FINDING
話題体系化と傾向分析
主要な話題をカテゴリ化し、どれにも分類されない「その他」の少数意見に注目します。さらに日付や支店などの属性に着目すると、「件数は少ないが、ここ2週間で急増している」「特定の支店でだけ発生している苦情」のように、重大な課題の兆しをとらえられます。報告では、相手の立場に応じて「気付き」を与えられる話題を選びます。
VOC分析
進め方・AI活用・ツールの選び方・事例
顧客の声を、品質知へ。
AIで信頼を育てる経営へ。
このページで分かること
- 一般的なVOC分析と、品質経営につなげるベクストのVOC分析の違い
- VOC分析が必要な理由と、データを集めてから改善につなげるまでの進め方
- 特徴的な声の発見・ポジネガ分析・苦情分析・予兆分析などの手法と、伝わる報告のコツ
- AIの活用方法、ツールの選び方、自治体・小売業などの事例
01VOC分析とは
VOC（Voice of Customer）分析とは、アンケートやコールセンターの通話や応対履歴、チャット窓口、店舗の日報、SNSなどに寄せられたお客様の声を、テキストマイニングなどの手法で整理・分析し、商品・サービスや業務の改善につなげる取り組みです。
VOCを「集めるもの」から「判断に使うもの」へ変える。
ベクストは、VOC分析を件数や割合の集計で終わらせません。お客様の声を判断に使える「品質知」へ変え、改善と定着までつなげます。これが、VOC、AI、改善、内部統制、定着をつなぐ品質経営の考え方です。
こんなお悩みはありませんか？
- 分析結果の報告が「ポジティブ○％・ネガティブ○％」のような集計で終わってしまう
- 分析結果は出るが、次に何を判断し、どう改善するかが決まらない
- AIの結果がレポートで止まり、会議、担当、期限へつながらない
- ツールを導入しても運用が定着しない
- 分析担当者が定例報告や突発的な依頼に追われ、深掘りまで手が回らない
- 分析の質が担当者のスキル次第で、新人が深掘りのポイントを見つけられない
- 「AIに顧客データの傾向を聞いてみたが、当たり障りのない回答しか返ってこなかった…」
- 件数の少ない苦情やクレームが埋もれ、「炎上」の火種を見落としていないか不安
これらのお悩みは、ベクストのVOC分析・コンサルティングで解決へ導くことができます。本ページで代表的なアプローチや事例等をご紹介するほか、貴社の状況に合わせた個別のご相談も承っています。
02一般的なVOC分析とベクストのVOC分析の違い
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。
| 一般的なVOC分析 | ベクストのVOC分析（品質経営型） | |
|---|---|---|
| ゴール | 件数・割合の集計と報告 | 判断や行動を変えること |
| データの扱い | 件数や割合に変わり、文脈が失われる | 原文に戻れ、文脈を保てる |
| AIの使い方 | AI要約をそのまま結論に | 数字→AI要約→原文の順で確認分類ルールで基準がブレない |
| 活用の仕方 | レポートを作って終わり | 誰の、どの判断に使うかを決めて活用 |
| 終わり方 | 一度きりの報告 | データ→体験→改善→統治→学習の循環で定着 |
03VOC分析はなぜ必要か
クレームを直接届けてくれるお客様は、何も言わずに離れていく大多数に比べて「熱量が高い（ファン予備軍の）ユーザー」でもあります。「グッドマンの法則」によれば、ネガティブな口コミはポジティブな口コミに比べて2倍以上拡散される一方、迅速に対応すれば信頼関係を築け、高い確率で再購入につながるといわれます。寄せられた声の全体をとらえ、改善と信頼づくりにつなげることが、VOC分析の目的です。
活動を支えるチーム体制
VOCチームの権限は限られており、VOCに基づいて実際に改善を行うのは各事業部門です。成果を最大化するには、次の3点が大切です。
マネージャーが技術とビジネスの両方を理解する
ツールの研修にはマネージャー自身も出席し、社内の「分析要件」と「ツール」を結び付けて、メンバーに適切な分析の指示を出します。
社内への宣伝活動に時間を使う
日頃から各部門にVOC活動を知らせ、協力を得ます。直接の働きかけが難しい場合は、多くの部門を管掌する役員を経由したトップダウンの宣言も効果的です。
社内の反響をメンバーにフィードバックする
「役員から賞賛された」「レポートが役に立った」といった声を共有することで、社内の要件に合ったレポートが作れるようになり、モチベーションも保てます。
分析担当者の育成では、分析作業を担当した本人が報告までを一気通貫で経験することが有効です。どの結果をどんなストーリーで見せるかを、ゴールから逆算して考えられるようになります。
小さく始めて、段階的に広げる
VOC活動は、一度始めたら同じ内容を続けていればよいというものではありません。多くの企業はまず苦情データから着手しますが、苦情はお客様の声の一角にすぎず、大半は通常の質問や要望です。分析の方針が固まったら、対象を「苦情を含む問い合わせ全般」へ、応対履歴から音声認識テキストへ、自社への問い合わせからSNSへと広げていきます。体制面では、分析作業の自動化や、VOC専門部署が「分析担当者」から各事業部の担当者を支える「分析アドバイザー」へとステップアップする形がよく取られます。
04VOC分析の進め方
VOC分析は、データを集めて分析すれば終わりではありません。データの収集から改善の仕組み化までを、5つのステップでご紹介します。
- 01集める
- 02整える
- 03分析する
- 04報告する
- 05改善・仕組み化
-
STEP01
データを集める
応対履歴、音声認識テキスト、チャットログ、SNS、アンケート、日報など、目的に合ったデータを集めます。短文の集計だけでなく、背景や文脈がわかる情報量の多いデータを残すのがポイントです。書かれていない情報はどんなツールでも分析できません。
-
STEP02
データを整える
用語・表記の統一よりも、「発言内容」「回答内容」「属性情報」といった入力箇所の統一を優先します。表記の揺れはツールの機能で吸収できることが多い一方、入力項目がばらばらだと後で分離に大きな工数がかかります。
-
STEP03
分析する
目的に応じた多角的な分析アプローチを行います。「全体構造の可視化」をはじめ、主要話題や生の声を取りまとめた「要約・課題抽出」、見落としがちな「少数意見の深掘り」など、目的に合わせた分析を実行し、日常的な定常分析へと展開します。
-
STEP04
報告する
意思決定者や他部署へ共有する社内報告では全体像を示してから特定のテーマへ。単に集計結果を並べるのではなく、背景やストーリーとしてつなげ、グラフだけでなくお客様の声の原文を添えて改善アクションへ繋げます。
-
STEP05
改善と仕組み化
対策を実施したら、対象の課題や顧客の声がどう変化したかを定期的にモニタリングします。売上や利用者数の増加に左右されないよう、全体に対する発生率や割合で変化を捉えるのが有効です。分析結果を企画・開発や現場などの関係部署へフィードバックし、継続的な改善サイクルを回します。
品質経営の視点
AIを導入しても、分析結果がレポートで止まれば品質は変わりません。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。
まずは今あるデータから
応対履歴やアンケート、日報など、お手元のデータでどんな分析軸が立てられるか、「誰の、どの判断に使うか」まで含めて、まずはお気軽にご相談ください。
05分析の手法
VOC分析には、目的に応じてさまざまな手法があります。ここでは代表的な5つをご紹介します。
POSITIVE / NEGATIVE
ポジネガ分析
お客様の声を「ポジティブ」「ネガティブ」に分類する手法です。VOCにはどちらでもない意見も多いため、100％の分類は目指しません。ゴールは比率の報告ではなく、日付や地域などの属性とクロスして具体的な改善課題を見つけることです。競合の台頭など状況の変化に合わせ、分類の定義も定期的に見直します。
COMPLAINT
苦情・クレーム分析
担当者が「苦情」とチェックした声だけでなく、「苦情に近い問合せ」も含めて分析します。増加している苦情だけでなく、何年も件数が変わらない苦情にも重大な問題が隠れていることがあります。クレームからは、すぐに改善すべき課題、まだ対応できていない新たなニーズ、サービス品質の見直しポイントが得られます。
SENTENCE
文章単位の分析
単語と係り受けの頻度をもとにした単語単位の分析は、仮説立てや辞書作成に分析者の知見が必要です。文章単位の関連語解析では、類似した話題を自動でまとめるため、初期の辞書作成が不要で、誰が扱っても同じ結果が得られます。自動でまとめた結果は、ルールを作成して条件をチューニングできます。
EARLY WARNING
予兆分析
炎上の火種となる、まだ少数の苦情やクレームは、主要な意見に埋もれてキーワード検索では見つけにくいものです。VextMinerの「全件マッチング」（ベクストの特許技術）は、データを1文ずつ総当たりで比べ、意味の近い文書が2件以上あれば少数意見としてランキング表示します。日付情報があれば時系列の変動も見られ、上昇傾向にある要注意の意見を監視できます。
品質経営の視点
件数の向こうにある「なぜ」を、経営判断につなげる
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。
06報告・活用（経営につなげる）
VOCレポートは活動の中核です。レポートの質が低いと経営層にVOCがうまく伝わらず、せっかくの分析結果も台無しになってしまいます。
伝わるレポートの3つの基本
まず全体像を載せる
特徴的な苦情から並べる「トピック列挙型」では、「他に苦情はないのか」「全体から見て多いのか」に答えられません。全体像を示してから、特定テーマの結果に移ります。
ストーリーでつなぐ
「年代別」「時系列」「地域別」と結果を並べるだけでは「だから何？」と思われ、やがて読まれなくなります。「7月に問い合わせが急増」→「特に大阪で増加」→「大阪では新製品キャンペーンの話題が多い」のように、事実を整理して課題までの道筋を示します。キーとなるVOCを見つけ、ボトルネックを考え、施策を打ち出す順で組み立て、結論ありきでVOCを探さないことも大切です。
原文（生の声）を添える
グラフやマップの貼り付けだけでは表面的になりがちです。原文を部分的に載せることで、「○○の不満」が具体的にどう言われているのか、温度感まで伝わります。
ダッシュボードで社内に届ける
分析を自動化し、その結果を社内で閲覧できるようにしたものがVOCダッシュボードです。商品開発部門はニーズ、サポート部門はクレームというように、部署によって見たいVOCは異なるため、見せる相手ごとに内容を変えます。見栄えの良いグラフだけでなく、アクションにつながる深掘りの結果や少数意見、原文もあわせて載せ、運用チームが市場の変化に合わせて分類条件を見直していきます。最初は課題やテーマを絞ってスモールスタートし、分類軸や課題の選定、対応策の検討は人間が、それ以外はシステムが担うように作業を分けることが、仕組みづくりの要です。
成功事例: 報告が決め手になった小売業
店舗スタッフがお客様の声を日報として残している小売業の事例です。上層部は全体の傾向をおおむね把握していたため、新製品の反響など、方針の策定に役立つ情報の報告が求められていました。
- テキストマイニングツールVextMinerで、新製品リリース前後の声の主題と傾向を把握
- 同じ分類軸で時系列の変化を見て、反響の大きさを数値で判断
- 生成AIを利用した解析アシスタントVextInsightで、変化の大きい点を抽出・解釈
結果はダッシュボード機能VextPortalで各部門に定期配信。結果だけでなく解釈や注目ポイントまで示したことで、担当者によらない客観的な分析結果を届け、上層部の思い込みを排除して新しい視点を提供できました。
品質経営の視点
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。
07AIを使ったVOC分析
生成AIを支える大規模言語モデル（LLM）の発展で、AIが自律的にタスクをこなすAIエージェントが現実のものになりつつあります。しかしビジネスの現場で活用するには、2つの壁があります。もっともらしい語り口の裏で事実と異なる情報を生成してしまう「信頼性」の壁と、業務知識を持たないAIが意思決定に使える具体的な示唆を出せない「分析の解像度」の壁です。特に気を付けたいのは、明確な物差し（分析軸）を持たないAIが、声の大きい一部の意見を全体像であるかのように語ってしまうことです。
信頼できるAI分析の3条件
- 01一部のデータではなく、
全体を俯瞰しているか - 02分析の基準がブレずに
集計できるか - 03回答の根拠となった原文
（生の声）まで辿れるか
ベクストが実現する「高度なAIアプローチ」
ベクストでは、長年培ったテキストマイニング技術と最新の生成AIを融合。どのようなAI分析結果であっても常に根拠となる原文へ直接アクセスできる仕組みを基盤に、ハルシネーション（事実と異なる情報の生成）を防ぎ、信頼性と分析スピードを両立させています。
POINT01
即座に深掘りと提案まで得る「スピード分析」
事前設定すら不要で、データを投入するだけ。ユーザの分析目的に応じて主要話題を体系化し、AIが生の声の特徴・背景考察・具体的な改善提案までをダイレクトにレポーティング。テキストマイニングによる客観的なデータを根拠にするため、一部の極端な意見に引っ張られる心配もありません。
POINT02
ブレない軸で追い続ける「定常モニタリング × AI支援」
定期的な分析では、自由なチューニングが可能な「分類ルール」を物差しとして保持し、軸をブラさずに変化を捉えます。さらに、AIが属性を活用した戦略的なグラフ表示を推奨したり、グラフの定量・定性の両面から分析結果を自動で読み解いて解説レポーティングするため、誰でも簡単に高度な社内報告が行えます。
その他にも、原文全体を対象に知りたいことを直接質問できる機能や、長文の要点を即座に把握できる自動要約機能など、現場の意思決定をアシストする仕組みを備えています。
品質経営の視点
実務では、「数字 → AI要約 → 原文」の順で確認すると有効です。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。
AIの活用もご相談ください
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。
「自社のデータでどのような分析軸が立てられるか？」「AIエージェント技術をどう業務に活用するべきか？」具体的な活用イメージや事例にご興味をお持ちの方は、ぜひお気軽にお問い合わせください。
08VOC分析ツールの選び方
テキストマイニングは、利用目的によってどのように分析するかが肝になります。ツールは機能だけでなく、分析ノウハウや業務への組み込み方といった部分も重視して選びましょう。
選定のポイント
分析者のスキルに依存しにくいか
仮説立てや辞書作成が必要な分析では、結果が分析者の知見に左右されがちです。類似した話題を自動でまとめられれば、業務知識がなくても主要な話題を把握できます。
扱うデータに合っているか
音声認識テキストなら、対話の形式を保ったまま分析できるか、フィラーや相槌などの不要語・表現の揺れに対応できるか、5分の通話で約1,500文字にもなる大量のテキストを処理できるかを確認します。
将来の自動化に対応できるか
分析やレポート作成に慣れたら、自動化で対応できる案件数を増やせます。最初の導入時に、将来自動化できそうかを確認しておくことも重要です。
POCで「使えるか」を確かめる
導入前にツールを試験的に使い、目的を達成できるかを検証するのがPOC（概念実証）です。成否を分けるのは、目的とゴールの具体化です。
失敗例 A社
目的は「今の分析業務をツールで代替できるか」。ゴールを「目検判定と同じ精度」「未分類『その他』を0件」とした結果、完全一致できず、導入自体を断念しました。ツールと手作業それぞれのできること・できないことを洗い出し、検証手段とゴールを具体化する必要がありました。
成功例 B社
「効率化」と「高度化」の2つを目的に、目検との一致率80％以上、作業時間20％以上（担当者1名分）削減、深掘り分析で理由背景や課題点が可視化できること、少数のニーズを発見できることをゴールに設定。明確な結論が得られ、本導入後もスムーズに運用を始められました。
COMPARE
テキストマイニングツール比較
他社のツールとVextのツールの違いを、機能面・運用面から比較しています。
PRODUCT
VextMiner
VOC分析に使えるベクストのテキストマイニングツールです。
品質経営の視点
導入と定着の断絶
ツールは配備されても、問い、責任、学習の運営が組み込まれない。ツールの導入で終わらせず、運用として定着させることまでを考えて選びましょう。
09VOC分析の事例
VOC分析の生かし方は、業種や扱うデータによってさまざまです。ここでは3つの事例を要点とあわせてご紹介します。
市民の声をFAQとサービス改善に生かす
コンタクトセンターの対応履歴やホームページへの問い合わせ、SNS、窓口の苦情・要望、「市長への手紙」などを分析対象に。引越し関連は3〜4月、保育園入園関連は12〜1月のように時期が決まった問い合わせを素早くFAQ化し、翌年の件数の変化をモニタリングします。改善結果を広報誌などで市民にフィードバックすることも重要です。
店舗の日報から共通課題と店舗独自の課題を見つける
複数店舗を持つ小売店の従業員日報をVextMinerで分析。店舗ごとに比べると、「店内のカートが大きすぎる」「納期が遅い」「店内が暑い」といった共通の課題と、「売場が分かりづらい」「従業員が少ない」といった店舗独自の課題が見えてきました。
新製品の反響を、解釈つきのレポートで上層部へ
店舗スタッフの日報から新製品リリース前後の声を分析し、時系列の変化と生成AIによる解釈を添えてVextPortalで各部門に定期配信。上層部の思い込みを排除し、新しい視点を提供しました（詳しくは「06.報告・活用（経営につなげる）」へ）。
業種・テーマ別の事例
業種を選ぶと、その事例の記事をご覧いただけます。ほかの記事は「12.関連記事一覧」にまとめています。
品質経営の視点
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。
問いを起点に、分析を意思決定と改善へ
あなたの会社では、VOCの集計結果から「元の顧客の言葉」まで戻れるでしょうか。そして、その声を見て「誰が、何を変えるか」まで決まっているでしょうか。
より詳細な情報や事例について知りたい方は、ぜひお気軽にお問い合わせください。
10VOC分析から品質経営へ
各章の「品質経営の視点」の背景にある考え方を、品質経営Webで詳しくご紹介しています。
品質経営とは、品質を一部門の管理対象にせず、顧客の声、現場の判断、改善、内部統制、学習をつなぎ、組織全体で信頼を育てるマネジメントです。
品質経営Web『品質経営とは』より
信頼が育ち続ける循環サイクル
- 01データ
- 02体験
- 03改善
- 04統治
- 05学習
「データ → 体験 → 改善 → 統治 → 学習」は、AI品質経営を一度きりの導入で終わらせず、組織能力として定着させるための運営サイクルです。
品質経営Web『信頼が育ち続ける循環サイクル』より
書籍『自然言語処理と品質経営』
自然言語処理と品質経営―信頼をデザインするAIマネジメント
顧客の声を「品質知」に変え、分析から意思決定・改善・統制・定着へつなぐ実務フレームワークを体系化
品質経営Webで深く知る
品質経営Webの記事
11よくある質問
VOC分析は、どのくらいのデータ量から始められますか？
分析の目的やデータの内容によって異なります。目安の考え方は「サンプル数は何件から？」の記事でも解説していますので、あわせてご覧ください。
専任の分析担当者がいなくても始められますか？
体制のつくり方や担当者の育成については「03 VOC分析はなぜ必要か」をご覧ください。具体的なご相談はお問い合わせからお寄せください。
