本記事は50社以上の成長支援を手がけるKPIコンサル・岩田圭弘が解説します。
MAツールを導入し、リードは毎月積み上がっている。それでも営業から「案件にならないリードばかり」と言われ、商談数も受注も変わらない——BtoBマーケティングで最も多い停滞は、リード獲得そのものではなく「MQL→SQL」の転換で起きている。原因は、マーケと営業で「良いリード」の定義がズレたまま数だけを追っていることにある。本記事では、MQLとSQLの違いという用語の整理から入り、この最大の詰まりをKPIで診断し、AIをどこで使い、どこで人間が判断するのかまでを解説する。
MQL・SQLとは——用語の整理
- MQL（Marketing Qualified Lead）：マーケティング活動で獲得し、一定の関心・条件を満たした「マーケが有望とみなしたリード」。資料ダウンロード、セミナー参加、スコアリング閾値の到達などが基準になる。
- SQL（Sales Qualified Lead）：営業が引き取り、商談化に値すると判断した「営業が有望とみなしたリード」。予算・決裁権・ニーズ・時期（BANT）などの確度で見る。
つまりMQLは「マーケの合格ライン」、SQLは「営業の合格ライン」。この2つの合格ラインが揃っていないと、MQLは量産されてもSQLに変わらない。MQL→SQL転換率こそ、マーケと営業が本当に連動しているかを映す鏡である。
ファネル全体（リード獲得→MQL→SQL→商談→受注）のKPI設計はBtoBマーケティングKPI完全ガイドで体系的に扱っている。本記事は「MQLという用語」と「MQL→SQLの詰まり解消」に絞って深掘りする。
施策やAIが「入れただけ」で終わる3つの原因
MAツールやリードスコアリングAIを導入しても、MQL→SQLが改善しない現場には共通の失敗がある。
- マーケと営業でKPIが分断されている：マーケは「MQL件数」、営業は「受注件数」だけを追い、両者をつなぐMQL→SQL転換率を誰も持っていない。リードは受け渡された瞬間に責任の空白地帯に落ちる。
- 「良いリード」の定義が言語化されていない：マーケが良質だと思うリードと、営業が会いたいリードが違う。定義がないから、営業は「質が悪い」と言い、マーケは「せっかく渡したのに追わない」と言う。水掛け論が続く。
- 情報過多で現場が消化しきれない：MAやスコアリングAIは、スコア・行動履歴・インテントデータを大量に出力できる。しかし出力が積み上がるだけで誰も見返さず、「結局どのリードから当たるべきか」が現場で整理されない。ツール導入が目的化し、数字は増えても行動は変わらない。
3層フレームでMQL→SQLを設計する
MQL→SQLの詰まりは、KGI（最終成果）→中間KPI（遅行指標）→先行KPI（行動指標）の3層で位置づけると、どこを動かせばよいかが見える。マーケ→営業を一本のファネルとして捉えるのが前提だ。
| 層 | 指標の例 | 種別 | MQL→SQLでの役割 | AIが支援する作業 |
|---|---|---|---|---|
| KGI（最終） | 受注件数・受注金額 | 遅行 | ファネルの出口。ここだけ見ても打ち手は出ない | 予測・着地見込みの材料提示 |
| 中間KPI（遅行） | MQL→SQL転換率・SQL→商談化率 | 遅行 | マーケと営業の連動を映す診断指標。最大の詰まりがここ | 転換したリードの共通項を抽出する材料を集約 |
| 先行KPI（行動） | MQLへの初回接触リードタイム・フォロー実施率・定義合致率 | 先行 | 転換率を動かす日々の行動。ここを管理して初めて中間KPIが動く | リードの優先順位づけ・接触タイミングの提案 |
ポイントは、MQL→SQL転換率は「中間KPI（遅行指標）」であり、これ自体を直接いじることはできないということ。動かせるのは先行KPI——渡されたMQLにどれだけ速く接触したか、定義に合致したリードをどれだけ渡せたか、といった行動である。AIはリードの並べ替えや接触タイミングの提案という「材料出し」を担うが、「どのリードを優先する組織にするか」の設計は人間の仕事だ。
主要KPIとAI活用ポイント
MQL→SQLの詰まりを診断・解消するために追うべき指標を整理する。
| KPI | 種別 | 見る目的 | AIでどう変わるか |
|---|---|---|---|
| MQL件数 | 遅行 | マーケの供給量 | 行動データからスコアリングを自動化し、閾値の候補を提示 |
| MQL→SQL転換率 | 遅行 | マーケと営業の連動度（最重要の診断KPI） | 転換した／しなかったリードの差分材料を集約 |
| 定義合致率 | 先行 | 渡したMQLが合意基準を満たす割合 | 合意した条件との自動照合で合致率を可視化 |
| 初回接触リードタイム | 先行 | MQL発生から営業接触までの速さ | 優先度の高いリードを上位に並べ替え |
| フォロー実施率 | 先行 | 渡したMQLを営業が実際に追った割合 | 未対応リードの検知とリマインド |
| SQL→商談化率 | 遅行 | SQL判定の精度 | 商談化パターンの材料抽出 |
| リサイクル率 | 先行 | 一度失注したMQLをマーケに戻し再育成した割合 | 再アプローチ時期の候補提示 |
| リードあたり商談化貢献 | 遅行 | チャネル別の質の評価 | チャネル×転換率の集計を自動化 |
開封率・クリック率・CPLといった「手前の指標」で止まらないことが肝心だ。それらは行動の材料にはなるが、事業成果とは接続していない。必ず商談化・受注まで紐づけて評価する。
KSFは「逆算」ではなく「比較」から見つける
MQL→SQL転換のKSF（重要成功要因）は、机上で逆算しても出てこない。成果が出ている状態と平均との差分を比較して発見するのが正しい。
- 転換率の高いチャネル・キャンペーンと、低いものを並べて比べる
- SQLに化けたMQLと、化けなかったMQLの行動履歴・属性を比べる
- 転換率の高い営業担当と平均の担当で、初回接触の速さ・回数・トークを比べる
ここでAIの役割を誤ってはいけない。正しい分担は次の3段階だ。
- AIは比較材料・データを大量に用意する：転換した／しなかったリード群の行動ログ、属性、接触履歴を突き合わせ、差分の候補を洗い出す。
- 人間がその中から本質的な違い（KSF候補）を抽出し、型として言語化する：たとえば「導入事例ページを2回以上見たリードは商談化率が3倍」といった、現場が真似できる一つの型に落とし込む。この一段抽象化はAIにはできない。
- 人間が、その型が全員に実行可能か（属人的なセンス・経験・人間関係に依存していないか）を判断する：特定のトップ営業だけが再現できる型なら、それは標準化できない。全員が実行できる形に翻訳できて初めてKSFになる。
AIの出力を鵜呑みにせず、AIに任せきりにしないこと。差分を見つけるのはAIの材料出しだが、それをKSFとして採用し、型化し、実行可能性を判断するのは人間の仕事である。