お客様の声を、AIが読んで整理してくれる時代になった｜口コミ・アンケート分析を効率化する考え方

本記事は、株式会社DnD（https://dnd-inc.jp）のコラムを一部編集して掲載しています。
初出: https://dnd-inc.jp/blog/ai-customer-review-analysis.html

「アンケートは毎月とっているのに、集計する時間がなくて結局ファイルが溜まっている」「Googleの口コミが増えてきたが、全部読んで改善につなげるところまで手が回らない」——そんな状態の中小企業は少なくありません。しかし2025〜2026年で、生成AIが定性的な「文章データ」を読む力は急速に向上しました。感情分析・テーマ分類・改善提案の抽出が、専門ツールなしでも数分でできる時代になっています。

この記事の要点

Googleの口コミや自社アンケートのテキストは、ChatGPT・ClaudeなどのAIに貼り付けるだけで感情分類・テーマ抽出が可能。専門知識不要でゼロから始められる。
「AIで大分類→人が重要コメントだけ精読」の役割分担を作ると、読む時間を大幅に削減しながら見落としを防げる。
月次の定点観測に組み込めば、満足度の変化や新たな課題の発生をタイムリーに把握し、改善アクションに落とし込める。

集まっているのに活かせていない「お客様の声」

多くの中小企業では、何らかの形で顧客フィードバックを収集しています。Googleビジネスプロフィールへの口コミ、購入後のアンケートフォーム、SNSのコメント、CSへの問い合わせメールなど、チャネルは様々です。
しかし実際には、こんな状況が起きていないでしょうか。

読む時間がない：件数が増えるほど全文精読は難しくなり、担当者が時間をかけても追いつかない。
分析が属人化している：まとめ方が担当者によって異なり、傾向が組織で共有されない。
改善アクションにつながらない：「よかった・悪かった」の印象はあっても、どのテーマが何件あるかを数値化できていないため、優先度をつけにくい。
このギャップを埋める手段として、AIによる定性データの自動分析が急速に実用化されてきました。

AIは「文章を読んで分類する」のが得意になっている

生成AIが文章の感情や内容を読み取る精度は、2025年から2026年にかけて大きく向上しました。現時点でどこまでできて、どこに限界があるかを整理しておきましょう。

AIが得意なこと

ポジティブ・ネガティブ・中立の感情分類（センチメント分析）：「対応が丁寧で安心できた」「待ち時間が長すぎる」など明示的な感情表現は高精度で分類できます。現在の主要モデルは日本語の口コミ分類でおよそ85〜90%の精度とされています。
テーマ・カテゴリの自動抽出：「スタッフの対応」「価格」「待ち時間」「清潔感」のようなテーマ別に振り分け、どの話題が多いかを集計できます。
改善提案の候補まとめ：ネガティブなコメントを束ねて「最も言及が多い不満はXXX。次いでYYY」という要約を自動生成します。
繰り返し登場するキーワードの可視化：自然言語のまま入力しても、頻出語句や共起するワードを抽出して傾向を把握できます。

人の確認が必要なこと

皮肉・反語的な表現：「こんなに混んでいれば大人気ですね（嫌味）」のような表現は誤判定されることがあります。
複合評価：「値段は高いが品質は良い」のようにポジネガが混在するコメントはどちらに分類するかが揺れます。
業種固有の専門用語：特殊な業界用語が多い場合は、AIに事前に用語の意味を説明するプロンプト設計が必要です。

どんな方法で分析するか——3つのアプローチ

ツールと目的に合わせて、3つのアプローチがあります。

① 汎用AIに貼り付けて分析する（まず試す段階）

ChatGPT・Claude・Geminiなどに口コミのテキストを直接貼り付けて、プロンプトで分析を依頼する方法です。専用ツールの導入や連携設定が不要なため、今日から試せます。たとえば次のように指示します。

「以下の口コミを、ポジティブ・ネガティブ・中立に分類し、テーマ別（スタッフ対応／価格／待ち時間など）の件数も集計してください」
「ネガティブなコメントだけ抽出し、改善が必要なテーマを多い順に3つ教えてください」
20〜30件程度であれば数分で結果が出ます。件数が多い場合はCSVや複数回に分けて入力します。ChatGPT Teamプラン・Claude Teamプランを使えば、入力データが学習に使われないため業務データでも安心して使えます。

② Googleフォーム×Geminiで半自動化する（月次の仕組み化）

Googleフォームでアンケートを収集し、回答をスプレッドシートに蓄積させた上で、Gemini（Google Workspace版）をスプレッドシートに組み込んでバッチ分析する方法です。Apps Scriptを使えばフォーム送信のたびに自動でAI分析を走らせ、集計シートに追記させることもできます。月次レポートを自動集計したい場合は、この構成が費用対効果が高いでしょう。

③ 専用のVoC分析ツールを使う（件数が増えてきた段階）

月数百件を超えるフィードバックが集まり始めたら、VoC（Voice of Customer）分析に特化したツールの検討に値します。KikimimiのようなAI VoCプラットフォームは、問い合わせ・アンケート・SNSコメントを自動分類し、課題の優先度を可視化するダッシュボードを提供しています。ただし初期導入コストがあるため、まず汎用AIで仕組みを試してから移行するアプローチが現実的です。

今日から始める3ステップ

ステップ1：フィードバックを1か所にまとめる

Google口コミ・アンケート回答・問い合わせメールなど複数のチャネルを一つのスプレッドシートに集約します。最低限の列は「日付」「チャネル」「本文」の3つです。Googleフォームのアンケートはスプレッドシートに自動連携できます。Google口コミは手動でコピーするか、Google Maps APIを利用して自動取得することも可能です。まずは直近1〜3か月ぶんを集めるところから始めましょう。

ステップ2：AIで分類・要約・テーマ抽出を行う

集めたテキストをChatGPTやClaudeに貼り付け、次のような分析を依頼します。

感情分類：ポジティブ / ネガティブ / 中立のラベルを各コメントに付ける
テーマ分類：「対応スピード」「品質」「価格感」「使いやすさ」など業種に合わせた分類軸で振り分ける
改善テーマ抽出：ネガティブコメントを束ねて「最も多い不満トップ3」を要約する
結果はMarkdownの表形式で出力させてスプレッドシートに貼り直すと、共有・比較がしやすくなります。初回は30分もあれば仕組みが整います。

ステップ3：月次の定点観測に組み込む

月末に前月分のフィードバックを同じ手順で分析し、「先月との比較」を確認する習慣をつけます。「ネガティブ比率が先月の18%から25%に上がった」「待ち時間への言及が急増している」のような変化が見えてきます。こうした数値の変化を月次会議の議題に持ち込むと、感覚論ではなく定量的な根拠に基づいた改善議論ができるようになります。

個人情報の取り扱いについて

Googleの口コミは公開情報のため扱いがシンプルですが、自社で収集したアンケートに顧客の氏名・連絡先・購買履歴が含まれる場合は個人情報保護法の対象です。AIツールに入力する前に次のルールを確認しておきましょう。

氏名・メールアドレス・電話番号など識別できる情報はAIに渡す前に削除する（仮名化・匿名化）
ChatGPT TeamプランやClaude Teamプランなど、入力データが学習利用されない設定を選ぶ
社内向けに「VoC分析のAI使用ガイドライン」をシンプルな1ページで整備しておくと、担当者が変わっても安全に続けられる

よくある質問

口コミ分析にどのAIツールを使えばいいですか？

まず試すならChatGPT（ChatGPT TeamまたはPlus）かClaudeがおすすめです。口コミをCSVやテキストにまとめてそのまま貼り付け、「ポジティブ・ネガティブに分類して主なテーマを抽出してください」と指示するだけで結果が得られます。件数が増えてきたらGoogleスプレッドシートとGeminiを連携させる方法や、専用のVoC分析ツール（Kikimimi等）への移行が視野に入ります。

口コミをAIに入力しても個人情報は大丈夫ですか？

Googleの口コミは公開情報のため一般的に問題は小さいですが、自社で収集したアンケートに顧客の氏名・連絡先が含まれる場合は個人情報に該当します。入力前にAIツールのプライバシー設定を確認し、ChatGPT TeamプランやClaude Teamプランのように入力データが学習に使われない設定を選ぶか、氏名・メールアドレスなどの識別情報をあらかじめ削除してから分析することをお勧めします。

AIの感情分析はどれくらい正確ですか？

現在の主要AIモデル（GPT-4o・Claude 3.5以降・Gemini 1.5以降）は、日本語の口コミやアンケートのポジティブ・ネガティブ判定においておよそ85〜90%の精度が出るとされています。ただし「値段は高いが品質が良い」のような複合的な評価や、皮肉・文化的ニュアンスが入ったコメントは誤判定されることがあります。全件を人が読む代わりに「まずAIで大分類→気になる件だけ人が確認」という使い方が実務的です。

月に何件くらいから分析が意味を持ちますか？

傾向を読み取る目安として月10〜20件以上あると結果が安定してきます。それ以下でも「どんなコメントが来ているか全体把握」にはなりますが、「このテーマが最多」という統計的な読み方は難しくなります。件数が少ない場合でも、1件1件を人が読む代わりにAIに要約・分類させるだけで読む時間は大幅に削減できるため、件数にかかわらず始める価値はあります。

この記事は株式会社DnD（業務効率化・DXパートナー）が運営するコラムの転載です。
▶ 初出・全文: https://dnd-inc.jp/blog/ai-customer-review-analysis.html
▶ お問い合わせ: https://dnd-inc.jp/contact.html