結論：本記事では「不動産仲介の物件情報処理を自動化」について、Claude Codeを活用した実践的な実装手順・プロンプト例・注意点を体系的に解説します。
対象読者：不動産仲介業務の自動化に興味がある中堅エンジニア・営業マネージャー・IT担当者。
読了後にできること：物件情報の収集・統合・提案書作成までのパイプラインを、Claude Codeで段階的に構築するための具体的なアクションプランを立てられます。
物件情報の収集と提案資料作成に追われる毎日。レインズで物件を探し、SUUMOで競合物件を確認し、Excelに転記して提案書を作る——この一連の作業を1物件あたり平均45分かけていた中堅仲介会社が、Claude Codeによる自動化で物件提案速度を3倍に引き上げた。本記事では、年間取扱件数約800件の不動産仲介会社が取り組んだ業務改革の全貌を、具体的な数字・実装コード・プロンプト例とともに紹介する。
導入前の課題：1日の半分が「物件情報の処理」に消えていた
業務時間の55%を占めた物件情報処理の内訳
東京・神奈川を中心に売買仲介を手がける従業員25名の中堅企業A社では、営業担当者1人あたり週20件以上の物件提案を行っていた。しかし業務時間の約55%が物件情報の収集・整理・資料化に費やされており、肝心の顧客対応や内見同行に充てる時間が圧迫されていた。
具体的には、レインズから物件をピックアップして条件をExcelに転記する作業に1物件15分、SUUMO・アットホーム・HOME’Sでの競合価格チェックに10分、PDF提案書の作成に20分。1日10件の提案を出すだけで7時間半が消える計算だ。営業担当からは「提案を増やすほど雑務が増える」という声が常態化し、月間の提案件数が頭打ちになっていた。
提案遅延がもたらした年間1.5億円の機会損失
さらに深刻だったのは、この作業負荷による機会損失だ。新着物件がレインズに掲載されてから顧客への提案までに平均2.3日かかっていた。人気エリアの物件は3日以内に買付が入ることも多く、「良い物件なのに提案が間に合わなかった」という機会逸失が月平均12件発生していた。年間にして約144件、平均成約単価3,500万円・仲介手数料率3%で計算すると、年間約1.5億円分の手数料収入機会を逃していたことになる。
Claude Codeへの最初の問いかけ：業務フロー分析
A社の営業マネージャーはこの課題を以下のようにClaude Codeへ投げかけることから始めた。
以下の業務フローを分析し、自動化による時間短縮の可能性が大きい箇所を優先度順にリストアップしてください。
業務フロー:
1. レインズで新着物件を条件検索（所要: 10分/回、1日3回）
2. 条件に合う物件をExcelに転記（所要: 15分/物件）
3. SUUMO/アットホームで同一物件の掲載状況を確認（所要: 10分/物件）
4. 競合価格・成約事例を調査（所要: 5分/物件）
5. 顧客条件とのマッチング判断（所要: 5分/物件）
6. 提案書PDFの作成（所要: 20分/物件）
制約条件:
- レインズのデータは外部APIに送信不可
- 社内ネットワーク内で完結する必要がある
- エンジニアは社内IT担当1名のみ
Claude Codeで構築した「物件情報処理パイプライン」の全体像
3つの中核モジュール構成
A社はClaude Codeを活用し、物件情報の収集から提案書作成までを一気通貫で処理するパイプラインを構築した。中核となるのは以下の3つのモジュールだ。
- レインズ・SUUMOデータ統合モジュール：物件IDをキーに各サイトのデータを自動マッチング
- 物件提案AIモジュール：顧客の希望条件と物件特性をスコアリングして優先順位付け
- 提案書生成モジュール：マッチング結果をテンプレートに流し込んでPDF化
開発体制とコスト：内製で120万円に抑えた方法
開発期間は約6週間。エンジニアではない営業マネージャーがClaude Codeに指示を出しながら、社内のIT担当1名と連携して実装した。外部委託せず内製で完結させたことで、初期投資は約120万円に抑えられている。内訳はClaude Code利用料（月額約8万円×3か月＝24万円）、IT担当者の工数（約6週間×50%稼働）、テスト用データ整備の外注費（約30万円）だ。
毎朝12分で完了する自動処理フロー
パイプラインの処理フローは以下の通りだ。毎朝8時にスケジューラが起動し、レインズの新着物件を取得→データ正規化→SUUMO等との照合→顧客条件とのマッチング→スコア上位物件の提案書自動生成、という一連の処理が平均12分で完了する。営業担当者が出社する9時には、その日の提案候補がSlackに通知されている状態だ。
Claude Codeでパイプラインの骨格を設計する際に使用したプロンプト例を示す。
Pythonで不動産物件情報処理パイプラインのクラス設計を行ってください。
要件:
- DataIngester: レインズCSVとSUUMOスクレイピング結果を取り込む
- DataNormalizer: 住所・価格・面積の表記を統一する
- PropertyMatcher: 異なるソース間で同一物件を照合する
- ScoringEngine: 顧客条件に対するスコアリングを行う
- ProposalGenerator: 提案書PDFを生成する
各クラスはパイプラインとして直列に接続可能で、
中間結果はJSON形式でローカルストレージに保存すること。
エラー発生時は該当物件をスキップし、処理を継続すること。
レインズとSUUMOのデータ統合：表記揺れを吸収する仕組み
住所・価格・面積の表記揺れパターン
不動産業界の永遠の課題が、データソース間の表記揺れだ。レインズでは「東京都港区六本木1-2-3」と記載される物件が、SUUMOでは「港区六本木1丁目2-3」となっていることが日常茶飯事。価格表記も「3,980万円」「3980万円」「39,800,000円」とバラバラだ。
精度98.3%を実現した正規化ロジック
A社が構築したシステムでは、Claude Codeが住所の正規化ロジック、価格・面積・駅徒歩分数の単位統一処理、そして物件名の類似度判定（編集距離とトークン一致率の組み合わせ）を生成。表記揺れの吸収精度は98.3%に達し、同一物件の重複検出ミスは月数件レベルまで減少した。
さらに、レインズ専用情報（成約事例・取引履歴）とSUUMOの公開情報（写真・周辺施設・口コミ）を1物件のプロファイルに統合することで、営業担当者は1画面で全情報を俯瞰できるようになった。
住所正規化の具体的な処理として、導入前は手動で表記揺れを目視確認していたため1物件あたり平均3分かかっていた照合作業が、自動化後は0.2秒で完了する。月間800件の物件を処理する場合、この工程だけで月40時間の削減効果がある。
Claude Codeで住所正規化ロジックを生成する際のプロンプト例を示す。
不動産物件の住所正規化関数をPythonで実装してください。
処理要件:
1. 都道府県の補完（「港区」→「東京都港区」、都道府県マスタ参照）
2. 丁目表記の統一（「1丁目」「1-」「一丁目」→すべて数字ハイフン形式）
3. 番地表記の統一（「2番3号」「2-3」→ハイフン区切り）
4. 全角数字→半角数字変換
5. マンション名の正規化（スペース除去、カタカナ統一）
テストケース:
- "港区六本木1丁目2-3" → "東京都港区六本木1-2-3"
- "東京都港区六本木１−２−３" → "東京都港区六本木1-2-3"
- "世田谷区三軒茶屋二丁目11番1号" → "東京都世田谷区三軒茶屋2-11-1"
精度目標: 98%以上の正規化成功率
エッジケース: 京都の通り名住所は別途処理フラグを立てること
同一住所・複数物件の誤統合を防ぐ複合条件
⚠️ 要注意：住所正規化で最も失敗しやすいのは「同一住所に複数物件が存在するケース」だ。大規模マンションでは同一住所に棟違いの物件が存在するため、住所だけでマッチングすると誤統合が発生する。A社では住所一致＋面積差10%以内＋価格差20%以内の複合条件を設定し、条件外のものは手動確認キューに回す運用としている。
物件提案AIによるマッチング精度の向上
5軸スコアリングの重み設計
顧客の希望条件を入力すると、AIが約2,000件の在庫物件から最適な10件を抽出するロジックを構築した。単純な条件一致だけでなく、以下の要素を重み付けしてスコアリングしている。
| 評価軸 | 重み | 具体例 |
| 立地適合度 | 30% | 勤務地までの所要時間、希望沿線との一致 |
| 価格適合度 | 25% | 予算範囲、ローン審査通過見込み |
| 間取り・広さ | 20% | 家族構成との適合、収納量 |
| 築年数・設備 | 15% | 耐震基準、リフォーム履歴 |
| 周辺環境 | 10% | 学区、買い物利便性、治安 |
導入後、初回提案物件の内見実施率は42%から71%へ上昇。顧客が「これ、私たちにぴったりですね」と即座に反応するケースが明らかに増えたという。
成約データによる重みの自動調整
スコアリングエンジンの精度を高めるうえで最も効果が大きかったのは、過去の成約データによる重みの自動調整だ。A社は過去3年分の成約データ（約2,400件）をもとに、顧客属性ごとにどの評価軸が成約に最も寄与するかを分析した。たとえば子育て世帯では「周辺環境」の重みを10%→22%に引き上げると成約率が上がり、単身の投資目的では「価格適合度」を25%→35%にすると的中率が向上した。
Claude Codeでスコアリングロジックを実装する際のプロンプト例を示す。
不動産物件のスコアリングエンジンをPythonで実装してください。
入力:
- customer_profile: 顧客の希望条件（辞書型）
- budget_min, budget_max: 予算範囲（万円）
- station: 最寄り駅の希望（リスト）
- commute_to: 勤務地住所
- commute_max_min: 通勤時間上限（分）
- family_size: 家族人数
- must_have: 必須条件リスト
- property: 物件情報（辞書型）
出力:
- total_score: 0-100のスコア
- breakdown: 各評価軸のスコア内訳
- recommendation_reason: 提案理由（自然言語、3文以内）
要件:
- must_have条件を1つでも満たさない場合はスコア0を返す
- 重み付けは顧客属性（投資/実需、家族構成）で動的に変更
- スコア計算の根拠を追跡可能にすること（説明可能AI）
スコアしきい値による提案件数の最適化
実際の運用では、スコア80以上の物件を自動提案、60-79を「参考物件」として提示、59以下は非表示というルールを設定した。このしきい値設定により、顧客に提示する物件数は平均5-8件に絞られ、「選択肢が多すぎて迷う」という従来の課題も解消された。
3倍の提案速度を実現した実数値と効果
提案準備時間67%削減の内訳
2025年10月の実績データを見ると、改革の成果は明確だ。1物件あたりの提案準備時間は45分から15分に短縮。営業担当者1人あたりの月間提案件数は平均80件から240件に増加した。これが「提案速度3倍」の根拠である。
- 1物件あたりの提案準備時間：45分 → 15分（67%削減）
- 月間提案件数（1人あたり）：80件 → 240件（3倍）
- 初回提案からの成約率：8.2% → 12.6%（1.5倍）
- 営業担当の残業時間：月平均48時間 → 22時間（54%削減）
- 年間売上：前年比137%（成約件数増加と平均成約単価向上の合算）
特筆すべきは、提案件数が3倍になっても「雑な提案」が増えなかった点だ。AIによる事前スコアリングで筋の悪い物件が自動的に除外されるため、提案1件あたりの質はむしろ向上している。
ROI：投資回収期間1.2か月の根拠
ROI（投資対効果）を具体的に見ると、初期投資120万円＋月間ランニングコスト約15万円（Claude Code利用料＋サーバー費用）に対し、削減された人件費は月約180万円（営業担当10名×月26時間削減×時給換算）。投資回収期間は約1.2か月という結果だ。加えて成約件数の増加による手数料収入増が年間約4,800万円。これは投資額の40倍に相当する。
効果測定ダッシュボードの構築
効果測定のためにClaude Codeで作成したダッシュボード用のデータ集計スクリプトの生成プロンプトを示す。
不動産仲介の営業KPIダッシュボード用データ集計スクリプトをPythonで作成してください。
集計項目:
1. 日別・週別・月別の提案件数（担当者別）
2. 提案→内見→成約のファネル転換率
3. 1物件あたりの処理時間（工程別内訳）
4. AIスコアと実際の成約有無の相関
5. 新着物件掲載から初回提案までのリードタイム
データソース: PostgreSQL（テーブル定義は別途提供）
出力形式: JSON（Grafanaで可視化する前提）
集計期間: 直近12か月のローリング集計
導入時に直面した3つの壁と乗り越え方
壁1：ベテラン営業の「勘と経験」との衝突
「AIのスコアリングなんて信用できない」というベテラン社員の反発があった。これに対しA社は、3か月間のA/Bテストを実施。AI提案組と従来手法組の成約率を比較し、データで優位性を示すことで納得を得た。
具体的には、営業担当10名を5名ずつに分け、AI提案グループの成約率が12.6%に対し従来手法グループは8.8%。3か月間の累計で成約件数に42件の差がついた時点で、反対していたベテラン社員から「自分もAI提案を使いたい」という申し出があった。重要なのは、AIを「ベテランの勘を否定するもの」ではなく「ベテランの勘をデータで裏付けるもの」として位置づけたことだ。実際、ベテラン社員の暗黙知（例：「この学区は2年後に統廃合がある」）をスコアリングの補正条件として組み込むことで、AIとベテランの知見が相乗効果を生んでいる。
壁2：レインズの利用規約とデータ取り扱い
レインズは加盟業者専用システムであり、データの外部送信に制約がある。A社はClaude Codeを社内ネットワーク内で動作させ、データを外部APIに送らないアーキテクチャを採用。法務確認を経てコンプライアンスをクリアした。
アーキテクチャの要点は以下の通りだ。Claude Codeはローカル環境で動作し、物件データの処理ロジック（正規化・スコアリング）はすべてローカルのPythonスクリプトとして生成・実行される。Claude Code自体にレインズのデータが渡るのは「コード生成の指示」を出す段階のみで、実データはローカルのPostgreSQLに格納され外部に一切出ない。この構成は法務部門のレビューを経て「レインズ規約に抵触しない」と判断された。
壁3：パイプラインの保守運用
各サイトの仕様変更でスクリプトが動かなくなるリスクがある。A社では週1回の動作確認ジョブを自動化し、異常検知時にSlack通知する体制を構築。実際に2025年8月のSUUMOリニューアル時も、48時間以内に対応を完了した。
具体的な監視体制として、毎日6時に実行されるヘルスチェックジョブが各モジュールの正常動作を確認する。取得件数が前日比50%以下に落ちた場合、マッチング精度が95%を下回った場合、処理時間が通常の3倍を超えた場合にアラートが発報される。SUUMOリニューアル時は「取得件数0件」のアラートが発報され、IT担当がClaude Codeに修正を依頼して実質作業時間4時間で復旧した。
SUUMOの物件一覧ページのHTML構造が変更されました。
以下が新しいHTML構造のサンプルです。
[新しいHTMLサンプルを貼り付け]
既存のスクレイピングスクリプト（property_scraper.py）を
新しい構造に対応するよう修正してください。
修正要件:
- 物件名、価格、住所、面積、間取り、築年数を正しく取得できること
- 既存のデータ形式（PropertyDataクラス）との互換性を維持すること
- テストケースも合わせて更新すること
最終確認日：2026年5月19日
不動産仲介の物件情報処理を自動化｜物件提案速度を3倍にした中堅仲介会社の事例とは
Claude Codeによる業務自動化とは、既存のコード、ログ、業務データ、手順書をもとに、Claude Codeで実装・検証・改善を進める開発ワークフローです。この記事のテーマである「不動産仲介の物件情報処理を自動化｜物件提案速度を3倍にした中堅仲介会社の事例」も、AIの出力をそのまま正解にするのではなく、人が確認する前提で使うことで実務に落とし込みやすくなります。 この記事では、レインズ・SUUMOデータ統合と物件提案AI | 不動産, 仲介, Claude Code, 物件情報という観点を中心に整理しています。
まず結論
まず結論として、AIは作業を速くする道具ですが、事実確認、個人情報・機密情報の扱い、外部公開前の確認は人が担うべきです。小さな業務から始め、確認手順を残すことで、記事内の手順を現場で再現しやすくなります。
比較・整理表
| 観点 | AIで軽くできること | 人が確認すること |
|---|---|---|
| 要件整理 | 業務フロー、入力、出力、制約を文章化する | 個人情報、契約情報、権限範囲を確認する |
| 実装 | スクリプト、テスト、連携処理を作る | 本番データで直接試さない |
| 運用 | ログ、失敗時の通知、再実行手順を整える | 人が確認するレビュー境界を残す |
実務で使う手順
- 対象業務と成果物を1つに絞ります。
- 入力してよい情報と入力してはいけない情報を分けます。
- AIの下書きを作り、事実・日付・数字・固有名詞を確認します。
- 公開または社内共有の前に、担当者が最終確認します。
- 使ったプロンプトと修正点を残し、次回のテンプレートに反映します。
公式ソース
FAQ
Claude Codeの事例をそのまま自社に使えますか？
業務データ、権限、既存システムが異なるため、要件と安全確認を自社向けに調整します。
本番導入前に何を確認しますか？
テストデータでの再現性、ログ、権限、失敗時の戻し方、担当者のレビュー手順を確認します。
