「顧客の声を聞く（VoC: Voice of Customer）」は事業のあらゆる意思決定に効くと言われますが、実際には 「どの方法でどんな声を集めるべきか」 が混乱していて、結果として何も実行されないケースが頻繁にあります。
本記事では、VoCを集める7つの主要手法を比較し、それぞれが拾える「声の質」の違い と、AI時代における各手法の位置づけ を整理します。
VoCの7つの手法
| 手法 | 取得できる声の質 | 規模 | 深さ | 必要コスト |
|---|---|---|---|---|
| アンケート | 設問通りの構造化データ | 大 | 中 | 低 |
| ユーザーインタビュー | 文脈・感情・ストーリー | 小 | 大 | 大 |
| サポートログ分析 | 不満・困りごと | 中 | 中 | 中 |
| 営業/CS現場ヒアリング | リアルタイムの反応 | 中 | 中 | 中 |
| SNS・口コミ分析 | 声を上げた人の意見 | 大 | 小 | 低 |
| 行動ログ分析 | 言葉にしない行動 | 大 | 小 | 大 |
| 競合・公開レビュー比較 | 業界内の位置づけ | 中 | 小 | 低 |
それぞれを順番に解説します。
手法1：アンケート
最も普及した手法。設計次第で大量の構造化データを取得できます。
取れる声の質
- 設計した設問への直接的な回答
- 数値化された定量データ（NPS、CSATなど）
- 一定量の自由記述
- セグメント別の傾向
強み
- 規模を出せる（数百〜数万件）
- 統計的に分析可能
- 自社が知りたいことに対する直接の答え
- 時系列での経時変化を追える
弱み
- 設計した質問にしか答えが返ってこない
- 「なぜ」の深掘りが弱い（自由記述の質に依存）
- 設計者のバイアスが入る
- 回答疲れ・回答率低下
向く場面
- 数値指標の定期モニタリング
- セグメント別の傾向把握
- 仮説の定量検証
- 大量サンプルが必要な調査
手法2：ユーザーインタビュー
n=1の深掘りで、文脈・感情・ストーリーを取る手法。
取れる声の質
- 数字に出ない感情・葛藤
- 利用シーンの具体的なストーリー
- 「なぜ」「どうやって」の深い理由
- 設計者が想定していなかった発見
強み
- 圧倒的な深さ
- 仮説検証ではなく、新しい仮説の発見ができる
- 顧客の世界観を理解できる
- インタビュアー側の学びが大きい
弱み
- スケールしない（1日2〜3名が限界）
- 設計と分析にスキルが必要
- バイアスが入りやすい
- 結果を組織に展開するのが難しい
向く場面
- 新規事業・新機能の構想段階
- ペルソナ作成
- 解約理由・継続理由の深掘り
- アンケート結果の「なぜ」を探る
手法3：サポートログ分析
カスタマーサポートに集まる問い合わせ・クレーム・要望のログを分析。
取れる声の質
- 顧客の困りごと・不満
- 製品の使いにくさ
- 機能の使われ方
- 期待と現実のギャップ
強み
- 既に蓄積されているデータ（追加コストが小さい）
- リアルタイム
- 具体的で文脈付き
- 顧客が能動的に問い合わせた高優先度の声
弱み
- 問い合わせる人 ≠ 顧客全体（前述の声を上げる少数派バイアス）
- ネガティブな声に偏る
- カテゴリ分類しないと活用しにくい
向く場面
- プロダクト改善の優先度判断
- マニュアル・ヘルプ改善
- UI/UX上の摩擦点発見
手法4：営業/CS現場ヒアリング
営業担当やカスタマーサクセス担当が日々接している顧客の生の反応。
取れる声の質
- 商談中のリアルタイム反応
- 競合との比較情報
- 値段・条件への感度
- キーパーソンの本音
強み
- すでに発生している会話の延長
- 顧客との関係が温かい状態で取れる
- 商談の文脈と紐づけられる
- 営業/CSのモチベーションも上がる
弱み
- 担当者の主観が入る
- 体系的に集約しにくい
- 担当ごとに精度がばらつく
- 「言いたいこと」より「営業が拾った印象」になりがち
向く場面
- BtoBでの顧客理解
- 価格戦略・パッケージング検討
- 競合比較情報の収集
手法5：SNS・口コミ分析
X（旧Twitter）、Instagram、レビューサイトなどの公開投稿の分析。
取れる声の質
- 自発的な感想・推奨
- ハッシュタグでの話題化
- インフルエンサーの取り上げ方
- 業界全体のトレンド
強み
- AIで大規模分析しやすい
- 競合との比較が可能
- 業界全体の温度感がわかる
- 取得コストが小さい
弱み
- 声を上げた人の偏り（AI時代の一次データ論 参照）
- 文脈が薄い
- 自社が聞きたいことには答えない
- AI最適化されたコンテンツ増加で純度が下がる
向く場面
- 業界トレンド把握
- ブランドメンション監視
- 炎上・ネガティブ拡散の早期検知
手法6：行動ログ分析
製品の利用ログ、サイトアクセスログ、購買履歴の分析。
取れる声の質
- 「言葉にしない行動」のパターン
- 機能の使われ具合（使われていないものも含む）
- 離脱ポイント
- 利用頻度の変化
強み
- 全顧客の行動を追える
- バイアスが入らない（事実ベース）
- 経時変化を見られる
- 大規模分析が可能
弱み
- 「なぜそうしたか」がわからない
- 行動の解釈は分析者依存
- データ基盤の構築コストが高い
- ログだけでは意思決定に踏み切れない
向く場面
- プロダクト分析（PMM・PdMの定常業務）
- 仮説検証
- 離脱要因の特定
手法7：競合・公開レビュー比較
自社・競合の公開レビューを集約して比較分析。
取れる声の質
- 業界内のポジショニング
- 自社のレビューに繰り返し出るキーワード
- 競合が褒められる・批判される領域
- 業界全体の不満トピック
強み
- 競合の声まで取得可能
- AIで集約しやすい
- 取得コストが小さい
弱み
- 公開データの限界（前述）
- 自社が聞きたいことには答えない
- レビュー文化が業界によって偏る
向く場面
- 戦略策定の初期インプット
- 新規参入時の業界理解
- ポジショニング検討
7手法の使い分けマトリクス
事業フェーズ別に推奨される手法：
新規事業・構想段階
- ユーザーインタビュー（深掘り）
- 競合・公開レビュー（業界理解）
製品改善段階
- サポートログ分析
- 行動ログ分析
- アンケート（仮説検証）
グロース段階
- アンケート（定量モニタリング）
- 営業/CSヒアリング
- SNS分析
成熟・解約防止段階
- アンケート（NPS/CSAT継続調査）
- ユーザーインタビュー（解約理由）
- 行動ログ分析（兆候検知）
ここからが本題 — AI時代における各手法の再評価
AI時代に「相対的に価値が下がる」もの
- SNS・口コミ分析 — AIが容易に集約できる時代になり、競争優位を作りにくい
- 公開レビュー比較 — 同上
- 行動ログ分析 — 既に大手はAI活用済みで、差別化が難しい
AI時代に「相対的に価値が上がる」もの
- アンケート — 自社にしかない一次データ。AIで他社に分析されない
- ユーザーインタビュー — 同上、かつ感情・文脈という最も模倣困難な情報
- 営業/CSヒアリング — リアルタイムの一次接点で、AIでは置き換えられない
つまり、「自社にしか取れない一次データ系」の価値が上がっている のがAI時代の特徴です。
VoCを「単発」で終わらせない仕組み化
VoCの最大の失敗は、「取って分析して終わり」になること。これは アンケート結果の活かし方 で詳しく扱いますが、要点だけ書きます：
- 取得 → 分析 → 共有 → 意思決定 → 施策 → 再測定 のサイクルを回す
- 取得後の ネクストアクション を取得前に決めておく
- 結果を 意思決定者の手に届く形 で要約する
- 過去の取得データと 時系列で比較 する
これらが回らない組織では、何度VoCを取っても価値が積み上がりません。
レポアンが支援する領域
レポアンは7手法のうち アンケート と ユーザーインタビュー前後のフォロー を中心にカバーします。
- AIによる設問生成 — 「業界・目的を伝えるだけ」で適切な設問構成
- 継続調査ダッシュボード — 月次・四半期の経時変化を自動追跡
- 自由記述のAI分析 — テーマ抽出・感情分類・キーワード可視化
- セグメント別深掘り — 多次元のクロス分析
- インタビュー前後の補完アンケート — 定量×定性のハイブリッド設計
まとめ
VoCの集め方は：
- 7つの主要手法があり、それぞれ取れる声の質が違う
- 事業フェーズと目的に応じて使い分けるのが本質
- AI時代には「自社にしかない一次データ系（アンケート、インタビュー、CSヒアリング）」の価値が相対的に上がっている
- 取って終わりではなく、意思決定までのサイクルを設計するのが要
「VoCを取る」のは目的ではなく、「取って分析して意思決定して施策に繋げる」プロセス全体 が目的。手法選びはその全体設計の中で行うのが、無駄なくVoCを活かす道筋です。