VOC分析にAIを使う方法｜顧客の声から課題・ニーズを抽出する手順

「アンケートの自由回答は集まっている。営業やカスタマーサポートにも顧客の声は蓄積している。それでも、結局何を改善すればよいのか分からない」。VOC分析では、このような状態になりやすいのではないでしょうか。

生成AIを使えば、大量の顧客コメントを要約・分類する作業は進めやすくなります。一方で、AIにデータを渡して「顧客の本音を教えて」と聞くだけでは、もっともらしい分析結果が出るだけで、実際の顧客課題や市場ニーズと一致しているとは限りません。

VOC分析にAIを使うときのポイントは、AIに顧客心理を決めてもらうことではなく、散らばった顧客の声を「事実」「課題」「期待」「障壁」「仮説」に整理し、人が検証できる状態へ変えることです。

インティメート・マージャーがAI×データ活用をテーマに扱ってきたセミナー・記事でも、定性データは顧客の悩みや背景を理解する材料、定量・行動データはその仮説の規模や傾向を確認する材料として、両方を組み合わせる考え方を重視してきました。

本記事では、アンケート自由回答、問い合わせ、商談メモ、インタビュー、口コミ・レビューなどをAIで分析し、課題・ニーズ仮説から商品改善、コンテンツ、LP、FAQ、営業活動へつなげる手順を解説します。

VOC分析とは？AIを使うと何が変わるのか

VOCはVoice of Customerの略で、商品やサービスに対する顧客の意見、要望、不満、期待、疑問などの「顧客の声」を指します。

代表的な情報源には、アンケート自由回答、顧客インタビュー、問い合わせ、商談記録、失注理由、口コミ・レビューなどがあります。

従来のVOC分析では、人が一件ずつ読み、似た意見を分類し、件数を集計する工程に大きな負荷がかかりやすいという課題があります。

AIを活用すると、こうした大量のテキストについて、次の作業を支援できます。

• 内容の要約
• テーマ分類
• 似た意見のグルーピング
• 不満・期待・導入障壁などの整理
• 顧客セグメント間の違いの整理
• 少数だが重要な意見の候補抽出
• 課題・ニーズ仮説の作成
• 次に確認すべき質問の作成

ただし、AIの出力がそのまま「顧客の本音」になるわけではありません。

AIはVOCからパターンや仮説を見つける補助役であり、その仮説が妥当かを判断するのは人間です。

VOC分析で使える顧客の声を整理する

最初に重要なのは、AIツールを選ぶことではなく「どのVOCを何の判断に使うのか」を整理することです。

VOCの種類	把握しやすいこと	AIで支援できること	注意点
アンケート自由回答	不満、要望、選択理由、期待	テーマ分類、回答理由の整理	設問によって得られる回答が左右される
顧客インタビュー	背景、文脈、利用場面、判断理由	発言整理、課題候補、追加質問作成	少人数の意見を市場全体へ一般化しない
問い合わせ・サポートログ	困りごと、分かりにくさ、利用上の障壁	問い合わせ分類、頻出課題整理	問題が起きた顧客に偏りやすい
営業・商談メモ	比較条件、導入不安、決裁条件、失注理由	障壁、比較軸、役職別の違い整理	営業担当者による記録粒度の差がある
口コミ・レビュー	利用後の評価、不満、満足、期待との差	評価ポイント、利用シーン、改善候補の分類	投稿者の声だけで市場全体を判断しない

特にBtoBでは、一人の声だけで「顧客ニーズ」と判断しないことが重要です。

サービスを実際に使う担当者、情報収集する担当者、部門責任者、決裁者では、気にするポイントが異なる場合があります。

そのためVOCには、可能な範囲で「誰の声なのか」「どの検討段階なのか」という情報も付けておくと分析しやすくなります。

VOC分析にAIを使う7つの手順

ステップ	実施内容	AIの役割	人が判断すること
1	分析目的を決める	論点整理を補助する	何の意思決定に使うか
2	VOCを収集・整形する	フォーマット統一を支援する	対象範囲・利用可否
3	VOCを分類する	大量テキストをテーマ別に整理する	分類軸が妥当か
4	課題・ニーズ候補を抽出する	共通点・相違点・仮説を整理する	原文から言える事実か
5	原文へ戻って確認する	根拠となる発言を紐付ける	文脈や意味を誤読していないか
6	定量・行動データで検証する	データの比較・要約を支援する	仮説を採用するか
7	施策へ落とし込む	施策案を複数作る	優先順位と実行判断

手順1｜最初に「何を決めるためのVOC分析か」を明確にする

AIへVOCを投入する前に、分析目的を決めます。

例えば、次のように目的を具体化します。

• 新商品の課題仮説を見つけたい
• 既存サービスで不満が発生している理由を知りたい
• 商談でよく出る導入障壁を整理したい
• LPで説明すべきポイントを見つけたい
• FAQへ追加すべき質問を見つけたい
• 顧客セグメント別に訴求を変える材料が欲しい

「顧客の本音を知りたい」のような広い目的では、AIの結果も抽象的になりやすくなります。

VOC分析は分析すること自体を目的にせず、その後に何を変えるのかを先に決めることが重要です。

手順2｜VOCを収集し、AIへ渡せる形に整える

次に、分析対象となるVOCを一つの形式へ整理します。

最低限、次のような項目を用意すると分析しやすくなります。

項目	内容
VOC ID	原文へ戻るための識別番号
日付	いつ得られた声か
情報源	アンケート、商談、問い合わせ、口コミなど
顧客区分	新規・既存、業種、部門など分析に必要な区分
役割	利用者、担当者、責任者、決裁者など
検討段階	情報収集、比較、導入、利用中、解約など
原文	顧客が実際に発した内容

重要なのは、要約文だけを残さず、元の発言へ戻れる状態にすることです。

AIが「価格への不満」と分類しても、原文を見ると「価格そのもの」ではなく「社内で投資対効果を説明できない」ことが問題だった、と分かる場合があります。

個人情報・機密情報は分析前に確認する

問い合わせや商談メモには、氏名、メールアドレス、会社固有の情報、契約情報などが含まれる場合があります。

外部の生成AIサービスを利用する場合は、必要のない個人情報や機密情報をそのまま入力せず、利用目的、社内ルール、利用サービスのデータ取扱条件を確認してください。

分析目的に不要であれば、氏名や連絡先などを削除・置換し、「顧客A」「担当者B」のように扱う方法もあります。

手順3｜AIでVOCを分類する

データを整えたら、まずAIに結論を求めるのではなく、分類作業から始めます。

例えば次のような分類軸があります。

• 顧客が抱えている課題
• 期待している状態
• 不満
• 購入・導入理由
• 購入しない理由
• 比較ポイント
• 導入障壁
• 利用シーン
• 改善要望
• 質問・不明点

最初から分類項目を固定しすぎず、AIに「既存分類に入らない声」も抽出させると、新しい論点を見つけやすくなります。

手順4｜「顧客の声」と「AIの解釈」を分ける

VOC分析で最も重要な工程の一つです。

生成AIは、大量の顧客の声から「こう考えているのではないか」という説明を作れます。

しかし、それが実際の顧客心理であるとは限りません。

区分	例	扱い方
観測された事実	「価格が高い」という発言がある	VOCとして記録する
整理した課題	価格に関する懸念	分析カテゴリとして扱う
解釈	費用対効果が伝わっていない可能性	原文や他データを確認する
仮説	決裁者への説明材料が不足しているのではないか	追加調査・行動データで検証する

この4つを一つの「インサイト」にまとめてしまうと、AIが生成した推測がいつの間にか顧客の事実として扱われる危険があります。

AIが出した「それらしい心理」をそのまま顧客インサイトにせず、顧客インサイトの考え方については顧客インサイトとは？ニーズとの違いと見つけ方を具体例で解説もあわせて確認してください。

手順5｜原文へ戻り、AIの分類を人がレビューする

AIで分類・要約した後は、代表的なVOCや重要な判断に関わる声について原文を確認します。

特に次のケースは、人が確認した方がよいでしょう。

• 重要課題として上位に出てきた声
• 複数の意味に解釈できる声
• 皮肉・否定・婉曲表現を含む声
• 他の顧客と大きく異なる少数意見
• 商品・価格・契約変更の判断へつながる声
• AIが新しいニーズとして推測した声

VOC IDを付けておけば、「なぜこの課題と判断したのか」を後から確認できます。

AI分析をブラックボックス化しないためにも、分類結果と元データを往復できる状態を残します。

手順6｜定量データ・行動データで仮説を確かめる

VOC分析で頻出した意見が、そのまま市場全体で重要とは限りません。

インティメート・マージャーがAI×定性・定量データでの商品開発を整理してきた中でも、定性データは「なぜ」を理解するため、定量データは「どの程度あるのか」「どの層で強いのか」を確かめるために使うという考え方を重視しています。

例えば、「導入が難しい」というVOCが多かった場合、次のデータと組み合わせます。

VOCから生まれた仮説	追加で確認するデータ
導入方法が分かりにくい	FAQ閲覧、マニュアル閲覧、問い合わせ内容
社内承認が障壁	失注理由、役職別商談結果、営業ヒアリング
価格への懸念が大きい	価格ページ閲覧後の行動、商談結果、アンケート
特定業界だけ課題が強い	業界別反応、利用データ、商談・受注結果
特定機能への需要がある	利用状況、検索・閲覧、追加調査、テスト結果

「顧客はこう言っている」と「顧客は実際にこう行動している」が一致するとは限りません。

むしろ、発言と行動がずれている部分は、顧客理解を深める重要な手がかりになります。

AI・定性データ・定量データを組み合わせる全体像については、AI×定性・定量データで進める商品開発でも詳しく整理しています。

手順7｜VOCを「施策候補」まで変換する

VOC分析が失敗しやすいのは、「顧客はこう感じていました」というレポートを作って終わるケースです。

実務では、分析結果を次の施策へ変換します。

VOCから見えた課題	施策候補
サービス内容が理解されていない	LP、サービスページ、営業資料の説明改善
同じ質問が問い合わせで繰り返される	FAQ・記事・オンボーディング改善
競合との違いが分からない	比較ページ、比較表、営業トーク整理
費用対効果を説明できない	導入判断材料、事例、評価指標の追加
特定の悩みが繰り返し現れる	商品改善、広告訴求、セミナーテーマ化
導入後の特定場面で不満が発生する	顧客体験・サポートプロセスの改善

ここまで進めることで、VOCは「顧客の声を読む活動」から、商品・マーケティング・営業を改善する共通データへ変わります。

口コミをAI分析するときのポイント

関連キーワードの「口コミ AI分析」についても整理しておきます。

口コミやレビューは、実際の利用後に感じた満足、不満、期待との差、利用シーンなどを知る材料になります。

AIを使う場合は、例えば次の観点で分類できます。

• 評価されているポイント
• 不満が発生するポイント
• 購入前の期待
• 購入後に感じたギャップ
• 具体的な利用シーン
• 比較されているポイント
• 改善要望

ただし、口コミに投稿された声だけを「市場全体のニーズ」として扱うのは避けます。

口コミはVOCの一つとして使い、アンケート、問い合わせ、商談、購買・利用データなどと照合して判断します。

BtoBのVOC分析では「誰の声か」を分ける

BtoBでは、顧客企業の声を一つにまとめすぎないことが重要です。

例えば同じサービスでも、

• 実際に使う担当者
• 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・法務などの確認部門

では、評価軸が異なる場合があります。

「操作が簡単」というVOCは利用者にとって重要でも、決裁者は「投資対効果」、情報システム担当者は「運用条件」を重視しているかもしれません。

そのためAIへ分析させる際も、可能であれば役割や検討フェーズで分け、次のように比較します。

VOC分析の優先順位は「件数」だけで決めない

AIを使えばテーマごとの件数を数えることもできますが、頻度が高い課題が必ず最優先とは限りません。

優先順位を決める際は、例えば次の観点を組み合わせます。

判断軸	確認する内容
頻度	どの程度繰り返し出ているか
深刻度	利用停止・失注など大きな問題につながるか
顧客層	重要なターゲットで発生しているか
検討段階	認知・比較・導入・継続のどこで発生するか
事業影響	受注、継続、利用、問い合わせなどと関連するか
改善可能性	自社の施策によって変えられる問題か

例えば件数が少なくても、重要顧客の失注理由として繰り返し出ている課題であれば、優先して深掘りする価値があります。

AIを使ったVOC分析で失敗しやすいポイント

AIに「顧客の本音」を直接聞く

AIは元データから考えられる説明を作れますが、それが実際の顧客心理だと証明されたわけではありません。「本音」ではなく「検証すべき仮説」として扱います。

要約だけで原文を捨てる

要約すると、発言の背景、迷い、例外、微妙な表現が落ちる場合があります。重要判断では必ず原文へ戻れる設計にします。

頻出ワードをそのままニーズと判断する

「価格」という言葉が多いから値下げが必要とは限りません。費用対効果の説明、予算時期、社内承認など別の問題である可能性もあります。

口コミだけで市場全体を判断する

口コミは有用なVOCですが、それだけで顧客全体や市場規模を判断しません。定量データや他のVOCと組み合わせます。

顧客区分を混ぜて分析する

既存顧客、新規見込み顧客、失注企業、利用者、決裁者を一緒にすると、課題の背景が見えにくくなる場合があります。

AIの出力を施策へ直接反映する

AIが「この機能を追加すべき」と提案しても、それだけで商品変更を決めるべきではありません。実際のVOC、定量データ、顧客への追加調査、市場検証を経て判断します。

VOC分析にAIを使う際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	分析後に何を決めるのか	商品・マーケ・CXなど目的を1つ決める
複数のVOCを確認している	特定チャネルだけに偏っていないか	営業・問い合わせ・アンケート等を追加する
VOC IDを付けている	原文へ戻れるか	元データとの紐付けを残す
顧客属性・役割を分けている	誰の声なのか分かるか	分析に必要な範囲で区分する
個人情報等を確認している	AIへ入力してよいデータか	不要情報を削除・マスクし、社内ルールを確認する
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」の列を分ける
少数意見を残している	多数派だけを見ていないか	例外・反証を別項目で保存する
人が原文レビューしている	重要な分類を確認したか	代表VOC・重要VOCを確認する
定量データと照合している	市場性・重要度を検証したか	行動、購買、商談等と比較する
施策オーナーが決まっている	分析後に誰が何を変えるか	商品・営業・マーケ等へ担当を割り当てる
施策後に再確認している	VOCや行動が変化したか	同じ分類軸で再度分析する

VOC分析を「レポート」で終わらせず、顧客理解のサイクルにする

VOC分析で重要なのは、AIを導入したことでも、大量のコメントを短時間で要約したことでもありません。

実務では次の流れを繰り返します。

1. 顧客の声を集める
2. AIで整理・分類する
3. 課題・ニーズを仮説化する
4. 定量・行動データで確かめる
5. 商品・広告・LP・営業・CXを改善する
6. 改善後の顧客の声と行動を再確認する

インティメート・マージャーがこれまで扱ってきたAI×データ活用でも、AIを検索や要約だけで終わらせず、顧客理解、仮説づくり、市場分析、市場検証まで一連のプロセスへ組み込むことを重視しています。

VOCは「顧客が言ったこと」、AIは「そこから見えるパターンや仮説」、定量・行動データは「その仮説を確かめる材料」と役割を分けると、施策へつなげやすくなります。

定性データそのものの扱い方を詳しく確認したい場合は、定性データとは？商品開発で「売れる理由」「買わない理由」を見つける方法も参考にしてください。

まとめ｜AIはVOCを「答え」ではなく「検証できる仮説」に変えるために使う

VOC分析にAIを活用すると、大量の顧客の声を分類し、共通課題や違いを整理しやすくなります。

ただし、最も重要なのは分析量を増やすことではありません。

実務では、

1. 何を判断するために分析するか決める
2. VOCを収集・整形する
3. AIで分類する
4. 事実と仮説を分ける
5. 原文で確認する
6. 定量・行動データで検証する
7. 具体的な施策へ落とす

という順番で進めることが重要です。

「顧客の声は集まっているのに、商品やマーケティングに生かせない」という場合、VOCが足りないのではなく、声から仮説を作り、検証し、施策までつなぐ工程が分断されている可能性があります。

AIは、この間をつなぐ整理役として活用できます。