやすくなります。

下の表は、代表的なシグナルの種類を、見ている対象や強み・弱みで整理したものです。

精度の限界とバイアスを理解する

仕組みを分解すると分かるとおり、インテントデータは万能な検知器ではありません。導入前に理解しておきたい限界を、3つに分けて整理します。

IP解決の構造的な弱点

在宅勤務やシェアオフィス、モバイル回線からのアクセスは、法人ネットワークを経由しないことが多く、そもそも企業に紐づけられません。

さらに、同じビルに入る複数のテナント企業が同一のネットワーク経由で外部に出ている場合、逆引きが実際とは違う企業を指し示すこともあります。IPアドレスは住所ではなく、あくまで出口の情報にすぎないという前提を忘れないことが重要です。

誰が読んだかは分からないという壁

トピック共同ネットワーク型のデータは、企業単位でのスコアは出せても、社内の誰が読んだのかまでは分かりません。

意思決定者本人なのか、検索でたまたま辿り着いた新入社員なのかを区別できないという事実は、営業がこのシグナルだけを頼りにアプローチする際の大きな限界になります。スコアが立った=決裁者が動いた、ではないことは、現場に共有しておく必要があります。

業界やトピックの偏り

インテントデータの母集団は、データ提供元となるメディアや広告ネットワークの読者層に依存します。

特定の業界に強い提供元のデータは、その業界では精度が高く出やすい一方、対象外の業界や地域では十分なシグナル量が集まらないことがあります。導入前に、自社が狙う業界でどれだけのカバレッジがあるかを確認しておく価値があります。カバレッジの薄い領域で導入すると、シグナルが立たない期間が続き、ツールそのものへの信頼が下がってしまうという遠回りな失敗にもつながります。

「検討」と「関心」を取り違えないこと

もう一つ見落としやすいのが、閲覧の動機を区別できないという弱点です。特定の製品カテゴリの記事を読む理由は、購入検討だけとは限りません。競合調査、転職活動中の情報収集、学生のレポート作成など、購買に結びつかない閲覧も同じスコアに混ざり込みます。

スコアの上昇は「関心」の上昇であって、必ずしも「購入意欲」の上昇ではありません。この区別を営業チームと事前にすり合わせておかないと、スコアの高さだけを根拠にした過度な期待が生まれやすくなります。

集められる側の同意という論点

三次データの多くは、閲覧した個人がその収集や企業単位への集約に明示的に同意した記憶を持たないまま作られています。MonaLensがCookieを使わず個人を特定しない前提で設計されているのとは、性質の異なる話です。

導入する側としては、購入するデータがどの国のどの規制の下で集められたものかを確認し、自社が営業活動でそのデータを使う際に説明責任を果たせるかを、契約前に整理しておく価値があります。

小規模なチームは何から始めればよいか

インテントデータの専門サービスは、一般に契約単価が高く、対象アカウント数に応じて料金が変わる設計になっていることが多い分野です。潤沢な予算を持たないインディーハッカーやAIソロプレナーが、いきなり導入するには重い選択肢になりがちです。

有料の外部データより先にやること

外部データに手を伸ばす前に、自社サイトの一次データをどこまで使い切れているかを確認する価値があります。

料金ページへの複数回訪問、比較記事の閲覧、導入事例ページの精読といった行動は、外部のインテントデータに頼らなくても、自社サイトの解析だけで十分に検知できます。外の見えない検討シグナルを追いかける前に、自社サイトという「見える範囲」の検討シグナルを取りこぼしていないかを先に点検するほうが、投資対効果は高いことが多いはずです。

一次データを土台に置く

自社サイトの行動データは、外部データと違って収集経路が自分たちの管理下にあり、精度の前提を自分たちで理解できるという利点があります。

まずは一次データで「検討が進んでいる訪問者」を捕捉できる状態を作り、その上で予算に余裕が出てから外部のインテントデータを補助的に足す、という順番が現実的です。最初から外部データありきで設計すると、一次データの整備が後回しになり、結局どちらの精度も中途半端なまま運用が続くという事態に陥りやすくなります。

段階を踏んで投資する発想は、組織の成熟度に応じてツールを積み上げていくRevOpsの基本的な考え方とも重なります。身の丈に合わない仕組みを先に導入しても、運用する人手と判断基準が追いつかなければ宝の持ち腐れになってしまいます。

実務でどう使うか

限界を理解した上でなお、インテントデータには実務上の使い道があります。ポイントは、何の代わりに使うかを間違えないことです。

シグナルは「優先順位づけ」に使う

現実的な使い方は、新しいリードを生み出すことではなく、すでに持っているアカウントリストの中で、どこから声をかけるかの順番を決めることです。

これは アカウントベースドマーケティング(ABM) の考え方とも相性がよく、ターゲット企業リストのうち、スコアが上がった企業から優先的に接触するという運用に落とし込めます。

仮の例で見る優先順位づけ

数値はあくまで説明用の仮定です。

仮定: ABM対象アカウント200社
・通常運用: 200社に均等に架電・メール配信
・インテントスコア上位20社を先に接触する運用に変更
→ 限られた営業リソースを、検討している可能性が高い企業へ先に割り当てられる

このとき重要なのは、スコアが低い企業への接触をやめることではなく、順番を入れ替えるだけだという点です。データの精度に限界がある以上、シグナルが立たなかった企業を切り捨てる根拠にはできません。

MQLの補助線として組み込む

MQLの引き継ぎ設計 では、行動と属性の掛け算でMQLの条件を作る考え方を扱いました。

インテントデータは、この条件式に加える追加の変数として位置づけると扱いやすくなります。単独の合否条件にするのではなく、他の条件が揃っている企業の中で優先度を上げる材料として使う設計です。

過信しないための運用ルール

インテントデータだけを根拠にした架電やメールは、相手にとって唐突に感じられることがあります。閲覧の事実を知られていると気づかれた場合、かえって心証を損ねるリスクもあります。

現実的な運用は、インテントデータを社内の優先順位づけの参考情報にとどめ、実際の接触では通常の文脈に沿ったアプローチを崩さないことです。データが教えてくれるのは「誰に先に声をかけるか」であって、「何を話すか」まで教えてはくれません。

インテントデータは、問い合わせの前に閉じていた検討プロセスの一部を、外部シグナルとして覗き見るための道具です。完璧な特定ではなく、確率の高い推定にすぎないという前提を関係者全員が共有できているかどうかが、うまく活用できるかどうかの分かれ目になります。

自社サイトの一次データ、プロダクト利用データ、そして外部のインテントデータ。それぞれ見えている範囲も精度も異なるレイヤーだと理解した上で、どれか一つに頼りきらずに組み合わせる設計が、遠回りに見えて一番確実な使い方です。