アンケートのクロス集計・分析方法完全ガイド｜単純集計との違い・表の読み方・サンプル数の注意点とレポート作成手順

アンケートを回収したあと、「設問ごとに円グラフや棒グラフを並べて眺めたものの、『結局、次に何をすればいいのか』の結論が出せなかった」という経験はないでしょうか。

その最大の原因は、回答者全員をひとまとめにした「単純集計（グランドトータル集計）」だけで分析を終わらせてしまっていることにあります。全体の平均値では「満足 50%・不満 50%」に見えても、企業規模や利用頻度で分けて集計（クロス集計）すると、「月1回利用層は80%が不満だが、週3回利用層は85%が満足している」といった決定的な違いが浮かび上がります。本記事では、実務でそのまま使えるクロス集計の基本構造・表の読み方・サンプル数の注意点から、意思決定を動かすレポートのまとめ方までを具体的に解説します。

1. 単純集計（GT集計）とクロス集計の違いとは？

アンケート集計の基本は「単純集計」と「クロス集計」の2段階で行います。それぞれの役割と違いを整理しましょう（調査企画から回収までの全体フローはアンケートの取り方・作り方｜目的・対象・配布・回収・分析までの実務手順を参照）。

集計手法	集計の方法	分かること（強み）	分からないこと（限界）
単純集計 （GT：Grand Total）	設問ごとに、回答者全体の件数と割合（%）を算出する	市場や対象者全体の大きな傾向・ボリュームゾーンを把握できる	「誰が」そう答えたのか、属性や利用状況による違いが平均化されて消えてしまう
クロス集計 （Cross Tabulation）	2つ以上の設問（例：属性×満足度、利用期間×解約理由）を掛け合わせて集計する	特定のセグメント特有の課題・ニーズ・行動変化の差（ギャップ）を特定できる	細かく分けすぎると1マスあたりの回答数（n数）が減り、数値の信頼性が下がる

例えば、BtoBクラウドサービスの解約アンケートで「全体では『使いこなせなかった』が35%」と出ても、それだけでは対策が打てません。しかし「従業員規模別」にクロス集計を行い、「従業員50名以下の企業では『初期設定でつまずいた』が62%を占める一方、300名以上の企業では『社内権限管理の不足』が54%を占める」と分かれば、それぞれのターゲットに向けた具体的な改善策が即座に決まります（実際のBtoB解約要因データはBtoB SaaSの解約要因・改善ニーズ調査レポートを参照）。

2. クロス集計表の正しい作り方：「表側（行）」と「表頭（列）」のルール

クロス集計表を作成する際、初心者が最も迷うのが「どちらの設問を縦（行）に置き、どちらを横（列）に置くか」そして「縦と横のどちらを100%として割合（%）を計算するか」です。実務では以下のルールに統一すると、誰でも一目で読み取れる表になります。

• 表側（ひょうそく＝縦の行）：「原因・前提条件・属性」を置く
  年代、性別、役職、企業規模、利用頻度、契約プランなど、「比較したいグループ（分母）」を行に並べます。
• 表頭（ひょうとう＝横の列）：「結果・意識・行動」を置く
  満足度や推奨意向（NPS・顧客満足度調査の設計手順参照）、購入意向、重視する機能、不満の理由など、「違いを見たい設問の選択肢」を列に並べます。
• 割合（%）の計算：「表側（行）の合計＝100%（ヨコ%）」で計算する
  各グループの回答者数（n）を分母とし、横方向に見てどの選択肢が何%選ばれたかを比較します。

このように一番上の行に「全体（GT）」を置き、その下に比較したい各セグメントを並べます。そして、全体（GT）の割合と比較して「10ポイント以上の差（または統計的に有意な差）」が出ている箇所（上記の青字・赤字）に着目することで、「週3回以上の利用習慣がつくかどうかが継続率の分水嶺である」という明確なインサイトが得られます。

3. クロス集計でやりがちな3つの失敗とサンプル数の基準

クロス集計を行う際は、データの誤読を防ぐために以下の3点を必ず点検してください。

1. 分母（n数）が極端に少ないセルで割合（%）を語ってしまう：
   例えば「60代女性（n=4）」のうち3人が「買いたい」と答えたとき、「60代女性の購入意向は75%！」と結論づけるのは危険です。実務上、クロス集計で比較する各行の分母（n）は最低でもn=30以上（より安定した比較にはn=50〜100以上）を確保するのが基準です。n=30未満になる場合は、年代区分を「20〜30代」「40〜50代」のように統合（リコード）して分母を確保するか、配信前にスクリーニング調査と割付設計を行って各セルの回収数を揃え、参考値には実数（人）を併記します（必要サンプル数の逆算方法はアンケート調査のやり方と費用相場ガイドを参照）。
2. 複数回答（MA）の合計が100%を超えることを説明し忘れる：
   「当てはまるものをすべて選んでください」という複数回答（Multiple Answer）を表頭に置いた場合、1人が複数選ぶためヨコ合計は100%を超えます。レポートには必ず「複数回答（分母＝各行の回答者数）」と明記します（詳細はアンケートの選択肢の作り方｜単一・複数回答の使い分けおよび歓送迎会・外食実態調査の条件分岐レポートを参照）。
3. 「相関関係」を「因果関係」と早合点する：
   クロス集計で「スマホ回答者の方が満足度が低い」という差が出たとしても、「スマホ派は辛口だから」なのか「自社のスマホ画面のUIが崩れていて操作しづらいから」なのかは、数値だけでは断定できません。

4. クロス集計で発見した「数値の差」から「なぜ（Why）」を深掘りする手順

クロス集計はあくまで「どこに差があるか（Where / Who）」を特定する地図であり、「なぜその差が生まれたのか（Why）」の答えそのものではありません。数値の差を見つけたら、次の3ステップで定性的な理由を確認します（定性・定量の組み合わせ方は定性調査と定量調査の違い・ハイブリッド手順を参照）。

1. 該当セグメントの自由記述（ローデータ）を抽出して読む：
   例えば「月1〜2回利用層で解約検討が43.3%」と出たら、その該当者（n=26）が自由記述欄に何と書いているかを一覧で抜き出します。
2. 該当セグメントの対象者に1対1の深掘りインタビューを行う：
   数値の差が事業の重要意思決定（料金改定や大型機能改修など）に関わる場合は、該当セグメントの実顧客3〜5名に1対1でヒアリングし、具体的な行動文脈を確認します（質問の組み立て方は1対1ヒアリングの深掘り質問を参照）。
3. 本調査前の仮説設計・深掘りシミュレーションにAIペルソナを活用する：
   そもそもアンケートを配信する前に「どの属性軸でクロス集計すべきか（どんな属性で意見が割れそうか）」の仮説がないと、必要な属性設問を入れ忘れてしまいます。Persona AIを使えば、30〜300名の多様な属性（年代・年収・役職・企業規模等）を持つAIペルソナに対して選択式アンケートと理由ヒアリングを約2〜5分で同時実行できるため、「どの属性間で回答が割れやすいか」の事前シミュレーションと、各選択肢を選んだ背景理由の整理が一気に行えます（公的統計との属性別比較実例は日銀世論調査対比：300世帯の資産形成調査レポートや国土交通省調査対比：テレワーク実態調査レポートを参照）。

なお、AIペルソナの回答は実在する顧客の統計母集団そのものではないため、AIペルソナ活用の社内ガイドラインに沿って「本調査の集計軸設計・仮説探索データ」として活用し、重要な意思決定は実顧客データと組み合わせて判断してください。

よくある質問（FAQ）