Column
感情分析ダッシュボードに映っていない44%：サポート会話7万件が暴いた盲点
7万件のサポート会話を分析したら、感情がポジティブなのに問題が解決していない「隠れた不満」が全会話の44%に存在した。感情スコアが緑なのにチャーンが増える謎の答えが、ここにあるかもしれない。
こんにちは。Affectosphere Group の井下です。
カスタマーサポートのKPIとして「感情分析スコア」を使っている組織は多いと思います。
会話全体のトーンがポジティブだったかネガティブだったかを測定し、満足度の代替指標として使う——合理的なアプローチです。テキスト分析ツールも充実しており、ダッシュボードに緑のスコアが並ぶと安心できます。
でも最近、こういう状況に覚えがありませんか。
感情スコアは悪くない。でも、なぜかNPSが上がらない。チャーン率も改善しない。
2026年6月にarXivで公開された研究（Jason Potteiger、arXiv:2606.19698）は、その謎に対する一つの答えを提示します。オンライン募金プラットフォームのサポート会話7万450件を分析した結果、感情分析だけでは見えていないものが明らかになりました。
今日の3点
- 感情スコアより「満足度推定（問題解決の有無）」のほうが顧客評価との相関が高い（0.36 vs 0.47）。
- 感情ポジティブなのに問題未解決という「tolerated friction（許容された摩擦）」が全会話の44%に存在した。
- この「隠れた不満」の検出は、感情分析ダッシュボードでは構造的にできない。
① 感情スコアは「顧客が助かったか」を測れていない
この研究の核心は、感情分析と顧客満足度の乖離を定量的に示したことです。
研究者は感情スコアと、別途測定した「顧客満足度推定（問題が実際に解決されたかの推定）」を、実際の顧客評価と比較しました。
結果として、顧客評価との相関は感情スコアが0.36、満足度推定が0.47でした。差としては大きくないように見えますが、意味は大きいです。
感情スコアは「顧客が怒っていたか、穏やかだったか」を測ります。満足度推定は「顧客が求めていたものを得られたか」を測ります。この二つは、似ているようで全然別の指標です。
サポートの最終目的は顧客の問題を解決することです。その目的に対する測定精度が、感情スコアより満足度推定のほうが高い——という結果は、KPI設計の見直しを示唆していると思います。
② 44%の会話に「許容された摩擦」が潜んでいた
この研究で最も衝撃的な発見が、「tolerated friction（許容された摩擦）」の概念です。
これは、会話のトーンはポジティブ（つまり感情スコアは良好）なのに、問題が解決されていない状態を指します。
顧客は怒っていない。丁寧に対応を受けた。でも、問題は残っている。
感情スコアのダッシュボードではこの状態は「良好」として記録されます。スコアが緑だからです。しかし顧客からすれば、何も解決していません。
この研究では、全7万件の会話のうち44%でこのパターンが検出されたとしています。
半分近くの会話が、感情的には問題なく見えているのに実は未解決——そういう構造が存在することになります。
なぜこうなるのか。顧客は会話の中で怒りをぶつけ続けるより、どこかで折れてしまうことがあります。担当者が丁寧だから、それ以上クレームしにくい。問題は諦めた。でも解決はしていない。
そういう「礼儀正しい諦め」を、感情分析は不満として捉えられません。
③ 感情分析だけでは不満顧客を検出しきれない
感情スコアのもう一つの問題が、不満顧客の検出精度です。
この研究は、感情スコアを使って不満顧客を特定しようとした場合の偽陽性（本当は不満でないのに不満と判定）と、満足度推定を使った場合の偽陽性を比較しています。
満足度推定のほうが偽陽性が少なかったという結果が示されています。つまり、「フォローが必要な顧客」を特定するターゲット精度が、感情スコアより満足度推定のほうが高い、ということです。
実務への影響は直接的です。
チャーン防止のためにプロアクティブなフォロー施策を打つとき、「感情スコアが低かった顧客に連絡する」というターゲティングより、「問題が解決されなかったと推定される顧客に連絡する」ターゲティングのほうが、リソースを効率よく使えます。
カスタマーサクセス部門への実装提案
この研究の知見を、既存のサポート分析基盤にどう組み込むかを考えてみます。
想定ユースケースは、チャットサポートのQA監視やチャーン予測にLLMを活用している、SaaS・Eコマース・フィンテック企業のカスタマーサクセス部門です。
まず、既存の感情分析に「問題解決レイヤー」を追加することです。
会話データを現在の感情分析パイプラインに通すだけでなく、「この会話で顧客の問題は解決されたか」というラベルを付与する処理を加えます。GPTクラスのモデルであれば、会話テキストから問題解決の有無を推定するプロンプトは比較的簡単に設計できます。この研究が採用したアプローチがそれです。
次に、「感情×解決状況」の2軸マトリクスでKPIを再設計することです。
感情ポジティブ×問題解決 → 理想的な対応 感情ネガティブ×問題解決 → 対応は難しかったが成功 感情ポジティブ×問題未解決 → 「tolerated friction」＝要フォロー 感情ネガティブ×問題未解決 → 明確な失敗ケース
この4象限のうち、感情分析だけでは3つ目が完全に見えていません。「tolerated friction率」を新しいKPIとして設定し、月次でモニタリングすることで、これまで見えていなかったリスクを可視化できます。
三つ目が、tolerated frictionの高い会話クラスタをもとにした問題カテゴリ分析です。
この研究は問題の「何が起きたか」を特定する分析も行っています。感情的には穏やかだったが解決されなかった会話を集め、そこに共通する問題カテゴリ（たとえば「決済エラーで返金ができなかった」「配送追跡が見当たらなかった」等）を抽出することで、プロダクト改善やFAQ整備の優先順位付けに使えます。
NPSが横ばいなのにチャーンが増えているなら、まさにこの「tolerated friction」の蓄積が根本原因になっている可能性があります。そういった企業にとって、この分析は直接的な根本原因分析ツールになると思います。
「見えていない不満」こそが危険
感情スコアが良好でも、チャーンが止まらない理由が見えてきました。
顧客は怒り続けるほど時間を使わない。丁寧に諦めて、そのまま解約する。それが「tolerated friction」の正体です。
感情分析ダッシュボードは、この種の不満を構造的に見逃します。感情ポジティブは「問題なし」として処理されてしまうからです。
解決策はダッシュボードを捨てることではなく、レイヤーを追加することです。「感情」と「問題解決の有無」を別軸として測定し、その組み合わせで顧客状態を把握する——そのインフラへの投資が、チャーン防止施策のROIを大きく変える可能性があります。
では！
参考論文
- Jason Potteiger (2026). What Sentiment Analysis Can’t See: Measuring Whether Customers Were Helped, and What Went Wrong, across 70,000 Support Conversations. arXiv preprint.
※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。