VOC分析のやり方|AI で顧客フィードバックを分析する7ステップ
多くのチームは、今この瞬間も何千件もの顧客フィードバックを抱えています。アンケートの自由記述、星1つのレビュー、サポートチケット、誰も開き直さない解約インタビューのメモ、そして何百時間分もの録音された通話。そのほとんどは、二度と読まれることがありません。
問題はまさにここにあります。顧客フィードバック分析は VOC(Voice of Customer:顧客の声)分析とも呼ばれ、散らばった雑多な声を「直す価値のあること」の短いリストにまとめ、実際に直すところまでを指す取り組みです。うまく回れば、次に何を作るべきか、どの顧客が離れそうか、なぜ商談が止まっているのかがわかります。うまくいかないと、「顧客の感情はおおむねポジティブ」と書かれた四半期ごとのスライドが1枚できるだけで、何も変わりません。差を生むのは集めたフィードバックの量ではなく、それを読み解く手順を繰り返し回せるかどうかです。
この作業を省くと、実際に損をします。ある調査によると、不満を伝えてくる顧客1人の裏には、不満を抱えながら何も言わない顧客がさらに約26人いて、黙って去っていきます。兆候は必ずあります。ただし、自分から探しに行く必要があります。離れていく顧客のほとんどは、アンケートに答えてくれないからです。
VOC分析は、収集、一元化、テーマ分類、数値化、優先順位付け、対応、顧客への報告という7つのステップで進めます。AI が特に役立つのは、通話の文字起こし、テーマのクラスタリング、大量の感情分析の3つです。
顧客フィードバックはどこにあるのか:5つのチャネル
分析の前に、どこから集めるのかを把握しておく必要があります。フィードバックは1か所にまとまっているわけではありません。少なくとも5つのチャネルに散らばっており、ほとんどのチームは最初の2つしか見ていません。
- アンケート、NPS、CSAT。 構造化されたデータです。推移を追いやすい一方、回答率は思った以上に低く、CSAT では20〜30%が一般的で、NPS は5〜25%にとどまることも珍しくありません。スコアは体温計のようなもので、診断になるのはスコアの下に書かれた自由記述のコメントです。
- レビューとアプリストアの評価。 公開されていてフィルターがかかっておらず、自社ではなく他の購入検討者に向けて書かれています。自社のアンケートには決して書かないようなことも、G2 のレビューには書かれます。
- サポートチケットとチャット。 問題を最初に耳にするのはサポートチームです。フィードバックとして分類されているかどうかにかかわらず、どのチケットもフィードバックです。
- 解約・キャンセル時のインタビュー。 最も直接的な情報源です。去っていく顧客が、何がうまくいかなかったのかをはっきり話してくれます。
- 営業や顧客との通話。 ほぼ全員が見落としているのがここです。営業担当やカスタマーサクセスマネージャーは、1日中顧客と話しています。その会話には、懸念点や機能の要望、「実は契約を見送りかけた理由」がたくさん含まれているのに、ほとんど分析されていません。
最後の情報源について、もう少し説明します。営業の商談では、購入を迷っている買い手の最も率直な声が聞けます。受注・失注の振り返りの会話からは、売上がなぜ動いたのかがわかります。ところが、通話は音声のまま、あるいはうろ覚えのメモとしてしか残らないため、分析の対象になることはまれです。手元にある最もはっきりしたシグナルの多くが、放置されたままになっているのです。
VOC分析の3つの手法
フィードバック分析の土台にある手法は、実は3つしかありません。そして、この3つは積み重ねて使います。
分類とタグ付け
いわば配管にあたる基礎作業です。フィードバックの1件1件を、「オンボーディング」「料金」「モバイルアプリ」「請求のバグ」といった1つ以上のカテゴリーに振り分けます。地味に聞こえますが、タグが一貫していなければ、後で何も数えられません。よくある失敗は、タグの一覧が膨らみ、誰も使わない90ものカテゴリーができてしまうことです。数は絞っておきましょう。
テーマ分析
タグ付けの一段上の手法です。定性的なフィードバック全体から、キーワードだけでなく、繰り返し出てくる話のパターンを探します。「ユーザーがエクスポートボタンを見つけられない」と「データをダウンロードしようとして諦めた」は、別の文章でも同じテーマを指しています。本当の気づきが得られるのはテーマ分析で、以前は何週間もかかっていた部分です。
感情分析
顧客がどう感じているか(ポジティブ、ネガティブ、ニュートラル)を、通常は自然言語処理でスコア化します。最近の主流はアスペクトベースの感情分析です。コメントごとに1つのスコアを付けるのではなく、観点(アスペクト)ごとに分けて評価するので、1件のレビューが「サポートにはポジティブ、料金にはネガティブ」という結果にもなります。この粒度があるからこそ、感情分析は見栄えのための数字ではなく、使える指標になります。
ヒント:テーマの頻度と、売上への影響の両方を追いましょう。
件数だけを見ると判断を誤ります。無料ユーザーから寄せられた見た目だけのバグへの苦情50件を、ARR の40%を占めるエンタープライズ顧客3社が同じ連携機能の不足を控えめに指摘している件より優先すべきではありません。テーマを数値化するときは、関連する顧客、取引規模、契約更新の情報も紐づけておきます。言及される回数は少なくても、売上の大きい顧客に関わるテーマこそ、優先順位を繰り上げるべきです。
VOC分析のやり方:7つのステップ
最初から最後までの流れは次のとおりです。規模が小さいチームなら毎月、フィードバックが多すぎて追いつかないなら毎週回しましょう。
- 収集する。 上で挙げたすべての情報源から、フィードバックを1つのエクスポートにまとめます。アンケートの CSV だけでなく、通話の文字起こし、解約時のメモ、チケットの本文といった整っていないデータも含めます。
- 一元化する。 情報源、日付、顧客名、契約プラン、元のテキストといった項目をそろえ、すべてを1か所に集めます。3つの情報源を3つのツールで別々に分析すると、組み合わせて初めて見えるパターンを必ず見落とします。
- テーマに分類する。 フィードバックにタグを付け、テーマごとにまとめます。AI で最も時間を短縮できるのがこのステップで、何千件ものコメントを1週間ではなく数分でクラスタリングできます。ただし、クラスターに名前を付けて妥当かどうかを確かめるのは、引き続き人の役割です。
- 数値化する。 テーマごとに件数を数えます。言及の数、感情、増えているか減っているか、そして何より、どれだけの売上に関わるか。これで、逸話ではなく数字で語れるようになります。
- 優先順位を付ける。 頻度、感情、売上への影響を合わせてテーマを並べます。上位3〜5個が取り組むべきリストです。それ以外は後回しにします。
- 対応する。 優先度の高いテーマごとに、製品、CS、請求など、それを直せる担当者を決め、顧客の実際の言葉を添えて渡します。顔と名前が見えるフィードバックは、棒グラフよりも早く改善されます。
- 顧客に結果を伝える(ループを閉じる)。 声を寄せてくれた顧客に、何が変わったかを伝えます。ほとんどの人が省いてしまうステップですが、批判者を推奨者に変えるのはこのステップです。
AI で速くなる作業と、人が判断すべきこと
ここでは、AI が本当に得意なことを正直に整理しておきます。過大評価も過小評価も、実態からずれがちだからです。
AI が真価を発揮するのは3つの場面です。1つ目は通話の文字起こしです。見過ごされてきた音声を検索できるテキストに変えることが、単独では最大の効果をもたらします。最も情報量の多い情報源が、ようやく分析できる状態になるからです。2つ目はテーマのクラスタリングです。最新のモデルは、人が1件ずつ読むよりはるかに速く、何千件ものコメントをまとまりのあるグループに分けられます。3つ目は大量の感情分析です。多くのモデルは整ったフィードバックで85〜92%の精度に達し、テキストに声のトーンや話す速さといった音響的な手がかりを組み合わせたシステムは、テキストだけのツールより23〜37%精度が高い傾向があります。
Laxis のようなツールが役立つのは、まさにここです。Zoom、Google Meet、Teams での営業や顧客との通話を、100以上の言語で録音・文字起こし・要約し、アクションアイテムと決定事項を自動で抽出し、繰り返し出てくるテーマや懸念点を浮かび上がらせます。いつもは放置されがちな情報源である実際の会話が、製品チームや CS が推測に頼らず検索できるものになります。営業担当が手作業でメモを打ち直さなくても、「通話を分析できる状態にする」ステップが片付くわけです。
ただし、AI で作業のすべてが済むわけではありません。AI は最初の下ごしらえをする役であって、編集者ではありません。感情分析のモデルは、皮肉やスラング、業界用語で今もつまずきます。自動で付けられたテーマ名は、そのままでは対応に移せないほど漠然としていることも多くあります。「製品の問題」では優先事項になりませんが、「モバイル版 Safari で SSO ログインが失敗する」なら優先事項になります。そして、会社として何を重視すべきかは、どのアルゴリズムも決めてくれません。チームの言葉でテーマに名前を付けること、例外的なケースを拾うこと、実際に何をリリースするかを選ぶこと。こうした判断は人の仕事です。
ヒント:AI のタグ付けを毎週チェックしましょう。
モデルをうのみにしてはいけません。毎週、AI が自動分類した回答から50〜100件を無作為に抜き出し、人の判断と照らし合わせます。特定のテーマで分類ミスが続いていたり、あるカテゴリーで皮肉を見逃していたりすれば、誤った結論がロードマップ会議に届く前に気づけます。15分の抜き取りチェックが、その後のすべての意思決定を守ります。
場当たりの対応ではなく、定例の習慣にする
フィードバック分析で成果を出しているチームは、四半期に一度の大がかりなプロジェクトとして取り組んでいるわけではありません。小さく地味なループを、決まった周期で回しています。たとえば30分の定例レビューで、誰かが上位のテーマ、前回から変わったこと、上位3つの担当者を確認します。ここでは深さより継続が大切です。2週間ごとの大まかな分析のほうが、半年に一度の完璧な分析よりも多くのことを教えてくれます。テーマが解約につながる前に、増え始めた段階で気づけるからです。
本物と見せかけを分けるポイントがもう1つあります。フィードバックへの対応が、実際に指標を動かしたかを測ることです。オンボーディングのテーマに対応したなら、アクティベーション率は上がったか。料金への不満に対応して顧客に結果を伝えたなら、そのセグメントの更新率は上向いたか。自らの効果を確かめないフィードバック分析は、コストのかかる傾聴で終わってしまいます。
まとめ
優れたフィードバック分析の仕組みとは、最も高度な感情分析モデルを持つものではありません。2週間ごとに実際の担当者が同じ5つのテーマを見て、「本当にこれを直しているのか、それとも眺めているだけか」と率直に問いかけている仕組みです。今では、AI が数分でテーマを示してくれます。ただし、その答えを本気で気にかけることは AI にはできません。そこは今も人の仕事です。
よくある質問
顧客フィードバック分析(VOC分析)とは何ですか?
顧客フィードバック分析とは、アンケート、NPS や CSAT の自由記述、レビュー、サポートチケット、解約インタビュー、営業や顧客との通話など、あらゆる情報源からフィードバックを集め、一貫したテーマに分類し、それを数値化して優先順位を付け、対応につなげるプロセスです。テーマ分析(顧客が何を言っているかをまとめる)と感情分析(顧客がどう感じているかをスコア化する)を組み合わせ、膨大な量をさばくために AI の活用が進んでいます。
AI の感情分析はどのくらい正確ですか?
最新のモデルの多くは、整った形式のフィードバックで約85〜92%の精度に達しますが、皮肉やスラングを含むくだけた文章では精度が下がります。テキストに声のトーンや話す速さといった音響的な信号を組み合わせたシステムは、テキストだけのツールより23〜37%高いスコアを出す傾向があります。完璧なモデルはないため、分類済みの回答を週に50〜100件抜き出し、人の判断と照らし合わせるのが賢明です。
フィードバック分析にはどの情報源を含めるべきですか?
アンケートと NPS・CSAT の自由記述、製品レビューとアプリストアの評価、サポートチケットとチャットのログ、解約・キャンセル時のインタビュー、そして最も見落とされがちな営業や顧客との通話です。営業担当は毎日顧客と話しているため、通話の文字起こしは、情報量が多く率直で、しかもたいてい分析されていない情報源です。
AI が役立つ作業と、人が必要な作業の違いは何ですか?
AI が明らかに速いのは、通話の文字起こし、何千件ものコメントのテーマ別クラスタリング、大量の感情分析です。人が欠かせないのは、チームに伝わる言葉でテーマに名前を付けること、皮肉や例外的なケースを見抜くこと、何を優先するかを決めること、そしてあるテーマがなぜ増えているのかを解釈することです。AI は最初の下ごしらえ、人の判断は編集者と考えましょう。
取り組むべきフィードバックのテーマは、どう優先順位を付ければいいですか?
件数だけで順位を決めないことです。テーマごとに、どれくらい頻繁に出てくるか、感情がどれほどネガティブか、どれだけの売上に関わるか(関連する顧客、取引規模、契約更新)を合わせて評価します。ARR の40%を占めるエンタープライズ顧客3社からの苦情は、無料ユーザーからの言及50件より優先度が高くなります。頻度と売上への影響の両方を見ることが、正しい優先順位の決め方です。
関連製品
Laxis 会議アシスタント
議事録を今日から自動化。
- Zoom・Google Meet・Teams も対面会議も、ボットなしで記録
- AI 要約・アクションアイテム・フォローアップを 60 以上の言語で
- Mac・Windows・iPhone・Android 対応、無料プランあり
無料で始められます。クレジットカードは不要です。
詳細を見る ▷