顧客アンケートの自由記述を読み、「待ち時間」「説明」「価格」のように分類する作業は、AIが支援できる業務です。しかし、回答数が少ないときに、AIがまとめた順位や比率だけを見ると、一人の回答を顧客全体の傾向のように扱ってしまいます。
AIの役割は、意見を正解に決めることではなく、原文に戻れる形で仮分類することです。島田市周辺の小規模事業者でも無理なく運用できるよう、分類目的、ラベル、原文照合、報告の書き方を一つの手順にします。
分類前に「何を決めるためか」を一つ選ぶ
アンケート分析の目的が広すぎると、ラベルが増え、どの意見も「その他」へ集まります。まず「次月の案内文を改善する」「予約前の不安を見つける」「店内の説明を見直す」など、決めたいことを一つに絞ります。
次に、アンケートをどの期間に、誰へ、どの方法で配布したかを記録します。店頭の任意回答なら、積極的に意見を書く人が多い可能性や、来店しなかった人の意見が含まれない限界も残します。
回答の原文と管理番号を残す
分類用データには、回答ごとの管理番号、回答日、対象質問、自由記述の原文を用意します。個人を識別する名前、会員番号、メールアドレス、電話番号などは、分類に必要でなければ入れません。固有名詞が必要な場合も「店舗A」「商品B」のように置き換えます。
同じ人が複数回回答できる仕組みなら、回答数と回答者数は同じではありません。連続する一文を細かく切り分けすぎると、一人の意見を複数件に数えてしまいます。一回答の中に複数テーマがある場合は、複数ラベルを付け、回答数自体は増やしません。
ラベル定義に複数分類と未分類を用意する
AIに自由にテーマを作らせると、同じ意見が似たラベルへ分散します。最初は全件の一部を人が読み、5〜8個程度の仮ラベルと定義を作ります。各ラベルに「含める例」と「含めない例」を付けます。
| 出力項目 | 記録する内容 | 理由 |
|---|---|---|
| 管理番号 | 原文と対応するID | 必ず元の回答へ戻るため |
| 原文 | 個人情報を除いた回答 | 要約によるニュアンス消失を防ぐため |
| 仮ラベル | 一つまたは複数 | 複合的な意見を無理に一つへ押し込まないため |
| 原文根拠 | 分類の根拠となった短い箇所 | 人が判断を点検するため |
| 判断不能 | 追加確認が必要な理由 | 推測で穴埋めしないため |
AIがすべてをきれいに分類したら、むしろ注意が必要です。本来は意味が分からない回答、相反する内容、対象外の意見があります。「判断不能」「複数分類」「対象外」を正常な選択肢にします。
人が原文を見て分類のずれを確認する
回答数が少なうちは、抽出検査ではなく全件を人が確認できます。管理番号、原文、ラベル、根拠箇所を並べ、誤分類、重複、見落としを直します。迷った例はラベル定義の例に追加し、同じルールで分類し直します。
- 目的と関係のない回答を除外ではなく別区分で残す
- 肯定と不満が同じ文にあれば両方のラベルを付ける
- 「普通」「微妙」など文脈が必要な言葉を断定しない
- 一部の強い言葉だけで回答全体の趣旨を決めない
- 修正理由と確認者を記録する
少数回答は顧客全体へ一般化しない
内閣府の「世論調査結果を読むに当たって」は、標本調査に標本誤差があり、回答者数が少ないほど誤差が大きくなること、誤解や無回答などの非標本誤差もあることを説明しています。店舗の任意アンケートは無作為抽出とは条件が異なるため、既存の客や回答意欲の高い人へ偏っていないかも確認します。
報告には、回答数、対象、募集方法、回答期間、無回答の扱い、分類ルール、人の確認範囲を付けます。「顧客は価格を重視している」ではなく、「今回の任意回答12件のうち3件で価格に関する記述があった」のように、対象と件数を限定します。この数値は書き方の例であり、LIFESEEDSの実際の調査結果ではありません。
分類結果は「改善候補」として現場で確かめる
アンケート分類は、自動で改善策を決める道具ではありません。回答に現れたテーマを「すぐ確認」「追加の事実を集める」「経過を見る」に分けます。安全、法令、重大なミスを指摘する一件は、頻度が少なくても放置しません。一方、好みに関する一件は、現場観察や次回の質問で確かめます。
変更は一度に一つにし、どの意見を根拠にしたかを残します。次回も同じ質問と募集方法で確認できると、表現だけの変化と利用者の行動の変化を分けやすくなります。
自由記述の分類ルール、個人情報を除く手順、人の確認表を小さなアンケートから設計したい場合は、LIFESEEDSのAI活用・業務効率化支援をご確認ください。現在の質問項目と回答方法を整理し、お問い合わせフォームからご相談いただけます。
コメント