VOCを「品質知」に変えるために

問題は、声が足りないことではない

問い合わせ履歴、アンケートの自由記述、営業日報、解約時のコメント。多くの企業には、すでに大量のVOC（顧客の声）があります。

それでも会議に上がってくるのは、「不満件数が前月比12％増」「説明に関する苦情が全体の18％」といった数字だけになりがちです。

数字は問題の大きさや変化を把握するうえで重要です。しかし、件数や割合に集計した時点で、その顧客がどんな状況で、何を期待し、なぜ不満を感じたのかという文脈は見えにくくなります。

たとえば「説明が分かりにくい」という声でも、「専門用語が難しい」「必要な説明がなかった」「説明と実際のサービスが違った」では、改善すべき対象は異なります。

VOC活用で問われるのは、声を正しく分類することだけではありません。その声の背景にある体験を読み解き、次の判断につなげることです。

書籍第2章では、VOCを単なる苦情や要望ではなく、品質改善や経営判断の起点となる資源として捉えています。収集・分析だけで終わらず、改善と再学習へつなげていくことが重要です。

VOCを「品質知」に変える3つの条件

VOCが再利用できる「品質知」になるには、少なくとも3つの条件が必要です。

① 原文に戻れること

AIの分類や要約だけで判断せず、そこから実際の顧客コメントへ遡れるようにします。要約は結論ではなく、「どの声を読むべきか」を見つける入口です。

② 誰の、どの判断に使うかが決まっていること

分析レポートを作って終わりにせず、「この情報を見て誰が何を決めるのか」を明確にします。VOCの価値は、分析されたかではなく、判断や行動を変えたかで決まります。

③ 判断と改善結果まで残すこと

「どんな声があったか」だけでなく、「どう解釈し、何を変え、その後どうなったか」まで記録します。

　声 → 解釈 → 判断 → 改善 → 結果
までつながれば、同じ問題が起きたときに再利用できます。これが、単なるVOCデータと「品質知」の違いです。

AI要約は「原文への入口」として使う

生成AIによって、大量のVOCを短時間で分類・要約できるようになりました。一方で、自然な文章で出力されるからこそ、その内容をそのまま正しいと思い込む危険もあります。

実務では、「数字 → AI要約 → 原文」の順で確認すると有効です。

まず件数や増減から変化のあった場所を見つける。次にAI要約から「何が起きているのか」という仮説を得る。そして最後に、要約の根拠となった顧客の言葉を数件確認する。

たとえば「手続きの複雑さへの不満が増加」というAI要約でも、原文を読むと、入力項目の多さ、情報の重複入力、エラー理由の分かりにくさなど、異なる問題が含まれているかもしれません。

書籍で紹介されるモニタリング会議でも、集計値から実際の顧客コメントへ戻ることで、それまで数字だけでは分からなかった問題の意味が共有される場面が示されています。

数字は「どこに変化があるか」を教え、顧客の言葉は「なぜ変化したのか」を考える材料を与える。

AIは答えを代行するものではなく、人がよりよい問いを立て、判断するための支援として使うことが重要です。

まず会議を一つ変えてみる

大がかりな仕組みから始める必要はありません。

週次・月次のVOC会議で、集計結果を見るだけで終わらず、気になる変化についてAI要約を確認し、その場で実際の顧客コメントを2～3件読む。

そして、
「なぜ、この顧客はそう感じたのか」
「何を変えれば、同じ声は減るのか」
「次回、何を見れば改善したと判断できるのか」
まで話します。

VOCを「集めるもの」から「判断に使うもの」へ変える。その小さな運用変更が、品質知を蓄積する第一歩になります。

利用時の注意

少数の強い意見を全体傾向として一般化しないこと、VOCに含まれる個人情報・機微情報を適切に管理することが必要です。また、AIの要約や分類は判断そのものではありません。

集計だけを信じない。AIだけを信じない。そして原文だけにも引きずられない。

数字、AIによる分析、顧客の原文を行き来しながら、人が意味を判断することが、VOCを経営に生かす基本です。