アンケート自由記述(フリーアンサー/FA)の定性分析とは、選択式設問(定量データ)だけでは見えない「回答者自身の言葉による判断理由・利用場面・想定外の不満」を体系的に分類・構造化し、具体的な改善施策へ変換する分析手法です。感想の拾い読みやAIへの丸投げ要約で終わらせず、アフターコーディング(定性データの数値化)やテキストマイニング、そして満足度・属性とのクロス集計を組み合わせることで、初めて意思決定を動かす根拠になります。
📌 この記事の結論(AIO・30秒要約)
- 件数規模別の手法選択: 50件未満の構造理解ならKJ法(親和図法)、50〜1,000件超を数値化してグラフ・比較に乗せるならアフターコーディング、数千件規模の全体傾向を俯瞰するならテキストマイニングを選ぶ。
- アフターコーディングの鉄則: 「価格」「操作性」といった名詞1語の粗いタグ付けは施策に繋がらない。必ず「業務・生活の場面 × 具体的な事象 × 感情の向き(ポジ/ネガ)」に分解して複数コード(MA)で付与する。
- 生成AI(LLM)要約の最大の罠: 自由記述を「要約して」と丸投げすると、最も重要なエッジケースの痛み(生の語彙)が「導入手続きの簡素化」のような無難な一般論へ平板化される。原文抜粋と回答ID単位の分類指示が必須。
- 意思決定への接続: 自由記述の件数ランキング単体で判断せず、満足度・NPSや顧客属性とクロス集計して「誰が・どの場面でつまずいているか」を特定する。
1. 定量分析と定性分析の違い|自由記述(フリーアンサー)を分析する目的と4大手法比較
アンケート調査における選択式設問(単一回答・複数回答・5段階評価など)は、母集団の中でどの意見が何%を占めるかという「What / How much(何が・どのくらい起きているか)」を測る定量分析を担います。一方、自由記述(フリーアンサー)は、数値の裏にある「Why / How(なぜそう感じたのか・どんな場面で起きたのか)」や、調査設計者が事前に予想していなかった選択肢の漏れ・顧客固有の語彙(生の言葉)を発見する定性分析を担います。[1][2]
※定量調査と定性調査全体の設計比較は定量調査と定性調査の違いとは?組み合わせ方・サンプル数目安、問い合わせログや商談記録を含む全社的な顧客の声の収集基盤づくりはVOC分析(顧客の声分析)の手順と収集チャネル比較をご参照ください。本記事では、回収したアンケート自由記述テキストをどう定性分析・集計するかの実務技術に特化して解説します。
自由記述の分析手法は、回収できた有効回答数と「最終的にどんなアウトプットが欲しいか」によって次の4つを使い分けます。
| 分析手法 | 適した回答件数 | 分析のアプローチと特徴 | 向いている調査目的・場面 | 主な注意点・限界 |
|---|---|---|---|---|
| ① KJ法・親和図法 (付箋グルーピング) |
〜50件程度 | 1回答(1論点)ずつカード化し、似た文脈をボトムアップで束ねて因果関係や構造図を描く | 新規事業の初期課題探索、少数アンケートの背景構造・ストーリーの可視化 | 100件を超えると一覧性が破綻しやすく、「全体の何%か」という定量比率は示せない |
| ② アフターコーディング (定性コーディング / FA集計) |
50〜1,000件以上 | 分類基準(コードブック)を作成し、各自由記述にコード番号を割り振って件数・%を集計する | 自由記述を棒グラフ化して報告したいとき、属性や満足度スコアとクロス集計したいとき | コード粒度が粗すぎると施策が打てず、複数人で分担する場合は判定基準の統一が不可欠 |
| ③ テキストマイニング (計量テキスト分析) |
300〜数万件以上 | 形態素解析で文章を単語に分解し、出現頻度・共起ネットワーク・係り受け・特徴語を統計算出する | 大量の自由記述の全体俯瞰、満足層/不満層に特異的なキーワードの客観的抽出 | 単語の切り出しだけでは皮肉・二重否定・背景文脈を誤読するため、必ず原文確認と併用する |
| ④ 生成AI(LLM)支援による 一次分類・フレーズ抽出 |
50〜数千件 | 人間が定義したコードブックに基づき、回答ごとの一次タグ付けと原文フレーズ抜粋を半自動化する | 少人数チームでのアフターコーディング工数削減、大規模データの初期カテゴリ仮出し | 「丸投げ要約」は具体性を消失させ、暗算での件数集計は誤差が出るため人間検証が必須 [3] |
なお、「KJ法」と「アフターコーディング」を混同しがちですが、KJ法は「まだ見ぬ構造や因果仮説を発掘するための図解手法」であり、アフターコーディングは「定性テキストを名義尺度データへ変換して定量集計・クロス集計に乗せるための計測手法」です。実務では、最初の50件をKJ法に近い感覚で分類してコードブックを設計し、全件へアフターコーディングを適用して件数・割合を算出する流れが王道です。
2. アフターコーディング(FA集計)のやり方5ステップと実務ルール
アフターコーディング(ポストコーディング)とは、自由記述欄や選択式設問の「その他(具体的に:__)」に書かれた文章を読み解き、後から分類コード(番号・ラベル)を付与して定量的に集計する作業です。Pew Research Centerなどの公的調査機関におけるオープンエンド回答のコーディング規約 [3] でも重視されている、実務でブレない5つのステップを整理します。
Step 1:ローデータのクリーニングと個人情報(PII)のマスキング
Excelやスプレッドシートに回答ID・属性列・自由記述列を並べます。まず空欄や「特になし」「なし」「特にありません」「わからない」「あいうえお」などの実質無回答・無効回答にフラグを立てて集計対象から分離します(不良回答の除外基準はアンケート調査の適当回答・不正データ対策を参照)。あわせて、記述内に回答者の氏名・社名・電話番号・メールアドレスなどが紛れ込んでいる場合は、分析やツール投入の前に必ず伏せ字(マスキング)へ置換します。[6]
Step 2:無作為サンプリング(10〜20%/50〜100件)の精読とコードブック作成
1行目から順番に思いつきでラベルを付けると、後半で分類軸が変わってやり直しになります。まず全回答から無作為に10〜20%(目安として50〜100件)を抽出して通し読みし、「大分類(5〜8項目) > 小分類(15〜30項目)」の2階層からなるコードブック(分類定義表)を作成します。各小分類には「どんな記述を含み、どんな記述は別コードにするか」の境界ルールと代表例文を1行明記します。
Step 3:1回答への複数コード付与(マルチアンサー方式)とポジ・ネガ分離
自由記述では「サポートの返信は早くて助かるが、管理画面のCSV出力が遅く、月額料金もやや高い」のように、1人の回答に複数の論点や逆向きの感情が含まれます。これを無理に1つのコードへ押し込めると情報が欠落するため、1回答に対して該当するすべての小分類コードを付与する複数回答(マルチアンサー:MA)方式でコーディングします。また、「価格が手頃(ポジティブ)」と「価格が高い(ネガティブ)」は必ず別コードに分離します。
Step 4:分母の明記と「その他」10〜15%以下ルールの点検
ピボットテーブルや COUNTIF 関数で各コードの件数と構成比を算出します。割合(%)を出す際は、「設問の対象者全員」を分母にしたのか、「有効な自由記述を書いた回答者数(n)」を分母にしたのかをグラフ注記に必ず明記します(MA集計の分母表記ルールはアンケート選択肢の作り方・MA集計ルールを参照)。どの小分類にも入らない「その他」が有効回答の10〜15%を超えた場合は、重要な論点が漏れているため「その他」の中身を再確認して新しい小分類コードを追加します。
Step 5:分類ブレの検証(ダブルチェック・一致率確認)
複数人の担当者や生成AIを使ってコーディングする場合、最初の30〜50件を2者で独立に分類して突き合わせ、判断が食い違った回答のルールをコードブックへ追記してから残りの全件を処理します。[3] これにより分析者の主観による結果の歪みを防げます。
3. 【具体実例】失敗する粗いタグ付け vs 施策に直結するアフターコーディング設計表
自由記述の集計で最も多い失敗は、「価格(28件)」「操作性・UI(35件)」「セキュリティ(12件)」「機能要望(19件)」のように、名詞1語の粗いトピック名だけでタグ付けを終えてしまうことです。これでは報告会議で「価格とUIに課題があることはわかったが、結局どこをどう直せばいいのか?」と議論が止まり、誤った値下げや見当違いの画面改修を招きます。
施策に直結するコードブックを作る鉄則は、【①どの業務・生活場面で】×【②具体的な何が起きて】×【③肯定・否定のどちらか】の3要素が1つの小分類ラベルから判別できる粒度まで分解することです。BtoB業務SaaSのトライアル後アンケートを例に、悪いコーディングと正しいコーディングの違いを比較します。
| 回答者の生の自由記述(Verbatim) | ✕ 失敗する粗いタグ付け | ⭕ 正しいコード設計(場面 × 事象 × 極性) | 集計結果から直ちに打てる改善アクション |
|---|---|---|---|
| 「機能自体は現場に好評だったが、社内稟議で情シス部門からセキュリティチェックシート300項目の記入を求められ、ヘルプに回答が見当たらず期限に間に合わなかった」 | セキュリティ または 導入ハードル |
[大] 稟議・購買審査 > [N-04] 情シス審査・セキュリティ回答資料の不足(ネガ) |
製品機能の開発ではなく、「標準セキュリティチェックシート回答済Excel・構成図PDF」を資料請求直後に自動送付する |
| 「月額15,000円という金額は妥当だと思うが、年間一括払いしか選べず、まず自部署の月5万円決裁枠で3ヶ月だけ試すルールに乗せられなかった」 | 価格・料金への不満 | [大] 料金・契約形態 > [N-02] 年契約縛り・少額月払い不可による決裁枠不一致(ネガ) |
単価の値下げ(利益毀損)は行わず、「3ヶ月検証用の月払いプラン」を新設して部門長決裁で導入可能にする |
| 「既存の顧客名簿CSVを取り込む画面で、どの列をどの項目に対応させるか分からずエラー番号だけ出て、2回やり直して諦めた」 | UI・操作性が悪い | [大] 初期設定・移行 > [N-07] 初回CSVインポート時の列マッピング・エラー案内不備(ネガ) |
管理画面全体の改修ではなく、初回CSV取込画面にサンプル雛形と「何行目のどの列が形式不一致か」の日本語ガイドを追加する |
| 「毎週月曜の営業会議前に1時間かけてExcelで作っていた案件推移グラフが、管理画面をそのまま投影するだけで済むようになり残業が減った」 | グラフ機能が便利 | [大] 日常業務・報告 > [P-03] 定例会議用レポート作成・Excel転記工数の削減(ポジ) |
LPや広告の主訴求を「多機能ダッシュボード」という提供者目線の言葉から「月曜朝の会議資料作成1時間をゼロに」へ刷新する |
このように、「誰が読んでも修正対象の画面・書類・契約条件が1つに定まる粒度」で小分類コードを設計しておけば、集計グラフが出た瞬間に開発・マーケ・営業の優先アクションが明確になります。
4. テキストマイニングのやり方|4大指標の読み方と無料ツール活用時の注意点
回答数が数百〜数千件以上にのぼる場合や、分析者の先入観を排して全体像を俯瞰したい場合に威力を発揮するのがテキストマイニング(計量テキスト分析)です。日本語のテキストマイニングでは、まず形態素解析(文章を「名詞・動詞・形容詞」などの意味を持つ最小単位の単語に分割する処理)を行い、単語の出現頻度や結びつきを統計的に可視化します。[2]
ただし、ツールが出力したカラフルな図表をそのまま報告書に貼るだけでは誤読が起きます。代表的な4つの分析手法の「正しい読み方」と「実務で陥りやすい罠」を押さえておきましょう。
| テキストマイニングの指標 | 何がわかるか(基本的な読み方) | 実務で陥りやすい誤読の罠 | 精度を高める前処理・確認ルール |
|---|---|---|---|
| ① 出現頻度集計・ ワードクラウド |
多く言及されている単語ほど文字が大きく(または上位に)表示され、話題の中心が一目でわかる | 「思う」「使う」「機能」「サービス」「こと」など当たり前の一般語ばかりが巨大に表示され、示唆がゼロになる | 自明な一般語をストップワード(除外語)に設定し、「初期設定」「稟議書」「解約手続き」などの複合名詞を1語として辞書登録する |
| ② 共起ネットワーク | 同じ回答の中でセットで出現しやすい単語同士が線で結ばれ、話題のグループ(クラスタ)が浮かび上がる [2] | 「価格 ― 高い」と結ばれていても、原文では「価格は高いと思っていたが意外と妥当だった」のように逆の意味であるケースが混ざる | ネットワーク図だけで結論を出さず、必ず線をクリックして元の自由記述全文(KWIC/コンコーダンス)を最低10〜20件目視確認する |
| ③ 係り受け解析 (主語・述語・修飾関係) |
「何が → どうだ」(例:サポート→丁寧、文字→小さい、設定→難しい)という評価のペアを抽出できる | 「使いにくくはない」「これがないと困る」といった二重否定や仮定表現で、ポジティブ/ネガティブの自動判定が逆転する | ツール自動算出の「感情スコア比率」を鵜呑みにせず、上位の係り受けペアの原文をサンプリングして極性ミスを補正する |
| ④ 特徴語分析・対応分析 (コレスポンデンス分析) |
満足層だけ・不満層だけ、あるいは年代・役職別に「その層に偏って出現する特徴的な単語」を2次元マップ等で比較できる [2] | 回答数が少ないセグメントに1人だけ極端な長文を書いた回答者がいると、その人固有の単語がセグメント全体の特徴語に見えてしまう | 単語の延べ出現回数だけでなく「何人の回答に出現したか(文書頻度)」を確認し、1セグメント30件以上の軸で比較する |
無料で使えるテキストマイニング手法・ツールの選び方と情報管理
「テキストマイニングを無料で試したい」という場合、実務ではデータ件数とセキュリティ要件に応じて次の3つのアプローチが広く使われています。
- ① KH Coder(無料・オープンソースの計量テキスト分析ソフト): 立命館大学の樋口耕一教授が開発・公開している代表的なフリーソフトウェアです。[2] 自分のPC(ローカル環境)にインストールして実行できるため、社外サーバーへ顧客データを送信せずに形態素解析・強制抽出語の設定・共起ネットワーク・対応分析・属性変数とのクロス集計まで学術・実務の本格水準で分析できます。
- ② ブラウザ完結型の無料Webテキストマイニングツール: 「ユーザーローカル AIテキストマイニング」などの無料Webツールは、ブラウザにテキストを貼り付けるだけでワードクラウド・共起ネットワーク・ポジネガ傾向を即座に描画できるため、公開レビューの分析や初期の傾向把握に適しています(無料枠の文字数制限や利用規約を事前確認してください)。
- ③ Excel/スプレッドシートでのフィルタ検索+アフターコーディング: 回答数が50〜300件程度であれば、専用ツールで単語をバラバラに分解するよりも、Excel上で原文を読みながらアフターコーディングを行い、
COUNTIFS関数やピボットテーブルで集計する方が文脈の取り違えがなく確実です。
【重要】無料ツール・外部AI利用時のセキュリティ原則: 個人情報保護委員会の注意喚起 [6] にある通り、顧客アンケートや社内調査のローデータを無料のWebツールや個人向け生成AIへ入力する際は、氏名・企業名・部署名・メールアドレス・電話番号・契約IDなどの個人情報および機密情報を事前に完全削除(匿名化)すること、そして入力データが外部AIのモデル学習に利用されない設定(オプトアウト設定または法人向け環境)であることを必ず確認してください。
5. 生成AI(LLM)に自由記述を「丸投げ要約」させるとインサイトが消える罠と回避プロンプト
近年、ChatGPT・Claude・Geminiなどの生成AIにアンケートの自由記述CSVをアップロードし、「この自由記述を要約して、主な不満トップ3と改善案を出してください」と指示するケースが急増しています。しかし、生成AIへの「丸投げ要約」には、顧客理解を根底から損なう2つの致命的な罠があります。
- 具体性の平板化(抽象化バイアス): 大規模言語モデル(LLM)は、多様な表現を確率的に丸く無難なビジネス熟語へ言い換える性質を持っています。その結果、開発やコピー改善の決定打になるはずの生々しい顧客の痛み(エッジケースの事実や感情語彙)がすべて削ぎ落とされ、「操作性の改善が求められている」「導入手続きの簡素化が必要」「料金プランの柔軟化が期待される」といった、アンケートを取る前から誰でも言える中身のない一般論に変換されてしまいます。
- 暗算による件数カウントの不正確さ: 数百件のテキストを一度にプロンプトへ貼り付けて「カテゴリ別の件数とパーセンテージを計算して」と命じると、LLMはプログラムで厳密に数えているわけではなくトークン予測で概算するため、合計件数が合わなかったり中盤の回答を読み飛ばしたりする誤差が発生します。Pew Research Centerも、自由記述の分類にAIを活用する際は必ず人間がサンプル検証と修正(Human-in-the-Loop)を行い、最終的なコード確定と解釈をAI任せにしない原則を徹底しています。[3]
| 回答者の生の自由記述(原文) | ✕ 生成AIに「丸投げ要約」させた出力(インサイト消失) | ⭕ 構造化抽出させた出力(生の語彙・場面を保持) |
|---|---|---|
| 「稟議で情シスにセキュリティチェックシート300項目を求められ、ヘルプに記述が見当たらず心が折れて見送った」 | 導入プロセスの簡素化や、セキュリティに関する情報開示の充実が求められています。 | [場面]社内稟議・情シス審査 / [コード]審査回答資料の欠如 / [原文抜粋]「情シスにセキュリティチェックシート300項目を求められ…心が折れて見送った」 |
| 「現場のパートスタッフは個人のスマホしか持っておらず、PC前提の横長シフト表が画面からはみ出して入力ミスが連発した」 | モバイル環境におけるUI/UXの改善および視認性・操作性の向上が課題として挙げられています。 | [場面]現場スタッフのスマホ入力 / [コード]スマホ画面での横長表はみ出しによる誤入力 / [原文抜粋]「パートスタッフは個人のスマホしか持っておらず、PC前提の横長シフト表が画面からはみ出して入力ミスが連発」 |
コピペで使える「生の語彙(Verbatim)保持&ID紐づけコーディングプロンプト」
生成AIを自由記述分析に使う際は、「要約係」ではなく「原文フレーズを削らずに1件ずつコード番号を振る一次コーダー」として使い、最終的な件数集計はExcelのピボットテーブルで行うのが鉄則です。以下のプロンプトテンプレート(1回あたり30〜50件ずつの分割投入を推奨)をそのままコピーして活用できます。
📋 コピペ用:具体性を消さないアフターコーディング支援プロンプト(PII除去済みデータ用)
あなたは市場調査の定性コーディング実務担当者です。 以下のアンケート自由記述データ(回答ID付き)を分析し、次の厳守ルールに従って1回答ずつ分類してください。 【厳守ルール】 1. 抽象的なビジネス用語(「操作性の向上」「手続きの簡素化」「利便性の改善」等)への言い換え・丸め込みは一切禁止します。 2. コード名は「どの業務・生活場面で × 具体的に何が起きたか」が特定できる表現にしてください(名詞1語の「価格」「UI」「機能」だけの分類は禁止)。 3. 各回答から、顧客の感情や具体的なつまずきが最も表れている「生の語彙(原文の象徴フレーズ)」を改変せずカギ括弧「 」のまま抜粋してください。 4. 1つの回答に複数の論点がある場合は、セミコロン(;)区切りで複数コードを付与してください。 5. 件数の暗算集計は行わず、以下のTSV形式(タブ区切り・Excel貼り付け用)で全回答IDを漏れなく1行ずつ出力してください。 6. 件数は1〜2件でも、解約・導入見送り・事故に直結する具体的な障壁が含まれる場合は「少数クリティカル判定」列に「要注目」と記載してください。 【出力カラム(タブ区切り)】 回答ID 利用場面 分類コード(場面×具体的事象) 極性(ポジ/ネガ/要望/無回答) 原文の重要フレーズ抜粋 少数クリティカル判定 【分析対象の自由記述データ】 ID001: (ここに個人情報マスキング済みの自由記述を30〜50件ずつ貼り付け)
このプロンプトで出力された表をExcelやスプレッドシートに貼り付け、人間が原文抜粋列とコード列をざっと目視検算して表記ゆれを整えたうえでピボット集計すれば、手作業の約5分の1の時間で、顧客の生々しい本音を一言も失わない高精度なアフターコーディング表が完成します。
6. 定量データ(満足度・属性)× 自由記述のクロス集計で「誰の・どの課題か」を特定する
アフターコーディングやテキストマイニングで自由記述の件数ランキングを作っただけでは、まだ分析の半分です。たとえば全体集計で「初期設定が難しい(24%)」「権限管理が細かくできない(19%)」と出ても、それが「無料プランのライト層」の不満なのか、「単価の高い本命ターゲット層や解約予備軍」の不満なのかによって、開発の優先順位は180度変わります。
そこで不可欠なのが、選択式の定量データ(満足度・NPS・企業規模・利用歴など)を表側(行)に置き、アフターコーディングした自由記述コードを掛け合わせるクロス集計です。
| 定量セグメント(NPS区分 × 利用期間) | 有効回答数 | 自由記述コード 1位(出現率) | 自由記述コード 2位(出現率) | 特定された真因と最優先アクション |
|---|---|---|---|---|
| NPS批判者(0〜6点)× 利用30日未満 | n = 45 | 初回CSV取込・列設定の迷い(62.2%) | 初期設定マニュアルの検索性不足(35.6%) | 【最優先:初期離脱防止】 導入初週のオンボーディング画面とCSVインポート導線の即時改修 |
| NPS批判者(0〜6点)× 利用1年以上 | n = 38 | 部署別ロール権限・承認設定の不足(47.4%) | データ件数増加時の画面表示遅延(28.9%) | 【大口解約防止】 利用拡大フェーズで発生する権限管理機能とパフォーマンス改善 |
| NPS中立者(7〜8点)× 全期間 | n = 82 | 定例会議用グラフの画像・PDF出力手間(41.5%) | 社内チャットツールへの通知連携要望(26.8%) | 【推奨者への引き上げ】 ワンクリック報告書出力の導線強化による日常利用の定着 |
| NPS推奨者(9〜10点)× 全期間 | n = 65 | 週次集計・転記作業の大幅な時短実感(69.2%) | サポート窓口の返信速度と具体的な案内(44.6%) | 【獲得メッセージ刷新】 推奨者が使った「生の時短フレーズ」をLP・営業資料へ転用 |
このように定量スコアと定性コードを掛け合わせることで、「誰が・いつ・なぜ怒り、何に感動しているのか」が一枚の表で立体的に浮かび上がります。クロス集計時の最小サンプルサイズ基準(1セルn=30目安)はアンケートクロス集計のやり方と分析実例、割合の差が誤差か本物かを見極める統計的有意差検定とレポート構成はアンケート集計・分析結果のまとめ方と統計的有意差ガイド、また実調査データとAI回答を掛け合わせた解約心理の分析実例はサブスクリプション解約先送り心理の実態調査レポートもあわせてご覧ください(NPS設問自体の設計はNPS・顧客満足度調査ガイドで詳述しています)。
7. 自由記述の「空欄・短文・聞き直せない壁」を補うハイブリッド検証ワークフロー
実顧客アンケートの自由記述分析には、分析手法だけでは解決できない調査構造上の2つの壁があります。1つ目は、自由記述を任意回答にすると6〜8割が空欄や「特になし」になり、必須回答にすると途中離脱や「あいうえお」等の適当回答が増えること(具体的な場面を尋ねて記入率を高める工夫はアンケート質問の作り方・例文集を参照)。2つ目は、匿名アンケートで「自社の業務フローに合わない」と短文で書かれても、回収後にその回答者へ「具体的にどの工程でどう合わないのですか?」と聞き直せないことです。[4]
この課題を補い、本番アンケートやインタビューの精度を高めるために多くのリサーチ現場で導入されているのが、実顧客調査の前後でAIペルソナ(Persona AI)を組み合わせるハイブリッド検証です。
- 選択式(定量比率)+全員分の判断理由コメント(定性)の同時構造化出力: Persona AIでは、設問ごとに各AIペルソナが選んだ選択肢の集計グラフと同時に、全員分の「なぜその選択肢を選んだのか(生活背景・業務上の制約・感情)」の具体的な理由コメントが100%欠損なしで出力されます(実際の出力粒度は登録不要の50名BtoB SaaS調査の完成デモレポートで閲覧可能。設問配信の手順はAIアンケートのやり方を参照)。本番アンケートを配信する前に試すことで、「想定外の選択理由(選択肢の漏れ)」や「アフターコーディング用の初期コードブック案」を約30秒〜約5分で準備できます。
- 気になる回答への「一斉追質問」と「1on1深掘りチャット」: 出力された理由コメントの中で「稟議が通しにくい」「既存手段で十分」といった気になる意見があれば、その場でペルソナ全員への一斉追質問を行ったり、特定のAIペルソナを呼び出して1対1の深掘りチャットで「誰にどんな言葉で反対されるのか?」「どの条件が変われば検討土台に乗るか?」を納得いくまで問い直せます(AIへの質問で誘導やアンカリングを防ぐ設計原則はAIペルソナインタビューのバイアス・アンカリング対策ガイドを参照)。
- CSV一括エクスポートによるExcel・テキストマイニング連携: まずは無料パイロット(3名・¥0・1組織1回・追質問1回)やLightプラン(10名・税抜¥500/税込¥550・追質問2回)で手軽に設問プレテストを行い、本格検証ではStandardプラン(30名・税抜¥1,980/税込¥2,178・追質問8回・全7章PDF&CSV出力)やProプラン(100名・税抜¥5,980/税込¥6,578・追質問20回・属性クロス集計・ロゴ非表示ホワイトラベルPDF&CSV出力)を利用することで、全ペルソナの属性・選択回答・理由コメントを文字化けしないBOM付きUTF-8形式のCSVで一括ダウンロードし、ExcelでのアフターコーディングやKH Coderでのテキストマイニングにそのまま接続できます(※AIペルソナ活用の注意点にある通り、AIペルソナ3〜100名の生成回答は実在母集団からの無作為抽出ではない非確率の合成シミュレーションであるため、人間調査の標本誤差公式[±5%等]や統計的検定は適用せず、仮説探索・調査票プレテストとして活用したうえで、実在母集団の比率確定や最終意思決定は実顧客調査と組み合わせて行います)。
よくある質問(FAQ)
Q1. アンケートの自由記述は何件くらいからアフターコーディングやテキストマイニングを使うべきですか?
A. 有効回答が50件未満であれば、全件を人間が精読してKJ法(付箋グルーピング)で構造化する方が速く深い示唆が得られます。50〜500件規模ではExcelや生成AI支援を用いたアフターコーディングで件数・割合を可視化するのが最も実務的であり、300〜数千件を超える大規模データではテキストマイニング(形態素解析・共起ネットワーク)で全体像を俯瞰したうえで主要クラスタをアフターコーディングする併用手順が推奨されます。
Q2. 1つの自由記述の中に「良い点」と「不満な点」の両方が書かれている場合はどう分類しますか?
A. 無理に1つのカテゴリへ絞らず、複数回答(マルチアンサー:MA)方式として該当するすべてのコードを付与します。たとえば「サポートは丁寧だが、月額料金が高い」という回答には、「サポート対応への評価(ポジティブ)」と「月額料金の高さへの不満(ネガティブ)」の2つのコードを両方割り当て、有効回答者数(n)を分母として各コードの出現率を集計します。
Q3. 無料のテキストマイニングツールやChatGPTにアンケート結果をそのまま貼り付けても大丈夫ですか?
A. そのまま貼り付けるのは厳禁です。自由記述欄には、回答者が意図せず個人名・企業名・電話番号・メールアドレスや取引上の秘密情報を書き込んでいることが多いため、必ず事前にマスキング(削除・伏せ字化)を行います。また、外部Webツールや生成AIを利用する際は入力データがAIの再学習に使われない設定(オプトアウトまたは法人向けAPI環境)であることを確認するか、KH CoderのようにPCローカル環境で完結するソフトを選択してください。
Q4. KJ法(親和図法)とアフターコーディングはどう使い分ければよいですか?
A. KJ法は「バラバラな定性情報から未知の因果関係や構造仮説を発見するための発想法・図解手法」であるのに対し、アフターコーディングは「自由記述を分類コードに変換し、何件・何%あるかを数値化して属性とクロス集計するための定量化手法」です。少数のインタビューや探索段階ではKJ法、アンケート結果のグラフ報告やセグメント比較にはアフターコーディングと使い分けます。
Q5. アンケートの自由記述欄が「特になし」や空欄ばかりになるのを防ぐコツはありますか?
A. 「ご意見・ご感想をご自由にお書きください」という漠然とした聞き方をやめることが最も効果的です。直前の選択式設問と連動させて「先ほど『やや不満』と答えた方にお伺いします。直近1ヶ月で最も不便を感じた具体的な場面を1つ教えてください」のように、思い出す時期・場面・テーマを1つに絞って尋ねると、具体的で分析価値の高い記述が集まりやすくなります。
参考資料
- [1] 総務省統計局 Data StaRt「調査票の作成・選択肢の作成」 — 自由回答と選択肢回答の特性、網羅性・相互排他性の基本原則。
- [2] 樋口耕一(立命館大学)「KH Coder — 計量テキスト分析・テキストマイニングのためのフリーソフトウェア」 — 形態素解析・共起ネットワーク・対応分析による自由記述の計量テキスト分析手法。
- [3] Pew Research Center「Protocol for Coding Open-Ended Answers」 — オープンエンド回答におけるコードブック設計、機械学習支援と人間による検証(Human-in-the-Loop)・一致率確認の手順。
- [4] Pew Research Center「Writing Survey Questions(Open- and Closed-Ended Questions)」 — 自由記述設問と選択式設問の役割分担と設計上の注意点。
- [5] AAPOR(米国世論調査協会)「Best Practices for Survey Research」 — 調査票の事前プレテストと回答データ品質管理の国際基準。
- [6] 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」 — 生成AIサービスへ個人情報や機密情報を含むテキストを入力する際の注意喚起。
Persona AI リサーチチーム
/ シースリーレーヴ株式会社 リサーチ&データ検証部門日本銀行・国土交通省・厚生労働省・内閣府などの公的統計データとAIペルソナ回答の比較検証、アンケート調査票のバイアス排除設計、デプスインタビュー手法の体系化を担当。AIによる事前仮説探索と実顧客リサーチを組み合わせたハイブリッド調査の実務ガイドを発信しています。
Persona AIの回答はAIによる生成であり、実在する顧客への調査ではありません。実顧客調査や広告出稿の「前」に行う事前テストとしてご活用ください。