NPS・顧客満足度の分析に生成AIを活かす方法｜声を改善につなげる

「満足度の調査は毎年取っているが、点数を眺めるだけで次の打ち手が出てこない」「自由記述が数百件あって、読み切れないまま置いてある」——顧客の声を扱う現場でよく耳にする言葉です。調査は集めた時点では、まだ材料にすぎません。本当は、声を仕分ける軸と、誰が何を直すのかの引き渡し先を決めていないことが効いています。この記事では、点数の読み方、自由記述の仕分け、改善の担当へ渡すまでの手順を整理します。

NPSと顧客満足度はそもそも何を測る指標か

NPS（推奨度）は、この会社や製品を、親しい人にどれくらい勧めたいかを0〜10で聞く指標です。顧客満足度（CSAT）が「満足したか」を直接尋ねるのに対し、NPSは「他人に勧められるほど信頼しているか」を測るため、継続利用や口コミにつながる深い評価をとらえやすいとされます。両者は目的が違い、補い合う関係にあります。

大切なのは、これらの数字は結果を要約したものにすぎないという点です。点数が下がったという事実だけでは、何をすべきかは分かりません。数字の裏にある「なぜそう感じたか」という理由こそが、改善のヒントです。だからこそ、自由記述のコメントや個別の状況を読み解く作業が欠かせず、そこにAIの力が効いてきます。

この指標がどこから来たのかを知っておくと、読み方を間違えにくくなります。提唱したのは経営コンサルティング会社に在籍していたフレッド・ライクヘルドで、2003年にハーバード・ビジネス・レビュー誌へ寄せた論文が出発点です。名称は登録商標として扱われているため、社外に出す資料では表記の作法を確認しておくと安全です。設計の狙いは、満足したかどうかを尋ねるより、他人に勧めるかどうかを尋ねるほうが、次の行動に近い答えが返るという点にありました。勧めるという行為には、自分の評判を差し出す覚悟が要ります。だから点数が辛くなり、そのぶん本気度が出る。20年以上前に作られた指標がいまも使われているのは、この一点が古びていないからです。

ここで実務の落とし穴になるのが、他社や海外の数値との比較です。日本では0から10のような尺度で中ほどの点が選ばれやすく、同じ体験でも点数が低めに出ることが知られています。調査会社のクアルトリクスが18の国と地域で行った比較では、日本の値が最も低く、推奨者が11%、中立者が63%、批判者が26%という内訳が報告されています。この並びを見れば分かるとおり、中立者が6割を超えるのが日本の標準形です。海外の事例で見かける数値を目標に置くと、初回から未達が確定します。使い方はひとつで、自社の前回の値とだけ比べます。比べる相手を自社の過去に限ると、点数の解釈で揉めなくなります。

推奨者・中立者・批判者の分け方と意味

NPSでは、回答を点数で3つに分けます。9〜10点が推奨者、7〜8点が中立者、0〜6点が批判者です。推奨者の割合から批判者の割合を引いた値がNPSのスコアになります。この分け方は厳しめに見えますが、それだけ「本当に信頼している顧客」を見分けるための設計です。

それぞれの層で、打つべき手は変わります。推奨者には、その熱量を紹介や事例協力につなげてもらう。中立者には、あと一歩の満足を生む改善を届ける。批判者には、不満の原因を突き止めて早期に手当てする。層ごとに理由と打ち手を切り分けることが、スコアを動かす第一歩になります。AIに層別のコメントを渡せば、それぞれの層が何を感じているかを素早く整理できます。

3つに分ける境目には、数えるうえでの意味があります。7点と8点を中立者として計算から外すのは、この層が離れも勧めもしない、動きの読めない位置にいるからです。つまりこの指標は、はっきり動く両端だけを拾って差を見る作りになっています。ここから実務の注意が1つ出ます。回答が少ないと、推奨者の1人分が割合を大きく動かします。回答が50件なら、推奨者が1人増えるだけで値は2ポイント動きます。前回との差が数ポイントなら、それは改善ではなく揺れです。層別に中身を読むときも同じで、推奨者が5人しかいない回では、その5人の言葉を全体の傾向として扱いません。回答数は必ず数字の隣に書いておきます。

層ごとに手を打つ順番も決めておきます。先に動かすのは批判者ではなく、中立者の中で自由記述を書いてくれた人です。理由は3つあります。人数がいちばん多いこと、あと一歩の不満は直せる範囲にあることが多いこと、そして書いてくれた時点で関心が残っていることです。批判者は対応に時間がかかるうえ、原因が製品ではなく個別の行き違いであることも多く、まとめて手を打ちにくいのが実情です。推奨者は最後で構いません。ただし、法人向けで取引額の大きい相手が批判者に入っていたら、その1件だけは順番を飛ばして先に動きます。層の割合と、1件あたりの取引額は別の物差しです。割合だけで順番を決めると、いちばん失いたくない相手が後回しになります。

自由記述コメントをAIで分類する

満足度調査で最も価値があるのに、最も活用されないのが自由記述のコメントです。数百から数千件のテキストを人が読み分けるのは大変で、つい放置されます。生成AIは、この分類を得意とします。コメントの束を渡して「内容ごとに分類して」と頼めば、価格・サポート・使いやすさ・機能といったテーマ別に整理してくれます。

分類の軸は、自社に合わせて指定できます。「不満・要望・称賛の3つに分けて」「製品・対応・料金のどれに関する声かで分けて」といった具合です。こうして声が構造化されると、どの領域に不満が集中しているかが一目で見えます。人が全件を読まなくても、注力すべき領域の見当がつき、次の分析に進めます。

分類をうまく進める鍵は、渡す前に軸を決めておくことです。軸をAIに考えさせると、回ごとに違う軸が返ってきて、前回との比較ができなくなります。決め方は、直近の回答を50件だけ人が読み、出てきた話題を紙に書き出すところから始めます。だいたい6つから8つに収まります。それを軸として固定し、次回以降は同じ軸で分けさせます。軸に入らない声のために、その他の欄を必ず1つ置きます。その他が全体の2割を超えたら、軸の作り直しどきです。この2割という線を先に決めておかないと、その他が膨らんだまま何年も同じ軸を使い続けることになります。軸は作った日付と一緒に残し、変えたときは変えた理由も1行足しておきます。

分けさせるときの指示にも、決まった形を作っておきます。分類した結果だけを返させるのではなく、1件ごとに、どの軸に入れたか、そう判断した根拠になった言い回しを原文から抜き出して並べさせます。根拠の欄が空のまま入っている行は、読まずに割り振られた可能性があるので、人がその行だけ確認します。全件を読み直す決まりにすると、件数が増えた回で誰も見なくなります。あわせて、重要度や緊急度をAIに付けさせるのはやめます。何を先に直すかは事業の都合で決まるので、コメントの文面だけからは決められません。分けるところまでを任せ、順番を付けるのは人が担う。この線を最初に引いておきます。

コメントの要約で全体像をつかむ

分類の次に効くのが、要約です。大量のコメントを塊ごとにAIで要約すると、「サポートの対応速度への不満が多い」「新機能は好評だが使い方が分かりにくい」といった全体像が短い文章で見えてきます。個別の声を追う前に、まず全体の傾向をつかめると、分析の的が絞れます。

要約させるときは、良い点・悪い点・要望の3観点で整理してと指定すると、改善に使いやすい形になります。さらに「特に多かった声を上位から」と頼めば、優先度の見当もつきます。ただしAIの要約は、少数だが重要な声を丸めてしまうことがあります。要約で全体をつかんだうえで、気になる領域は元のコメントに戻って確認する、という二段構えが安全です。

感情分析で温度感を読み取る

点数だけでは、顧客の温度感までは分かりません。同じ7点でも、期待を込めた7点と、失望しかけた7点では意味が違います。生成AIは、コメントの文面から感情の強さや方向を読み取る感情分析が得意です。「このコメント群を、強い不満・軽い不満・中立・好意・強い好意に分けて」と頼めば、声の温度が見えます。

温度感が分かると、対応の優先順位が変わります。強い不満を示している顧客は、放置すれば解約に直結しかねません。逆に強い好意を持つ顧客は、推奨者として動いてくれる可能性が高い。数字の高低だけでなく、感情の強さで優先度を判断することで、限られたリソースを効果的に配分できます。AIは、この温度の可視化を短時間でこなします。

感情の読み取りには、外しやすい型があります。1つ目は皮肉です。素晴らしい対応でしたね、と書かれた一文が、前後を読むと強い不満であることがあります。2つ目は二重否定で、悪くはない、という書き方は好意寄りに判定されがちですが、実際には中立に近いものです。3つ目は、不満の対象が自社ではない場合です。社内の承認が下りなくて困っている、という文は強い不満として拾われますが、直す相手は自社ではありません。この3つは、文が短いほど外れます。対策は難しくなく、強い不満と判定された行だけを人が読む決まりにします。だいたい全体の1割前後に収まるので、100件なら10件です。読む量を先に決めておけば、運用は続きます。

もう1つの落とし穴が、温度の強さを件数と混ぜて扱うことです。強い不満が3件あった項目と、軽い不満が30件あった項目では、打ち手も緊急度も違います。前者は個別に連絡する話で、後者は仕組みを直す話です。1枚の表にまとめるときは、件数の列と温度の列を分けて並べ、合算した点数を作らないようにします。合算すると、強い3件が弱い30件に埋もれます。報告の場でも、この2列は分けたまま出します。1つの数字にまとめた瞬間に、誰が何をするかが決まらなくなります。数字を1つに減らすと分かりやすくなる気がしますが、決めるために必要な情報はそこで失われています。分けたまま出すほうが、会議はむしろ短く済みます。

声を改善アクションに橋渡しする

分析の最終目的は、具体的な改善アクションにつなげることです。分類・要約・感情分析で見えた課題を、実際の打ち手に落とし込みます。ここでもAIが役立ちます。整理した課題を渡して「この不満に対して、考えられる改善策を優先度つきで整理して」と順番まで求めると、打ち手のたたき台が得られます。

大切なのは、AIが出した案をそのまま実行しないことです。AIの提案は一般的な打ち手にとどまるため、自社の事情や実現可能性を踏まえて人が取捨選択します。次のように、声・原因・打ち手・担当を一枚に整理すると、分析が行動に変わります。表にすることで、誰が何をいつまでにやるかが明確になり、改善が前に進みます。

顧客の声	背景にある原因	改善アクション
問い合わせの返信が遅い	サポート体制の人手不足	FAQ拡充とAIチャットで一次対応
使い方が分かりにくい	オンボーディング不足	初期設定ガイドと動画を用意
料金が分かりにくい	プラン説明の不足	料金ページと比較表を改善
この機能が欲しい	要望の未反映	要望を集計し開発計画へ反映

BtoBでの活かし方（解約防止とアップセル）

BtoBでは、NPSや満足度の分析が解約防止（チャーン対策）に直結します。取引額が大きく、一社の離脱が売上に響くBtoBでは、批判者の兆候を早くつかむことが重要です。低い点数と不満のコメントが出ている顧客は、解約リスクが高いサインです。AIで批判者の声を素早く抽出し、営業やカスタマーサクセスが先回りしてフォローできます。

一方、推奨者の分析はアップセルやクロスセルの機会につながります。満足度が高く、前向きなコメントを寄せる顧客は、追加の提案を受け入れやすい状態です。「どの顧客が推奨者で、どんな点を評価しているか」をAIで整理すれば、次の提案の切り口が見えます。声の分析を、守り（解約防止）と攻め（拡大提案）の両面に活かすのが、BtoBでの勘どころです。

継続的に測って変化を追う

満足度調査は、一度きりでは価値が半減します。同じ指標を定期的に測り、変化を追うことで、施策の効果や顧客の気持ちの動きが見えてきます。前回より批判者が減ったか、特定の不満が解消に向かっているか——継続測定があってはじめて、改善が効いているかを判断できます。

継続測定では、回ごとの比較にもAIが役立ちます。今回と前回のコメントを渡して「不満の傾向がどう変わったか」を整理させると、変化の方向が見えます。ただし、聞き方や時期を毎回そろえないと、比較の意味が薄れます。設問や配信タイミングを一定に保ち、同じものさしで測り続けることが、変化を正しく読むための前提になります。

スコアの数字だけを追う落とし穴

NPSや満足度の運用でよくあるのが、スコアという数字だけを追ってしまう落とし穴です。点数を上げること自体が目的化すると、回答者を選んで聞いたり、聞き方を誘導的にしたりと、数字を良く見せる方向に力が向かいがちです。これでは本当の顧客の状態が見えなくなり、改善から遠ざかります。

大切なのは、スコアはあくまで健康診断の一項目と捉えることです。数字が下がったら、なぜかを声から読み解き、打ち手につなげる。数字が上がったら、何が効いたかを学ぶ。点数の上下に一喜一憂するのではなく、その背景の理由に向き合う姿勢が、調査を改善の力に変えます。AIは理由の読み解きを速める道具であって、数字を良く見せる道具ではありません。

回答が集まらないときの工夫

そもそも回答が集まらなければ、分析もできません。回答率を高める工夫も、満足度運用の一部です。設問が多すぎると離脱されるため、点数を聞く設問と、理由を書く自由記述の最小構成から始めるのが基本です。配信のタイミングも、購入直後やサポート対応後など、顧客の記憶が新しい時点を選ぶと答えてもらいやすくなります。

設問文の作成にも、AIが使えます。「負担にならず、本音を引き出す満足度調査の設問を作って」と注文すると、答えやすい聞き方の案が得られます。ただし、誘導的な設問にならないよう、中立的な表現かを人が確認します。少ない設問で、答えやすいタイミングに、中立的に聞く。この基本を押さえるだけで、集まる声の量と質が変わります。

部門をまたいで声を共有する

顧客の声は、集めた部門だけのものにしてはもったいない資産です。営業・開発・サポート・マーケが同じ声を見られる状態を作ると、改善が組織全体で進みます。開発は要望を機能に、サポートは不満を対応改善に、マーケは称賛を訴求に活かせます。声が一部門に眠っていると、こうした連携が起きません。

共有の際は、部門ごとに関心が違う点に配慮します。AIに「この声を、開発向け・営業向け・経営向けにそれぞれ要点をまとめて」と宛先を指定すると、相手に合わせた形で届けられます。生の声をそのまま回すより、受け手が使いやすい形に整えて共有するほうが、実際の行動につながります。声を組織の共有資産にすることが、改善の推進力になります。

共有を広げるときに先に決めるのが、どこまでの情報を回すかです。自由記述には、担当者の名前や、具体的な取引の中身が書かれていることがあります。個人情報を扱う決まりを定めた法律は2026年7月17日に改正が公布され、本体の施行は公布から2年を超えない範囲とされています。初めて課徴金の仕組みが入る改正なので、社内で回す範囲も、この機会に決め直しておくのが安全です。実務としては、回す前に氏名と会社名を伏せる作業を1工程として置きます。伏せる作業そのものをAIに任せてもかまいませんが、伏せ漏れがないかは人が目を通します。1件でも残っていると、回した先の全員が見ることになります。工程として置かないと、急ぎのときに必ず飛ばされます。

宛先ごとに形を変えて渡すのは有効ですが、変えてよいのは並べ方だけです。開発向けには要望を多い順に、営業向けには取引額の大きい相手の声を先に、経営向けには前回からの変化を先に置く。ここまでは並べ替えの話です。一方で、都合の悪い声を落とすのは、宛先に合わせた編集ではありません。決裁の場に出すときは、良くなった項目と悪くなった項目を同じ枚数だけ並べます。片方しか出さないと、次の回から数字そのものを疑われます。あわせて、前回の回で決めた打ち手が今回どうなったかを1行で添えます。打ち手の行が続いていない資料は、その場で終わる報告になります。続けて出すほど、この1行が効いてきます。

満足度分析を改善につなげる進め方

NPS・満足度の分析は、思いつきで進めるより、集める・整理する・優先度をつける・実行するという流れで回すと迷いません。次の手順が土台になります。

この流れを一巡させると、声が具体的な改善に変わる手応えが得られます。完璧を目指さず、回しながら精度を上げていくのが現実的です。

やりがちな失敗と回避

NPS・満足度の分析でつまずきやすい、典型的なパターンです。先回りして避けましょう。

• スコアだけ見て理由を読まない：数字の上下に反応するだけで、改善の手がかりを逃す
• 自由記述を放置する：最も価値ある声を読み切れず、宝の山を眠らせる
• 調査して満足する：集めるだけで打ち手につなげず、次回の回答率も下がる
• 数字を良く見せようとする：聞き方を誘導し、本当の顧客の状態が見えなくなる

よくある質問

NPSと顧客満足度、どちらを測るべきですか？

目的によります。継続や紹介につながる深い信頼を見たいならNPS、個別の体験への満足を細かく見たいならCSATが向きます。両方を補い合う形で使う企業も多くあります。まずは自社が何を改善したいかを決め、それに合う指標から始めるとよいでしょう。

AIに顧客のコメントを渡して大丈夫ですか？

個人情報や機密が含まれるため、取り扱いには注意が必要です。社内のルールや契約条件を確認し、個人が特定される情報は伏せる、法人向けで学習に使われない設定を選ぶ、といった配慮をします。安全な使い方を整えたうえで活用すれば、分析の効率が大きく上がります。

回答数が少なくても分析する意味はありますか？

あります。数が少なくても、自由記述には具体的な気づきが含まれます。統計的な精度は限られますが、個別の声から改善のヒントを得ることは十分可能です。少数の声を丁寧に読み解くところから始め、回答を集める工夫と並行して進めるとよいでしょう。

まとめ

NPS・顧客満足度の分析に生成AIを活かす要点は、スコアの数字だけを追わず、声を分類・要約・感情分析して改善アクションにつなげることです。推奨者・中立者・批判者を層別に読み解き、BtoBでは解約防止とアップセルに活かす。継続的に測って変化を追い、部門をまたいで声を共有する。AIは読み切れない声を整理する道具であり、判断は人が担います。まずは、手元にたまっている自由記述コメントをAIで分類してみるところから始めてみてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。