SaaSのARR成長を支える需要予測モデル構築法

はじめに

SaaS事業における最重要指標のひとつが ARR（Annual Recurring Revenue／年間経常収益） です。
ARRは「事業がどれだけ持続的に収益を生み出せるか」を示すため、
投資家・経営陣・従業員のすべてにとって成長の指針となります。

しかし、多くのSaaS企業が抱える悩みは「ARRの成長を正確に予測できない」という点です。
新規顧客の獲得、既存顧客の解約、アップセルやクロスセル――ARRはこれら複数の要素によって成り立ちます。
ところが実際の予測は「昨年比で◯％成長」といった単純なエクセル延長で済ませてしまうケースが少なくありません。
その結果、採用計画やマーケティング投資にズレが生じ、事業の成長機会を逃してしまうのです。

需要予測モデルを正しく構築すれば、次のような効果を得られます。

〇 成長率の見通しを数値で示し、投資家や経営陣に説得力を持たせられる
〇 市場変動やチャーン増加に備えた複数シナリオを描ける
〇 部門横断で同じ数字を基盤に意思決定できる（営業・マーケ・CS・ファイナンスの共通言語になる）

本記事では、SaaS企業がARR成長を安定的に支えるための「需要予測モデルの構築方法」を解説します。
基礎的なARRの構造理解から始め、モデル設計のステップ、機械学習など高度な予測手法、
シナリオプランニング、そして運用体制までを体系的に整理します。

1. SaaS ARRの構造理解

■ ARRを構成する3つの要素（新規・解約・拡張）

ARRを理解する第一歩は、その「構造」を分解することです。
ARRは単なる売上総額ではなく、次の3つの動きの合算で成り立ちます。

〇 新規ARR（New ARR）

　

新しく契約した顧客から生まれる収益

〇 解約ARR（Churn ARR）

　

契約終了や利用停止によって失われる収益

〇 拡張ARR（Expansion ARR）

　

既存顧客のアップセルやクロスセルで追加される収益

つまり、ARR成長を予測するには「どれだけ新規が獲得できるか」「どれだけ解約を防げるか」
「どれだけ既存から伸ばせるか」をそれぞれモデル化しなければなりません。
これらを一括で「前年比成長率」で扱うと、どの要素が伸び悩んでいるのか分からなくなり、 打ち手を誤るリスクが高まります。

■ ARR予測が経営と投資判断に与える影響

ARR予測は単なる数字遊びではなく、経営の意思決定に直結します。
例えば「来期のARRは1.3倍になる」と見込めれば、その前提で採用を加速し、
営業やマーケティング投資を積極的に行えます。逆に「解約率が高まり、成長が鈍化する」と予測されれば、
投資を抑えて既存顧客の定着施策に集中する判断ができます。

また、ARR予測は投資家とのコミュニケーションにおいても重要です。
SaaS企業の評価は「継続収益の伸び」が最も重視されるため、予測モデルの精度と説得力が、
資金調達や株価に直結します。数字が外れること自体よりも、
「なぜ外れたのか説明できない」ことが信頼を失う最大の要因になります。

したがって、需要予測モデルを構築することは、単なる計算の効率化ではなく
「事業の持続性を支える基盤づくり」なのです。

2. 需要予測モデル構築の基本ステップ

■ データ収集とARRドライバーの特定

需要予測モデルの構築は、まず「どのデータを基盤にするか」を明確にするところから始まります。
SaaSのARRは新規獲得、解約、拡張の3要素で成り立つため、
それぞれの動きを正しく測定できるデータを集めることが必要です。

新規獲得の予測には、セールスパイプラインのデータが欠かせません。
商談数、リードの質、成約率、平均契約単価などを時系列で追跡し、
どの要素が新規ARRを押し上げているかを明らかにします。

解約の予測には、利用ログやサポート履歴が重要です。
例えば「直近3か月のログイン頻度が低下している」「サポート問い合わせが急増している」といったシグナルは、
解約確率の上昇を示す有力な指標となります。

拡張の予測には、利用度合いやプロダクト内のアクションデータが役立ちます。
「席数の増加」「新機能の利用開始」「関連モジュールの試用」などの行動は
アップセルやクロスセルにつながりやすい兆候です。

つまり、需要予測に必要なデータは「財務データ」だけでは不十分であり、
営業・マーケティング・プロダクト利用・CS活動の全体データを統合することが不可欠なのです。

3. 高度な予測手法の活用

■ 時系列分析・機械学習による新規獲得予測

シンプルな財務モデルは理解しやすい反面、外部環境の変化や営業活動の強弱を織り込みにくいという弱点があります。
より精度を高めるためには、統計的手法や機械学習を活用した予測が効果的です。

特に新規獲得の予測には 時系列分析 が有効です。
例えば、過去の月次契約件数をもとに「季節性」や「トレンド」を捉えることで、
来月・来四半期の契約数を予測できます。代表的な手法としてはARIMAモデルや指数平滑法があります。

さらに、マーケティング施策や営業リソース配分といった変数を加えると、より実態に近い予測が可能です。
この場合は回帰モデルや勾配ブースティングなどの 機械学習アルゴリズムが役立ちます。
例えば「広告費」「獲得リード数」「商談数」を入力変数としてモデルを作成すれば、
投資額と新規ARRの関係をデータで把握できます。

機械学習を使うメリットは「変数を増やしても自動的に最適な重み付けを学習できる」点にあります。
人間の勘や単純な係数では見落としがちなパターンを捉え、将来の成約数や平均契約単価の変化を予測できるのです。

■ チャーン・アップセル予測モデルの構築

ARR成長において、解約（チャーン）と拡張（アップセル・クロスセル）の予測は新規獲得以上に重要です。
既存顧客の動きを読み解くことで、成長の安定性を高めることができます。

チャーン予測には「利用データ」が有効です。具体的には以下のような指標が解約の兆候を示します。

〇 ログイン頻度の低下
〇 利用機能数の減少
〇 サポート問い合わせの急増
〇 請求の滞納や遅延

これらのデータをもとに、解約しやすい顧客の特徴を分類するモデルを作成できます。
ロジスティック回帰やランダムフォレストなどを用いると
「この顧客は解約する確率が30%」といった形で数値化できます。
こうした予測は、カスタマーサクセスチームが重点的にフォローすべき顧客を特定するのに役立ちます。

一方、アップセル予測には「成長の兆候」を捉えることが大切です。

〇 利用ユーザー数の急増（チーム全体で使い始めている）
〇 上位プラン機能の利用開始（試用やトライアル段階）
〇 データ量やAPI利用量の増加

これらのシグナルを捉えて「アップセル可能性スコア」を算出すれば、
営業やCSは「誰に・いつ・どの提案をすべきか」を効率的に判断できます。

つまり、チャーン予測とアップセル予測は「収益リスク」と
「成長機会」の両面を数値化するものであり、需要予測モデルの精度を大きく高める要素なのです。

4. シナリオプランニングと不確実性対応

■ 楽観・中立・悲観シナリオの設計

需要予測モデルを構築する際に最も注意すべきは「未来は必ずしも想定通りにはならない」という前提です。
いくら精度の高いモデルを作っても、外部環境や顧客行動は常に変動します。
そのため、単一の予測値を提示するのではなく、複数のシナリオを設計しておくことが重要です。

典型的には次の3種類のシナリオを設定します。

〇 楽観シナリオ

　新規獲得が計画以上に進み、解約率も想定より低下した場合。
　例えば「広告投資が想定以上に効き、受注が20％増加した」といったケースです。

〇 中立シナリオ

　過去の実績や市場動向を踏まえた「最も発生可能性が高い」シナリオ。
　経営計画や資金調達で使う基準となります。

〇 悲観シナリオ

　景気後退や競合強化により、新規獲得が伸び悩み、解約率が上昇する場合。
　最悪ケースを想定することで、どの程度の売上減少までなら耐えられるかを把握できます。

こうしたシナリオを用意することで、経営陣は「もし想定より悪化したらどう動くか」
「逆に想定以上に伸びた場合はどこに追加投資するか」を事前に議論できるようになります。
単なる予測数値ではなく「選択肢を持った計画」に変わるのです。

■ 外部要因（景気・競合・市場変動）の織り込み方

SaaSのARRは、自社の努力だけではコントロールできない外部要因にも左右されます。
これらを予測モデルにどう反映するかが、不確実性への対応力を高める鍵です。

〇 景気変動

景気後退局面では「新規契約が減る」「既存顧客が縮小契約に移行する」などの影響が出やすくなります。
逆に景気拡大局面では導入のスピードが速まり、拡張も進みやすくなります。
こうしたマクロ経済データ（GDP成長率、業界投資動向など）を外生変数としてモデルに組み込むことが有効です。

〇 競合の動き

競合が大規模な値下げや新機能投入を行えば、自社の解約率や新規獲得率に即座に影響します。
競合の価格動向やリリース状況を定期的にモニタリングし、シナリオの前提条件に加える必要があります。

〇 市場の構造変化

規制の強化や技術トレンドの変化（例：生成AIの普及、データ保護規制の新設）は、ARRに大きな影響を与えます。
特にSaaSは国際的に事業を展開するケースが多いため、海外の法制度も含めた変化を想定に入れることが重要です。

外部要因は完全に予測することはできません。
しかし、「影響度が高い変数を事前にリストアップし、シナリオに織り込む」ことで、
将来の不確実性を事業計画の中で吸収することができます。

5. 予測モデルの運用と改善サイクル

■ 予測と実績の差分分析とモデル改善

どれだけ精緻な需要予測モデルを作っても、実際の数値との誤差は必ず発生します。
大切なのは「誤差をなくすこと」ではなく、「誤差から学び、モデルを改善し続けること」です。

予測と実績の差分を分析する際には、以下の観点で分解するのが効果的です。

〇 新規獲得の差分

　

パイプラインの見込み精度が低かったのか、成約率が想定より低下したのか

〇 解約の差分

　

解約率が高止まりしたのか、特定セグメントで予測外の離脱が発生したのか

〇 拡張の差分

　

アップセルの受注率が計画を下回ったのか、利用量増加が鈍化したのか

こうして要因を特定することで「どの部分の予測精度が弱いのか」を明確にできます。
その結果をモデルに反映すれば、次回以降の予測精度を段階的に高めることが可能になります。

重要なのは、差分分析を単なる数値の確認で終わらせず、
営業・マーケ・CSといった現場からのフィードバックと結び付けることです。
現場で「競合のキャンペーンが影響した」「サポート体制の遅れが解約に直結した」などの情報を収集することで、
モデルの改善は単なる数式調整ではなく、事業戦略の見直しにまでつながります。

6. まとめ

SaaSにおけるARR成長は、新規獲得・解約抑止・拡張収益という3つの要素のバランスによって決まります。
そのため、需要予測モデルは「単なる売上予測」ではなく、
これらの要素を分解し、将来の動きを見通す仕組みである必要があります。

本記事では、シンプルな財務モデルから始め、時系列分析や機械学習を用いた高度な予測、
さらにはシナリオプランニングやRevOps体制での運用までを解説しました。
重要なのは「完璧な予測」を目指すことではなく、「予測を継続的に改善し、経営の意思決定に役立てること」です。

最後に、本記事の要点を整理します。

▷ SaaSのARR成長を支える需要予測モデル構築法の要点まとめ

■ ARRは「新規獲得・解約・拡張」の3要素で構成され、需要予測もこの分解から始めるべきである
■ シンプルな財務モデルで基盤を作り、その後に機械学習や高度な統計モデルを取り入れると精度が高まる
■ チャーン予測とアップセル予測をモデル化することで、リスクと機会を同時に数値化できる
■ 単一予測ではなく「楽観・中立・悲観」の複数シナリオを設計し、不確実性に備えることが重要
■ RevOps体制を活用し、予測を組織全体で改善し続けることで、ARR成長を持続的に支える

---

【本記事に関する免責事項】
本記事に掲載されている情報の利用に際して利用者が何らかの損害を被ったとしても、株式会社イプロスは、いかなる民事上の責任を負うものではありませんので、ご了承ください。掲載内容に関するお問い合わせに対応できない場合もございますので予めご了承ください。本記事は公開時点の各種認証制度・業界規格の運用基準に基づいて作成されたものです。各認証機関やガイドラインの改定により、実務上の要件や解釈が変更される場合があります。最新情報は各公式発表・認証機関サイト等をご確認ください。※記載されている会社名、製品名、サービス名は、各社の商標または登録商標です。