ホーム ／ ナレッジ ／ 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
毎年集めている顧客満足度調査が「スコアの前年比」の報告で終わっていないでしょうか。大手機械メーカーで、自由記述を含む約1万件の調査を全件分析し、要因分解から経営会議用の報告資料まで納品した実例をもとに、サンプリングでは届かない全件分析の価値を解説します。
著者： 村山 悠太（ゴムマリ） 最終更新： 2026年7月
この記事でわかること
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。
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。
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。
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。
調査データが毎年フォーマット違いで蓄積されていますが、扱えますか？
扱えます。形式の統一・名寄せから着手するのが前提です。前処理の考え方は名寄せ・整形の実務に整理しています。
分析基準は自社で決められますか？
初期分類はこちらが設計し、貴社の製品・業務の語彙に合わせて調整します。基準は納品物に含めるため、翌年以降は同じ基準で定点比較できます。
1万件もありません。数百件でも意味がありますか？
数百件なら自力で読み通す選択肢が現実的です。全件外注の検討域は、目安として数千件以上、または毎年反復して発生する場合です。自力で足りる場合は足りると回答します。
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。
国産大手ERPベンダーで新卒からERPのエンタープライズ営業・プリセールス・導入コンサル、外資系SaaSでパートナーセールス部門の立ち上げ、国内大手放送局で新規事業開発（通販カタログ事業）、AIスタートアップ2社でビジネスサイドの要職を歴任。2024年10月から生成AIを自ら実装し、2025年にゴムマリ株式会社を設立。
現在は自らAIエージェントを実装するFDE。評価セット設計・専門家監修・Go/No-Go判定、CRM・会計・社内DBとの統合、減った時間の実測まで一貫します。要件から、運用まで——AIエージェントが、現場で成果を出す仕組みを。