カスタマーサポートのデータ集計・分析をAIで行う手順

結論：問い合わせデータをAIに渡して「傾向と改善ポイント」を引き出すと、報告と施策立案が速くなる

月次の問い合わせ集計に半日かかっている。クレームの原因を分析したいが手が回らない。マネージャーへの報告資料を毎回ゼロから作っている——こうした状況をAIで大幅に改善できる。

カスタマーサポートのデータ分析でAIを使うポイントは「集計作業」と「傾向把握」の2段階に分けて考えることだ。集計はExcel・スプレッドシートが基本だが、AIが傾向を読み取って言語化・示唆を出してくれる部分が最も時間短縮になる。

---

使うAIツール

ChatGPT Advanced Data Analysis（Code Interpreter）

CSVやExcelファイルをアップロードすると、Pythonコードを自動生成してデータを集計・グラフ化する。コードが書けなくても使えるのが最大のメリット。問い合わせ件数の集計・カテゴリ別分類・推移グラフの生成に向いている。

Claude（claude.ai）

データをテキストとして貼り付けて、傾向分析・原因仮説の生成・報告文の下書きに使う。数値計算より「意味の解釈」や「文章化」が得意。

Google スプレッドシート + Duet AI / Gemini

GoogleのスプレッドシートにはサイドバーでAIに質問できる機能がある。スプレッドシートで管理しているデータの分析に向いている。

---

手順：問い合わせデータをAIで分析する

ステップ1：データを整理して渡せる形にする

まず、分析に使うデータを用意する。最低限必要な列は以下の通りだ。

• 日付
• 問い合わせカテゴリ（返品・操作方法・料金など）
• 対応ステータス（対応中・解決・未対応など）
• 対応時間（分）
• 担当者（任意）

個人情報の列（氏名・メールアドレス・電話番号など）は分析前に削除またはマスキングする。

ステップ2：CSVに書き出してAIにアップロードする

ExcelやスプレッドシートをCSV形式で書き出し、ChatGPT Advanced Data Analysisにアップロードする。

または列名を含めたまま、テキストとしてAIに貼り付ける。

ステップ3：分析目的を明示して指示する

以下のプロンプトをそのまま使える。

以下のカスタマーサポートの問い合わせデータを分析してください。

【分析してほしいこと】
1. 月別の問い合わせ件数の推移（増減傾向とその理由の仮説）
2. カテゴリ別の件数ランキングと、件数が多いカテゴリの特徴
3. 平均対応時間が長いカテゴリとその原因仮説
4. 来月に向けた改善施策の候補を3点（根拠とともに）

【注意】
- データに基づいた分析のみ行うこと
- データに含まれていない情報は推測と明記すること
- 報告資料のたたき台として使えるよう、見出し付きで整理して出力すること

【データ】
（CSVまたはテキストを貼り付け）

ステップ4：出力を確認して報告資料に落とし込む

AIの出力をそのまま使うのではなく、以下の点を確認する。

• 数値が元データと一致しているか
• 「推測」と明記すべき箇所が明記されているか
• 自社の文脈で解釈がズレていないか

確認後、報告書や月次レポートのテンプレートに貼り付けて完成させる。

---

具体例1：月次問い合わせレポートをAIで30分で完成させる

あるサポートチームでは、月次レポートを毎回Excelで集計→グラフ作成→原因考察→Word入力と手動で行っており、2〜3時間かかっていた。

現在の手順は次の通り。

1. 問い合わせ管理ツールからCSVをエクスポートする（5分）
2. 個人情報列を削除する（2分）
3. ChatGPT Advanced Data AnalysisにCSVをアップロードし、「月別件数・カテゴリ別件数・対応時間平均のグラフを作成して」と指示する（10分）
4. 生成されたグラフと数値を報告テンプレートに貼り付ける（5分）
5. 「この数値の特徴と改善施策の候補を3点教えて」と指示して考察を生成させる（5分）

合計30分以内でレポートが完成する。

---

具体例2：クレームの原因分類をAIで自動化する

月に300件のクレームを受けているチームで、原因分類を手作業で行っていた。担当者が1件ずつカテゴリを付与する作業に毎月5時間かかっていた。

以下の方法でこの作業をAIに移した。

クレームのテキストデータをCSVで準備し（個人情報マスキング済み）、ChatGPTに以下を指示する。

以下のクレームデータを読んで、各行を以下のカテゴリのいずれかに分類してください。

【カテゴリ】
- 製品の品質問題
- 配送・納期問題
- 操作・使い方の説明不足
- 請求・返金問題
- 接客・対応への不満
- その他

【出力形式】
元のデータに「分類」列を追加したCSV形式で出力してください。

【データ】
（CSVテキストを貼り付け）

分類精度は完全ではないため、AIの出力後に抽出確認を10〜20件行うサンプルチェックを設けている。作業時間は5時間から1時間に短縮された。

---

分析目的別プロンプトパターン

分析目的	プロンプトのポイント
月次件数レポート	「月別推移とカテゴリ別ランキングを表とグラフで」
クレーム傾向分析	「クレーム内容を分類して頻出パターンを抽出して」
対応時間の改善	「対応時間が長い案件の共通点を3つ挙げて」
FAQの見直し	「問い合わせ内容からFAQに追加すべき項目を提案して」
マネージャー報告	「数値の特徴と改善施策案を見出し付きでまとめて」

---

うまくいかない場合

「データをアップロードしたのに集計結果が違う」

AIは行数が多いと一部を省略して処理することがある。「全行を処理してください」と明示するか、月別などに分割して処理する。

「グラフのフォーマットが報告書と合わない」

AIが生成したグラフのデータ（数値）を使い、グラフ自体はExcelやGoogleスプレッドシートで再作成するのが現実的だ。

「カテゴリ分類の精度が低い」

分類の定義が曖昧なほど精度が下がる。カテゴリの説明に「例：○○のような問い合わせ」を追記すると精度が上がる。また、分類後にサンプルチェックを行い、間違いが多いカテゴリの定義を改善していく。

「個人情報の扱いが不安」

個人情報を含む列は分析前に削除する。氏名・メールアドレス・電話番号・住所は分析に不要な場合がほとんどで、削除しても分析結果には影響しない。

---

分析から改善施策への流れ

データ分析で終わらせず、施策立案まで使い切るのが理想だ。

1. データ集計 → AIが件数・推移・分布を整理
2. 傾向把握 → AIが「多いカテゴリ」「長い対応時間」などを言語化
3. 原因仮説 → AIが「なぜそうなっているか」の仮説を複数提示
4. 施策立案 → AIが「改善施策の候補」を生成

4番まで出たら、チームで実現可能性と優先度を議論する。AIが出した施策はあくまで「たたき台」であり、現場の状況を踏まえた判断は人間が行う。

FAQの見直しに分析結果を活かす方法はカスタマーサポートのFAQ整備をAIで効率化する方法で詳しく解説している。

---

関連記事

Excelの集計作業そのものを効率化したい場合はカスタマーサポートのExcel作業をAIで自動化する方法が参考になる。クレーム傾向を把握したうえで対応品質を高めるにはカスタマーサポートのクレーム対応をAIで改善する方法も読んでほしい。