自由回答をAIで分析する方法｜アンケートから顧客インサイトを抽出する5ステップ

「アンケートの自由回答は集まっているが、読むだけで時間がかかる」「AIに要約させてみたものの、『価格への不満が多い』といった当たり前の結果で終わってしまう」。

自由回答は、選択式アンケートでは拾いにくい理由・迷い・不満を確認できる一方、そのままでは集計しにくく、担当者によって解釈も変わりやすいデータです。

自由回答をAIで分析するときは、回答をまとめて「要約してください」と依頼するのではなく、①分析目的とデータを整える、②分類基準を作って構造化する、③要約・感情・理由を整理する、④定量データと統合して仮説を作る、⑤施策で検証する、という工程に分けることが重要です。

AIは大量の文章から意味の近い回答を分類したり、共通点・相違点を整理したりする作業を支援できます。しかし、AIが推測した理由をそのまま「顧客の本音」と判断することはできません。

インティメート・マージャーが蓄積してきた顧客理解・商品開発に関する一次情報でも、定性データだけを答えとせず、顧客課題を仮説化し、定量データや行動データと組み合わせて「誰に・いつ・何を」届けるかへ落とし込む考え方が重視されています。

この記事では、アンケートの自由回答をAIで分類・要約し、感情や理由を整理しながら、顧客インサイトの仮説までつなげる方法を、具体的な分析例とともに解説します。

自由回答分析とは？なぜAIを使うのか

自由回答分析とは、回答者が自分の言葉で記載した文章から、共通する課題、評価、理由、感情、少数意見などを整理する作業です。

例えばアンケートでは、次のような設問があります。

• 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点を教えてください
• 改善してほしい点を自由に記入してください
• 今回購入しなかった理由を教えてください
• 他社と比較した際に重視した点を教えてください

選択式回答なら集計できますが、自由回答は同じ内容でも表現が異なります。

例えば「価格」に関する回答でも、

• 金額そのものが高い
• 予算が確保できない
• 成果との比較で費用に納得できない
• 価格は高いがサポートがあれば納得できる

では意味が違います。

そこでAIを使い、単語単位ではなく文章の意味を踏まえて分類・整理します。

自由回答をAIで分析するメリットは「要約」だけではない

AIを使うメリットは文章を短くすることではなく、バラバラな自由回答を比較・集計・検証できる構造へ変えやすいことです。

分析工程	AIで支援しやすいこと	人が判断すること
データ整理	表記揺れ、文章形式の整理	原文の意味が変わっていないか
分類	意味の近い回答をカテゴリ化	分類軸が事業判断に使えるか
要約	共通点・違い・例外を整理	重要な少数意見が消えていないか
感情分析	肯定・否定・不安・期待などの候補整理	何に対する感情か、原文で確認する
理由分析	発言から確認できる理由を整理	発言とAIの推測を区別する
仮説作成	複数の解釈候補を出す	どの仮説を検証するか決める
施策案	改善方法や追加調査案を広げる	優先順位と実行可否を決める

特に自由回答が多い場合、人が全件を一から分類するより、AIで仮分類してから人が重要回答・例外・分類ミスを確認することで、分析作業を整理しやすくなります。

一方で、AIが出したカテゴリや要約が、そのまま正しい顧客理解になるわけではありません。

自由回答をAIで分析する5ステップ

STEP1｜分析目的と元データを整える

最初に決めるのはAIへのプロンプトではなく、「分析後に何を判断したいのか」です。

例えば目的を、

• 購入しなかった理由を整理する
• 商品改善の優先順位を決める
• 導入前の不安をFAQへ反映する
• 広告・LPで訴求すべき価値を探す
• ウェビナー参加者が次に知りたいテーマを把握する

のように具体化します。

次に、AIへ渡すデータを整理します。

項目	役割
回答ID	分析結果から原文へ戻れるようにする
自由回答原文	分析の基準となる一次データ
回答者属性	業種・役職・顧客層などの差を見る
選択式回答	満足度・購入意向などとクロスする
回答日時	期間や施策前後の違いを見る

原文は上書きせず、AIが作成した分類・要約・仮説を別の列へ追加することが重要です。

また、氏名、メールアドレス、勤務先、具体的な相談情報など、分析に必要のない個人情報・機密情報は削除・マスクできないか確認します。利用するAI環境の契約条件や社内ルールも確認してください。

STEP2｜分類基準を作り、AIで自由回答を構造化する

自由回答をいきなりAIへ渡して自由分類させるのではなく、最初に少量の回答を読み、分析目的に合う分類基準を作ります。

例えば「導入を見送った理由」であれば、

• 価格・予算
• 費用対効果
• 機能
• 運用負荷
• 社内体制
• 決裁・承認
• 導入タイミング
• 他サービスとの比較
• 必要性
• 説明不足

などが候補になります。

ただし、「価格」というカテゴリ名だけでは判断がぶれます。

カテゴリ	含める回答	含めない回答
価格・予算	金額そのものが高い、予算を確保できない	成果との比較で価格に納得できない
費用対効果	投資に対して効果を説明できない	単純な予算不足
運用負荷	導入後の作業・管理工数が懸念	決裁者から承認を得られない
決裁・承認	上長・社内関係者へ説明できない	担当者不足そのもの

AIへの出力項目は、少なくとも、回答ID、主カテゴリ、副カテゴリ、分類根拠、判断困難フラグ、新カテゴリ候補を含めると確認しやすくなります。

STEP3｜要約・感情・理由を整理し、人が原文を確認する

分類後は「何について話しているか」だけでなく、「どう感じているか」「本人がどんな理由を述べているか」を分けて整理します。

例えば、次のように分けます。

項目	確認すること
テーマ	価格、機能、運用、決裁など何について話しているか
感情	満足、不満、不安、迷い、期待など
明示理由	回答者本人が「理由」として述べていること
条件	どのような条件なら評価が変わるか
例外	多数派とは異なる意見
解釈候補	回答から考えられるが、まだ確認されていない背景

ここで重要なのは、感情分析を「ポジティブ・ネガティブ」の二択で終わらせないことです。

「価格は高いが、サポートまで含めれば納得できる」という回答なら、価格への評価は否定的でも、サービス全体への評価は肯定的です。

文章全体を「ネガティブ」と分類すると、意思決定に必要な条件を失ってしまいます。

実践例｜6件の自由回答をAIで分析するとどう見える？

ここでは分析方法を具体的に示すため、架空の自由回答を使って分析例を紹介します。以下は実際の顧客データやセミナー参加者の回答ではありません。

設問を「サービス導入を見送った、または迷った理由を教えてください」とします。

ID	自由回答
A001	料金も気になりましたが、それ以上に社内で効果を説明する材料がなく、承認を取れませんでした。
A002	機能は十分だと思いましたが、導入後に運用できる担当者を確保できるか不安でした。
A003	現在使っている方法でも大きな問題がなく、今すぐ切り替える必要性を感じませんでした。
A004	説明を聞いても、実際に自社の業務でどう使うのかイメージできませんでした。
A005	他の選択肢との違いが分からず、どちらを選ぶべきか決めきれませんでした。
A006	価格だけを見ると高く感じましたが、導入後のサポート内容まで含めるなら検討できそうです。

AIで構造化した分析例

ID	主カテゴリ	副カテゴリ	感情・状態	回答から直接確認できる理由
A001	決裁・承認	費用対効果	不安・見送り	効果を説明する材料がなく、社内承認を取れない
A002	運用体制	導入負荷	不安	運用担当者を確保できるか分からない
A003	必要性	既存手段	現状維持	現在の方法に大きな問題を感じていない
A004	利用イメージ	説明不足	迷い	自社業務への適用方法を想像できない
A005	比較	差別化	迷い	他の選択肢との違いを判断できない
A006	価格	サポート	条件付き肯定	価格は高いがサポートを含めれば検討できる

この例で重要なのは、A001とA006の両方に「料金・価格」が含まれていることです。

単純なキーワード集計なら、2件とも「価格が問題」とまとめる可能性があります。

しかし原文を見ると、A001の主な障壁は社内承認で、A006はサポートによって価格評価が変わる条件付きの回答です。

AIを使う価値の一つは、同じ単語を含む回答でも意味・文脈の違いを整理しやすい点にあります。

「感情」から「理由」へ一段深掘りする

さらに、AIへ「感情を分類してください」とだけ指示せず、次の項目に分けます。

ID	表面的な感情	感情の対象	条件・葛藤	インサイト仮説候補
A001	不安	社内承認	自分では良さを理解していても、他者へ効果を説明しにくい	担当者自身への説明より、社内で共有・説明できる判断材料が不足している可能性
A002	不安	導入後の運用	価値よりも継続運用できるかが障壁	機能価値より「自社で無理なく使い続けられる確信」が必要な可能性
A004	迷い	自社への適用	機能説明は理解できても利用場面へ変換できない	機能情報より、自社に近い利用シーンや具体例を求めている可能性
A006	条件付き肯定	価格	支払額だけでなく支援内容との組み合わせで判断している	価格の安さより、導入後の失敗リスクを下げる支援を価値として見ている可能性

「インサイト仮説候補」の列は顧客が実際に発言した事実ではありません。

例えばA001から「すべての顧客は決裁資料を求めている」とは言えません。

あくまで追加データで確かめる仮説として扱います。

AIへ依頼するときの分析指示例

例えば次のように役割を分けて指示します。

AIの出力フォーマットを先に決めておくと、後から複数回答を比較しやすくなります。

STEP4｜選択式・属性・行動データと統合する

自由回答から作った仮説は、定量データと組み合わせて「どの顧客に、どの程度見られる傾向なのか」を確認します。

自由回答だけでは、強く意見を持つ回答者の声が目立ったり、一人の回答を市場全体の傾向と誤解したりする可能性があります。

自由回答から見えたテーマ	追加で確認するデータ	確認したいこと
社内承認が難しい	役職、商談進捗、失注理由	どの役職・段階で障壁になりやすいか
運用負荷が不安	企業規模、担当人数、導入後利用状況	体制によって評価が変わるか
利用イメージが分からない	事例閲覧、FAQ閲覧、サービスページ行動	具体例を見た顧客は次行動へ進むか
他社との差が分からない	比較ページ閲覧、失注先、営業質問	どの比較軸が不足しているか
価格が高い	購入意向、失注理由、属性	価格そのものが主因なのか

インティメート・マージャーの顧客理解に関する一次情報でも、属性や行動だけではなく、顧客の心理・思考まで見ないと「なぜ買わなかったのか」を十分に理解できないという現場課題が語られています。

一方で、心理・自由回答だけでも市場全体は判断できません。

定性で「なぜ」を考え、定量で「誰に・どの程度」を確認するという往復が重要です。

定性・定量データの使い分けを詳しく確認したい場合は、定性データと定量データの違いとは？商品開発での組み合わせ方も参考になります。

STEP5｜インサイト仮説を施策で検証する

自由回答分析のゴールは、きれいな分類表を作ることではなく、次に試す施策を決めることです。

分析で見えた仮説	施策候補	確認する変化
社内説明の材料が不足している	比較表、導入判断資料、決裁者向けFAQを追加	資料閲覧後の商談進行・問い合わせ
運用負荷への不安が強い	導入手順、必要体制、運用例を追加	関連ページ閲覧後の行動
利用場面が想像できない	業種・課題別の利用例を追加	事例閲覧・CTAクリック
比較軸が分からない	比較表、選び方記事、営業資料を改善	比較後の次行動

施策結果が仮説と一致しなければ、「最初の解釈が違っていたのではないか」と元の自由回答まで戻って見直します。

顧客インサイトの考え方そのものについては、顧客インサイトとは？データから「売れる理由」を見つける方法でも詳しく解説しています。

BtoBの自由回答分析では「誰が回答したか」を消さない

BtoBでは、回答内容を全員まとめて分析すると、立場ごとの重要な違いが消える場合があります。

例えば、

• 実際に使用する現場担当者
• 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者

では、同じ商品でも気にするポイントが違う可能性があります。

現場担当者は操作性、責任者は運用負荷、決裁者は投資判断について多く記述しているかもしれません。

そのため分析時には、回答者属性を削除せず、分類後に役職・業種・企業規模・検討状況などでクロス集計できる状態にします。

少数意見・反対意見はなぜ残すべき？

自由回答では、件数が少ない意見が重要でないとは限りません。

例えば少数でも、

• 重要顧客が離脱した理由
• 重大な運用上の障壁
• 新しい利用シーン
• 新規顧客層の兆候
• 既存仮説を否定する回答

であれば、優先して確認する価値があります。

AIへの要約指示には「多数派だけでなく、反対意見・例外・分類困難な回答を別枠で残す」と明示しておきます。

AIで自由回答を分析するときの注意点

最大の注意点は、AIによる整理結果を「顧客が実際に言ったこと」と混同しないことです。

よくある失敗	問題	見直し方
全回答を入れて「要約して」で終わる	誰が何を言ったか追えなくなる	IDを保持して分類→集計→要約する
AIが作ったカテゴリをそのまま採用	事業判断に使えない分類になる	人がカテゴリ定義を確認する
感情をポジティブ・ネガティブだけで分類	何への感情か分からない	対象・理由・条件まで分ける
AIの推測を顧客心理として扱う	存在しない本音を作る可能性がある	事実・解釈・仮説を別管理する
頻出意見だけを見る	重要な少数意見を失う	例外・反証を別枠で確認する
件数計算までAI任せ	集計の再現性を確認しにくい	表計算・BI等で集計する
自由回答だけで市場判断する	一部回答者の声を一般化する可能性がある	定量・行動データと照合する

セミナーで見えてきた示唆｜AIは「顧客理解の答え」ではなく整理・仮説化に使う

インティメート・マージャーが整理してきたAI×定性・定量データの商品開発では、AIは情報の整理、要約、分類、比較、仮説案の作成を支援し、最終的な市場判断は定量データや検証結果と組み合わせて行う考え方を採っています。

商品開発では、自由回答やインタビューなどの定性情報から、顧客の悩み、感情、購買理由、買わない理由を整理できます。

しかし、「この声があるから市場ニーズがある」とは限りません。

そこで、

1. 自由回答・インタビューから課題や理由の候補を整理する
2. AIで分類・比較し、仮説候補を作る
3. 市場規模、検索傾向、顧客属性、行動・購買データで広がりを確認する
4. 「誰に、どんな価値を、なぜ提供するのか」を仮説化する
5. 商品・訴求・市場検証へ反映する

という流れで考えます。

自由回答のAI分析は、顧客理解の終点ではなく、定量検証へ進むための入口と考えると、分析結果を商品・マーケティング施策へつなげやすくなります。

自由回答AI分析の実務チェックリスト

• □ 分析後に何を判断するか決めているか
  目的が曖昧なら、商品改善、失注理由、FAQ、訴求など判断対象を一つ決めます。
• □ 回答IDと原文を保存しているか
  要約だけ残している場合は、原文へ戻れる列を作ります。
• □ 不要な個人情報・機密情報を確認したか
  分析に不要ならAIへ入力する前に削除・マスクを検討します。
• □ 分類カテゴリに定義があるか
  「価格」など名称だけなら、含む・含まない回答を明文化します。
• □ 1回答に複数論点を許容しているか
  単一分類で意味が失われる場合は主・副カテゴリを用意します。
• □ 感情の対象と理由を確認しているか
  ポジティブ・ネガティブだけなら、何に対する感情かを追加します。
• □ AIの分類結果を人が確認しているか
  主要カテゴリ、少数意見、判断困難、新カテゴリを原文と照合します。
• □ 事実・解釈・仮説を分けているか
  AIが推測した内容は「仮説」として管理します。
• □ 定量データと照合しているか
  属性、選択式回答、行動、購買・失注データと比較します。
• □ 分析結果から次の施策・検証を決めているか
  レポートで終わっている場合は、商品・LP・FAQ・営業施策へ1つ反映します。

まとめ｜自由回答はAIで「要約」するより「検証できる形へ構造化する」

アンケートの自由回答をAIで分析するとき、最も避けたいのは、大量の回答をまとめて入力し、「顧客インサイトを教えて」と依頼して終わることです。

実務では、

1. 分析目的と元データを整える
2. 分類基準を作り、AIで構造化する
3. 要約・感情・理由を整理し、人が確認する
4. 定量・行動データと統合してインサイト仮説を作る
5. 商品・コンテンツ・営業施策で検証する

という順番に分けます。

AIの役割は「顧客の本音を決めること」ではなく、人が自由回答の違い・共通点・例外へ気づき、元データへ戻りながら仮説を作れる状態を整えることです。

まずは一つの自由回答設問を選び、20種類のカテゴリを作ることより、「この分析結果で何を判断したいか」を一つ決めるところから始めてみてください。

自由回答をAIで分析する方法に関するFAQ