決定木分析（デシジョンツリー分析）とは？ CX推進における顧客理解と活用ポイントを徹底解説

CX（カスタマーエクスペリエンス）推進部門やマーケティング担当の皆様は、日々NPS®（ネット・プロモーター・スコア）をはじめとする顧客アンケートの実施や、VoC（顧客の声）の収集・分析を行うなど、CXマネジメント（CXM）に取り組まれていることと存じます。

顧客の声というデータを、いかにビジネスの「価値」に変えるか。その鍵を握る強力な分析手法の一つが、今回ご紹介する「決定木分析（デシジョンツリー分析）」です。

この記事では、決定木分析について、基本的な定義から、なぜCXMにおいて重要なのか、そして具体的な分析ステップや活用事例まで、専門家でない方にもわかりやすく解説します。

この記事を最後までお読みいただければ、膨大な顧客の声の中から「最も改善インパクトの大きいポイント」をデータドリブンで見つけ出し、現場を動かすための具体的なヒントが得られるはずです。

EmotionTechのNPS分析・CX関連サービスがわかる資料（概要・支援実績）をダウンロードする

決定木分析（デシジョンツリー分析）とは？

一言でいうと：「最適な打ち手」を見つけるための「樹形図」

決定木分析（Decision Tree Analysis）とは、ある「目的」（例：顧客ロイヤルティの向上）に対して、どの「要因」（例：各顧客体験）が最も影響を与えているのかを、樹木のような階層構造（ツリー構造）で可視化するデータマイニングの手法です。

「デシジョンツリー分析」とも呼ばれ、AIや機械学習の分野では「教師あり学習」という分類手法の一つとしても知られています。

難しく聞こえるかもしれませんが、私たちは日常生活でも無意識に決定木的な思考を使っています。例えば、「明日の朝、傘を持っていくか？」を決める時、

1. まず「天気予報の降水確率は？」を見る（最初の分岐）
2. もし「80%」なら → 「傘を持っていく」（結論）
3. もし「30%」なら → 「帰宅時間の空模様は？」を見る（次の分岐）
4. もし「曇り」なら → 「念のため折り畳み傘を持っていこう」（結論）

このように、一連の「質問（要因）」によって「結論（目的）」を導き出すプロセスを、データに基づいて自動的に構築するのが決定木分析です。

マーケティングの分野では、顧客の行動パターンを分析し、ターゲットを明確にする「セグメンテーション」の手法としても広く活用されています。

決定木を構成する基本用語

• 根（Root / ルート）：分析の出発点。ツリーの最も上に位置し、分析対象の全データ（例：アンケート回答者全体）が入っています。
• ノード（Node / 節）：分岐点または終点のこと。根や、途中の分岐点（親ノード）、最終的な結論（葉）もすべてノードです。
• 枝（Branch / ブランチ）：ノードとノードを繋ぐ線。ある要因による「分岐の条件」（例：「製品の品質満足度が高い」「低い」）を示します。
• 葉（Leaf / リーフ）：ツリーの終点。これ以上分岐しない最終的なセグメント（顧客グループ）を示します。（例：「品質に満足し、サポートも満足な顧客層」）
• 深さ（Depth）：根から葉までの階層の数。深すぎると、非常に細かい条件のセグメント（例：「Aが〇〇でBが△△でCが××な人」）ができあがり、解釈が困難になることがあります（「過学習」と呼びます）。

CXMの文脈で言えば、決定木分析とは「NPS（目的）が高い／低い顧客層は、どのような体験（要因）によって分類できるか？」を視覚的に明らかにする手法です。

なぜCXMにおいて決定木分析は重要なのか？

決定木分析は「感覚的な改善」から「データドリブンな改善」へとシフトするための強力な武器の一つです。

重要性1：「改善インパクトの大きい要因」を特定できる

顧客からは「Webサイトが使いにくい」「電話が繋がらない」「商品の価格が高い」「サポートの対応が悪い」など、多様な不満が寄せられます。これらすべてに同時に対応することは不可能です。では、どこから手をつけるべきでしょうか？

「最も声の大きい（件数の多い）不満」でしょうか？ それとも「社長が気にしている点」でしょうか？

決定木分析は、そうした「声の大きさ」や「感覚」ではなく、「NPSや総合満足度といったKGI（重要目標達成指標）に、どの要因が最も強く影響しているか」をデータに基づいて特定します。

例えば、NPSを目的として分析した結果、ツリーの最初の分岐（根に最も近い分岐）が「サポート対応の満足度」であった場合、「サポート対応の満足度こそが、顧客推奨度（NPS）全体に最も大きな影響を与えている要因である」と判断できます。

たとえ「Webサイトの使いにくさ」に関する不満件数が多くても、NPS全体への影響度が「サポート対応」よりも低いのであれば、優先的にリソースを投下すべきは「サポート対応の改善」である、という客観的な根拠が得られるのです。

重要性2：複雑な「顧客セグメント」を可視化できる

顧客体験は、単一の要因で決まるものではありません。「Aの体験」と「Bの体験」の組み合わせによって、ロイヤルティが大きく変動することは多々あります。

単純なクロス集計では、「製品の品質には満足している（A）が、配送でトラブルがあった（B）顧客」のNPSがどうなるか、といった複雑な掛け合わせを分析するのは困難です。

決定木分析は、こうした要因の掛け合わせを自動的に見つけ出し、可視化してくれます。

ツリーの「葉」（終点）は、特定の体験や属性を組み合わせて分類された、具体的な顧客セグメントを示しています。

例えば、以下のようなインサイトが得られるかもしれません。

• （葉A）：『製品の品質に満足』かつ『サポート対応にも満足』な顧客層 → NPS +80（最強の推奨者層）
• （葉B）：『製品の品質に満足』だが『サポート対応に不満』な顧客層 → NPS -20（潜在的な批判者層）
• （葉C）：『製品の品質に不満』な顧客層 → NPS -70（最優先で対応すべき批判者層）

このように、「品質」という一つの軸だけではなく、「品質 かつ サポート」といった形で、どのセグメントが最もロイヤルティが高く（または低く）、その要因は何かを具体的に理解することができます。

重要性3：現場が動く「次の一手」の根拠となる

分析が「分析のための分析」で終わってしまう最大の理由は、その結果が現場の「次の一手」に翻訳されていないからです。

「NPSが5ポイント下がりました」というレポートだけでは、現場は何を改善すればよいか分かりません。

決定木分析の最大の強みは、その視覚的な分かりやすさと具体性にあります。複雑な分析結果を、マーケティングや開発部門など、誰が見ても分かる「樹形図」で示せるため、組織全体の共通認識を作りやすいのです。

前述の（葉B）「『製品の品質に満足』だが『サポート対応に不満』な顧客層」のNPSが-20である、という結果が出たとします。

これは、現場に対して「製品の品質を評価してくださっている（＝本来、推奨者になるポテンシャルがある）お客様が、サポート対応の不備によって批判者へと転落してしまっている。この層のサポート体験を改善することが、最も効率的にNPSを向上させる施策である」という、極めて具体的かつ強力なメッセージとなります。

このように、決定木分析は「どこに問題があるか」だけでなく、「どの問題を解決すれば最もインパクトが大きいか」を示し、関係部署を動かすための客観的な「武器」となるのです。

決定木分析の基本的な分析ステップ

では、実際にCXMの文脈で決定木分析を行う場合、どのようなステップを踏むのでしょうか。ここでは、基本的な流れを5つのステップに分けて解説します。

ステップ1：目的変数（KGI）を決定する

まず、ツリーの「結論」にあたる部分、つまり「何を予測・分類したいのか」を決めます。これが目的変数です。

CXMにおいては、企業の最重要指標（KGI）がこれにあたります。

• NPS：最も一般的に用いられます。「推奨者」「中立者」「批判者」の3つに分類するケース（分類木）や、0〜10のスコアそのものを予測するケース（回帰木）が多いです。
• 顧客満足度（CSAT）：総合満足度のスコア（例：5段階評価）。
• 継続利用意向：「継続したい」「解約したい」など。特にサブスクリプションモデルで重要です（チャーン分析）。

ここで重要なのは、「分析したい目的変数（NPSなど）を含むアンケートが正しく設計・取得されていること」です。これがなければ分析は始まりません。

関連記事：
NPS調査の作り方を解説！アンケートの作成や調査設計のコツがわかる

ステップ2：説明変数（KPI・要因）を決定する

次に、目的変数に「影響を与えている可能性のある要因」をすべて洗い出します。これが説明変数です。決定木は、これら説明変数の中から、目的変数との関連が強い変数を自動的に選び出していきます。

• 顧客属性データ：年齢、性別、居住地、利用歴、利用頻度、購入金額など。
• CX評価データ（KPI）：CXジャーニーマップ上の各タッチポイント（例：Webサイト、店舗、サポート、製品）に対する満足度や評価。
• 感情データ：アンケートのフリーコメント（VoC）から抽出したポジティブ/ネガティブな感情の分類。

ここがCXMにおける決定木分析の「肝」です。
もしアンケート項目が「総合満足度」と「顧客属性」しかなければ、「30代男性の満足度が低い」ことは分かっても、「なぜ低いのか（どの体験が悪いのか）」は分かりません。

「Webサイトの検索性」「注文のしやすさ」「配送のスピード」「梱包の丁寧さ」「製品の品質」「価格の妥当性」「サポート対応」といった、具体的な顧客体験（KPI）を網羅したアンケート設計が、分析の質を決定づけます。

ステップ3：データの準備とクレンジング

ステップ1と2で決めた変数を、アンケートシステムや顧客管理システム（CRM）から抽出し、一つのデータセットにまとめます。

「回答者Aさん」の行には、「NPS（目的変数）」「年齢」「利用歴」「Web満足度」「サポート満足度」（説明変数）…といった情報がすべて紐付いている状態にします。

この際、以下のような「データクレンジング（掃除）」作業が必要になります。

• 欠損値の処理：アンケートに答えていない（空欄の）項目をどう扱うか。（分析から除外する、平均値で補うなど）
• カテゴリデータの整理：自由記述の回答（例：「20才」「20歳」）を「20代」にまとめるなど、分析可能な形式に整えます。

【※注意点：サンプルサイズ（データ量）について】 

決定木分析で信頼できる結果を得るためには、ある程度のデータ数が必要です。一般的に、ツリーを数段階分岐させるためには、最低でも数百件〜千件以上のデータが望ましいとされています。データが少なすぎると、たまたまの偏りを「法則」として誤検知してしまう可能性があります。

ステップ4：決定木アルゴリズムの実行

データが準備できたら、いよいよ分析ツールを使って決定木を構築します。

（専門的な話になりますが、裏側では「CART（Classification and Regression Trees）」や「CHAID」といったアルゴリズムが動いています。これらのアルゴリズムは、「不純度」（データがどれだけ混ざり合っているか、あるいはバラついているか）を計算し、その不純度を最も小さくできる（＝最もキレイに分類できる）質問（説明変数）を自動的に見つけ出し、ツリーを分岐させていきます。）

また、このステップでは「過学習（Overfitting）」に注意が必要です。過学習とは、手元のデータに過剰に適合しすぎて、「データのノイズ」まで学習してしまい、ツリーが細かく複雑になりすぎる状態を指します。例えば「Aが〇〇でBが△△で…Hが××な顧客（3人）のNPSは-100」といった結果が出ても、それはその3人にしか当てはまらない特殊なルールであり、他の顧客への応用が利きません。

これを防ぐため、あえてツリーの深さを制限したり、分岐の最小人数を設定したり、不要な枝を刈り込む「枝刈り（Pruning）」という作業を行います。

ステップ5：分析結果（ツリー）の解釈と深掘り

最も重要なステップです。生成された樹形図（デシジョングラム）を読み解き、「次の一手」に繋がるインサイトを発見します。

1. （1）最も影響の大きい要因は何か？
   まず、根（ルート）の直下、ツリーの最上部で分岐している要因に注目します。これが、NPSや満足度といったKGIに「最も」影響を与えている要因です。企業の最優先課題がここに示されます。
2. （2）最も深刻な課題セグメントはどこか？
   次に、ツリーの「葉」（終点）に注目し、NPSや満足度が極端に低いセグメントを探します。（例：NPS -80の層）
   そのセグメントがどのような条件（要因の組み合わせ）で構成されているかを読み解き、最も深刻な批判者を生み出している「体験の負の連鎖」を特定します。
3. （3）ロイヤルティの高い優良セグメントはどこか？
   逆に、NPSが極端に高いセグメント（例：NPS +90の層）も探します。
   その条件を読み解くことで、顧客を「推奨者」に変えるための「成功パターン（勝ちパターン）」、すなわち自社の強みがどこにあるのかを明らかにできます。
4. （4）VoC（フリーコメント）で「なぜ」を深掘りする
   決定木分析は「どこに」問題があるかを教えてくれますが、「なぜ」その体験が不満なのか、という具体的な理由は教えてくれません。
   ステップ5で特定した「課題セグメント」（例：サポート対応に不満な層）に絞り込み、彼らがアンケートで寄せた具体的なフリーコメント（VoC）を読み込みます。「電話が繋がらない」「説明が分かりにくい」「たらい回しにされた」など、具体的な不満の「中身」を把握することで、初めて改善アクションが明確になります。

CXMにおける決定木分析の活用事例と成功のポイント

決定木分析は、理論を学ぶよりも、実際にどのように使われ、どのような成果に繋がったのかを見るのが一番の近道です。ここでは、典型的な活用事例と、分析を成功させるための重要なポイントをご紹介します。

活用事例1：【NPS向上】施策の優先順位付け（BtoC ECサイト）

• 課題：NPSを計測しているが、顧客からの不満が「価格」「品揃え」「配送」「サイトの使いやすさ」など多岐にわたり、どこから改善投資すべきか判断がつかなかった。
• 分析：NPS（推奨者/中立者/批判者）を目的変数に、各CX（品揃え満足度、価格満足度、サイト満足度、配送満足度など）を説明変数として決定木分析を実施。
• 結果：ツリーの最上部の分岐は「配送体験の満足度」であった。さらに分析を進めると、「配送満足度」が低く、かつ「サイトの検索性」にも不満を持つ顧客層のNPSが著しく低い（-60）ことが判明した。
• 次の一手：これまで「価格」や「品揃え」の強化に注力しがちだったが、データに基づき、①物流システムの改善（配送スピードと正確性の向上）と②ECサイトの検索UI/UX改善を最優先プロジェクトとして設定。リソースを集中投下した結果、半年後に批判者層が減少し、全体のNPSが改善した。

活用事例2：【チャーン（解約）防止】解約予備軍の特定（BtoB SaaS）

• 課題：サービス導入後の定着化（オンボーディング）がうまくいかず、特に利用開始から半年以内の解約率（チャーンレート）の高さに悩んでいた。
• 分析：「解約/継続」を目的変数に設定。説明変数として、顧客属性（企業規模、業種）や、導入後のサポート利用履歴、アンケートでの「機能Aの満足度」「機能Bの満足度」「サポート満足度」などを投入。
• 結果：「利用開始3ヶ月以内」かつ「特定の重要機能Xを利用していない」かつ「導入サポートへの満足度が低い」顧客の解約率が90%に達するという、非常に危険なセグメントが可視化された。
• 次の一手：この「解約予備軍セグメント」を特定するアラートをシステムに組み込み、該当する顧客が生まれた瞬間に、カスタマーサクセス（CS）部門が能動的にアプローチする体制を構築。特に「重要機能X」の利用を促すための専用チュートリアルや個別サポートを強化し、解約率の低下に成功した。

分析を成功させるための3つのポイント

これらの事例のように決定木分析を成功させるためには、以下の3つのポイントが重要です。

ポイント1：「分析の質」は「アンケート設計」で決まる

最も重要なポイントです。決定木分析は、与えられたデータ（説明変数）の中から最適な答えを見つけることしかできません。

もしアンケート項目に「配送体験」が含まれていなければ、事例1のように「配送体験が最重要」という結果は永遠に得られません。

分析を始める前に、まずは「自社の顧客体験全体（カスタマージャーニーマップ）を網羅し、NPSに影響を与えうるKPI（体験項目）が正しく聴取できているか？」というアンケート設計の妥当性を徹底的に見直す必要があります。分析が行き詰まる原因の多くは、この上流工程（アンケート設計）にあります。

ポイント2：「分かりやすさ」と「精度」のバランスを取る

決定木分析は、ツリーの分岐を増やせば増やす（ツリーを深くする）ほど、手元のデータを説明する「精度」は上がっていきます。

しかし、前述の「過学習」に陥り、「葉」のセグメントが何十にも分かれた複雑怪奇なツリーが出来上がってしまっては、現場の誰も理解できません。

分析の目的は、高い精度の予測モデルを作ることではなく、「現場が理解し、アクションに繋げられる」インサイトを得ることです。

あえてツリーの深さを制限したり、枝刈り（Pruning）を行ったりして、統計的な精度は多少犠牲にしてでも、「シンプルで、示唆に富む（Actionable）な結果」を得ることを優先すべきです。

ポイント3：「分析」と「VoC（生の声）」を行き来する

決定木分析は「構造化データ（定量データ）」の分析手法です。NPSが「なぜ」低いのか、その構造（＝どの要因が影響しているか）は分かりますが、顧客の具体的な不満や要望といった「非構造化データ（定性データ）」の中身までは分かりません。

「サポート対応に不満な層」のNPSが低いことが分かったら、必ずそのセグメントのフリーコメント（VoC）を読み込み、「なぜ彼らはサポートに不満なのか」という具体的な理由（Why）を突き止める必要があります。

定量分析（決定木）で「課題の当たり」をつけ、定性分析（VoC）で「課題の深掘り」をする。この両輪を回すことが、CX改善の精度とスピードを格段に向上させます。

まとめ：決定木分析で「次の一手」の精度を高める

今回は、膨大な顧客の声から「次の一手」を見つけ出すための強力な武器、「決定木分析（デシジョンツリー分析）」について解説しました。

• 決定木分析とは、NPSや満足度といった「目的」に、「どの要因」が最も影響しているかを樹形図で可視化する分析手法です。
• CXMにおける重要性は、①改善インパクトの大きい要因を特定できる、②複雑な顧客セグメントを可視化できる、③現場が動く「次の一手」の客観的根拠となる、の3点にあります。
• 分析を成功させる鍵は、ツール操作以前の「適切なアンケート設計（説明変数の網羅）」と、分析結果を「VoC（フリーコメント）」と組み合わせて解釈し、具体的なアクションプランに「翻訳」するプロセスにあります。
• 決定木分析は、CX推進担当者が「感覚」や「声の大きさ」に頼った意思決定から脱却し、データドリブンな改善活動をリードするための強い武器となります。

関連セミナー（オンデマンド）：
CX担当者のためのやさしいデータ分析入門 〜現場で役立つ顧客アンケートデータの見方・考え方〜