中小企業でアンケートを実施しても分析が表面的になりがちです。
- 価格が高い
- 納期を短くしてほしいといった指摘への対応に終始し
根本的な売上向上につながらない企業が少なくありません。
解決策として有効なのが自由記述部分をAIで分類し顧客心理に基づく仮説を立てる手順です。
顧客は本音を直接言葉にせず遠回しに表現する傾向があります。
AIはそのパターンを客観的に抽出できます。
今回はデータ準備からタグ分類施策への変換までの流れをお話しします。
自由記述のAI分類と原文検証の進め方
自由記述をAIで扱う前にデータの整理が必要です。
1回答1行にまとめ個人情報は削除して匿名化を徹底します。
この準備を怠るとAIの出力精度が下がります。
次にAIへ分類を指示します。
- 困りごと
- 迷い
- 期待
- 購入の壁
これら4種類のタグが実用的です。
プロンプトは「以下の自由記述を4タグで分類して。各タグの上位5件を原文付きで出力して」と具体的に記述します。
ここで重要なのはAI出力をそのまま信じない姿勢です。
上位表現を抽出したら必ず原文に戻って検証します。
この確認を省くとAIの集約が社内の先入観で歪みます。
類似表現でも微妙なニュアンスの違いがあり
それを見落とすと施策の方向性を誤ります。
タグ間の重複も人間が調整してください。
重複を放置するとどこに注力すべきか判断できなくなります。
タグ頻度を数値化し上位3つに絞れば優先順位が明確になります。
【モデル事例】
部品製造会社のA社で担当者の説明が分かりにくいという記述が多数集まりました。
AI分類では困りごとタグに集中しましたが
原文を確認すると内容は3パターンに分かれていました。
- 専門用語が多い
- 比較表がない
- 社内稟議で通らないこの3つです。
表面的には営業研修が必要に見えましたが本質は稟議資料の不足でした。
比較表と1枚資料の整備に切り替えた結果商談進捗率が向上しました。
原文検証がAIの誤った診断を防いだ事例です。
心理軸を活用した仮説の構築と施策への変換
分類が終わったら4つの心理軸を使って仮説を深掘りします。
1つ目は損失回避で失敗したくない、損をしたくないという心理です。
2つ目は負担回避で手間や時間を避けたい欲求を指します。
3つ目は承認の壁で上司や周囲からの評価を気にする心理です。
4つ目は判断材料不足で決め手がなく迷っている段階を表します。
AIへは「原文から心理軸を割り当て根拠文と施策案を出力して」とプロンプトの指示をします。
たとえば原文が「高い」であれば
損失回避の軸から「失敗リスクへの懸念」と解釈し
リスク回避資料の提供を施策案として導きます。
ただしAI出力をそのまま採用してはいけません。
施策の選定は人間が利益と工数で判断します。
AI任せにすると現場の実情に合わず社員の抵抗を招きます。
BtoBでは特に承認の壁を重視します。
購買担当者は自分の判断で失敗したくないため社内説明に使える材料を求めています。
稟議や上司への説明に関する記述を優先的に抽出するようプロンプトに追加すると精度が上がります。
【モデル事例】
機械部品販売会社のB社で他社と比べたいという問い合わせが全体の3割を占めていました。
AIの初回出力は価格比較ニーズでしたが
原文を検証すると
- 社内説明がしにくい
- 失敗したら責められるという記述が目立ちました。
心理軸を適用した結果承認の壁と判断材料の不足が本質だと判明しました。
価格表の拡充ではなく導入手順書やリスク回避策
そして過去のFAQ公開を実施しました。
比較に関する電話が減り商談の質が向上しています。
値下げ圧力も減少し利益率を守れました。
今日のまとめ
自由記述の分析の要点はAIによる分類と原文の確認の組み合わせにあります。
AIはパターン抽出に優れていますが単独で使うと誤解を生みやすいです。
- 損失回避
- 負担回避
- 承認の壁
- 判断材料不足
これら4つの心理軸を活用し仮説を原文で裏付けます。
施策は人間の判断で絞り小規模テストへ移行します。
この手順を実践すればアンケートが営業力強化の基盤となります。
