顧客感情の測定方法（2026年版・実践ガイド）

まとめ

顧客感情とは、顧客が発する言葉の裏にある本音のことです。それを正しく測定するには、1層ではなく2層のアプローチが必要です。依頼型のレイヤーはアンケートスコア（CSAT、NPS、CES）で、きれいなトレンドラインを提供してくれます。自発型のレイヤーは、実際のチケット、チャット、レビュー、通話の中に埋もれている本音であり、AI感情分析によって大規模に読み取ります。ほとんどのチームは最初のレイヤーしか構築せず、なぜ解約率が上がっているのにスコアは良好に見えるのか不思議に思います。それは不満を持つ顧客の56%が一度も苦情を言わずに競合他社へ乗り換えるためで、彼らはアンケートに一切姿を現さないのです。

実践的な対策はこうです。トレンド用のアンケート指標は1つに絞り、静かな多数派を捉えるためにチケットキューにAI感情スコアリングを重ね、どんな数字の裏にある自由記述の「理由」も必ず読むこと。すでにヘルプデスクを運用しているなら、eeselのようなAIチームメイトを使うのが2層目を最速で手に入れる方法です。アンケートなしで、届いたすべてのチケットを読み取り、感情でタグ付けしてくれます。

顧客感情の本質（そして、そうでないもの）

私はほとんど毎日サポートキューで作業していますが、そこで学んだのは、満足度スコアと顧客の実際の気分はまったく別物だということです。人々はこれらを常に混同しています。

明確な区分けはこうです。満足度は、あなたが定義した尺度上で測定されたスコアです。 質問をして、顧客が数字を選び、それを計算しただけのものです。感情は、誰かが尋ねたかどうかにかかわらず、言葉の下にある気持ちです。 IBMは感情分析を「大量のテキストを分析し、それがポジティブ、ネガティブ、あるいはニュートラルな感情を表しているかを判定するプロセス」と定義しています。ここでの鍵となるフレーズは大量のテキストです。感情はアンケートを待ってくれません。すでにあなたの受信箱に存在しているのです。

この区別が重要なのは、NPSを発明したBainという企業自身が、新しい指標を作った理由を「従来型の顧客満足度アンケートはしばしば機能しない...結果が財務成果や顧客行動に直接結びついていないからだ」（Bain & Company）と認めているからです。つまり、スコア単体では弱いシグナルにすぎません。感情を正しく測定するとは、数字と、その裏にある言葉の両方を読むことを意味します。

誰もがまず取り組む3つの指標：CSAT、NPS、CES

とにかく感情を測定しようとする場合、まずアンケートから始めることが多く、そこには3つの主要な指標があります。これらは互換性がなく、問いに対して間違った指標を選ぶことがチームが最初に犯す過ちです。

実際の違いは次のとおりです。

それぞれについて知っておく価値のあることをいくつか挙げます。

CSATはトランザクション単位のスナップショットです。標準的な計算式は、上位の回答（通常5段階尺度の4と5）を全回答に対する割合として数えるため、100件中80件が満足の回答ならCSATは80%になります（IBM）。チケットが閉じた直後には優れていますが、関係全体を測るには役に立ちません。詳しく知りたい方には、AIとCSATについての完全ガイドや、Zendeskをお使いの場合はZendeskの満足度指標の解説も書いています。

NPSは関係性の指標です。Fred Reichheldが2003年のHBR論文「The One Number You Need to Grow」で紹介したもので、計算はシンプルです。推奨者（9〜10のスコア）から批判者（0〜6）を引くというもので、中立者（7〜8）は除外され、範囲は−100〜+100になります。Bainは、推奨者が「ほとんどの企業で紹介の80%以上を占める」と指摘しており、これがこの数字が成長を追跡する理由です。しかしBainは率直に、自由記述の「理由」がなければスコアには意味がないと述べています。「顧客に自分の言葉でなぜそのスコアをつけたのかを尋ねることが、私たちがどう行動すべきかを理解する助けになる」と。この自由記述欄こそが、指標から本当の感情への架け橋なのです。

CESは労力を測定するもので、サポートチームが最も活用しきれていない指標です。これは2010年のCEB（現在のGartner）のHBR論文「Stop Trying to Delight Your Customers」に由来し、その背景にある発見は衝撃的です。高労力のサービスのやり取りを経験した顧客の96%がよりロイヤルティを失うのに対し、低労力の場合はわずか9%です（Qualtrics）。顧客が何度も転送されたり、注文番号を繰り返し伝えたり、チャネルを切り替えさせられたりしているなら、それはまさに労力税が表れている瞬間です。それを減らすことこそ、優れたチケットトリアージやチケット要約が存在する理由です。

私の正直な意見はこうです。アンケート疲れに溺れないよう、これらのうち1つだけをメインのトレンド指標として選び、本当のエネルギーはその下のレイヤーに注いでください。

なぜアンケートだけでは嘘をつかれるのか

ここからは居心地の悪い話です。すべてのアンケート指標は同じ盲点を共有しています。それは、回答した人しか測定できないということです。

そして回答する人々は自己選択された一部です。最も怒っている離反顧客は通常、CSATアンケートに回答しません。彼らはただ去っていくだけです。Zendeskのベンチマークデータはそれを数字で示しています。消費者の56%は否定的な体験について滅多に苦情を言わず、静かに競合他社へ乗り換える一方で、73%は複数回の悪い体験の後に、半数以上はたった一度の悪い体験の後に乗り換えるとしています。PwCの調査も別の角度からほぼ同じことを示しており、消費者の32%は一度の悪い体験で、好きなブランドから離れるとしています。

つまり、アンケートの回答率が15%（一般的な数字）だとすれば、そのアンケートが伝えているのは最も声が大きく、最も熱心な15%の気持ちにすぎません。今にも解約しようとしている、声を上げない大多数は見えないままです。だからこそGartnerは、サービス組織の60%が、音声やテキストのやり取りを分析することで従来のアンケートを補完するアナリティクスを導入すると予測しました。アンケートは「顧客意見の全範囲を捉えきれず...知識のギャップを生む」ことが多いためです。

解決策はより良いアンケートではありません。顧客がすでに、求められることなく、あらゆるチケットの中に残してくれているフィードバックを読むことです。

会話から直接感情を読み取る

これは、感情を測定していると思っているチームと、実際に測定しているチームを分けるレイヤーです。顧客にどう感じているか尋ねる代わりに、彼らがすでに書いた内容から気持ちを読み取ります。

内部の仕組みとしては、AI感情分析はテキストをいくつかのエンジンタイプのいずれかに通します。IBMはこれらをルールベース、機械学習、あるいはハイブリッドに分類しています。ルールベースは単語をポジティブ・ネガティブの辞書と照合して集計します（高速だが脆い）。一方、機械学習モデルは単語の選択と語順の両方から学習するため、実際の乱雑な顧客メッセージを処理できます。出力は極性スコアであり、「ソフトウェアによって1から100までの数値評価として表現され」、0が中立、100が最も極端な感情となります。

より高度なバージョンはポジティブ/ネガティブ/ニュートラルにとどまりません。アスペクトベースの感情分析では、顧客が製品自体は気に入ったがチェックアウトは嫌いだったことを、各機能ごとに個別にスコア化して教えてくれます。感情検出は極性だけでなく、フラストレーションや衝撃なども捉えます。この粒度こそが、漠然とした「感情が悪化している」を「プラン変更後、請求関連チケットの感情が悪化した」という、実際に対処できる情報に変えるのです。

サポートチームにとって最も良い点は、データソースが既存のキューだということです。ZendeskやFreshdeskからZoho DeskのZia、Atlassian Intelligenceまで、今ではあらゆるヘルプデスクが何らかの形でこれを組み込んでいます。テキストだけにとどまらず、音声トランスクリプトのコール分析やチャットボット分析にも同じアプローチが適用されます。行動につなげたいなら、感情分析を自動チケットタグ付けと組み合わせることで、怒っているチケットがキューに滞留する代わりに即座にシニアエージェントへルーティングされるようにできます。

感情分析が失敗する場面（そして騙されない方法）

これを解決済みの問題であるかのように語ってしまえば、あなたに不誠実になります。自動化された感情スコアリングは、非常に特定的で、非常に人間的なやり方で騙されてしまいます。それを盲目的に信頼すれば、間違った判断を下すことになります。

IBMは「ソフトウェアは皮肉や皮肉を正しく識別するのに苦労する」と、清々しいほど正直に認めています。彼らの具体例がすべてを物語っています。

「素晴らしい、また千ドルの駐車違反切符だ - まさに私が求めていたものだ。」

• IBM、感情分析ツールがなぜ皮肉を誤ってラベル付けするかについて

素朴なツールは「素晴らしい」を読み取り、そのメッセージをポジティブとスコア化してしまいます。どんなサポートエージェントも、これが逆であることを知っています。IBMが挙げるその他の典型的な失敗モードは、否定表現（「その靴が安かったとは言えない」が誤読される）、慣用句（「break a leg（頑張って）」が文字通りの怪我として読まれる）、失われた文脈（「機能性」のような一語の回答が、質問内容によって意味が反転する）です。

私自身のチームでこれをどう扱っているかというと、自動化された感情分析を判定ではなくトリアージのシグナルとして扱っています。ネガティブに見えるチケットにフラグを立ててルーティングさせますが、結論を出す前にフラグ付けされたものを人間が読むようにしています。興味深いことに、IBMはAIが急いでいる人間よりも客観的でありうると指摘しています。人間は「[レビュー]をポジティブな言葉に達する前にネガティブと判断してしまう」ことがあるからです。つまり目標はAI対人間ではなく、人間には読む時間が決してなかった量をAIが捉えることなのです。

実際に測定するための実践的な方法

もし今日、私がゼロからサポートチームでこれを構築するとしたら、次のような順序で進めます。

1. トレンドライン用にアンケート指標を1つだけ選ぶ。 チケット解決後のCSATが最も始めやすい選択肢です。3つすべてを実施しないでください。顧客を疲弊させるだけです。CSATレポーティングのような仕組みで正しく設定し、その数字が実際に目を通す場所に着地するようにします。
2. 必ず自由記述の「理由」を取得する。 数字は感情が動いたことを教えてくれますが、コメントはなぜを教えてくれます。これはどんなアンケートにおいても最も価値の高い項目です。
3. キュー全体でAI感情スコアリングを有効にする。 これが静かな56%を捉えるレイヤーです。入ってくるすべてのチケットに極性スコアが付くため、アンケートに回答した15%ではなく、コンタクトの100%を測定していることになります。
4. 感情に基づいてルーティングし、単に報告するだけにしない。 ネガティブな感情のチケットは自動的にエスカレーションすべきです。激怒した顧客がルーティンのパスワードリセットと同じキューでずっと待たされているのなら、気分を測定すること自体が無意味です。
5. トレンドを注視し、急変を調査する。 サポートパフォーマンス用のアナリティクスダッシュボードのようなツールですべてを1つのビューにまとめ、突然の低下は、その裏にある実際のチケットを読みに行くきっかけとして扱ってください。

この5つを実践すれば、あなたのチームの3倍の規模のチームよりも上手に感情を測定できるようになります。なぜなら、アンケート回答者だけでなく、全員を読んでいるからです。これはまた、すでに追跡している広範なカスタマーサービスKPIや、エージェントが日々行う問題解決にも直接反映されます。まだこの読み取りを担うAIレイヤーを選定中であれば、最良のカスタマーサービスAIのまとめが比較の良い出発点になります。

避けるべきよくある間違い

繰り返し目にする落とし穴をいくつか挙げます。

• アンケートだけに頼ること。 上で述べた通りですが、これが最大の過ちです。アンケートの回答母集団は最も怒っている顧客を自己選択的に除外するため、スコアは常に現実よりも楽観的に見えます。
• スコアをゴールとして扱うこと。 Bainは生のNPSを「顧客の貸借対照表」と呼び、自由記述の「理由」がなければ役に立たないとしています。説明できない数字は、直せない数字です。
• 皮肉に対して自動感情分析を信頼しすぎること。 自分たちのデータでモデルを信頼できるようになるまで、フラグ付けされたチケットには人間を関与させ続けてください。
• すべてに単一の指標を使うこと。 Qualtricsは、CESは「常に全体像を示すわけではなく、NPSと併用すべきだ」と指摘しています。指標を問いに合わせましょう。
• 測定しても行動しないこと。 感情を読み取る目的全体は、何かを変えることにあります。人々を怒らせるトピックについてAIでチケット量を削減することでも、CESが明らかにする高労力な瞬間を修正することでもかまいません。

eeselであらゆるチケットの感情を測定する

ほとんどの感情測定の仕組みにおける正直なギャップはこうです。アンケートを読むのは簡単ですが、すべての会話を読むことになると、人間には時間がないため、チームは諦めてしまいます。それこそまさにeeselが行っている仕事です。

eeselは、既存のヘルプデスク（Zendesk、Freshdesk、Gorgias、Help Scoutなど）に接続するAIチームメイトで、到着したすべてのチケットを読み、感情をタグ付けし、緊急度でトリアージし、実際に行動に移せるレポートへとまとめ上げます。実際のキューで動作するため、アンケートに回答する一部だけでなく、コンタクトの100%にわたって感情を測定できます。そして席数ではなく処理したチケット単位で課金されるため、感情タグ付けは別の請求項目ではなく、解決作業に組み込まれた形で提供されます。

これらの導入を実施してきた中で、率直に強調したいことが1つあります。eeselでは、実際の顧客に触れる前に過去のチケットに対してシミュレーションを実行できるため、実際の過去の会話をどのようにスコア化しルーティングするかを先に確認できます。eeselを無料で試して、あなた自身のキューに適用し、初日から感情レイヤーが機能する様子を確認できます。