MENU

生成AIでCESを使う方法|プロンプト例と人が確認すべきポイント

CES(Customer Effort Score)は、顧客が目的を達成するまでに「どれくらい手間がかかったか」を測る指標です。

生成AIは、CESの測定対象を考える、質問文の候補を作る、自由記述を分類する、高負荷ポイントの仮説を出す、改善案を広げる、といった補助に使えます。

一方で、AIだけでCESを運用すると、測定対象が曖昧なまま質問文を作る、スコアだけで原因を断定する、顧客コメントにない理由を作る、改善前後の条件を変えてしまう、といった失敗が起きます。

実務では、生成AIを「候補を出す」「抜けを探す」「コメントを整理する」役に置き、何を測るか、どの尺度を使うか、何を原因とみなすか、どの改善を実施するか、再測定条件をどうそろえるかは人が判断することが重要です。

CESの基本から確認したい場合は、CESとは?を参照してください。人だけで進める基本手順は、CESのやり方で確認できます。

目次

生成AIを使うと効果が出やすい場面

生成AIは、次の作業で補助役として使いやすくなります。

  • 測定対象となる顧客体験の候補を整理する
  • 顧客目的と完了条件を言語化する
  • CES質問文の候補を作る
  • セグメント別の比較軸を洗い出す
  • 低CES層の自由記述を分類する
  • 操作ログとコメントから高負荷ポイントの仮説を出す
  • 改善案の候補を広げる
  • 改善前後で測定条件がそろっているか確認する
  • 結果説明用の要約を作る

一方で、次の判断はAIへ任せない方が安全です。

  • 正式な測定対象
  • 質問文と尺度の最終決定
  • サンプルの妥当性
  • 低スコア原因の確定
  • 顧客の発言にない理由の推定
  • 改善優先順位の最終決定
  • 改善前後の比較条件
  • CES以外の業績指標との関係判断

1. 測定対象の候補を整理する

CESでは、何について手間を測るのかが曖昧だと、結果を改善へつなげにくくなります。

プロンプト例

以下の顧客行動から、CESで測定しやすい「1つの体験単位」候補を整理してください。

対象:ECサイトの配送問い合わせ

顧客行動:

  • FAQを見る
  • チャットボットを使う
  • 有人チャットへ切り替える
  • マイページで配送状況を見る
  • 配送会社ページへ移動する

条件:

  • 1回のCES質問で複数体験を混ぜない
  • 顧客の目的と、体験の開始点・完了点を候補として出す
  • 正式な測定対象は決めず、候補だけ提示する

出力の使い方

AIは、「配送予定日を確認する」「問い合わせを解決する」などの候補を出せます。

人は、今回の改善対象に合わせて正式な測定対象を決めます。

たとえば今回は、

注文済み商品の配送予定日を確認できるまでの体験

を対象にします。

2. 顧客目的と完了条件を言語化する

プロンプト例

次の測定対象について、顧客目的と完了条件の候補を整理してください。

測定対象:注文済み商品の配送予定日を確認する体験

条件:

  • 顧客視点で書く
  • 「問い合わせ窓口を使った」ではなく、目的達成で完了条件を書く
  • 不明な業務ルールは推測しない

出力の使い方

AIは、顧客目的を「いつ届くかを把握する」、完了条件を「到着予定日または配送状況が確認できた」といった形で整理できます。

人は、自社の問い合わせ導線や配送情報の仕様と照合して決めます。

3. CES質問文の候補を作る

質問文は、測定したい体験とずれてはいけません。

プロンプト例

以下の体験について、CES質問文候補を3つ作ってください。

測定対象:配送予定日を確認する体験

条件:

  • 1つの体験だけを聞く
  • 満足度ではなく手間の少なさを聞く
  • 1〜7段階で回答する前提
  • 尺度の向きは「7ほど手間が少ない」で統一する
  • 最終文面は人が決める

出力の使い方

候補の中から、たとえば、

配送予定日を確認するために必要だった手間は少なかった

という文を採用できます。

尺度は、1を「まったくそう思わない」、7を「非常にそう思う」とします。

ここで重要なのは、他のCES調査と尺度の向きをそろえることです。

4. 回答タイミングの候補を確認する

CESは、対象体験から時間が空きすぎると回答が別の印象に引っ張られることがあります。

プロンプト例

配送予定日確認のCESについて、回答依頼のタイミング候補を整理してください。

条件:

  • 体験直後を優先候補にする
  • FAQ、チャット、マイページなど複数経路を比較できるようにする
  • 回答率だけでなく記憶の鮮度も考慮する

出力の使い方

AIは、問い合わせ完了直後、チャット終了直後、マイページで配送情報確認直後などを候補として出せます。

最終的には、各経路で同程度のタイミングになるよう、人が実装条件をそろえます。

5. 集計結果を「平均値だけ」で終わらせない

CESの全体平均が4.3だったとします。

平均値だけでは、どこで負荷が高いか分かりません。

プロンプト例

以下のCES結果を、改善箇所を探す観点で整理してください。

  • 全体平均:4.3
  • FAQだけで完結:5.9
  • 有人チャットだけ:4.8
  • FAQ→チャットボット→有人チャット:2.9
  • マイページ:6.1
  • 配送会社ページへ遷移:3.7

条件:

  • 平均値の高低だけで原因を断定しない
  • 低スコア経路を優先して追加確認する候補を出す
  • サンプル数の確認が必要なことも指摘する

出力の使い方

AIは、2.9の経路や3.7の経路を重点確認候補として整理できます。

ただし、「チャットボットが悪い」「配送会社ページが使いにくい」と原因を確定させてはいけません。

次に自由記述や操作ログを見ます。

6. 自由記述を分類する

低CES層のコメントが多数あると、人だけで読むのは負荷が高くなります。

プロンプト例

以下はCESが1〜3だった顧客の自由記述です。

コメントを、顧客が感じた手間の種類ごとに分類してください。

条件:

  • コメントにない理由を補わない
  • 類似コメントをまとめる
  • 各分類に代表コメントを付ける
  • 件数を数える
  • 推測と事実を分ける

出力の使い方

たとえば次の分類が見えてきます。

  • 注文番号の再入力
  • チャットボットで説明した内容の再説明
  • 配送会社ページへの移動
  • 追跡番号の再入力
  • 問い合わせ窓口の切り替え

この段階では「分類」であり、原因確定ではありません。

7. 操作ログとコメントを組み合わせて仮説を作る

プロンプト例

以下のデータから、高負荷ポイントの仮説を作ってください。

CES低スコアコメント:

  • 注文番号を何度も入力した
  • チャットボットで説明した内容を有人チャットでもう一度説明した
  • 配送会社のページに移動して追跡番号を入力するのが面倒だった

操作ログ:

  • FAQ→チャットボット→有人チャットへ遷移した顧客が多い
  • 有人チャット開始時に注文番号の自動引継ぎなし
  • 配送会社ページへ外部遷移後、追跡番号の自動入力なし

条件:

  • 仮説として書く
  • 事実と推測を分ける
  • 追加確認したいデータも出す

出力の使い方

AIは、

  • 注文番号の再入力
  • 会話内容の引継ぎ不足
  • 外部ページ移動と追跡番号再入力

を高負荷要因候補として整理できます。

人は、ログや顧客コメントの件数を確認し、どの仮説を改善対象にするか決めます。

8. 改善案を広げる

プロンプト例

以下の高負荷要因候補について、顧客の手間を減らす改善案を複数出してください。

  • 注文番号の再入力
  • チャットボットから有人チャットへの会話引継ぎ不足
  • 配送会社ページへの移動と追跡番号再入力

条件:

  • 顧客の操作回数、入力回数、画面移動を減らす案を優先
  • 実現性は決めつけず候補として出す
  • 運用変更だけでなくシステム変更も含める

出力の使い方

AIは、

  • 注文番号を自動引き継ぎする
  • チャットボットの会話履歴を有人チャットへ引き継ぐ
  • マイページ内で配送状況を表示する
  • 追跡番号を自動設定したリンクを使う

といった候補を出せます。

実装コスト、セキュリティ、既存システム制約を踏まえ、人が優先順位を決めます。

9. 改善優先順位をAIに決めさせない

AIに「どれを優先すべきか」と聞くと、もっともらしい順位を出します。

しかし、正式な優先順位は、

  • 影響する顧客数
  • CESの低さ
  • 問い合わせ件数
  • 改善コスト
  • 実装難易度
  • 売上・解約・再問い合わせへの影響

を見て決める必要があります。

AIは比較観点の候補出しまでに留めます。

10. 改善前後の測定条件をチェックする

CES改善後に数値が上がっても、質問文や対象顧客が変わっていれば単純比較できません。

プロンプト例

CES改善前後を比較するため、条件差をチェックしてください。

改善前:

  • 質問文:配送予定日を確認するために必要だった手間は少なかった
  • 尺度:1〜7、7ほど手間が少ない
  • 回答タイミング:体験直後
  • 対象:配送予定日を確認した顧客

改善後:

  • 同条件を予定

確認項目:

  • 質問文
  • 尺度
  • 尺度の向き
  • 回答タイミング
  • 対象顧客
  • セグメント定義

出力の使い方

AIに比較条件のチェックリストを作らせると、再測定時の変更漏れを見つけやすくなります。

最終的な比較可否は人が判断します。

通し例|ECサイトの配送問い合わせで生成AIを使う

あるECサイトでは、配送問い合わせが多く、顧客サポートの負荷も高い状態でした。

チームはCESを使って「顧客が配送予定を確認するまでにどこで手間を感じているか」を把握することにしました。

最初にAIへ、FAQ、チャットボット、有人チャット、マイページ、配送会社ページという顧客導線から測定対象候補を整理させました。

人が今回の目的を確認し、測定対象を、

注文済み商品の配送予定日を確認できるまでの体験

と決めました。

質問文はAIから3案出させ、人が、

配送予定日を確認するために必要だった手間は少なかった

を採用しました。

尺度は1〜7で、7ほど手間が少ない方向に統一しました。

回答は体験直後に依頼しました。

集計結果は、

  • 全体平均:4.3
  • FAQだけで完結:5.9
  • 有人チャットだけ:4.8
  • FAQ→チャットボット→有人チャット:2.9
  • マイページ:6.1
  • 配送会社ページへ遷移:3.7

でした。

AIへ「原因を決めず、重点確認候補を出す」よう指示すると、2.9の複数窓口経路と3.7の外部遷移経路を追加確認候補として整理しました。

次に、低CES層の自由記述をAIで分類しました。

主な分類は、

  • 注文番号の再入力
  • チャットボットで説明した内容の再説明
  • 配送会社ページへの移動
  • 追跡番号の再入力

でした。

操作ログと照合すると、FAQ→チャットボット→有人チャットの経路では、注文番号と会話内容が引き継がれていませんでした。

そこでAIへ改善案候補を出させ、

  • 注文番号の自動引継ぎ
  • チャットボット会話履歴の有人チャットへの引継ぎ
  • マイページ内で配送状況を表示

を候補化しました。

最終的な実装優先順位は、対象顧客数、問い合わせ件数、実装コスト、既存システム制約を見て人が決めました。

改善後は、同じ質問文、同じ1〜7尺度、同じ回答タイミング、同じ対象定義で再測定しました。

結果は、全体平均4.3から5.7、問題だったFAQ→チャットボット→有人チャット経路は2.9から5.2へ改善しました。

さらに、CESだけで成功と判断せず、同じ問い合わせを再度行った顧客の割合も確認しました。

この例でAIが担ったのは、測定対象候補、質問文候補、自由記述分類、高負荷要因の仮説、改善案候補、比較条件チェックです。

人が担ったのは、正式な測定対象、質問文と尺度、原因確定、改善優先順位、実装可否、再測定条件、最終評価です。

そのまま使える型が必要なら、CESテンプレートを使うと、測定対象、顧客目的、開始点・完了点、質問文、尺度、回答タイミング、集計、改善、再測定まで整理しやすくなります。

具体的な適用イメージを追いたい場合は、CESの具体例が参考になります。よくある失敗を先に避けたい場合は、CESで失敗しやすいポイントも参照してください。

人が必ず確認すべきポイント

測定対象

AIは候補を出せますが、「どの体験を改善したいか」は人が決めます。

質問文と尺度

CESなのに満足度を聞いていないか、尺度の向きが過去調査と一致しているかを確認します。

原因

低スコアと原因は同じではありません。自由記述、操作ログ、問い合わせ記録などで確認します。

改善優先順位

スコアが低いだけで優先せず、顧客数、事業影響、コスト、実現性を見ます。

再測定条件

改善前後で質問文、尺度、回答タイミング、対象顧客、セグメント定義をそろえます。

CES以外の指標

CESが上がっても、再問い合わせ、解約、完了率、問い合わせ件数などが悪化していないか確認します。

生成AIの誤りと限界

原因を断定しすぎることがある

低スコアとコメントから、AIが「原因はこれ」と言い切ることがあります。実データで確認する必要があります。

顧客コメントにない理由を補うことがある

もっともらしい不満理由を追加することがあるため、原文と要約を分けて扱います。

平均値に引っ張られることがある

平均だけで全体評価を作ると、経路別・顧客別の高負荷を見逃します。

改善案がシステム都合を無視することがある

自動連携などを提案しても、セキュリティ、個人情報、システム制約で実現できない場合があります。

比較条件の変化を見落とすことがある

改善後に質問文や対象顧客が変わっていても、単純に「改善した」と要約する場合があります。

機密情報の扱いに注意する

顧客コメント、問い合わせ内容、注文情報を入力する場合は、自社の情報管理ルールに従います。

生成AIに任せすぎないためのチェックリスト

  • 測定対象を人が確定したか
  • 顧客目的と完了条件を確認したか
  • 質問文が1つの体験を聞いているか
  • CESと満足度を混同していないか
  • 尺度の向きが統一されているか
  • 回答タイミングをそろえたか
  • 平均値だけで判断していないか
  • 低スコア原因をAIだけで断定していないか
  • 自由記述の原文を確認したか
  • 操作ログや問い合わせ記録と照合したか
  • 改善優先順位を人が決めたか
  • 改善前後の条件をそろえたか
  • CES以外の補助指標も確認したか
  • 機密情報を不用意に入力していないか

まとめ

生成AIは、CESを効率よく実践するための補助役として使えます。

特に役立つのは、測定対象候補、質問文候補、自由記述の分類、高負荷要因の仮説、改善案の候補、改善前後の比較条件チェックです。

一方で、正式な測定対象、質問文と尺度、原因確定、改善優先順位、実装可否、再測定条件、最終評価は人が判断する必要があります。

生成AIにCESの答えを決めてもらうのではなく、「候補を広げる」「抜けを探す」「自由記述を整理する」「比較条件をチェックする」ために使うことで、顧客がどこで手間を感じているかを効率よく把握し、改善と再測定へつなげやすくなります。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次