03-6441-0989
Yuki Ueda 
定性調査の分析とは何をする作業なのか
定性調査を実施した後、多くの実務者が立ち往生するのが分析のフェーズです。筆者はこれまで数百件の定性調査に関わってきましたが、インタビューの実施自体は慣れても、得られたデータをどう扱うべきか迷う声を繰り返し聞いてきました。録音を文字起こしし、膨大な発言録を前にして、どこから手をつければよいのか分からなくなる経験は誰もが通る道です。
定性調査の分析とは、発言や観察記録といった非構造化データから意味を抽出し、パターンを見出し、解釈を加えて知見を生成する一連のプロセスを指します。定量調査のように統計処理で機械的に答えが出るわけではなく、調査者自身の思考と判断が求められる領域です。そのため、どの分析方法を選ぶかによって導き出される結論の質も大きく変わります。
分析の目的は単なる発言の要約ではありません。表面的な言葉の奥にある文脈を読み解き、語られなかった背景や感情を含めて理解し、ビジネス上の意思決定に使える形で整理することが求められます。そのために様々な分析手法が開発されてきました。
定性調査の分析で陥りやすい3つの誤解
実務の現場では、分析に対する誤った思い込みが生産性を下げています。まず1つ目は、分析とは発言を分類整理することだという誤解です。確かに整理は必要ですが、それは分析の入り口に過ぎません。分類しただけで終わると、発言録の見出しをつけただけの状態になり、示唆が生まれません。
2つ目は、分析には正解があるという思い込みです。定量調査の統計処理とは異なり、定性調査の分析には唯一の正解は存在しません。同じデータから複数の解釈が成立し得るのが定性調査の特性です。重要なのは解釈の妥当性と説得力であり、それを担保するのが分析手法の選択と運用です。
3つ目は、分析は調査実施後に始まるという誤解です。実際には、調査設計の段階で分析方法を想定しておかなければ、必要なデータが得られず後から困ることになります。どの分析手法を使うかによって、インタビューで聞くべき内容や観察すべき項目が変わるため、設計と分析は一体で考える必要があります。
KJ法による定性調査の分析手順
KJ法は、文化人類学者の川喜田二郎が開発した分析手法で、日本の実務現場で最も広く使われている方法の一つです。発言や観察事実を1枚ずつカードに書き出し、似たものをグループ化しながら構造を作り上げていくボトムアップ型のアプローチです。
具体的な手順としては、まず発言録から重要な発言や観察事実を抽出し、1つの事実を1枚のカードに記録します。このとき、発言者の言葉をそのまま引用する形で書くことが重要です。要約してしまうと、後から元の文脈を失います。
次に、カードを机や壁に広げ、内容が似ているものを集めてグループを作ります。グループができたら、それに見出しをつけます。この見出しは単なる分類名ではなく、そのグループが示す意味を表現する必要があります。さらに、グループ同士の関係を見ながら、より大きなまとまりを作り、全体の構造を可視化していきます。
KJ法の強みは、予断を持たずにデータから構造を発見できる点です。一方で、カードの枚数が多すぎると収拾がつかなくなり、少なすぎると構造が見えてこないというバランス感覚が求められます。筆者の経験では、1回の調査で50枚から150枚程度のカードを扱うのが現実的です。
定性調査全般の基礎を押さえたい場合は、先に全体像を理解しておくと分析手法の位置づけが明確になります。
グラウンデッド・セオリー・アプローチ(GTA)の実践
グラウンデッド・セオリー・アプローチは、社会学者のグレイザーとストラウスが開発した質的研究法で、データから理論を生成することを目的とします。企業の実務においては、顧客行動の背後にあるメカニズムを理論的に説明したい場合に有効です。
GTAの特徴は、コーディングと呼ばれる分析作業を段階的に進める点にあります。最初のオープンコーディングでは、データを細かく読み込み、概念を抽出します。次の焦点的コーディングでは、抽出した概念同士の関係性を見出し、カテゴリーを形成します。最後の選択的コーディングでは、中核となる概念を特定し、全体を貫く理論を構築します。
実務での注意点は、GTAが本来学術研究向けに開発された手法であるため、ビジネスの意思決定に必要な速度とは相性が悪い場合があることです。厳密にGTAを適用すると、分析に膨大な時間がかかります。そのため、企業の現場では簡易版として、コーディングの発想だけを借りて、概念抽出と関係性整理に活用する形が現実的です。
GTAの強みは、単なる分類を超えて、現象を説明する理論的枠組みを作れる点です。新しい市場や未知の顧客層を理解する際に、既存の理論では説明できない行動原理を発見できる可能性があります。
SCAT（Steps for Coding and Theorization）による分析
SCATは、大谷尚が開発した比較的新しい分析手法で、少人数のインタビューデータから体系的に理論を生成するために設計されました。4段階のコーディングステップを踏むことで、データから概念を抽出し、ストーリーラインを構築します。
SCATの手順は明確に定義されています。まず、発言を意味のまとまりごとにセグメント化します。次に、データ内の注目すべき語句をピックアップします。3段階目では、それを言い換えるテクスト外の概念を記述します。4段階目で、そこから浮かび上がるテーマや構成概念を記述します。最後に、これらを統合してストーリーラインと理論を記述します。
SCATの利点は、手順が明確で、分析の透明性が高い点です。特に、n数が少ないデプスインタビューのデータから理論的示唆を導く際に力を発揮します。一方で、大量のインタビューデータを扱う場合には、全てのセグメントにこの作業を適用するのは現実的ではありません。
実務では、重要な発言や示唆的な箇所に絞ってSCATを適用する部分適用の形が使いやすいです。全てのデータを網羅的に分析するのではなく、核心的な部分を深く掘り下げる際に選択的に使う運用が効果的です。
内容分析とコーディングの実務活用
内容分析は、テキストや映像などのコンテンツを体系的に分類し、パターンを数量化する手法です。定性調査の文脈では、発言内容を予め設定したカテゴリーに分類し、出現頻度や傾向を把握する際に用いられます。
内容分析の手順は、まず分析の単位を決めることから始まります。単語レベルで見るのか、文レベルで見るのか、テーマレベルで見るのかを明確にします。次に、分類のためのコードブックを作成します。これは、どの発言をどのカテゴリーに分類するかの判断基準を言語化したものです。
コードブックに基づいて、実際にデータをコーディングしていきます。複数の分析者で作業する場合は、コーディングの一致率を確認し、判断のブレを最小化する必要があります。コーディングが完了したら、各カテゴリーの出現頻度を集計し、パターンを読み解きます。
内容分析の強みは、定性データに一定の定量的な視点を持ち込める点です。発言の傾向を数字で示すことで、報告の説得力が増します。ただし、数を数えることに注力しすぎて、文脈や意味の深さを失うリスクもあります。頻度が高いことと重要であることは必ずしも一致しないため、量的な側面と質的な側面の両方を見る姿勢が必要です。
AI技術を活用した定性調査の分析
近年、AI技術の発展により、定性調査の分析プロセスにも変化が生まれています。大規模言語モデルを活用したテキスト分析や、感情分析、トピック抽出などのツールが実務でも使われ始めています。
AIの活用方法としては、まず発言録の要約生成があります。膨大な発言データから主要なポイントを抽出し、要約を生成することで、分析の初期段階を効率化できます。次に、感情やトーンの分析です。発言の背後にある感情を数値化し、ポジティブ・ネガティブの傾向を把握できます。
さらに、トピックモデリングと呼ばれる手法では、大量のテキストから潜在的なトピックを自動抽出できます。人間が見落としがちなパターンを発見する可能性があります。また、発言同士の類似性を計算し、クラスタリングすることで、構造化の初期作業を支援できます。
ただし、AIが生成する顧客インサイトの限界を理解しておく必要があります。AIは統計的なパターンを見つけるのは得意ですが、文脈の深い理解や、言葉の裏にある意味の解釈は人間の判断に依存します。AIは分析の補助ツールとして活用し、最終的な解釈と意味づけは調査者が行うという役割分担が現実的です。
AIツールを使う際の注意点は、ブラックボックス化のリスクです。AIがどのようなロジックで分類や要約を行っているのかが見えないため、結果の妥当性を検証しにくい場合があります。また、学習データに偏りがあれば、それが分析結果にも反映されます。AIの出力を鵜呑みにせず、必ず人間の目で検証するプロセスを組み込むべきです。
分析手法の選び方と組み合わせの実践
ここまで5つの分析方法を紹介しましたが、実務ではどれか1つだけを使うのではなく、調査の目的とデータの性質に応じて使い分けたり、組み合わせたりすることが重要です。
探索的に構造を発見したい場合は、KJ法が適しています。予断を持たずにデータと向き合い、意外な発見を重視する場合に力を発揮します。一方、行動の背後にあるメカニズムを理論的に説明したい場合は、GTAやSCATが向いています。既存の理論では説明できない現象を扱う際に有効です。
発言の傾向を定量的に把握したい場合は、内容分析が使えます。複数のセグメント間で発言傾向を比較したい場合や、時系列での変化を追いたい場合に適しています。効率を重視し、大量のデータから素早く示唆を得たい場合は、AIツールの併用が選択肢に入ります。
実際の分析では、複数の手法を組み合わせることも有効です。たとえば、まずAIで発言を大まかにクラスタリングし、その後KJ法で構造を精緻化する。あるいは、KJ法で全体構造を作った後、重要な部分だけSCATで深掘りする。こうした柔軟な運用が実務では求められます。
選択の基準となるのは、調査の目的、利用可能な時間、データの量、求められる示唆の深さです。短期間で概要を把握したいのか、時間をかけて深い理解を得たいのか。数件のインタビューなのか、数十件のデータなのか。意思決定に必要な示唆のレベルはどの程度か。これらを考慮して適切な手法を選びます。
分析プロセスで見落とされがちな実務のポイント
分析手法の選択と並んで重要なのが、分析を進める際の実務的なポイントです。これらは教科書には書かれていませんが、実際の現場では成否を分ける要素になります。
まず、分析は一人で完結させようとしないことです。定性調査の分析は主観が入るため、複数の目でデータを見ることで解釈の偏りを減らせます。可能であれば、調査に関わっていない第三者にも見てもらい、異なる視点からの気づきを取り入れます。
次に、分析の途中経過を可視化することです。頭の中だけで考えるのではなく、ホワイトボードや壁、デジタルツールを使って、思考の過程を外部化します。可視化することで、構造が見えやすくなり、他者との議論もしやすくなります。
また、生データに立ち返る習慣を持つことです。分析が進むと、抽象化や概念化が進み、元の発言から離れていきます。定期的に発言録に戻り、自分の解釈が元のデータから逸脱していないか確認する作業が必要です。引用を残しておくことで、後から検証可能な形で分析を進められます。
さらに、分析のゴールを明確にしておくことです。完璧な分析を目指すと終わりが見えなくなります。この調査で何を明らかにすべきなのか、どのレベルの示唆があれば意思決定に使えるのかを最初に定義し、そこに到達したら分析を終える判断が求められます。
上司を動かす定性調査報告書の作り方を意識することで、分析のゴール設定がより具体的になります。
分析品質を担保するための検証方法
定性調査の分析には正解がないと述べましたが、だからといって何でもありではありません。分析の質を担保するための検証方法があります。
1つ目は、解釈の根拠を明示することです。なぜその解釈に至ったのか、どの発言がその解釈を支持しているのかを説明できる状態にします。根拠となる発言の引用を残し、解釈とデータの紐付けを明確にします。
2つ目は、反証の検討です。自分の解釈と矛盾するデータはないか、別の解釈の可能性はないかを意識的に探します。都合の良いデータだけを拾い、都合の悪いデータを無視していないか自問します。反証を検討した上で、それでもこの解釈が妥当だと説明できることが重要です。
3つ目は、第三者レビューです。分析結果を調査に関わっていない人に見せ、納得感があるか、論理の飛躍がないか、別の解釈の余地がないかをチェックしてもらいます。外部の視点を入れることで、分析者の思い込みや偏りを修正できます。
4つ目は、三角測定です。異なる情報源や手法から得たデータと照合し、整合性を確認します。たとえば、インタビューから得た解釈が、観察データや定量調査の結果とも整合するかを見ます。複数の角度から同じ結論が支持されれば、解釈の妥当性が高まります。
分析から示唆導出への橋渡し
分析作業が完了しても、それだけではビジネスの意思決定に使えません。分析結果を実務的な示唆に変換するプロセスが必要です。
示唆導出では、分析で明らかになった構造やパターンから、「だから何なのか」を考えます。顧客がこう考えているということは、商品開発でどうすべきか。この行動パターンがあるということは、マーケティングコミュニケーションでどう変えるべきか。分析結果をアクションに結びつける思考が求められます。
この際、分析結果を一段抽象化して法則性や原理を抽出する作業が有効です。個別の発言や事例レベルから、より一般化された知見に昇華させることで、適用範囲が広がります。ただし、抽象化しすぎると当たり前の結論になってしまうため、適度な具体性を残すバランスが重要です。
また、示唆は実行可能性とセットで考える必要があります。どんなに鋭い洞察でも、組織のリソースや制約の中で実行できなければ意味がありません。示唆を出す際には、実現性の検討も含めて提示することで、受け手の納得感が高まります。
筆者の経験では、示唆を出す際に「こうすべき」という結論だけでなく、「なぜこの示唆に至ったのか」という思考プロセスも併せて説明することが重要です。結論だけを伝えても、意思決定者が腹落ちしなければ動きません。分析の過程で何を発見し、どう考え、なぜこの結論に至ったのかというストーリーを伝えることで、説得力が生まれます。
実際の事例に見る分析手法の使い分け
ここで、実際の調査プロジェクトでどのように分析手法が使われているのか、筆者が関わった事例を元に紹介します。
ある消費財メーカーが新しい商品カテゴリーへの参入を検討していた際、既存ユーザーへのデプスインタビューを実施しました。この調査では、まずKJ法を使って発言全体を構造化し、購買行動の全体像を把握しました。その過程で、購買決定において特定の心理的葛藤が重要な役割を果たしていることが浮かび上がりました。
そこで、その葛藤に関する発言だけを抽出し、SCATを使って深掘り分析を行いました。その結果、葛藤の背後には、自己イメージと他者評価の矛盾があることが明らかになりました。この知見を元に、商品コンセプトとコミュニケーション戦略が再設計され、最終的に成功を収めました。
別の事例では、ある小売企業が店舗体験の改善を目指し、複数店舗で行動観察とインタビューを実施しました。データ量が多かったため、まずAIツールで発言をトピック別にクラスタリングし、全体の傾向を把握しました。その後、重要なトピックについては内容分析を行い、セグメント別の差異を定量的に確認しました。
最後に、特に示唆的だった発言については、文脈を含めて詳細に読み解き、行動の背後にある心理メカニズムを解釈しました。この複合的なアプローチにより、短期間で実行可能な改善策を導出できました。
これらの事例が示すのは、1つの手法に固執せず、調査の目的とデータの性質に応じて柔軟に手法を選び、組み合わせることの重要性です。教科書通りの手順を踏むことよりも、得たい示唆に最短で到達できる道筋を設計する実践的な判断力が求められます。
まとめ
定性調査の分析方法は、KJ法、グラウンデッド・セオリー・アプローチ、SCAT、内容分析、AI活用という5つの主要な選択肢があります。それぞれに特徴があり、調査の目的やデータの性質に応じて使い分けることが重要です。
分析は単なる発言の整理ではなく、データから意味を抽出し、ビジネス上の示唆に変換するプロセスです。手法の選択だけでなく、分析の透明性、検証可能性、実行可能な示唆への変換といった実務的なポイントを押さえることで、定性調査の価値を最大化できます。
完璧な分析を目指すよりも、目的に応じた適切なレベルの示唆を、限られた時間内で導出する実践的な姿勢が現場では求められます。複数の手法を理解し、状況に応じて柔軟に組み合わせる力が、実務者にとっての真の分析スキルと言えます。
よくある質問
この記事を書いた人
石崎 健人 | 株式会社バイデンハウス マネージング・ディレクター
リサート所属モデレーター。外資系コンサルティング・ファーム等を経て現職。生活者への鋭い観察眼と洞察力を強みに、生活者インサイトの提供を得意とする。2022年より株式会社バイデンハウス代表取締役。2025年よりインタビュールーム株式会社（リサート）取締役。