顧客の声をAIで感情分析する方法

結論

問い合わせメールやアンケートの自由回答に「顧客がどう感じているか」が隠れている。一件ずつ読んで分類する作業をAIに任せれば、月100件のテキストを数分で「ネガティブ・ポジティブ・要改善テーマ」に整理できる。この記事では、カスタマーサポートの現場で使える感情分析の手順をプロンプト付きで解説する。

使うAIツール

ツール	向いているケース
ChatGPT（GPT-4o）	少量のテキスト分析、分類ラベルのカスタマイズ
Claude 3.5 Sonnet	大量のテキスト処理、詳細なテーマ抽出
Python + OpenAI API	月1,000件以上の自動バッチ処理

まず手動でプロンプトを試して精度を確認し、件数が多くなってから自動化に移行するのが失敗が少ない。

感情分析の手順

ステップ1：分析対象のテキストを準備する

問い合わせメール・チャットログ・アンケートの自由回答など、分析したいテキストを集める。個人情報は必ず仮名化または削除する。

1回の分析に適した件数の目安：

ツール	1回に処理できる件数
ChatGPT（GPT-4o）	20〜50件
Claude 3.5 Sonnet	50〜100件
Claude 3 Opus	100件以上（ゆっくり）

ステップ2：基本の感情分類を行う

以下の顧客からのメッセージをそれぞれ感情分類してください。

【分類ラベル】
- ポジティブ（感謝・満足・称賛）
- ネガティブ（不満・怒り・失望）
- ニュートラル（質問・確認・事実報告）
- 緊急（即時対応が必要な深刻な不満）

【出力形式】
番号 | 感情ラベル | 感情の強さ（強・中・弱） | 主な感情の理由（1文）

【テキスト一覧】
1. （顧客メッセージ1）
2. （顧客メッセージ2）
3. （顧客メッセージ3）
（以降続ける）

ステップ3：不満のテーマを抽出する

感情分類だけでなく、「何について不満なのか」を把握することで改善策が見えてくる。

以下のネガティブな顧客メッセージを分析して、不満のテーマを分類してください。

【テーマの例】（これに限らず実際のデータに合わせて分類する）
- 配送・納期
- 商品品質
- 価格・料金
- スタッフ対応
- システム・操作
- その他

【出力形式】
テーマ | 件数 | 代表的な発言例（1〜2件）

【ネガティブメッセージ一覧】
（テキストを貼り付ける）

ステップ4：感情の変化を時系列で追う

月ごとにまとめて分析することで、施策の前後でネガティブ件数が減ったか確認できる。

以下の2つの月のデータを比較して、感情のトレンド変化をまとめてください。

【確認してほしい点】
1. ネガティブ件数・割合の変化
2. 増えているテーマ・減っているテーマ
3. 新しく出現した不満のテーマ
4. 改善が見られた分野

【5月のデータ】
（テキストを貼り付ける）

【6月のデータ】
（テキストを貼り付ける）

ステップ5：改善優先度を付ける

不満テーマが出たら、対応優先度を整理する。

以下の顧客不満テーマのリストに対して、改善優先度を評価してください。

【優先度の基準】
- 影響範囲：多くの顧客が困っているか
- 感情の強さ：強い怒り・失望が含まれるか
- 改善可能性：比較的短期間で対応できるか

【出力形式】
テーマ | 優先度（高/中/低） | 優先度の理由 | 改善の方向性案

【不満テーマ一覧】
（テーマと件数を貼り付ける）

カスタマーサポート固有の活用例

活用例1：アンケート自由回答の定期レポート化

NPS調査やサービス満足度調査の自由回答は読むのに時間がかかる。AIで感情分析してレポートにまとめれば、月次レポートの作成時間を半分以下にできる。

以下の顧客満足度アンケートの自由回答を分析して、経営層向けの月次サマリーを作成してください。

【含めてほしい情報】
1. 全体の感情分布（ポジティブ/ネガティブ/ニュートラルの件数と割合）
2. 多く言及されているポジティブポイント上位3件（具体的な声の引用付き）
3. 多く言及されているネガティブポイント上位3件（具体的な声の引用付き）
4. 前月からの変化（あれば）
5. 緊急対応が必要と思われる声の抜粋

【自由回答データ】
（テキストを貼り付ける）

活用例2：電話対応後の満足度を把握する

電話対応後に自動送信するアンケートのコメント欄を月まとめてAIに渡し、「どのオペレーターに関する不満が多いか」「どの時間帯に不満が集中するか」を分析できる。

以下の対応後アンケートコメントを分析してください。

【分析してほしい軸】
1. ポジティブ・ネガティブの基本分類
2. ネガティブの原因（応対スキル/待ち時間/解決できなかった/その他）
3. 特に強い不満を示しているコメントを抜粋（最大5件）
4. 繰り返し出てくるキーワードTop10

【コメント一覧】
（コメントを番号付きで貼り付ける）

うまくいかない場合

敬語のため感情が正しく判定されない
「ありがとうございます」という言葉でも、文脈によっては皮肉や不満を含む場合がある。「日本語の敬語表現に注意し、文全体の文脈で感情を判断してください」とプロンプトに加えると精度が上がる。

全件ネガティブと判定される
問い合わせは本来ネガティブな内容が多いため、分類が偏りやすい。「情報収集の問い合わせはニュートラルとして分類してください」のように定義を明確にする。

テーマ分類が細かすぎる
AIは細かく分類しようとする傾向がある。「テーマは最大7カテゴリに収めてください」と件数上限を設ける。

英語や他言語が混在する
海外顧客対応がある場合、「英語の入力は英語のまま分析し、日本語でレポートを出力してください」と指示するとまとめて処理できる。

同じテキストに複数の感情が含まれる
「はじめは怒っていたが最後は感謝していた」という構造の文章は判定が難しい。「主な感情は最後の文章の感情を優先してください」のようにルールを決めておく。

他のCS業務でも使えるリンク

FAQ

Q. AIの感情分析はどの程度正確ですか？
日本語の文章では、明確に感情が表れている文章では80〜90%の精度が得られるとされます。ただし皮肉・敬語による感情の隠れ・曖昧な表現は誤判定しやすいため、確認は人が行う必要があります。

Q. 感情分析に専用ツールは必要ですか？
ChatGPTやClaudeなど汎用のAIで十分対応できます。月数百件程度であればプロンプトで処理可能です。数千件以上になるとAPIやPythonを使った自動化が現実的です。

Q. 感情分析の結果をどう活用するのが効果的ですか？
「ネガティブ感情の多い問い合わせカテゴリ」を特定し、そのカテゴリのFAQ整備や対応手順の改善に集中するのが最も効果が出やすい活用法です。

Q. アンケートの自由回答と問い合わせメール、どちらに感情分析が向いていますか？
どちらにも使えます。問い合わせメールは「何に不満があるか」の特定に、アンケートの自由回答は「全体的な満足度トレンド」の把握に向いています。