前回は、「テキストデータ分析とは何か」「数字だけでは分からない“理由”を扱う分析」であることをお話ししました。
今回は、実際の仕事でどう役に立ったのかを、具体的なケースで見ていきます。

舞台は、市場調査や顧客満足度調査を行っている、よくある企業です。

アンケートは取った。でも、次に何をすればいいか分からない

あるサービス企業で、顧客アンケートが実施されました。

・満足度（5段階評価）：平均3.8

・「まあ悪くはないが、突出して良いわけでもない」

報告会で上司から出たのは、こんな一言です。

「で、どこを改善すればいいの？」

数字はある。
グラフもある。
でも、改善アクションにつながらない。

実はこのとき、アンケートには「ご意見・ご要望を自由にお書きください」という自由回答欄がありました。
件数は100件ほど。

しかし担当者は、こう感じていました。

「全部読むのは大変だし、意見もバラバラだし……」

ここで使われたのが、テキストデータ分析です。

今回使ったデータは「自由回答の文章」だけ

使ったデータは、とてもシンプルです。

・アンケートの自由回答欄（テキスト）

・件数：約100件

特別な調査でも、AI専用データでもありません。
普段の業務で、誰でも持っているデータです。

まずやったこと①：不満の声だけを取り出す

最初にやったのは、全体を分析することではありません。

自由回答を読んでいき、

・明らかに不満が書かれているもの

・改善要望が含まれているもの

だけを抜き出しました。

すると、100件中およそ40件が「何らかの不満」を含んでいることが分かりました。

ポイント

いきなり難しい分析はしない。
見るべきデータを絞るのが最初の一歩です。

まずやったこと②：よく出てくる言葉を並べてみる

次に、不満コメントの中でよく使われている言葉を数えてみました。

専門用語では「単語頻度分析」と呼ばれますが、やっていることは単純です。

・同じ言葉が何度も出てこないか？

・似た表現が多くないか？

すると、ある言葉が目立っていることに気づきました。

・「分かりにくい」

・「最初が不安」

・「設定が難しい」

【図1：不満が記録されたコメントの単語頻度集計】

見えてきた意外な事実

ここで、担当者はあることに気づきます。

「機能そのものへの不満は、実はそんなに多くない」

当初は、

・機能追加が必要なのでは？

・性能が足りないのでは？

と思われていました。

しかし自由回答を整理してみると、不満の約6割が
「最初の使い方が分からない」ことに集中していたのです。

似た意見をまとめると、改善点が“見える”

次に、不満コメントを内容ごとにまとめました。

・初期設定が分かりにくい

・操作手順が不安

・どこから始めればいいか分からない

すると、不満の大半が
「使い始めの体験（オンボーディング）」に集中していることが明確になりました。

【図2：不満内容をカテゴリ別に集計した円グラフ】

実際に何が変わったのか

この分析結果をもとに、会社がやったことは意外と地味です。

・新機能の追加 → しなかった

・UIの大幅刷新 → しなかった

代わりに、

・初回利用時の画面説明を追加

・よくつまずくポイントに補足文を追加

・「最初にやること」ガイドを作成

を行いました。

その結果、

・問い合わせ件数が減少

・「分かりにくい」という不満が減少

・改善内容をお客様の声を根拠に説明できた

という変化が起きました。

このケースから分かること

この事例で重要なのは、

・難しい統計モデルは使っていない

・AIの専門知識も不要

・既にあるデータしか使っていない

という点です。

それでも、

「何を改善すべきか」

という問いに、
感覚ではなく、根拠を持って答えられるようになりました。

次回予告

次回は、

・アンケートではなく

・商品レビューや口コミ

を使って、

「悪くない評価なのに、なぜ売れないのか？」

が分かったケースを紹介します。
テキストデータ分析が、商品開発や改善にどうつながるのかを見ていきましょう。

<文/岡崎 凌>