顧客フィードバック分析（Customer Feedback Analysis）
顧客からのフィードバックデータを体系的に分析し、感情分類・カテゴリタグ付け・
顧客フィードバック分析（Customer Feedback Analysis）
概要
顧客からのフィードバックデータを体系的に分析し、感情分類・カテゴリタグ付け・
トレンド分析・改善優先度付けを行うスキル。NPS相関分析にも対応。
入力
実行手順
Step 1: データ前処理
入力データを整理し、以下の情報を抽出:
```
データ概要:
総フィードバック数: {数値}
期間: {開始日} 〜 {終了日}
データソース: {レビュー/アンケート/問い合わせ/SNS等}
言語: {日本語/英語/混在}
平均文字数: {値}文字
```
重複・スパムの除外基準:
Step 2: 感情分類（Sentiment Classification）
各フィードバックを3段階で分類:
```
感情分布:
ポジティブ ████████████████████ 42% ({数値}件)
ニュートラル ██████████████ 28% ({数値}件)
ネガティブ ██████████████ 30% ({数値}件)
感情分類基準:
ポジティブ: 満足・感謝・推奨の表現を含む
例: 「素晴らしい」「助かった」「おすすめ」「使いやすい」
ニュートラル: 事実の報告・質問・感情表現なし
例: 「機能Xはありますか」「こういう使い方をしています」
ネガティブ: 不満・苦情・批判の表現を含む
例: 「使いにくい」「遅い」「期待外れ」「解約したい」
感情強度スコア（1〜5）:
5: 非常に強い感情表現（「最悪」「感動した」）
4: 強い感情表現（「とても不満」「大変満足」）
3: 通常の感情表現（「不便」「良い」）
2: 弱い感情表現（「少し気になる」「まあまあ」）
1: ほぼニュートラル（「普通」「特にない」）
```
Step 3: カテゴリタグ付け
各フィードバックに以下のカテゴリを付与:
| カテゴリ | 定義 | 例 |
|---------|------|-----|
| 機能リクエスト | 新機能・改善の要望 | 「Xの機能がほしい」 |
| バグ報告 | 不具合・エラーの報告 | 「Yが動かない」 |
| 称賛 | 満足・感謝の表明 | 「Zが便利で助かる」 |
| 苦情 | 不満・批判の表明 | 「サポートが遅い」 |
| 質問 | 使い方・仕様への問い合わせ | 「Xはどう設定する？」 |
| UX/UI | 使い勝手に関する言及 | 「ボタンが見つけにくい」 |
| 価格 | 料金に関する言及 | 「もう少し安ければ」 |
| パフォーマンス | 速度・安定性への言及 | 「読み込みが遅い」 |
| サポート | 顧客対応への言及 | 「対応が丁寧だった」 |
```
カテゴリ分布:
機能リクエスト ████████████████ 32%
バグ報告 ██████████ 20%
称賛 ████████████ 24%
苦情 ██████ 12%
UX/UI ████ 8%
その他 ██ 4%
```
Step 4: トレンド分析
時系列データがある場合、以下を分析:
```
月次感情推移:
ポジティブ ニュートラル ネガティブ
1月 ████ 45% ███ 30% ██ 25%
2月 ████ 42% ███ 28% ███ 30% ← ネガティブ増加
3月 █████ 50% ███ 28% ██ 22% ← 改善
4月 █████ 52% ██ 26% ██ 22%
トレンド判定:
ポジティブ比率: 上昇傾向（+7pp / 4ヶ月）
ネガティブ比率: 改善傾向（-3pp / 4ヶ月）
```
カテゴリ別のトレンド変化:
```
急増カテゴリ（前期比 +50%以上）:
- {カテゴリ名}: {増加率}% ← {想定要因}
急減カテゴリ（前期比 -30%以上）:
- {カテゴリ名}: {減少率}% ← {想定要因}
新出テーマ（前期には存在しなかった話題）:
- {テーマ}: {件数}件
```
Step 5: 代表的な引用の抽出
各カテゴリ・感情から代表的なフィードバックを選出:
```
代表的な声:
■ ポジティブ（最も共感を集めた意見）
「{引用テキスト}」
— 感情: ポジティブ / カテゴリ: 称賛 / 強度: 4
■ ネガティブ（最も深刻な課題を示す意見）
「{引用テキスト}」
— 感情: ネガティブ / カテゴリ: バグ報告 / 強度: 5
■ 示唆に富む意見（改善のヒントを含む）
「{引用テキスト}」
— 感情: ニュートラル / カテゴリ: 機能リクエスト
```
選出基準:
Step 6: 改善優先度付け
影響度 × 工数マトリクスで改善項目を整理:
```
改善優先度マトリクス:
| 順位 | 改善項目 | 言及数 | 感情強度 | 影響度 | 工数 | 優先度 |
|------|---------|--------|---------|--------|------|--------|
| 1 | {項目} | {数値}件 | {値} | 大 | 小 | ★★★★★ |
| 2 | {項目} | {数値}件 | {値} | 大 | 中 | ★★★★ |
| 3 | {項目} | {数値}件 | {値} | 中 | 小 | ★★★★ |
| 4 | {項目} | {数値}件 | {値} | 中 | 中 | ★★★ |
| 5 | {項目} | {数値}件 | {値} | 小 | 小 | ★★ |
優先度スコア計算:
優先度 = 言及数の正規化(0〜1) × 0.3
+ 感情強度の正規化(0〜1) × 0.3
+ 影響度スコア(0〜1) × 0.25
+ (1 - 工数スコア(0〜1)) × 0.15
```
Step 7: NPS相関分析
NPSデータがある場合:
```
NPS分布:
推奨者（9-10）: ████████████████ 40%
中立者（7-8）: ██████████████ 35%
批判者（0-6）: ██████████ 25%
NPS = 推奨者% - 批判者% = {値}
NPS × カテゴリ相関:
批判者が最も言及するカテゴリ:
1. {カテゴリ}: {値}%（全体平均 {値}%との差: +{値}pp）
2. {カテゴリ}: {値}%
推奨者が最も言及するカテゴリ:
1. {カテゴリ}: {値}%
2. {カテゴリ}: {値}%
NPS改善レバー:
{カテゴリ}を改善すれば、批判者の{値}%が中立者に移行する可能性
→ NPS {現在値} → {改善後見込み}（+{値}ポイント）
```
出力フォーマット
```markdown
顧客フィードバック分析レポート
分析期間: {YYYY-MM-DD} 〜 {YYYY-MM-DD}
データ数: {数値}件
エグゼクティブサマリー
1. 感情分析（Step 2）
2. カテゴリ分析（Step 3）
3. トレンド（Step 4）
4. 顧客の声（Step 5）
5. 改善ロードマップ（Step 6）
6. NPS分析（Step 7、データあれば）
```