レインズのAI分析で物件データを活かす｜売買仲介の実装手順とプロンプト6本

レインズAI分析とは、成約事例データをAIで読み解く手法のことです。

レインズから成約事例をCSVで落とすと、数百行の表が手元に残ります。ところが、その表を開いて査定の根拠に使えるところまで持っていける担当者は、社内で数人に限られる。売買仲介の現場でよく見るのは、ダウンロードまでは全員がやるのに、そこから先が属人化しているという状態です。データは全員に平等に配られているのに、読み解く工程だけが特定の人に依存している。この落差を埋めるのが、生成AIを分析の前段に置く目的です。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入支援100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）が、レインズの成約データをAIで扱うときの手順と、規約上の線引きをまとめます。

前提として、本記事で扱うのは、会員である宅地建物取引業者が正規の手続きで取得したデータを、自社内の分析に使う範囲に限ります。自動取得や外部提供の話ではありません。

レインズのデータで何が分かり、何が分からないか

最初に、期待値を合わせます。レインズの成約事例から読めることと、読めないことは明確に分かれます。

読めるのは、取引の結果です。成約価格、成約日、専有面積、間取り、築年、所在地、階数、駅からの距離。これらが一定の書式でそろっているため、条件を揃えた比較ができます。1件だけ見ても意味は薄いのですが、同一エリア・同一築年帯で数十件を並べると、面積あたりの単価の分布が見えてきます。査定の根拠として使えるのはこの分布です。

読めないのは、成約に至るまでの経緯です。売り出し価格からいくら下げたのか、何か月かかったのか、内見が何件入ったのか、値下げのタイミングはいつだったのか。これらは成約情報だけでは追えません。自社で扱った案件については社内に記録が残っているはずなので、レインズのデータと突き合わせて初めて経緯まで含めた分析になります。この突き合わせを手作業でやると時間がかかるため、AIを挟む価値が出ます。

もう1つ読めないのが、物件の個別事情です。同じマンションの同じ間取りでも、リフォーム済みかどうか、眺望が抜けているかどうか、住宅ローンの残債との関係で売り急いだかどうかで価格は動きます。データの数字だけを見て「この物件はこの価格」と決めると、外れます。AI査定の位置づけについては売買仲介のAI査定と相場精度の比較で扱いましたが、結論は同じです。AIが出す数字は参考値であり、最終的な価格判断は宅地建物取引士および免許事業者が行います。

制度面も押さえておきます。専任媒介契約を締結した場合は媒介契約締結日の翌日から7日以内、専属専任媒介契約の場合は5日以内に、指定流通機構への登録が宅地建物取引業法上求められています（いずれも休業日を除く。詳細は東日本レインズの媒介契約制度の解説を参照）。登録後は依頼主へ登録証明書を交付します。この義務があるからこそ、レインズには市場の取引が一定の網羅性をもって蓄積されており、分析の母集団として意味を持ちます。

売買仲介の現場感覚として言えば、成約事例の読み込みに1件あたり3分から5分かけている会社は珍しくありません。査定1本につき事例を20件見るなら、それだけで1時間から1時間半が消えます。ここが半分になれば、査定の本数を増やすか、1本あたりの精度に時間を回せます。

もう1点、データの性質として押さえておきたいのが時差です。成約情報は取引が完了してから登録されるため、いま画面で見ている事例は数か月前の合意価格を反映しています。市況が動いている局面では、この時差が効きます。直近3か月の事例が数件しかないエリアで、1年前の事例を主軸に据えて査定すると、方向を読み違えます。時期による層別を分析工程に組み込んでおくのは、この時差への対処です。

エリアの粒度も判断に影響します。同じ市区町村でも、路線が違えば需要層が変わります。町名まで絞ると件数が足りず、市区町村単位まで広げると性質の違う物件が混ざる。実務では「最寄駅とその隣接駅」を基本の単位に置き、件数が足りないときだけ市区町村へ広げる運用が扱いやすい。広げた場合は、広げた事実を資料に残します。あとで振り返るときに、なぜその事例を採用したのかが分からなくなるのを防ぐためです。

規約と法令の線引きを先に確認する

分析の話に入る前に、やってよいことと避けるべきことを確定させます。順序を逆にすると、作ったものが使えなくなります。

第一に、データの取得方法です。レインズの画面から会員が手動で検索し、提供されている出力機能を使ってデータを取り出す行為と、プログラムで自動的にアクセスして収集する行為は、まったく別に扱われます。後者は各指定流通機構の利用規約や会員規程で制限されている場合があるため、自社が加入する機構の規約を確認したうえで判断してください（詳細は東日本レインズのよくあるご質問などで確認できます）。2026年に入ってコンピュータ操作を伴う自動化の性能が上がりましたが、技術的にできることと、業務としてやってよいことは別に判断する必要があります。

第二に、データの持ち出しです。レインズの情報は会員である宅地建物取引業者が業務のために利用するものであり、第三者への提供や一般向けの公開は想定されていません。生成AIに入力する行為が「外部への提供」に当たるかどうかは、使うサービスの契約形態によって変わります。入力データを学習に使わない設定になっているか、ログの保存期間はどうか、事業者向けの契約になっているか。この3点を確認してから運用を決めてください。判断がつかない場合は、物件を特定できる情報を除いたうえで、価格・面積・築年といった数値だけを渡す構成にすると安全側に倒せます。

第三に、出力の使い方です。AIが出した相場観をそのまま査定書に転記して依頼主に提示すると、根拠のない価格提示になりかねません。査定価格の根拠として提示できるのは、実際の成約事例とその補正内容です。AIは事例の抽出と補正の下ごしらえを速くする道具であり、価格を決める主体ではありません。依頼主向けの資料には、採用した事例と補正の考え方を明示してください。

第四に、依頼主の利益に反する運用をしないことです。物件情報を意図的に共有しない運用は、宅地建物取引業法が定める登録義務の趣旨に反します。AIで社内の分析が速くなったからといって、情報の公開範囲を絞る方向に使うのは筋が違います。分析の高速化は、依頼主に提示する根拠の質を上げるために使うものです。

成約事例をAIで分析する6ステップとプロンプト6本

ここから実装です。手順は6段階、対応するプロンプトを6本用意しました。使うモデルは、整形と集計であれば軽量帯で足ります。文章化と示唆出しの部分だけ中位以上を使う構成が費用面で有利です。業務ごとのモデルの当て方は不動産のAIモデル選定で整理しました。

ステップ1は、取得したデータの正規化です。表記ゆれをそろえないと、後段の集計がずれます。

プロンプト1：成約事例データの正規化

あなたは不動産データの整形担当です。
以下の成約事例データを正規化し、CSV形式で出力してください。

正規化の規則：
1. 所在地は「都道府県 / 市区町村 / 町名 / 丁目」の4列に分割する
2. 最寄駅は「路線名 / 駅名 / 徒歩分」の3列に分割し、駅名から「駅」の文字を除く
3. 面積は数値のみ（平方メートル、小数第2位まで）とし、単位は列名に持たせる
4. 築年月は「YYYY-MM」形式に統一し、和暦は西暦へ変換する
5. 価格は円単位の整数にし、万円表記は変換する
6. 間取りは「LDK / DK / K / R」と部屋数に分解する

条件：
- 元データにない値を推測で埋めない。欠損は空欄のままにする
- 変換に迷った行は、末尾に行番号と理由を一覧で出す

データ：
{成約事例データ}

ステップ2は、比較対象の絞り込みです。査定対象に近い事例だけを残します。

プロンプト2：査定対象に近い事例の抽出

以下の成約事例から、査定対象物件と比較可能な事例を抽出してください。

抽出の条件（優先度の高い順）：
1. 同一市区町村内、かつ最寄駅が同一または隣接
2. 築年の差が前後5年以内
3. 専有面積の差が前後20%以内
4. 成約日が直近12か月以内（該当が5件未満の場合は24か月まで広げる）
5. 間取りの部屋数が同一または±1

出力：
- 条件を満たす事例を、条件の合致度が高い順に並べる
- 各事例に、どの条件を満たし、どの条件を外れているかを1行で付す
- 抽出件数が5件未満の場合は、その旨と緩和した条件を明記する

査定対象物件：
{対象物件の条件}
成約事例：
{正規化済みデータ}

ステップ3は、単価の分布を出す工程です。数値を機械的に処理させます。

プロンプト3：面積単価の分布分析

以下の成約事例について、専有面積1平方メートルあたりの成約単価を算出し、分布を整理してください。

出力：
1. 単価の最小値、第1四分位、中央値、第3四分位、最大値
2. 中央値から上下30%を超えて外れる事例の一覧と、外れている要因の候補
3. 築年帯（5年刻み）ごとの中央値
4. 駅徒歩分帯（5分刻み）ごとの中央値
5. 成約時期（四半期）ごとの中央値と、増減の方向

条件：
- 計算過程を省略せず、母数（件数）を各区分に併記する
- 件数が3件未満の区分は「参考値・件数不足」と明記する
- 傾向の断定を避け、観測された事実として記述する

データ：
{抽出済み事例}

ステップ4は、自社の案件記録との突き合わせです。成約データにない経緯を足します。

プロンプト4：自社案件記録との突き合わせ

以下は、レインズの成約事例と、自社で扱った案件の記録です。
両者を突き合わせ、成約データだけでは見えない傾向を整理してください。

観点：
1. 売り出し価格から成約価格までの下落率の分布
2. 媒介契約締結から成約までの日数の分布
3. 価格改定を行った案件と行わなかった案件の、日数と下落率の違い
4. 内見件数と成約の関係で観測できたこと
5. 上記のうち、件数が少なく一般化できないもの

条件：
- 自社記録に基づく数値と、レインズ由来の数値を区別して記述する
- 因果関係を断定せず、相関として記述する
- 件数が10件未満の観点は「サンプル不足」と明記する

レインズ成約事例：{データ}
自社案件記録：{データ}

ステップ5は、査定の根拠資料の下書きです。依頼主に見せる形へ落とします。

プロンプト5：査定根拠の下書き作成

あなたは売買仲介の査定担当です。
以下の分析結果をもとに、依頼主へ提示する査定根拠の下書きを作成してください。

含める内容：
1. 採用した比較事例（3〜5件）と、採用理由
2. 各事例に対する補正の内容（築年、面積、駅距離、階数、方位など）と補正の方向
3. 補正後の単価レンジと、そこから導いた価格レンジ
4. 価格レンジの上限・下限それぞれで想定される販売期間の考え方
5. この査定の限界（データで捉えられない個別事情）

条件：
- 価格を1点で断定せず、レンジで示す
- 「必ず売れる」「値上がりする」といった断定的な将来予測を書かない
- 最上級表現、断定表現を使わない
- 最終的な価格判断は宅地建物取引士および免許事業者が行う旨を明記する

分析結果：
{ステップ3・4の出力}
査定対象物件：{物件情報}

ステップ6は、定点観測のための月次サマリです。エリアの動きを継続して追います。

プロンプト6：エリア別の月次サマリ

以下の成約データについて、社内共有用の月次サマリを作成してください。

出力：
1. 対象エリアの成約件数と、前月・前年同月との比較
2. 面積単価の中央値と、前月・前年同月との比較
3. 成約件数の増減が大きかった駅・町名と、その件数
4. 今月のデータで注意すべき点（件数が少ない、特異な事例が含まれる等）
5. 営業担当が翌月に確認すべき事項を3つ

条件：
- 数値には件数を併記し、母数の小さい比較は「参考値」と明記する
- 市場の先行きを断定しない
- 800字以内で、そのまま社内共有できる文章にする

データ：{当月・前月・前年同月の成約データ}

6本のうち、まず動かすならプロンプト1と2です。この2本だけでも、査定準備の事例収集にかかる時間は目に見えて短くなります。ステップ4以降は、自社の案件記録が整理されていることが前提になるため、記録の様式づくりから始める会社も少なくありません。

補正の考え方について、AIに任せきりにできない部分を補足します。築年による補正、階数による補正、方位による補正、駅距離による補正。これらの係数は、地域と物件種別によって水準が変わります。都心の駅近マンションでは階数による差が大きく出る一方、郊外の低層物件では階数がほとんど価格に反映されないという違いがあります。汎用のAIモデルは、この地域固有の水準を知りません。したがって、補正の係数は自社の成約実績から自前で作り、プロンプトに前提として渡すのが実務的な運用になります。

係数の作り方は難しくありません。過去2年分の自社成約データから、条件が近い組を抜き出し、差が1要素だけの組み合わせで単価の差を見る。件数がそろわない場合でも、方向性（上がるのか下がるのか）と、おおよその幅（数%なのか10%を超えるのか）が分かれば実用に足ります。この係数表を年に1回更新し、プロンプト2やプロンプト5の前提として渡す。AIに係数まで推測させると、それらしい数字が出てくるぶん検証が難しくなります。人が決める部分と機械に任せる部分の境界を、ここに引いてください。

もう1つ、出力形式を固定しておく利点があります。プロンプト3の分布分析を毎回同じ形式で出させると、過去の分析結果と並べて比較できます。形式が揺れると、比較のたびに読み替えが発生し、時系列の変化を追う作業が重くなります。出力形式は最初に決めて、変えないでください。

失敗例5つと回避策

現場で繰り返し見る失敗を挙げます。

1つ目は、母数を見ずに傾向を語ってしまうことです。抽出条件を厳しくすると比較事例が3件しか残らないことがあり、その3件の中央値を「相場」と呼んでしまう。3件の中央値は相場ではありません。回避策は、プロンプト側で件数の併記と「件数不足」の明記を義務づけることです。数字だけが独り歩きする状態を作らない。

2つ目は、AIの出力をそのまま査定書に貼ることです。生成された文章は体裁が整っているため、そのまま使えそうに見えます。しかし、採用事例の補正根拠が自社の判断と一致しているかは別問題です。回避策は、査定書に載せる前に「この事例をこの補正で採用してよいか」を有資格者が1件ずつ確認する工程を置くことです。件数が少ないので、確認は数分で終わります。

3つ目は、データを扱う環境を決めずに始めてしまうことです。個人のアカウントで、個人の端末から、無料プランに貼り付ける。この運用が広がったあとで規約や情報管理の話をすると、全部やり直しになります。回避策は、最初の1回目の前に、入力してよいデータの範囲と使用するサービスを社内で決めることです。決めるのに要するのは半日程度で、後から直すコストとは比べものになりません。

4つ目として、正規化の失敗を挙げておきます。所在地や駅名の表記ゆれが残ったまま集計すると、同じ駅が別の駅として集計され、件数が分散します。「新宿」と「新宿駅」、「1丁目」と「一丁目」、「JR中央線」と「中央線」。プロンプト1で規則を明示しているのはこのためです。正規化の結果は、集計前に一度だけ目視で確認してください。ユニークな駅名の一覧を出させ、想定より多ければ表記ゆれが残っています。確認は数分で終わり、後段の集計をやり直す手間を防げます。

5つ目は、分析結果を営業現場に渡すときの粒度です。四分位や中央値を並べた表をそのまま渡しても、営業担当は使えません。プロンプト6のように800字程度の文章へ落とし、翌月に確認すべき事項まで書いた形にすると、現場で読まれるようになります。分析の精度を上げることと、現場で使われることは別の課題です。両方を工程に組み込んでください。

KPIと費用・工数の目安

指標は3つに絞ります。査定1本あたりの準備時間、査定価格と成約価格の乖離率、そして媒介契約の受託率です。

準備時間は、導入前の実測と比べます。事例収集と整理に90分かかっていた工程が、正規化と抽出の自動化で30分前後まで下がるという水準が目安になります。これは元データの品質と抽出条件の作り込みに左右されるため、自社での計測が前提です。

乖離率は、査定時に提示したレンジの中に成約価格が収まった割合で見ます。レンジが広ければ収まりやすいので、レンジ幅とセットで評価してください。レンジ幅を狭めつつ的中率を保てているなら、分析の質が上がっています。

受託率は、査定の根拠が伝わったかどうかの間接的な指標です。根拠資料の質が上がると、依頼主からの信頼が得られやすくなるという関係にあります。ただし受託率は担当者の営業力や競合の状況にも左右されるため、単独では判断材料になりません。

費用面では、成約事例の整形と抽出をAPIで回す場合、月に数百件規模でも数十円から数百円の水準に収まります。Gemini 3.6 Flash の入力100万トークンあたり1.5米ドルという単価から逆算すると、1件あたりのコストは1円に届きません。個人向けの上位プランは月額20米ドル前後が基準ですが、金額は改定されるため各社の料金ページで確認してください（2026年8月時点、要確認）。

工数は、規約と社内ルールの確認に半日、プロンプト1から3の調整に半日、自社案件記録の様式整備に1日。合計2日で、査定準備の型は組み上がります。ステップ4以降の突き合わせ分析まで含めるなら、記録が3か月分たまるのを待つ期間が別に必要です。

導入の順序としては、まず1人が3件の査定でプロンプト1と2を試し、準備時間を実測します。効果が確認できてから社内へ広げる。最初から全員に配ると、プロンプトの調整と教育が同時に走って混乱します。1人で回して型が固まってから、2人目、3人目へ渡す進め方が結果的に速い。

効果測定で注意したいのは、比較対象の取り方です。導入前後で同じ担当者の同じ物件種別を比べないと、担当者の熟練度の差が混ざります。ベテランは元から30分で終えているかもしれず、そこで「効果がない」と結論づけると誤ります。若手の準備時間がどこまで短縮されたかを見るほうが、実態に近い評価になります。

今後の展望

3点挙げます。

1つ目は、業務システムとの接続です。自社の顧客管理や案件管理と分析を手動でつなぐ限り、転記の手間は残ります。標準的な接続の仕組みについてはMCPで不動産テックの業務システムを接続するで扱いました。ここが整うと、査定の依頼が入った時点で比較事例が自動で用意される状態に近づきます。

2つ目は、データの粒度です。成約価格と条件だけでなく、販売期間や価格改定の履歴まで含めた分析ができれば、価格戦略の議論が具体的になります。自社の記録を今から様式化しておくことが、この段階への準備になります。記録の様式は複雑にせず、日付と金額と件数だけの表から始めるので十分です。

3つ目は、説明責任のあり方です。AIを分析に使う会社が増えるほど、依頼主から「その価格の根拠は」と問われる場面が増えます。分析過程を再現できる形で残しておくこと、採用した事例と補正を明示できること。この2点を満たしていれば、AIを使っていること自体が問題になることはありません。逆に、根拠を示せないままAIの数字を提示する運用は、宅地建物取引業法上の断定的判断の提供に近づくおそれがあります。道具の速さより、根拠の残し方に投資してください。

よくある質問

レインズのデータを自動で取得してもよいですか

いいえ、自動取得は各指定流通機構の利用規約や会員規程で制限されている場合があるため、自社が加入する機構の規約を確認したうえで判断してください。本記事で扱っているのは、会員が正規の手続きで取り出したデータを自社内の分析に使う範囲です。技術的に可能かどうかと、業務として許されるかどうかは別に判断します。

成約事例を生成AIに入力してよいですか

入力データが学習に使われない設定か、ログの保存期間はどうか、事業者向けの契約形態かの3点を確認してから判断してください。判断がつかない場合は、物件を特定できる情報を除き、価格・面積・築年といった数値のみを渡す構成にすると安全側に倒せます。社内ルールとして入力可能な範囲を明文化しておくことをおすすめします。

AIが出した価格をそのまま査定書に載せてよいですか

いいえ、査定価格の根拠として提示できるのは実際の成約事例と補正の内容です。AIは事例の抽出と整理を速くする道具であり、価格を決める主体ではありません。最終的な価格判断は宅地建物取引士および免許事業者が行い、資料には採用事例と補正の考え方を明示してください。

比較事例は何件あれば足りますか

一般に、条件を揃えた事例が5件を下回ると分布としての意味が薄くなります。5件に届かない場合は、抽出条件を段階的に緩め、緩めた内容を資料に明記してください。件数が少ないまま中央値を「相場」と表現すると、誤認を招きます。

レインズへの登録期限は何日ですか

専任媒介契約は媒介契約締結日の翌日から7日以内、専属専任媒介契約は5日以内に指定流通機構へ登録することが宅地建物取引業法上求められています（いずれも休業日を除く）。登録後は依頼主へ登録証明書を交付します。詳細は各機構の案内で確認してください。

導入の最初の一歩は何ですか

入力してよいデータの範囲と使用するサービスを社内で決めることです。プロンプトの調整より先に、この線引きを終えてください。決めるのに要するのは半日程度で、後から運用をやり直すコストと比べれば軽く済みます。

まとめ

レインズの成約データは、条件を揃えれば単価の分布として読めますが、販売期間や価格改定の経緯は含みません。AIを使う価値は、正規化と抽出という下ごしらえの高速化にあります。規約と入力範囲の線引きを先に決め、プロンプト1から3で準備時間を削り、自社の案件記録と突き合わせて初めて経緯まで見える分析になる。数字を出す速さより、根拠を再現できる形で残すことに重心を置いてください。

著者：齋藤竹紘（株式会社オルセル編集長／EC支援19年5,000社超／AIコンサル100社超／宅建業免許東京都知事(1)第113520号）

参考文献

※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://fudosannochikara.jp/contact/

【監修】齋藤竹紘（株式会社オルセル代表 / EC支援19年5,000社超・AIコンサル100社超 / 宅建業免許東京都知事(1)第113520号）