NPSは、顧客が商品・サービスをどの程度他者へすすめたいと思っているかを0〜10点で回答してもらい、推奨者と批判者の割合から算出する指標です。
生成AIを補助的に使うと、自由記述の要約、コメントテーマの整理、セグメント差の言語化、改善候補の洗い出し、再調査で確認する観点の整理を効率化できます。
一方で、生成AIにNPS分析そのものを丸投げすると、回答にない理由を補う、少数コメントを大きな傾向として断定する、推奨者・中立者・批判者の区分を誤る、NPS計算を取り違える、改善優先順位やKPI基準を勝手に決める、といった危険があります。
この記事では、生成AIをNPSの補助として使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、AIの限界まで含めて解説します。
NPSの基本から確認したい場合は、NPSとは?を参照してください。実務の進め方は、NPSのやり方で確認できます。
生成AIを使いやすい6つの場面
生成AIは、次の6つの場面で使いやすいです。
- 自由記述の表記ゆれや重複候補を整理する
- 批判者・中立者・推奨者のコメントをテーマ化する
- セグメント別の違いを文章で要約する
- 改善テーマ候補を洗い出す
- 再測定で見るべき観点を整理する
- 経営会議向けの説明文を整える
重要なのは、AIを「顧客の代わりに解釈を決める人」ではなく、「大量の記述を読みやすく整理する補助役」として使うことです。
1. 自由記述の表記ゆれと重複候補を整理させる
自由記述が100件、500件と増えると、似たコメントをまとめるだけでも時間がかかります。
プロンプト例
次のNPS自由記述を、内容を変えずに整理してください。
条件:
- 原文を要約しすぎない
- 表記ゆれ、重複、同義表現の候補をまとめる
- 回答にない理由を補わない
- 不明なコメントは「要確認」とする
- 推奨者・中立者・批判者の区分は変更しない
出力形式:
- 元コメント
- 整理後テーマ候補
- 要確認点
出力の使い方
たとえば、
- 「初期設定が多すぎる」
- 「最初に何を設定すればよいか分からない」
- 「導入時の設定項目が複雑」
といったコメントを「初期設定の複雑さ」という候補へまとめさせます。
ただし、正式なテーマ名と件数は人が確認します。
2. 批判者・中立者・推奨者を分けてテーマ化させる
NPSでは、9〜10点を推奨者、7〜8点を中立者、0〜6点を批判者として扱います。
AIには、3区分を混ぜずにテーマを整理させると使いやすくなります。
プロンプト例
次の自由記述を、推奨者・中立者・批判者ごとに分けてテーマ化してください。
条件:
- 9〜10点は推奨者
- 7〜8点は中立者
- 0〜6点は批判者
- 区分を勝手に変更しない
- テーマごとの件数を数える
- 1コメントに複数論点がある場合は重複計上候補として明記する
- 件数だけで重要度を決めない
出力の使い方
法人向け業務SaaSで批判者25人の自由記述を整理し、
- 初期設定が複雑:10人
- 権限設定が分かりにくい:6人
- CSV移行に時間がかかる:5人
- サポート回答が遅い:4人
という候補が出たとします。
人は原文を確認し、テーマの切り方と件数が妥当かを確定します。
3. 推奨者の理由も要約させる
NPSでAIを使うときは、批判者の不満だけを整理しないことが重要です。
プロンプト例
次の推奨者コメントを、維持・強化すべき価値が分かるように整理してください。
条件:
- コメントにない価値を推測しない
- 類似表現をテーマ化する
- 代表コメントを残す
- 改善案は出さない
出力の使い方
推奨者42人のコメントから、
- 導入担当者の支援が丁寧
- 日常業務を標準化しやすい
- 管理者向け機能が使いやすい
といったテーマを整理させます。
こうすると、「何を直すか」だけでなく「何を壊してはいけないか」も見えます。
4. セグメント差を文章で整理させる
全体NPSだけでは、問題がどの顧客層にあるのか分からないことがあります。
プロンプト例
次のセグメント別NPSを、差が分かるように要約してください。
全体NPS:+17 導入支援あり:+32 導入支援なし:-4 管理者:+25 一般利用者:+8
条件:
- 数字を変更しない
- 母数が不明なら断定しない
- 因果関係を作らない
- 「差がある可能性」と「確認すべき追加情報」を分けて書く
出力の使い方
AIには、
全体+17に対し、導入支援あり+32、なし-4で差が大きい。導入支援なし顧客の体験に課題が集中している可能性があるが、回答数や顧客属性を確認する必要がある
といった形で整理させます。
人は実際の母数、契約規模、利用頻度、自由記述を確認します。
5. 改善テーマ候補を洗い出させる
AIは、自由記述テーマから改善候補を広げる補助にも使えます。
プロンプト例
次のNPS自由記述テーマについて、改善候補を洗い出してください。
- 初期設定が複雑:10件
- 権限設定が分かりにくい:6件
- CSV移行に時間がかかる:5件
- サポート回答が遅い:4件
条件:
- 件数だけで優先順位を決めない
- 顧客重要度、事業影響、改善可能性、実装コストを確認すべき論点として付ける
- 最終優先順位は決めない
- 入力にない事実は作らない
出力の使い方
AIから、
- 初期設定項目を初回必須と後回しへ分ける
- 初期設定チェックリストを用意する
- 権限設定の代表パターンをテンプレート化する
- CSVエラー理由の表示を改善する
- サポート導線を見直す
といった候補が出たとします。
人は、影響範囲、実装コスト、既存顧客への影響、他データとの整合を見て正式施策を決めます。
6. 再測定で見るべき観点を整理させる
NPSは一度測って終わりではありません。
プロンプト例
次の改善施策について、3か月後の再測定で確認すべき観点を整理してください。
改善対象:導入支援なし顧客の初期設定 施策:
- 初回必須項目と後回し項目を分ける
- 初期設定チェックリストを追加
- 権限テンプレートを追加
- CSV移行ガイドを改善
条件:
- 目標値は作らない
- 前回と同じ対象条件・同じ質問で比較する前提
- NPSだけでなく、区分比率・セグメント・自由記述テーマも含める
出力の使い方
AIには、
- 全体NPS
- 推奨者比率
- 中立者比率
- 批判者比率
- 導入支援なし顧客のNPS
- 「初期設定が複雑」というコメント件数
- CSV移行関連の不満件数
などの確認候補を整理させます。
正式なKPIや目標値は人が決めます。
通し例|法人向けSaaSのNPS改善を生成AIで補助する
ここでは、法人向け業務SaaSの導入3か月後オンボーディング改善を例に、AIをどこで使い、どこを人が判断するかを通して見ます。
1. 人が調査目的と対象条件を決める
調査目的を、
導入3か月後の顧客体験を把握し、次四半期に改善するオンボーディング課題を決める
とします。
対象は、
- 契約開始から3か月経過
- 月1回以上利用
- 従業員100〜500人規模
- 管理部門の主担当者
に固定します。
ここはAIに決めさせません。
2. 人が実顧客から回答を集める
推奨度質問は0〜10点で聞き、点数理由と改善要望も自由記述で集めます。
100人から回答があり、
- 推奨者:42人
- 中立者:33人
- 批判者:25人
だったとします。
NPSは、
42% – 25% = +17
です。
正式な区分と計算は人が確認します。
3. AIに自由記述を整理させる
批判者25人のコメントをAIに整理させ、
- 初期設定が複雑:10人
- 権限設定が分かりにくい:6人
- CSV移行に時間がかかる:5人
- サポート回答が遅い:4人
というテーマ候補が出たとします。
人は元コメントを確認して正式集計します。
4. AIに推奨者の理由も整理させる
推奨者42人から、
- 導入担当者の支援が丁寧
- 日常業務を標準化しやすい
- 管理者向け機能が使いやすい
といったテーマ候補を整理させます。
ここから、「有人支援で評価されている体験を、支援なし顧客にも再現できないか」という仮説を作れます。
ただし、この仮説を正式な結論にする前に人が他データと照合します。
5. AIにセグメント差を要約させる
セグメント別に、
- 導入支援あり:+32
- 導入支援なし:-4
だったとします。
AIには差を言語化させますが、因果関係は断定させません。
人は回答数、顧客規模、利用頻度、問い合わせ履歴などを見て、「導入支援なし顧客の初期体験」に重点を置くか判断します。
6. AIに改善候補を出させる
AIに自由記述テーマから改善候補を出させます。
候補として、
- 初期設定項目を初回必須と後回しへ分ける
- 初期設定チェックリストを追加する
- 権限設定の代表パターンをテンプレート化する
- CSV移行ガイドを改善する
が出たとします。
人は顧客重要度、事業影響、改善可能性、実装コストを確認し、正式施策を決めます。
7. 人が最終優先順位を決める
今回のケースでは、最優先テーマを、
導入支援なし顧客の初期設定体験を改善する
と決めたとします。
これはAIが決めたのではなく、NPS、セグメント差、自由記述、問い合わせ履歴、実装条件を人が合わせて判断した結果です。
8. AIに再測定の確認観点を整理させる
3か月後に同じ対象条件・同じ質問で再測定します。
AIには確認項目を整理させます。
仮に、
- 推奨者:47人
- 中立者:34人
- 批判者:19人
なら、NPSは、
47% – 19% = +28
です。
さらに、
- 導入支援なし顧客:-4 → +14
- 「初期設定が複雑」:10件 → 4件
という変化があったとします。
AIにはこの変化を要約させられますが、「施策が原因で改善した」と断定させません。
人が同条件比較か、他の大きな変更がなかったかを確認して評価します。
人が必ず確認すべきポイント
対象顧客と調査条件
誰に、いつ、どの質問をしたのかは人が固定します。AIに一般的な条件を作らせて代用しません。
3区分
9〜10点が推奨者、7〜8点が中立者、0〜6点が批判者であることを確認します。
NPS計算
NPSは推奨者比率から批判者比率を引きます。AIの計算結果も元データで再確認します。
自由記述のテーマ化
AIが似ているように見えるコメントを無理に1テーマへまとめていないか確認します。
セグメント差
母数が少ない区分を断定しないようにします。
改善優先順位
件数だけでなく、顧客重要度、解約・継続への影響、実装コスト、改善可能性を人が確認します。
KPI・目標値
AIに「NPSは+30を目標にすべき」などと勝手に決めさせません。
因果関係
NPSが上がっても、特定施策が原因だと自動的には言えません。同じ対象条件、同じ質問、他施策の影響を確認します。
そのまま使える型が必要なら、NPSテンプレートを使うと、調査目的、対象顧客、3区分、NPS、セグメント差、自由記述、改善テーマ、再測定条件まで整理できます。具体的な適用過程は、NPSの具体例で確認できます。
よくある失敗を先に確認したい場合は、NPSで失敗しやすいポイントも参考になります。
生成AIの誤りと限界
生成AIは、次のような誤りを起こす可能性があります。
- 回答にない理由を補う
- 自由記述の意味を過度に要約する
- 異なるテーマを同じものとしてまとめる
- 少数コメントを代表的傾向として扱う
- 推奨者・中立者・批判者の区分を誤る
- NPS計算を誤る
- セグメント母数を無視する
- 相関を因果と誤認する
- 批判者の不満だけを重視する
- 推奨者が評価する価値を見落とす
- コメント件数だけで改善順位を決める
- KPI目標値を勝手に作る
- 外部ベンチマークを一般化する
- 最終的な商品企画判断まで断定する
また、AIは顧客ではありません。AIに「このサービスならNPSは何点ですか」と聞いても、実顧客の回答の代わりにはなりません。
生成AIに任せすぎないためのチェックリスト
- 調査目的を人が決めたか
- 対象顧客と調査タイミングを人が固定したか
- 実顧客から回答を集めたか
- 9〜10点、7〜8点、0〜6点の区分を確認したか
- NPS計算を元データで再確認したか
- AIに欠損回答を推測補完させていないか
- 自由記述のテーマ化を原文と照合したか
- 批判者だけでなく中立者・推奨者も見たか
- セグメント別の母数を確認したか
- AIに因果関係を断定させていないか
- 件数だけで改善優先順位を決めていないか
- 改善候補を実装条件と照合したか
- KPI目標値をAIに作らせていないか
- 再測定条件を前回とそろえたか
- 最終商品企画判断をAIへ丸投げしていないか
まとめ
生成AIは、NPSの自由記述やセグメント差を整理する補助役として使えます。
特に、コメントの表記ゆれ整理、推奨者・中立者・批判者ごとのテーマ化、セグメント差の要約、改善候補の洗い出し、再測定で確認する観点の整理、会議向け説明文の整形で使いやすいです。
一方で、正式な対象顧客、調査条件、3区分、NPS計算、自由記述テーマ、改善優先順位、KPI目標値、施策効果の判断は人が管理する必要があります。
生成AIに「NPS分析を完成させてもらう」のではなく、「大量の自由記述を読みやすくする」「セグメント差の論点を整理する」「改善候補を広げる」「再測定の確認観点を漏れなくする」ために使うと、判断責任を人に残しながらNPS運用を効率化できます。