カスタマーボイス分析

次のような状態に心当たりがあれば、このワークフローが効きます。

• 顧客の声が、担当者の頭の中とチャットに散っている
• 「よくある要望」が数字として把握できていない
• 改善の優先順位が、声の大きさで決まっている
• クレームの予兆に、気づくのが遅れる

処理は大きく 5 つの工程に分かれます。最初はすべてを自動化せず、1 と 2 の工程だけをつなぐところから始めるのがおすすめです。

各工程を担うツールの例と、選ぶときのポイントです。同じ役割は、無料ツールや既存の業務システムで置き換えられます。

※ ツール名は一般的な選択肢の例です。特定製品の推奨ではありません。

1 つの業務・1 つのチームを対象に、この順で進めます。各ステップの「完了条件」を満たしてから次へ進むと、手戻りが減ります。

1. 集める場所を決める

   レビュー、問い合わせ、アンケートなど、集める対象を固定します。まずは 1 つの場所から始めて構いません。

   完了条件：収集対象と頻度が決まっている

2. 分類ラベルを作る

   「操作性／価格／品質／配送／サポート」のように 8〜12 個に絞ります。運用しながら調整します。

   完了条件：ラベルの定義（例）が文章化されている

3. 要望の切り出しを設計する

   「製品への要望」「説明への要望」「対応への要望」を分けて抽出します。混ぜると、改善の方向が曖昧になります。

   完了条件：要望が 3 種類に分けて出力されている

4. 深刻度の基準を決める

   「使えない／不便／要望」など、深刻度の基準を文章化してから AI に判定させます。

   完了条件：深刻度の定義が、担当間で共有されている

5. レポートを回す

   件数・割合・代表例・提案をセットにしたレポートを定期配信します。改善の着地を、次のレポートで追跡します。

   完了条件：前回の改善が、次のレポートで確認されている

導入時に実際に起きやすいつまずきと、その対処です。先に知っておくと回避できます。

運用に乗せたあと、月に一度はこの項目を確認してください。1 つでも外れていると、自動化が「使われない仕組み」になっていきます。

• 収集対象と頻度が決まっている
• 分類ラベルが 12 個以内で、定義が文章化されている
• 要望が「製品／説明／対応」に分けて出力されている
• 深刻度の基準が、担当間で共有されている
• レポートに、原文の代表例が引用されている
• 分析前に、個人情報をマスキングしている

そのままコピーして、[ ] の中を自社の情報に置き換えてください。いずれも「推測させない」「根拠を明示させる」制約を入れています。

次の顧客の声を、以下の分類ラベルに分類してください。

【分類ラベル】操作性／価格／品質／配送／サポート／その他
【出力形式】各行に「分類／深刻度（高・中・低）／1 文の要約」
【制約】判断根拠を 1 文添える。迷うものは「その他」に入れ、無理に分類しない。

【顧客の声】
[ここにデータを貼り付け]

次の顧客の声から、改善につながる要望を抽出してください。

【出力形式】表（要望の内容／種類：製品・説明・対応／出典の原文引用／件数の目安）
【制約】原文にない要望を創作しない。同じ内容は 1 行にまとめ、件数を数える。

【顧客の声】
[ここにデータを貼り付け]

次の分類結果をもとに、月次のカスタマーボイス レポートを作成してください。

【構成】
1. 結論（今月いちばん大きい変化）3 行
2. 件数と割合の表
3. 深刻度の高い声（原文引用つき）
4. 改善の提案（優先順位つき、最大 3 件）
5. 先月からの改善の着地状況

【分類結果】
[ここにデータを貼り付け]

※ 出力は必ず人が確認してください。数値・固有名詞の誤りは、自動では検出できません。

理解を深めたい用語は、AI 用語辞典の詳細ページへ。定義・仕組み・出典をまとめています。

• LLM（大規模言語モデル）とは？仕組みと主な種類をわかりやすく解説
• 感情分析
• プロンプトエンジニアリング
• 自然言語処理（Natural Language Processing, NLP）
• クラスタリング
• ハルシネーション（AI幻覚）とは？起きる原因と上手な付き合い方
• トークン
• AIモデル