03-6441-0989
Yuki Ueda 
アンケートの自由回答欄に大量のテキストが集まったとき、あなたはどう処理していますか。全件に目を通すには時間が足りず、かといって読み飛ばせば貴重な声を取りこぼしてしまいます。そんなときに頼りになるのがテキストマイニングです。
テキストマイニングとは、自然言語処理の技術を用いて大量のテキストデータから有用な情報やパターンを抽出する分析手法を指します。アンケートの自由回答、SNSの投稿、コールセンターのログといった非構造化データを定量的に処理し、顧客の声を可視化できます。
筆者はこれまで数百件の調査プロジェクトでテキストマイニングを活用してきましたが、多くの実務者が陥る落とし穴を目の当たりにしてきました。ツールに投入すれば自動で示唆が出ると誤解している人、単語の出現頻度だけ見て文脈を無視する人、AIの分類結果を鵜呑みにして現場感覚と乖離した報告をする人。これらは全て、手法の本質を理解せず表面的な操作だけで済ませようとした結果です。
本稿では、テキストマイニングをアンケートの自由回答分析に活用する際の3つの主要手法と、それぞれの使い分けを実務視点で解説します。形態素解析、共起ネットワーク、感情分析という3つのアプローチを正しく理解すれば、数千件の回答からでも顧客の本音を効率的に抽出できます。
テキストマイニングが定量調査で必要とされる3つの理由
アンケート調査において自由回答欄は、選択肢では拾いきれない顧客の生の声を収集できる貴重な設問です。しかし回収数が増えるほど、その処理は困難になります。
100件程度なら人力で読み込めますが、1000件を超えると物理的に不可能になります。かといって集計せずに放置すれば、回答者の期待を裏切り、調査設計そのものが無意味になります。この矛盾を解消するのがテキストマイニングの第一の価値です。
第二の理由は、分析者の主観を排除しやすい点にあります。人が手作業でコーディングする場合、どうしても自分の仮説や先入観に引きずられます。見たいものだけを見て、都合の悪い意見を無意識に軽視してしまう認知バイアスは避けられません。テキストマイニングは全文を機械的に処理するため、意図しない発見を促します。
第三の理由は、時系列比較や属性別の差分抽出が容易になる点です。顧客満足度調査を毎年実施している企業なら、昨年と今年で自由回答の傾向がどう変化したかを定量的に示せます。性別、年代、利用頻度といった属性ごとに語彙の違いを可視化すれば、セグメント別の課題も浮き彫りになります。
ただし誤解してはいけないのは、テキストマイニングが全てを自動で解決する魔法の道具ではない点です。あくまで大量のテキストを整理し、パターンを示すツールにすぎません。最終的な解釈と意味づけは人間が行う必要があります。
形態素解析で単語の出現頻度を把握する基本手法
テキストマイニングの最も基礎的な手法が形態素解析です。日本語の文章は英語と違い単語間にスペースがないため、まず文を単語単位に分割する必要があります。この処理を形態素解析と呼びます。
形態素解析エンジンには、MeCab、Janome、SudachiPyなどがあります。これらのツールは辞書を参照しながら文章を名詞、動詞、形容詞といった品詞に分解し、各単語の出現回数を集計します。
出現頻度だけで判断する危険性
多くの実務者が犯す最初の誤りは、頻出単語ランキングだけを見て分析を終えてしまうことです。確かに「価格」「品質」「対応」といった単語が上位に並べば、それらが関心事だと推測できます。しかしそれだけでは文脈が見えません。
「価格が高い」という不満なのか、「価格が安い」という評価なのか、単語の出現回数だけでは判別できません。ネガティブな文脈とポジティブな文脈を区別せずに集計すると、誤った結論を導きます。
筆者が関わったある食品メーカーの事例では、「味」という単語が自由回答で最頻出でした。担当者は「味への関心が高い」と報告しようとしましたが、実際に文章を読むと「味が薄い」「味がしない」といった否定的文脈が大半を占めていました。単語だけ見て安心していたら、重大なクレームを見逃すところでした。
ストップワードと品詞フィルタの設定
形態素解析を実施する際には、ストップワードの除外と品詞フィルタの設定が欠かせません。ストップワードとは、「これ」「その」「ある」といった助詞や代名詞など、分析上意味を持たない単語を指します。
これらを除外しないと、頻出ランキングが無意味な語で埋まります。一方で除外しすぎると、本来拾うべきニュアンスを失います。調査テーマに応じて除外リストをカスタマイズする必要があります。
品詞フィルタも重要です。名詞だけを抽出すれば対象物が見えますが、形容詞や動詞を含めれば評価や行動が浮かび上がります。たとえば化粧品の使用感調査なら、「しっとり」「さっぱり」といった形容詞が重要な示唆を含みます。
共起ネットワークで単語同士の関係性を可視化する
形態素解析の次に活用したいのが共起ネットワーク分析です。共起とは、複数の単語が同一文章内に一緒に出現することを指します。どの単語とどの単語が結びつきやすいかを可視化すると、顧客が何をどう感じているかの関係性が見えてきます。
たとえば「サポート」と「迅速」が共起していれば、サポート対応のスピードが評価されていると推測できます。逆に「サポート」と「遅い」が共起していれば、不満の原因が特定できます。単語同士のつながりを見ることで、単純な頻出ランキングでは見えなかった文脈が浮かび上がります。
ネットワーク図の読み方と注意点
共起ネットワークは通常、ノードとエッジで構成されたグラフとして可視化されます。ノードが単語、エッジが共起関係を表し、エッジの太さや色で共起の強さを示します。
ここで注意すべきは、視覚的なインパクトに惑わされないことです。ネットワーク図は美しく見えますが、レイアウトアルゴリズムによって配置が変わります。中心に配置された単語が必ずしも最重要とは限りません。
筆者が関わったあるBtoB企業の調査では、共起ネットワークで「コスト」が中心に配置されていたため、経営層が「価格競争に巻き込まれている」と誤解しました。しかし実際には「コスト削減」「コスト効率」といったポジティブな文脈が多く、顧客は価格の安さではなく投資対効果を評価していました。
クラスタリングで話題のグループを抽出する
共起ネットワークの発展形として、クラスタリングを組み合わせる方法があります。共起の強い単語群をまとめてグループ化し、話題ごとに色分けして表示すると、顧客の関心事が何種類あるかを俯瞰できます。
たとえば宿泊施設のレビュー分析では、「部屋」「清潔」「広さ」のクラスタ、「朝食」「種類」「美味しい」のクラスタ、「立地」「駅」「アクセス」のクラスタといった具合に、評価軸が自然に分かれます。これにより改善施策の優先順位をつけやすくなります。
ただしクラスタ数の設定は恣意的になりがちです。アルゴリズムが自動で最適なクラスタ数を提案してくれますが、それが必ずしもビジネス上意味のある分類になるとは限りません。最終的には人が内容を確認し、統合や分割を判断する必要があります。
感情分析でポジティブ・ネガティブを自動判定する
3つ目の手法が感情分析です。各文章がポジティブな内容かネガティブな内容かを自動判定し、スコア化します。これにより顧客満足度の傾向を定量的に把握できます。
感情分析には大きく分けて2つのアプローチがあります。1つは辞書ベースの手法で、予め「嬉しい」「素晴らしい」といったポジティブ単語と「不満」「最悪」といったネガティブ単語のリストを用意し、出現頻度でスコアを算出します。もう1つは機械学習ベースの手法で、大量の学習データをもとにモデルが自動で判定します。
辞書ベースの限界と文脈の問題
辞書ベースの感情分析は手軽ですが、限界もあります。最大の問題は否定表現への対応です。「悪くない」という文章は否定語と否定語が組み合わさり、実際にはポジティブな意味になりますが、単純な辞書マッチングでは「悪い」を拾ってネガティブと判定してしまいます。
また業界特有の表現や商品固有の用語には対応できません。化粧品の「しっとり」は多くの場合ポジティブですが、汎用的な感情辞書には含まれていません。カスタマイズが必要になります。
機械学習モデルの精度と過信のリスク
機械学習ベースの感情分析は、近年の自然言語処理技術の進歩により精度が向上しています。BERTやGPTといった大規模言語モデルを活用すれば、文脈を考慮した判定が可能です。
しかし完璧ではありません。筆者が実施したある家電メーカーの調査では、AIが「期待を裏切られた」という文章をポジティブと判定しました。「期待」という単語の出現でポジティブと誤認したのです。人間なら一瞬で判別できる皮肉や反語的表現は、機械にとって難題です。
感情分析の結果は参考値として扱い、必ずサンプルを抽出して人が確認するプロセスを挟むべきです。AIに全てを委ねると、現場感覚と乖離した報告になります。
実務でよくある3つの失敗パターンと回避策
ここまで3つの手法を紹介しましたが、実務で陥りがちな失敗パターンを挙げておきます。
失敗1:ツールの出力をそのまま報告する
テキストマイニングツールは確かに便利ですが、出力されたワードクラウドや共起図をそのままスライドに貼り付けて報告するのは危険です。経営層や事業部門は、図の読み方を知りません。
必要なのは解釈です。なぜこの単語が頻出するのか、この共起関係が何を意味するのか、ビジネス上の示唆は何かを言語化しなければなりません。ツールはあくまで分析の補助であり、結論を代わりに出してくれるわけではありません。
失敗2:サンプル数が少なすぎる
テキストマイニングは大量データを前提とした手法です。自由回答が50件しかない状態で形態素解析をかけても、統計的に意味のある傾向は見えません。
最低でも200件、できれば500件以上のテキストが集まってから実施すべきです。それ以下なら、むしろ定性調査の分析方法を使って人が丁寧に読み込んだほうが示唆を得やすいです。
失敗3:自由回答の設問設計を軽視する
テキストマイニングで分析できるかどうかは、自由回答欄の設問設計にかかっています。「その他、ご意見があればお書きください」といった漠然とした聞き方では、回答内容がバラバラになり分析が困難です。
「○○について、良かった点と改善してほしい点を具体的にお書きください」のように、回答の方向性を絞る設問にすれば、集まるテキストに一定の構造が生まれます。調査票の作り方の段階で、後工程の分析手法を見据えた設計が必要です。
3つの手法を組み合わせた実践的分析フロー
形態素解析、共起ネットワーク、感情分析は、それぞれ単独で使うよりも組み合わせたほうが効果的です。筆者が実務で推奨する分析フローを紹介します。
まず全体を形態素解析にかけて頻出単語を把握します。これで全体像の概要をつかみます。次に感情分析で全文をポジティブ・ネガティブ・中立に分類し、それぞれのグループごとに再度形態素解析と共起ネットワークを実施します。
こうすることで、ポジティブ文脈での頻出単語とネガティブ文脈での頻出単語が分離され、より正確な示唆が得られます。たとえば「対応」という単語が全体で頻出していても、ポジティブ文脈では「対応が早い」、ネガティブ文脈では「対応が悪い」といった具合に、文脈ごとの意味が明確になります。
さらに属性別の比較も有効です。年代別、性別、利用頻度別に分けてテキストマイニングを実施すれば、セグメントごとの違いが浮かび上がります。若年層は「デザイン」を重視し、高年層は「使いやすさ」を重視している、といった傾向が可視化されます。
AIツールの進化と人の役割の再定義
近年、ChatGPTをはじめとする大規模言語モデルの登場により、テキストマイニングの手法も大きく変化しています。従来は形態素解析や共起ネットワークといった統計的手法が主流でしたが、今やAIに自由回答全文を投入して要約や分類を依頼することも可能です。
しかしAIが万能というわけではありません。AIが生成する顧客インサイトの限界は、現場感覚の欠如にあります。AIは学習データに基づいて一般的なパターンを抽出しますが、その業界特有の文脈や、調査対象企業固有の事情を理解できません。
筆者が実施したある小売業の調査では、AIが「店員の対応が良い」という意見を高評価として抽出しましたが、実際には「対応が良すぎて逆に気を使う」という否定的ニュアンスでした。こうした微妙な文脈の違いを読み取るには、やはり人間の解釈が必要です。
AIはあくまで作業効率を上げるツールであり、最終的な意味づけと示唆の抽出は人が担うべき領域です。テキストマイニングを実施する実務者には、ツールの操作スキルだけでなく、顧客理解の深さと現場感覚が求められます。
テキストマイニングを定性調査と組み合わせる意義
テキストマイニングは定量調査の自由回答を処理する手法として紹介されることが多いですが、実は定性調査との組み合わせも有効です。
たとえばデプスインタビューの発言録をテキストマイニングにかけると、モデレーターが見落としていた頻出語や共起関係が発見できます。インタビュー中は会話の流れに集中しているため、後から振り返ると意外な発言パターンに気づくことがあります。
また複数のインタビューを実施した際、個別には気づかなかった共通パターンが、テキストマイニングによって浮かび上がることもあります。定性調査で得た深い洞察を、テキストマイニングで横串に検証する使い方も有効です。
逆に、テキストマイニングで発見した興味深い共起関係や感情傾向について、なぜそうなるのかを深掘りするために追加のデプスインタビューを実施するアプローチもあります。定量と定性を往復することで、より確度の高い示唆が得られます。
まとめ
テキストマイニングは、アンケートの自由回答という宝の山を効率的に処理し、顧客の声を定量的に可視化する強力な手法です。形態素解析で単語の出現傾向を把握し、共起ネットワークで単語同士の関係性を読み解き、感情分析でポジティブ・ネガティブを判定する。この3つの手法を組み合わせれば、大量のテキストから意味のある示唆を抽出できます。
ただし忘れてはならないのは、ツールはあくまで補助であり、最終的な解釈は人が行うという原則です。出現頻度だけで判断せず文脈を読み、AIの出力を鵜呑みにせず現場感覚で検証し、統計的なパターンをビジネス上の示唆に翻訳する。この一連のプロセスを丁寧に実行してこそ、テキストマイニングは真の価値を発揮します。
自由回答欄を放置せず、かといって人力で全件読む無理もせず、テクノロジーと人の解釈を適切に組み合わせる。それが現代の実務者に求められるテキストマイニングの正しい活用法です。
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。