せっかく自由回答を集めたのに、報告書の巻末に並べて終わり。印象に残ったコメントを数件紹介して、それで満足してしまう。そんな状態に心当たりはないでしょうか。
前回のコラム「自由回答は『聞き方』で変わる――組織を動かすためのアンケート設計の工夫」では、顧客が何を評価し、どこに不満を感じ、何が変わればもっと満足できるのか、その手がかりを引き出す質問の工夫を紹介しました。
今回は、集まった顧客の声をどのように読み解き、改善の判断につなげるかを考えます。
自由回答の分析には、アフターコーディングやテキストマイニングなど、さまざまな手法があります。しかし、いずれも手段にすぎません。大切なのは、その分析が「どのような判断に役立つのか」です。
自由回答が「参考情報」で終わってしまう理由
自由回答が十分に活用されない背景には、主に3つの問題があります。
- 全体像が見えない
自由回答を一件ずつ読んでも、どのような意見が、どれくらいの顧客から寄せられているのかは、なかなか把握できません。
回答数が多くなるほど読み込みの負担も増え、全体の傾向をつかみにくくなります。 - 一部の声に引きずられる
具体的で印象的なコメントは、読む人の記憶に残ります。しかし、その意見が顧客全体に共通するものとは限りません。
一部の強い不満や要望だけを取り上げると、本来優先すべき課題を見誤るおそれがあります。 - 改善の判断につながらない
「対応が遅い」「価格が高い」といった声を把握できても、それだけでは、何を優先して改善すべきか、どのような施策が有効なのかまではわかりません。
必要なのは、個々のコメントを読むことに加え、顧客の声を構造的に把握することです。
どのような意見が多く、どの顧客層から寄せられ、満足度などの評価とどう関係しているのか――こうした情報を整理することで、改善の判断に役立てられるようになります。
顧客の声を「構造化」する
自由回答を分析する代表的な方法に、「アフターコーディング」があります。
アフターコーディングとは、自由回答の内容を読み取り、共通するテーマごとに分類して数値化する方法です。
たとえば、商品・サービスの評価理由を尋ねた際に、次のようなコメントが寄せられたとします。
「夜間にトラブルが発生した際、すぐに連絡がつき、迅速に対応してくれて助かった。」
このコメントには、少なくとも次の2つの評価要素が含まれています。
- 連絡がとりやすい
- 対応が迅速
一つのコメントに複数の評価要素が含まれている場合は、それぞれのカテゴリーに分類します。
こうした作業をすべての自由回答について行うことで、個々のコメントを、比較・集計できるデータに変えることができます。
好意的な意見と不満の両方を整理・分類すると、次のようなことが見えてきます。
- 多くの顧客に評価されている点――強みとして守り、伸ばす
- 不満が集まっている点――課題として改善を検討する
- 一部の顧客に見られる声――個別対応の必要性や、今後の動向を確認する
ただし、分類結果の件数だけで、顧客の意見の重要性が決まるわけではありません。また、自由回答に書かれなかったことが、顧客にとって重要でないとも限りません。
まず分類・集計によって全体の傾向をつかみ、気になるカテゴリーについて元のコメントを読み返す。そうすることで、数字だけではわからない具体的な状況や背景を理解できます。
分類は、コメントを読まなくて済ませるためではなく、何を重点的に読み解くべきかを見つけるための作業です。
定量データと組み合わせて、顧客の理解を深める
自由回答を構造化する大きなメリットは、満足度や顧客属性などの定量データと組み合わせて分析できることです。
たとえば、アフターコーディング後の自由回答を、次のような切り口でクロス集計します。
| クロス集計の軸 | 比較でわかること |
|---|---|
| 総合満足度(満足/不満足) | 満足層と不満足層で、評価理由や不満の内容がどう異なるか |
| 顧客属性(新規/リピーターなど) | 顧客層によって、評価や要望にどのような違いがあるか |
| 取引状況(取引額、支店・拠点など) | 重点顧客や特定拠点に特徴的な課題があるか |
集計結果をみると、新規顧客からは「使い方がわかりにくい」という声が多く、リピーターからは「トラブル時のサポート体制に不安がある」という声が多く寄せられているとします。
全体では同じ「サポートへの要望」に見えても、新規顧客には導入時の説明やマニュアルの充実、リピーターにはトラブル対応体制の見直しなど、検討すべき施策は異なります。
このように、顧客層ごとの違いを把握することで、一律の改善ではなく、それぞれの課題に応じた対応を考えられるようになります。
満足度別に並べて比べる
特に有効なのが、自由回答の分類結果を、満足層と不満足層で比較する方法です。
たとえば、好意的な評価理由を満足層での出現割合が高い順に並べると、満足している顧客がどのような点を評価しているのかが見えてきます。さらに、不満足層での出現割合と比較することで、両者の違いを確認できます。
【自由回答のアフターコーディング結果と総合満足度のクロス集計】

※割合は各カテゴリーに該当するコメントを挙げた回答者の割合。複数のカテゴリーに分類される回答もあるため、合計は100%になりません。
この図表では、満足層で「商品がよい」「営業担当者がよい」といった好意的な評価理由が多く挙げられている一方、不満足層では「対応が遅い」「連絡がとりにくい」といった不満が目立ちます。
こうした違いから、顧客満足を支えている強みや、不満足につながっている可能性のある課題を考えることができます。
ただし、ここで示されるのは、あくまで自由回答の出現割合と満足度との関係です。出現割合の差が、そのまま満足度への影響の大きさを示しているわけではありません。また、グループごとの回答数が少ない場合には、数字の差を過大に受け取らないことも重要です。
数値で全体の傾向をつかみ、コメントでその背景を確かめる。 この往復によって、顧客理解を深めることができます。
テキストマイニングは何に役立つのか
大量の自由回答の全体像を効率的につかむためには、テキストマイニングも役立ちます。
テキストマイニングとは、文章に含まれる言葉を分析し、頻出するキーワードや、言葉同士の関係などを可視化する方法です。
たとえば、次のような場面で活用できます。
- 回答数が多く、全体の傾向を効率的に把握したいとき
- アフターコーディングの分類カテゴリーを考える手がかりがほしいとき
- 想定していなかった言葉や話題が含まれていないかを確認したいとき
ただし、言葉の出現頻度や関係を可視化することと、顧客の意図を理解することは同じではありません。
たとえば、「価格」と「高い」という言葉が一緒に多く使われていても、価格そのものへの不満なのか、価格に見合う価値が伝わっていないのか、あるいは品質への高い評価と結びついているのかは、言葉の組み合わせだけでは判断できません。実際のコメントに戻り、前後の文脈を確認する必要があります。
テキストマイニングで全体像をつかみ、気になる点を個々のコメントで確かめ、その結果を分類や分析に反映する――このように、アフターコーディングやコメントの読み込みと組み合わせることで、改善の判断に役立てることができます。
自由回答から改善の優先順位を考える
自由回答を構造化し、顧客層や満足度との関係が見えてくると、次に考えるべきは「どこから改善に取り組むか」です。
ここで注意したいのは、自由回答の出現頻度だけで優先順位を決めないことです。
件数が多い意見が、必ずしも顧客満足度や取引継続に大きく関係しているとは限りません。反対に、件数が少なくても、重要な顧客から寄せられた深刻な課題が含まれていることがあります。
改善の優先順位は、次のような視点を組み合わせて判断します。
| 判断の視点 | 確認すること |
|---|---|
| 出現頻度 | どれくらいの顧客が挙げているか |
| 満足度との関係 | その意見を挙げた顧客の満足度はどうか |
| 顧客層 | どの顧客層の声か。重点顧客の声か |
| 課題の深刻さ | 放置すると、取引継続や信頼に影響するか |
| 改善の実現可能性 | 自社で対応できるか。時間やコストはどの程度か |
改善の優先順位を考える際には、件数の裏にある理由を確かめることも重要です。
たとえば、「価格が高い」という自由回答が多く寄せられたとします。その結果だけを見れば、値下げが必要だと考えたくなるかもしれません。しかし、コメントを詳しく読み解くと、「導入によってどのような効果が得られるのかわからない」「他社製品との違いが十分に伝わっていない」といった声が含まれていることもあります。
この場合、価格そのものが問題なのか、それとも価格に見合う価値が伝わっていないことが問題なのかを、さらに確認する必要があります。もし後者が主な原因であれば、値下げよりも、営業担当者による価値の説明や、導入効果の見せ方を改善するほうが有効かもしれません。また、同じ「価格が高い」という声でも、重点顧客から寄せられたものなのか、取引頻度の低い顧客から寄せられたものなのかによって、対応の優先順位は変わってきます。
件数は、課題を探すきっかけにすぎません。何が起きているのか、なぜそう感じているのかを確かめたうえで、打ち手を考えることが重要です。
顧客の声を、組織が動くための情報に変える
自由回答を分析して、「なるほど、こういう意見が多いのか」と理解するだけでは、改善活動ははじまりません。
重要なのは、顧客の声から課題を具体化し、関係する部門が「何をするか」を考えられる状態にすることです。
何が課題か」から「何をするか」まで掘り下げる
たとえば、自由回答に「技術サポートの対応が遅い」という意見が多く見られたとします。ここで、すぐに「チャット対応を導入しよう」「FAQを充実させよう」と施策を決めるのは早計です。まずは、何が「遅い」と感じられているのかを確認します。
- 問い合わせをしてから最初の返答までに時間がかかるのか
- 担当者につながってから問題が解決するまでに時間がかかるのか
- 担当者間の引き継ぎに時間がかかっているのか
原因によって、必要な施策は異なります。
初回応答の遅さが問題であれば、受付体制や担当者への振り分け方法を見直す。問題解決までの時間が長いのであれば、技術情報の共有や担当者への支援体制を強化する、といった対応が考えられます。
このように、顧客の声をそのまま改善施策に置き換えるのではなく、課題の背景を確認してから、具体的な行動につなげることが大切です。
部門を超えて共有する
顧客の声は、一つの部門だけで解決できるとは限りません。
たとえば、自由回答を次のような視点で整理すると、関係する部門が自分たちの課題として受け止めやすくなります。
| 部門 | 共有する情報の例 |
|---|---|
| 営業部門 | 価値の伝え方や提案内容に関する声 |
| サポート部門 | 対応の速さや説明のわかりやすさに関する声 |
| 商品開発部門 | 機能や品質、潜在的な期待に関する声 |
| 経営層 | 全体の傾向、優先課題、守るべき強み |
共有する際は、分類結果の数字と、具体的なコメントを組み合わせて示すことが有効です。
数字によって課題の広がりを理解し、コメントによって顧客が置かれている状況を具体的にイメージできるようにします。
こうした共有が、部門ごとの改善活動を考える出発点になります。
施策の効果を確かめる
改善施策を実施したら、その効果を確かめることも必要です。
施策が予定どおり実行されたか、顧客が変化を実感しているか、満足度などの評価指標に変化が見られるかを確認します。
自由回答についても、改善対象となった課題への不満が減っているか、改善を評価する声が増えているか、新たな課題が生じていないかを確認することで、次の改善につなげられます。
ただし、自由回答の件数や内容の変化だけで、施策の効果を判断することはできません。回答者の構成や取引環境の変化なども踏まえて、総合的に評価する必要があります。
自由回答は、集めて終わりでも、分析して終わりでもありません。
顧客の声を構造化し、定量データと組み合わせて読み解き、改善の優先順位を考える。そして、その結果を組織で共有し、具体的な行動と効果の確認につなげていく――この一連の流れがつながったとき、自由回答は、組織を動かすための情報になります。
【次はこちらもおすすめ】




