1. カスタマーサポートのデータ活用とは：目的は件数削減ではない

結論：データ活用の目的は、問い合わせ件数を減らすことそのものではなく、同じ問い合わせが生まれる原因を減らし、対応の質を保つことです。

問い合わせ分析とは、問い合わせの内容・チャネル・対応結果を分類して集計し、発生原因と対応工数を見える化して改善につなげる取り組みです。自動化は、その分析結果をもとに、定型回答の自動応答や分類の自動付与などを、AIや仕組みに任せることを指します。

2. なぜ問い合わせデータとナレッジの整備が先なのか

結論：自動化の効果は、AIの性能だけでなく、元になる問い合わせデータとナレッジ（FAQや手順書）の品質に大きく左右されます。

HubSpot Japanの「日本のカスタマーサービスに関する意識・実態調査2026」（2026年6月3日発表。同年4月実施、有効回答824名のインターネット調査で自己申告）では、問い合わせ経験のある利用者（206名）の88.3%が、問い合わせ前に自己解決を「いつも」または「たいてい」試みると回答しました。自己解決を試みる利用者（199名、複数回答）の手段は、検索エンジンが69.3%、企業のFAQ・ヘルプページが56.3%、生成AIが41.2%などです（最終確認日2026年10月15日）。顧客は窓口に連絡する前に、情報を探す傾向があります。

また、Gartnerのプレスリリース（2026年2月18日。CSリーダー321名への2025年10月の調査）では、91%が経営陣からAI導入の圧力を受けていると回答しました。同じ調査で、58%のリーダーが、エージェントをナレッジ管理の専門人材として育成する意向を示しています。いずれも市場の動向を示す数値であり、自社の状況は自社データで確認する必要があります。

想定される場面は、同じ質問に担当者が毎日コピー＆ペーストで返信しているのに、FAQは半年前の内容のままで、再問い合わせを招く、というものです。元のナレッジが古ければ、AIを足しても誤案内が増えるだけです。

3. 分析に使う問い合わせデータ項目と分類の決め方

結論：最初から多くを取らず、「何が・どのくらい・なぜ」に答えられる最小限の項目から始めます。

過去の全件を分類し直す余力がない場合は、直近の一定期間分から、件数の多い上位の種別だけを分類し、自由記述の分析は後回しで構いません。分類の定義（例：操作方法と不具合の線引き）は1枚にまとめ、担当者間で揃えます。

問い合わせには氏名や連絡先が含まれます。AIや外部ツールに渡す前にマスキングする項目を決め、入力データの学習利用や保管条件を確認してください。ルールの作り方は、当社コラム生成AI活用における社内ガバナンス・利用ポリシーの作り方をご覧ください。

4. AIに任せる業務と人が担う業務の判断基準

結論：回答が一意に決まり、根拠のナレッジが正確な業務から自動化し、感情への対応や例外の判断は人が担います。

前掲のHubSpot調査で、CS担当者（618名）が業務ごとに「AIが担当するのが望ましい」と答えた割合は、FAQへの定型回答が64.2%、データ集計・分析が60.5%、問い合わせの記録・分類が56.3%でした。「人間が担当するのが望ましい」は、顧客の感情に寄り添う共感的対応が53.2%で最多です。次の表は、この傾向を判断基準に落とした例です。

最初に自問すべきは「この回答が間違っていたら、顧客と自社にどんな損失が出るか」です。損失が大きい領域ほど、人の確認を残してください。

5. 問い合わせ分析と自動化を進める4つのステップ

結論：分類から始め、ナレッジを直してから自動化に進みます。

1. 分類する：分類の定義を1枚にまとめ、直近分から付与します。

2. 原因を探る：件数に対応時間を掛け合わせ、手間が大きく、原因が「案内不足」の問い合わせから優先して見ます。対応時間を記録していない場合は、担当者へのヒアリングで手間の大きい問い合わせを特定します。

3. ナレッジを直す：案内不足ならFAQや手順書を修正し、更新の担当者と頻度を決めます。仕様や不具合が原因なら、担当部門へ共有します。

4. 自動化して測る：1つの領域に絞って試行し、初回で解決した割合、再問い合わせの割合、対応時間で測ります。件数だけで判断しません。

6. よくある失敗パターンと実際の損失

分類ルールが揃わないまま集計するパターン

想定例として、担当者ごとに「操作方法」と「不具合」の線引きが違うケースです。月次の会議が数字の説明から始まり、原因の議論に進めず、改善が先送りになります。

ナレッジが古いまま自動応答を始めるパターン

想定例として、更新されていない手順をAIが案内するケースです。顧客は解決できず再問い合わせをし、担当者はAIの回答の訂正に時間を取られます。

件数の削減だけを目標にするパターン

想定例として、窓口への導線を見えにくくして件数だけ減らすケースです。解決できなかった顧客が別の経路で不満を伝え、満足度の低下に気づくのが遅れます。

7. 活用イメージ：BtoBソフトウェア業と製造業の場合

例えば（想定例）、BtoBソフトウェア業では、原因区分を付けると、案内不足が多い領域が見えます。その領域のヘルプ記事を直せば、再発を抑えられます。契約更新に影響する傾向を見たい場合は、当社コラム購買データから解約予兆を捉えるチャーン分析の実践も参考になります。

また製造業のアフターサービス窓口では、型番と症状の分類を揃えると、過去の対応履歴をもとに回答案の下書きを作る支援が可能になる場合があります（履歴データの整備や個人情報のマスキングが前提です）。送信前には担当者が確認します。

8. まとめ：最初の一歩は上位の問い合わせの洗い出し

データ活用は、分析で原因を見つけ、ナレッジを直し、そのうえで自動化に進める順序が土台です。まずは今週中に、直近の問い合わせから上位の種別を書き出し、その回答の元になるFAQや手順書が最新かを確認してください。記録がなければ、担当者へのヒアリングや直近のサンプルで構いません。

9. よくある質問

Q. 問い合わせ分析は、専用ツールがなくても始められますか？

A. 始められます。表計算で、日付・種別・原因区分・初回解決の有無・対応時間を記録すれば十分です。ツールは、分類ルールが固まり、手作業で追えなくなってからで遅くありません。

Q. AIの自動応答を導入する前に、何をしておくべきですか？

A. 上位の問い合わせ種別のFAQや手順書が最新かを確認し、人へ引き継ぐ条件（どんな場合に担当者へ回すか）を決めてください。この2点が曖昧だと誤案内が増えます。

Q. 効果は何で測ればよいですか？

A. 初回で解決した割合、再問い合わせの割合、1件あたりの対応時間をセットで見てください。件数だけでは、解決できていないのに減ったように見えることがあります。