スコアの​上下だけ​報告される​満足度調査を、​経営の​示唆に​変えた​実例——​約1万件の​全件​分析

毎年実施される顧客満足度調査は、スコアの前年比較だけが報告され、数千件の自由記述は誰にも読まれないまま翌年を迎える——多くの企業で起きている構造です。大手機械メーカーでは、この読まれてこなかった自由記述を含む約1万件の調査回答を全件分析し、満足・不満の要因を分解して、経営会議用の報告資料まで納品しました（導入事例）。この記事は、その実例で何をどう分析し、なぜサンプリングではなく全件だったのかを書きます。読み手は、調査を「集めること」が目的化しつつあると感じている企画・品質・CS部門の責任者です。

課題—​—集める​仕組みは​あるのに、​読む仕組みが​ない

この調査は毎年、営業やサービスの接点を通じて確実に回収されていました。集める仕組みは完成している。欠けていたのは読む仕組みです。

スコアの集計は表計算で回るため報告されますが、自由記述は自然言語のデータであり、約1万件を同じ基準で読み通す人手はどの部門にもありません。結果として、顧客がわざわざ書いてくれた具体的な声が、毎年そのまま眠っていました。

やった​こと​——​全件を​同一基準で​読み、​要因に​分解する

分析の骨格は3段階です。

• まず、自由記述を含む全件をAIエージェントが同一基準で読み、内容を分類する。
• 次に、分類結果をスコアや属性と突き合わせ、満足・不満を動かしている要因を分解する。
• 最後に、その結果を経営層が判断に使える報告資料の形に仕上げる。

納品物は分析データではなく、経営会議でそのまま使える資料まで含みます。

追加の調査は行っていません。使ったのは、すでに毎年集まっていたデータだけです。この点はアンケート・満足度調査の自由記述を全件読む方法で書いた進め方と同じで、既存データの全件分析はAI活用のなかでも投資対効果を説明しやすい領域です。

なぜサンプリングではなく​全件か

従来のやり方は、一部を抜き出して人が読むサンプリングでした。しかしサンプリングには2つの構造的な弱点があります。第一に、少数の強い声と多数の静かな傾向を区別できない。第二に、「一部を読んだ印象」は、経営会議で反論されたときに立ち返る土台がない。

全件分析の価値は、網羅そのものではなく反論可能性にあります。「全件を同じ基準で読んだ結果、この要因がこれだけを占める」という報告は、数字として扱え、施策の優先順位の根拠になります。読み手の納得を作るのは分量ではなく、基準の一貫性です。

次の​一歩

まず、直近の調査で自由記述が何件集まり、そのうち何件が読まれたかを確認してください。その差分が眠っている資産の量です。実例の詳細は導入事例: 約1万件の顧客満足度調査を全件分析を、進め方の相談はAI実装FDEからどうぞ。

関連記事: 自由記述と顧客の声（VOC）を全件読んで経営の示唆に変える方法