アンケートの自由回答をAIで分析する方法｜分類・要約・仮説抽出の進め方

アンケートを実施すると、選択式の回答は集計できても、「その他」「理由を教えてください」「自由にご意見ください」といった自由回答の分析で手が止まりやすくなります。

回答件数が増えるほど、すべてを読むだけでも負荷がかかります。さらに、「価格」「使いやすさ」「機能」と単語を数えても、顧客がなぜそう感じたのかまでは分かりません。

そこで活用できるのが生成AIです。ただし、自由回答をまとめて入力し、「顧客の本音を分析してください」と指示するだけでは、もっともらしい要約が作られても、実務で使える分析になるとは限りません。

アンケートの自由回答をAIで分析するポイントは、①元データを残す、②分類基準を作る、③AIで仮分類する、④人が原文と照合する、⑤分類結果を集計する、⑥課題・ニーズ仮説へ変換する、という工程を分けることです。

インティメート・マージャーがAI・データ活用をテーマに整理してきたセミナーや記事でも、定性データだけをそのまま答えとせず、顧客課題の仮説を立て、定量データや行動データによって確かめながら施策へつなげる考え方を重視しています。

本記事では、アンケートの自由記述をAIで分類・要約し、商品、コンテンツ、LP、FAQ、営業施策などへつながる仮説を抽出する方法を実務手順に沿って解説します。

アンケートの自由回答分析とは？AIはどこで使えるのか

アンケートの自由回答とは、あらかじめ用意された選択肢ではなく、回答者自身の言葉で記入してもらう形式です。

例えば、次のような設問があります。

• このサービスを利用した理由を教えてください
• 導入前に不安だったことを教えてください
• 満足した点を自由に記入してください
• 改善してほしい点があれば教えてください
• 今回購入しなかった理由を教えてください

選択式回答では把握しにくい理由・背景・状況を確認できる一方、文章表現が回答者ごとに異なるため、そのまま集計することが難しいのが特徴です。

生成AIは、この自由記述データについて次のような作業を支援できます。

分析工程	AIで支援できること	人が確認すること
データ整理	表記揺れ・文章形式の整理	原文を変えすぎていないか
分類	意味の近い回答をカテゴリへ整理	分類基準が妥当か
要約	カテゴリごとの共通点をまとめる	少数意見や例外が消えていないか
比較	顧客層・回答群ごとの差を整理	母数・条件を踏まえて解釈しているか
仮説抽出	課題やニーズの背景候補を整理	事実とAIの推測を区別する
施策案	改善案や追加調査案を複数作る	事業上の優先順位を判断する

AIの強みは自由回答から意味の近い文章を整理できることですが、最終的な顧客理解や施策判断まで自動的に正しく行えるという意味ではありません。

自由回答の分析は「単語の多さ」だけでは不十分

自由記述分析で昔から使われてきた方法には、キーワード集計、頻出語、共起語、感情分類などがあります。

これらは現在も有効ですが、単語だけでは文脈を判断しにくいケースがあります。

例えば、次の3つの自由回答があったとします。

• 「価格は高いが、サポートまで含めると納得できる」
• 「価格が高く、社内承認が通らなかった」
• 「価格よりも運用工数が心配だった」

「価格」という単語はすべてに含まれていますが、意味は異なります。

1つ目は価格への肯定、2つ目は予算・承認課題、3つ目は価格より運用負荷が重要です。

生成AIによるテキスト分析では、単語だけではなく文章の文脈を踏まえて分類しやすいことがメリットです。

方法	得意なこと	注意点
人による読み込み	文脈、微妙なニュアンス、例外判断	件数が増えると負荷・担当者差が大きくなる
キーワード・テキスト集計	頻出語、件数、定型的な傾向	同じ言葉でも文脈が異なるケースがある
生成AI	意味分類、要約、複数論点整理、仮説作成	分類基準が曖昧だと結果も変わりやすい
AI＋人レビュー	大量処理と文脈理解を両立しやすい	運用ルールと確認工程が必要

アンケート自由回答をAIで分析する8つの手順

手順	実施内容	成果物
1	分析目的を決める	分析テーマ
2	データを整える	分析用データ
3	分類基準を作る	カテゴリ定義表
4	AIで仮分類する	分類済み回答
5	人が原文を確認する	修正版分類
6	カテゴリ別に要約・集計する	傾向整理
7	課題・ニーズ仮説を作る	仮説リスト
8	他のデータで検証する	施策優先順位

手順1｜自由回答を「何のために分析するか」を決める

最初に分析目的を決めます。

「自由回答を分析したい」だけでは、分類軸もAIへの指示も決まりません。

例えば、目的は次のように具体化します。

• 購入しなかった理由を整理したい
• 導入前の不安をFAQへ反映したい
• 商品改善の優先順位を決めたい
• 顧客が評価しているポイントを広告訴求へ反映したい
• ウェビナー参加者が次に知りたいテーマを見つけたい
• 商談につながりやすい課題を把握したい

目的によって同じ自由回答でも分類方法が変わります。

例えば「導入前に不安だったこと」という回答を分析する場合、単に「価格・機能・サポート」と分類するだけでなく、「決裁」「比較」「運用」「セキュリティ」など、施策へつながる分類が必要になることがあります。

分類カテゴリはAIが作りやすいものではなく、分析後の意思決定に使えるものにします。

手順2｜回答IDと属性を残してデータを整える

AIへ投入する前に、自由回答を分析用の表へ整理します。

項目	例	目的
回答ID	A001	原文へ戻る
回答日	調査日	期間による違いを見る
自由回答	原文	分析対象
企業属性	業種・企業規模など	セグメント比較
回答者属性	部門・役職など	BtoBで立場別に比較
選択式回答	満足度・購入意向など	自由回答とのクロス分析

特に重要なのが回答IDです。

AI分析後に「この課題はなぜ重要と判断されたのか」と確認したくなったとき、原文へ戻れないと検証できません。

文章を要約したデータだけを分析用ファイルにすると、元のニュアンスが失われます。原文は可能な限り保存し、AIが作った分類・要約は別の列へ追加します。

個人情報・機密情報を必要以上に入力しない

自由回答には、氏名、メールアドレス、勤務先、具体的な相談内容などが含まれる場合があります。

AIへ入力する前に、分析目的に不要な個人情報・機密情報を削除・マスクできないか確認してください。

例えば分析に社名が不要なら「企業A」、個人名が不要なら「担当者A」のように置き換えます。

また、利用するAIサービスの契約条件、データ利用条件、社内のセキュリティ・個人情報取扱ルールも確認します。

手順3｜まず少量の回答から分類基準を作る

数千件の回答をいきなりAIへ渡し、自由に分類させる方法はおすすめしません。

先に一部の回答を確認し、どのような分類が実務上必要なのかを整理します。

例えば「サービスを導入しなかった理由」であれば、次のようなカテゴリ候補を作れます。

• 価格・予算
• 費用対効果
• 機能不足
• 既存サービスとの重複
• 運用負荷
• 社内体制
• 決裁・承認
• 導入時期
• 必要性が低い
• 説明不足
• その他・判断不能

ただし、最初からカテゴリを固定しきる必要はありません。

AIには「既存カテゴリに当てはまらない重要な回答があれば、新カテゴリ候補として分ける」と指示します。

カテゴリ名だけでなく「定義」を作る

分類精度を高めるには、「価格」というカテゴリ名だけでは不十分です。

カテゴリ	含めるもの	含めないもの
価格・予算	金額自体が高い、予算を確保できない	投資対効果を説明できない問題
費用対効果	成果との比較で価格に納得できない	単純な予算不足
運用負荷	導入後の作業・管理工数が懸念	導入プロジェクトの社内承認

分類ルールを文章化すると、人とAIの判断差を減らしやすくなります。

手順4｜AIで自由回答を分類する

分類基準ができたら、AIへ仮分類させます。

このとき重要なのは、AIへ「カテゴリ名だけ」を返させないことです。

最低限、次の項目を出力させると後から確認しやすくなります。

• 回答ID
• 主カテゴリ
• 副カテゴリ
• 分類根拠となった回答内容
• 不明・判断困難フラグ
• 新カテゴリ候補

1回答＝1カテゴリにしなくてもよい

自由回答には複数の論点が含まれます。

例えば、

「料金は少し高いと思ったが、それより社内に運用できる担当者がいなかったことが導入を見送った理由です」

という回答であれば、「価格」と「運用体制」の両方が含まれています。

単一分類にすると、「価格が原因」という誤った解釈につながる可能性があります。

主因と副因を分けられる場合は分け、判断できなければ複数タグを付ける方法もあります。

手順5｜AIの分類を人が原文と照合する

AI分類後は、必ず人がサンプルと重要回答を確認します。

特に確認したいのは次のケースです。

• 件数が多い主要カテゴリ
• 事業判断への影響が大きいカテゴリ
• 新しく作られたカテゴリ
• 複数カテゴリに分類された回答
• 「判断困難」になった回答
• 少数だが重要そうな回答

確認した結果、分類ミスが繰り返される場合はAIの性能だけを疑うのではなく、カテゴリ定義そのものが曖昧ではないか確認します。

例えば「価格」と「費用対効果」が頻繁に混同されるのであれば、両者の境界を明確にして再分類します。

自由回答分析の再現性を高めるには、AIへのプロンプトより、分類ルールの改善を継続することが重要です。

手順6｜カテゴリごとに要約し、件数を集計する

分類後は、カテゴリ別に回答をまとめます。

ここでAIを使いやすいのが「意味の要約」です。

正確な件数集計は表計算側で行う

AIに「全部で何件あるか」を毎回計算させるより、分類結果をCSVやスプレッドシートへ戻し、表計算機能でカテゴリ件数を集計する方が運用しやすくなります。

例えば、

• カテゴリ別件数
• 全回答に占める割合
• 顧客属性別件数
• 役職別件数
• 満足度別件数
• 購入・非購入別件数

などを表計算で算出し、AIには数値の意味を整理する役割を持たせます。

「AIによる意味分類」と「表計算による件数集計」を分けると、分析プロセスを説明しやすくなります。

手順7｜自由回答から課題・ニーズ仮説を作る

分類・要約の次が、仮説抽出です。

ここで注意したいのが、自由回答に書かれた事実と、AIが推測した背景を混ぜないことです。

レベル	例	扱い
顧客の発言	「社内で説明する材料が足りなかった」	観測事実
分類	社内承認・決裁	分析結果
解釈	導入価値を社内へ説明しにくい	原文から妥当性を確認
仮説	決裁者向け資料を用意すれば導入障壁が下がる可能性	施策・追加調査で検証

この区分を設けることで、「AIが考えた理由」がいつの間にか「顧客が言ったこと」に変わるのを防ぎやすくなります。

手順8｜選択式回答・行動データと組み合わせて検証する

自由回答だけで顧客全体のニーズを判断しないことも重要です。

アンケート回答は、顧客自身が認識・記憶している内容を言葉にした情報です。そのため、実際の行動とはずれるケースがあります。

インティメート・マージャーのデータ活用に関する一次情報でも、顧客課題の仮説を立てた後、その仮説を定量データで裏付けながら「誰に・いつ・何を」伝えるかを設計する考え方が示されています。

例えば自由回答から「導入方法が難しい」という課題が多く見つかった場合、次のように確認します。

自由回答から見えた課題	追加で確認するデータ
料金が高い	価格別購入意向、商談結果、失注理由
社内説明が難しい	役職別回答、決裁プロセス、営業メモ
使い方が分からない	FAQ閲覧、サポート問い合わせ、利用状況
競合との差が分からない	比較ページ閲覧、商談質問、選択式回答
特定機能を求めている	機能利用率、属性別回答、追加調査

アンケートだけでは顧客ニーズを判断しにくい理由については、アンケートだけでは顧客ニーズが見えない理由｜意識データと行動データを組み合わせる方法もあわせて確認してください。

BtoBアンケートでは「回答者の立場」を分けて見る

BtoBの自由回答分析では、回答内容だけでなく誰が回答したかも重要です。

同じ商品でも、

• 実際に利用する現場担当者
• 導入を推進する担当者
• 部門責任者
• 経営・決裁者
• 情報システム・法務などの確認担当

では評価軸が異なる可能性があります。

例えば現場担当者の自由回答では「操作性」、責任者では「運用負荷」、決裁者では「投資対効果」が多いかもしれません。

すべてを一緒に要約して「顧客は〇〇を求めている」と結論づけると、重要な違いが消えてしまいます。

回答者属性が取得できる場合は、分類後にセグメント別で比較してください。

少数意見・反対意見をAIに消させない

自由回答分析では、多数派の傾向だけを見ると重要な発見を逃すことがあります。

例えば100件中数件しかない意見でも、

• 重要顧客からの意見
• 解約につながった問題
• 法務・セキュリティ上の重大な問題
• 今後の新しい利用シーン
• 新しい顧客セグメントの兆候

であれば、単純な件数以上に重要な可能性があります。

AIへの指示には、

• 少数意見
• 多数派と反対の意見
• 例外
• 分類しにくい意見
• 既存仮説を否定する意見

を削除せず別枠で出すよう指定しておくとよいでしょう。

AIによる自由記述分析でよくある失敗

自由回答を一括投入して「要約してください」で終わる

全体要約だけでは、どの声が多いのか、誰が言っているのか、何を改善すべきなのかまで分かりません。

分類→集計→要約→仮説という順番に分けます。

AIが作ったカテゴリをそのまま採用する

AIは文章を整理できますが、自社の事業判断に使いやすいカテゴリを自動的に理解しているとは限りません。

分類結果を施策へつなげられるか、人が確認します。

頻出カテゴリだけを重要と判断する

件数が多いから最重要とは限りません。顧客層、深刻度、受注・解約への影響、自社で改善可能かなども確認します。

AIの仮説を「顧客の本音」と表現する

回答文から考えられる心理はあくまで仮説です。元回答から確認できる事実と分けます。

原文を残さない

要約だけになると、後から分析結果を検証できません。回答IDと原文は保持します。

分類後の件数までAI任せにする

分類結果を表形式へ戻し、正確な件数や割合は表計算・BIなどで集計する方が再現性を持たせやすくなります。

自由回答から施策へどうつなげるか

分析の最終目的は、自由回答をきれいに分類することではありません。

分析結果を、具体的な改善へつなげます。

見つかった自由回答の傾向	施策候補
サービス内容を理解しにくい	サービスページ、LP、営業資料を改善
同じ質問が繰り返される	FAQ・解説記事・ウェビナー企画へ反映
導入前の不安が共通している	事例、比較表、導入手順を追加
競合との違いが分からない	比較コンテンツ・営業トークを整理
特定テーマへの関心が高い	広告訴求・記事・セミナーテーマを検証
特定顧客層だけ異なる課題を持つ	セグメント別訴求・営業シナリオを検討

顧客の声からさらに「なぜその行動を取るのか」を整理したい場合は、顧客インサイトとは？データから「売れる理由」を見つける方法も参考になります。

自由回答分析の実務チェックリスト

チェック項目	何を確認するか	不足している場合
分析目的が決まっている	分析後に何を判断するのか	商品改善・LP・FAQなど目的を決める
回答IDがある	原文へ戻れるか	ID列を追加する
原文を保存している	要約だけになっていないか	原文列と分析列を分ける
不要な個人情報を確認した	AIへ入力する必要があるか	削除・マスクを検討する
カテゴリ定義がある	人によって判断が変わらないか	含む・含まない基準を作る
複数タグを許容している	1回答に複数論点がないか	主・副カテゴリを用意する
人が分類結果を確認した	AI任せになっていないか	主要・例外回答をレビューする
少数意見を残している	多数派だけに要約していないか	例外・反証を別枠で残す
件数を別途集計している	AIによる要約だけになっていないか	表計算・BIで集計する
属性別に比較している	回答者の違いを確認したか	業種・役職・満足度等でクロスする
事実と仮説を分けている	AIの推測を事実にしていないか	事実・解釈・仮説列を分ける
追加検証を決めた	分析レポートで終わっていないか	行動データ・追加調査・施策テストへ進む

まずは1設問から小さく始める

自由回答のAI分析を始める際、最初からすべてのアンケートを統合する必要はありません。

例えば、

「サービスを導入しなかった理由を教えてください」

という一つの自由回答設問だけを対象に、

1. 回答を整理する
2. カテゴリを作る
3. AIで分類する
4. 人が確認する
5. 件数を集計する
6. 仮説を作る
7. 失注データと照合する

ところまで実施します。

そこで分類ルールやレビュー方法を改善し、別の設問へ展開した方が運用を標準化しやすくなります。

AIを使うこと自体を目的にせず、「自由回答を施策判断に使えるデータへ変える」という目的から逆算することが重要です。

まとめ｜自由回答はAIで「要約」するより「構造化」する

アンケートの自由回答にAIを活用するメリットは、大量の文章を短くまとめられることだけではありません。

重要なのは、バラバラな自由記述を、

1. 分析目的を決める
2. 回答IDと属性を整理する
3. 分類基準を作る
4. AIで仮分類する
5. 人が原文と照合する
6. カテゴリ別に集計・要約する
7. 課題・ニーズを仮説化する
8. 定量・行動データで検証する

という流れで、意思決定できる状態へ変えることです。

「自由回答は集まっているが読む時間がない」「AIに要約させても具体的な改善点が見えない」という場合は、AIツールそのものではなく、分類・検証プロセスから見直してみてください。

インティメート・マージャーの一次情報でも、顧客の声や定性情報から仮説を作り、定量的な傾向と照合しながら「誰に・いつ・何を」伝えるかへ落とし込むことを重視しています。

自由回答分析は、顧客理解の終点ではありません。次の質問、商品改善、コンテンツ、営業施策を決めるための入口として活用することが重要です。