顧客心理を解き明かすプロダクトアウト×マーケットインのアンケート分析ロードマップ

はじめに：なぜ、アプローチによって「アンケート分析」を変えるべきなのか？

新しい製品やサービスを市場に送り出す際、「顧客が本当に求めているものは何か」を知るために顧客アンケートが実施されます。しかし、そのアンケートデータをどのように分析し、どのような意思決定に繋げるべきかは、製品開発の出発点によって根本的に異なります。自社の技術や思想、新しい価値の提案から出発するプロダクトアウトと、競合を含む商品価値（価格や使用感など）の比較から出発するマーケットインは、開発アプローチの対極に位置します。マーケットインは一般に「顧客のニーズや市場の声を起点にする」アプローチとして説明されますが、消費者がニーズを語るとき、その多くはすでに使っている競合商品との比較を通じて語られます。本記事では、この比較の物差しが市場に存在する状況を分析の出発点として扱います。これら2つのアプローチでは、アンケートデータから「引き出すインサイト」の深さとアプローチが大きく異なります。

実務において、以下のような課題や罠に陥ったことはないでしょうか。

• 技術の優位性を信じるあまり、市場での受容性や適切な価格帯を客観的なデータに基づいて評価できず、多額の初期投資が無駄になる（プロダクトアウトの罠）
• 顧客の声をそのまま聞き入れすぎた結果、競合他社と酷似した凡庸な製品仕様になり、激しい価格競争に巻き込まれて利益率が低下する（マーケットインの罠）
• 単純なクロス集計のみに頼った結果、回答者の表面的な意見に惑わされ、本質的な購買動機や心理的ペインポイントを見落として開発が迷走する

これらはすべて、アンケート設計とデータ分析の手法が開発アプローチと不整合を起こしているために生じる損失です。単なる回答の集計だけでは、消費者の本質的な購買動機や、無意識の心理を捉えることはできません。

「新しい冷凍食品の開発」という同一のテーマを用いながら、2つの異なるアプローチでそれぞれ複数の高度な分析（プロダクトアウトは3ステップ、マーケットインは4ステップ）を適用していく過程を、ロードマップとして示します。データを適切に分析することで、顧客の無意識の心理やヒットの黄金比がどのように浮かび上がってくるのかを、以降の章で具体的に示していきます。

どちらのアプローチを起点にすべきかは、次の2点で見分けられます。

1. 他社にない技術や独自の発想など、まだ市場に存在しない価値の種を自社が持っているか。持っているならプロダクトアウトが起点になります
2. 消費者が自社商品を評価するときに、比較の物差しとなる競合商品が既に市場にあるか。あるならマーケットインが起点になります

両方に当てはまる場合は、後半で解説するハイブリッド分析の対象になります。

なお、本記事で扱う「新しい冷凍食品の開発」の事例は、分析プロセスを分かりやすく説明するための仮想ケースであり、実在の企業や製品を示すものではありません。

分析に入る前に：探索的データ解析（EDA）

プロダクトアウトとマーケットインのどちらのアプローチであっても、具体的な分析手法に入る前に必ず行うべき共通の準備があります。

集めたばかりのアンケートデータには、入力ミスや極端な回答、設問の誤解による不自然な回答パターンなどが必ず紛れ込んでいます。こうしたノイズに気づかないまま、いきなり官能評価の有意差検定や混合尺度潜在クラス分析といった高度な統計手法にかけてしまうと、外れ値に引きずられて検定結果が歪んだり、本来存在しない偽のセグメントが浮かび上がったりと、結論そのものが歪んでしまいます。また、変数同士の大まかな関係性を事前に把握しておかないと、後の分析で見つかった相関が「本当に意味のある発見」なのか「単なる既知の傾向の焼き直し」なのかを判断できません。

だからこそ、どんな高度な分析に進む場合でも、その手前で必ずデータの健全性と全体像を確認する探索的データ解析（EDA）を行う必要があります。これは地味な作業に見えますが、後続のすべての分析の信頼性を支える土台であり、省略すると分析結果そのものの説得力が失われてしまう、欠かすことのできないステップです。

探索的データ解析（EDA）は、以下の3つのステップで体系的に進められます。

1. データ品質の確認：欠損値の有無や、全設問で同じ選択肢を選び続けているといった不自然な回答パターンを確認し、分析対象から除外すべきサンプルを洗い出します。
2. 単変量の分布確認：各設問の回答値の分布や外れ値を確認し、入力エラーや極端な回答傾向を持つサンプルを検出します。
3. 2変数間の相関確認：例えば、回答者の世帯年収と製品コンセプトへの関心度との相関を確認し、基本属性と製品評価の初期的な関係性を掴みます。

以降の章で解説する7つの手法は、いずれもこの3ステップを終えたデータを前提としています。手法ごとの解説では再掲しませんが、新しくデータを集めるたびに毎回行うものと考えてください。

なぜ「問いの立て方」が分析の精度を決めるのか

具体的な分析手法に入る前に、もう一つ押さえておくべき大前提があります。アンケート分析の質は、統計手法の巧拙以前に「どのような問いを立てるか」によってほぼ決まってしまいます。

同じテーマの、同じ回答者であっても、曖昧な問いを投げかければ、回答者自身も明確に言語化できていない表面的な回答しか返ってきません。一方で、問いの解像度を高め、消費者の心理や行動の背景まで踏み込んで設計すると、回答者自身も気づいていなかった本音や購買動機を引き出すことができます。

分析手法を選ぶ前に、まず「何を明らかにしたいのか」という問い自体を徹底的に磨き上げることが重要です。

曖昧な問いを解像度の高い問いへ磨き込むには、次の4つの観点を順に当てはめていきます。

1. 比較の対象を決める：「美味しいか」で止めず、何と比べて美味しいのかまで踏み込む
2. 対象者を絞る：全回答者の平均ではなく、どの層の反応を知りたいのかを決める
3. 動かしたい指標を決める：好意度で止めず、購入意向や推奨意向など、意思決定に使う指標まで結びつける
4. 判定の基準を決める：どの水準に達していれば良いと言えるのかを、あらかじめ決めておく

以降の各章の各ステップでは、実務で陥りがちな「曖昧な問い」と、実際に設計すべき「解像度の高い問い」を対比する形で提示します。この問いの違いこそが、その後どのような設問形式を採用し、どのような統計手法で解析するかを決定づける出発点となります。

プロダクトアウトにおけるアンケート分析：自社の「技術」を起点に読み解く顧客心理の3ステップ

プロダクトアウトにおける開発では、まだ市場に存在しない「未知の価値」を提案します。

前提となる課題設定は以下の通りです。自社が開発した「極限まで作りたての食感と香りを復元できる新しい独自の急速冷凍技術」があります。この技術を活かし、「街で行列ができる人気洋食店の味を、レンジ調理だけで楽しめる、日常使いしやすい価格帯の冷凍ミールキット」という、これまでにない新しい食体験や価値を持ったプロダクトを市場に提案し、その受容性を確かめたいと考えています。

この場合、分析の出発点は市場そのものではなく、あくまで「自社が持つ技術」という一点です。この技術に触れたとき、消費者の心の中に生まれる品質への納得感、熱狂、感情の動きといった心理的な反応を解き明かすことこそが、プロダクトアウトにおけるアンケート分析の本質です。

このような「まだ世の中にない技術や価値」に対するアンケート分析では、単純に「これが欲しいですか？」と尋ねるだけでは意味がありません。なぜなら、消費者は体験したことのない価値を想像して正確に回答することができないからです。そこで、自社技術に対する消費者の受容心理を、品質の再現度、ターゲット、感情という3つの角度から科学的に解き明かす3つのステップを実行します。

ステップ1：官能評価×ベンチマーク比較による「技術力の再現度」の実証

早速、最初のステップから見ていきましょう。ここでもまず着手するのは、分析手法の選定ではなく「問いの立て方」です。同じテーマを扱う場合でも、問いの精度次第で得られるインサイトの深さがまったく異なることを、具体的な対比で見ていきます。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「この冷凍ミールキットは、試作品として美味しいか？」
• 解像度の高い問い：「人気洋食店の『お手本のレシピ』や競合の主力商品と食べ比べたとき、消費者は自社の急速冷凍技術による再現度を、統計的に有意な差がないと感じられるレベルまで到達できているか？」

この問いに答えるには、「美味しいと思いますか」という単独評価だけでは不十分です。技術が本当に「人気店の味を再現できている」と言えるかどうかは、絶対評価ではなく、お手本や競合と比較した相対評価でなければ検証できません。そこで用いるのが、官能評価×ベンチマーク比較です。

この分析では、被験者にブラインド（銘柄を伏せた状態）で「自社試作品」「お手本（実際に人気洋食店で提供される一皿）」「競合の主力商品」の3種類を食べ比べてもらい、味、香り、食感、見た目といった項目ごとに5段階または7段階でスコアを取得します。自社試作品とお手本（または競合）の評価スコアは5段階、7段階の順序尺度であり、必ずしも正規分布に従うとは限りません。そこで、正規性を前提としないウィルコクソンの符号付順位検定を用いて、両者のスコア差に統計的な偏りがあるかどうかを検証します（検定統計量の計算式は本記事末尾の補足を参照してください）。

この検定によって「統計的に有意な差が見られない（）」と判定された項目は、少なくとも今回のデータにおいてお手本との違いが統計的に検出されなかったことを意味し、技術によってお手本の水準に近い再現ができている可能性を示唆します（ただし、有意差が検出されないことは、両者が同一であることを積極的に証明するものではない点には注意が必要です）。逆に、有意な差が大きい項目は、まだ技術的な改善が必要なポイントとして特定できます。この検証によって、技術的な誇張ではなく、データに基づいて再現度を語れるようになり、開発チームは次のブラッシュアップ箇所に集中できるようになります。

ここで注意したいのは、評価者数が少ないほど差は検出されにくくなる点です。少人数の調査で有意差が出なかったことを、そのまま再現できた根拠として扱うことはできません。有意差の有無だけでなく、スコアの差そのものの大きさもあわせて確認します。

この手法で難しいのは、統計解析よりもむしろ実施環境です。提示順序のランダム化や銘柄の隠蔽を徹底したブラインドテスト環境の準備に加え、検定を行うための統計解析ソフトウェア（R、Python、SPSSなど）が必要になります。必要な評価者数は設計によって大きく変わり、訓練を受けた専門パネルで違いを識別する場合は目安として10〜20名程度、一般消費者を対象に嗜好や受容性まで確かめる場合は60〜100名以上が必要になるため、どちらのパネルで検証するかという設計の選択自体が分析者の判断になります。評価者を十分に確保できない場合は、有意差の検定にこだわらず、少人数から具体的なコメントを集めて改善点を洗い出す定性的な評価に切り替えるほうが確実です。

ステップ2：混合尺度潜在クラス分析による「まだ見ぬ熱狂層（隠れたセグメント）」の発掘

ステップ1で確認した「技術力の再現度」は、あくまで全回答者を対象とした平均スコアです。この平均評価だけを鵜呑みにして「量産しやすいよう味を丸めるべきか」を判断してしまうと、平均的な意見に引きずられるリスクがあります。そこで次に立てるべきは、同じデータの中に、平均とは異なる強い反応を示す層が存在するのではないか、という問いです。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「この冷凍ミールキットのターゲットは誰か？」
• 解像度の高い問い：「品質や再現度への評価が平均値ほど厳しくなく、むしろ強い熱狂を示している少数派は、どのような食への価値観やライフスタイルを持つ層なのか？」

この問いに答えるには、全回答者を一つの母集団として扱う単純集計では不十分です。平均値を計算した瞬間に、少数派の熱狂的な反応は多数派の意見の中に埋もれて消えてしまうからです。少数派の存在を可視化するには、回答者を似た者同士のグループに分解し、集団ごとの傾向を比較する必要があります。そこで用いるのが、混合尺度潜在クラス分析です。

混合尺度潜在クラス分析は、回答者を一括りに扱うのではなく、食に対するこだわりやライフスタイルに関する数十項目の設問データをもとに、回答パターンの背後に存在する離散的な潜在クラス（グループ）を統計モデルとして推定する手法です。アンケートには「好きな調理法」のような名義尺度の設問と、「こだわりの強さ」のような順序尺度の設問が混在するのが実態です。混合尺度潜在クラス分析では、名義尺度、順序尺度それぞれに適した確率モデルを組み合わせて扱えるため、尺度の異なる設問を無理に単一の指標に押し込めることなく、各回答者がどのクラスに属している確率が高いかを最尤法に基づいて算出できます。最も所属確率の高いクラスに割り当てることで、実際のアンケートによくある尺度混在のデータにも適した頑健な分類を行います。

全回答者の平均値だけを見ていると、少数派の熱狂的な反応は「凡庸な結果」の中に埋もれてしまいます。しかし混合尺度潜在クラス分析を用いることで、複数の設問項目を組み合わせて分析し、全体の平均値には表れない「まだ見ぬ熱狂層」を統計的に抽出することができます。抽出された各クラスは、購買力やこだわり、ライフスタイルといった軸で特徴づけられ、ターゲット像がシャープになっていきます。

実行にはR（poLCAパッケージなど）やMplus、Latent GOLDといった専用の統計解析ソフトウェアを使います。クラス数の決定にはベイズ情報量規準（BIC）などの指標を参考にしますが、最終的には分析者の専門的な判断が伴います。少数派のクラスを安定して検出するには、目安として300〜400名程度のサンプルサイズを確保しておくことが望ましく、単純な集計調査より大きめの回答者数を見込んでおく必要があります。この目安に届かない小規模な調査の場合は、抽出するクラス数を絞り込んだ簡易的な分析にとどめるか、見つかったセグメントを確定的な結論ではなく仮説として扱い、追加調査で検証することが現実的な対応になります。

ステップ3：感性評価（SD法など）による「熱狂的ファンになる心理的トリガー」の数値化

ステップ2によって、「誰に届けるべきか」という熱狂層は明確になりました。しかし、ターゲットが定まっただけでは、その層の心を実際に動かす方法までは分かりません。次に立てるべきは、その熱狂層が無意識に感じ取っている感覚のうち、購入や推奨の意思を最も左右しているのはどれか、という一段踏み込んだ問いです。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「試作品の味や見た目は好評か？」
• 解像度の高い問い：「試食時に消費者が無意識に感じ取っている『本格感』『手軽さ』『新鮮さ』のうち、どの感覚が推奨意向（NPS）に最も強く影響しているのか？」

この問いに答えるには、「美味しかったですか」というような単一の総合評価だけでは不十分です。消費者自身も明確に言語化できていない感覚的な評価軸を分解したうえで、そのどれが実際の行動指標（NPS）を動かしているのかを結びつける必要があります。そこで、形容詞対で感覚を測定するSD法（Semantic Differential Method）を用いて評価します。SD法では、「上品な－庶民的な」「本格的な－家庭的な」「濃厚な－あっさりした」といった形容詞対の5段階または7段階の評価尺度を用います。集計されたデータから因子分析を実行し、消費者が無意識に製品を評価している「本格感」「手軽さ」「新鮮さ」といった潜在変数（因子）を抽出します。

さらに、これらの因子得点と、製品の推奨意向（NPS）や「リピート購入意向」との関係を検証します。NPSは一般に0〜10点のスコアや「批判者や中立者、推奨者」といった順序を持つカテゴリで測定されるため、間隔尺度を前提とする通常の重回帰分析ではなく、順序尺度に適した順序ロジスティック回帰を用います。順序ロジスティック回帰モデルは、比例オッズモデルと呼ばれるモデルで表されます（モデル式は本記事末尾の補足を参照してください）。

この分析により、どの感情のスイッチを押せば「推奨意向（NPS）」がより上位のカテゴリへ動きやすくなるのかという関係を数値化します。例えば、「手軽さ」のスイッチよりも、「本格感」のスイッチの方が「推奨意向（NPS）」の押し上げに3倍強く寄与していることが分かれば、プロモーションでは手軽さではなく「人気洋食店の味の再現」を前面に出すべきだという強力なインサイトが得られます。

因子分析には、抽出する因子数や回転方法の選択に分析者の専門的な判断が伴います。安定した因子を抽出するには目安として150名以上のサンプルサイズが望ましいとされ、因子分析および順序ロジスティック回帰の実行には、R、Python、SPSSなどの統計解析ソフトウェアが必要です。目安に届かない場合は、抽出する因子数を絞る、あるいは因子分析を省いて個々の質問項目の単純集計や相関確認にとどめるといった簡易的な代替も検討できます。

この分析は、ステップ2で特定した熱狂層のデータに絞って行うのが原則です。全回答者の平均で因子分析を行うと、少数派である熱狂層特有の心理的傾向が薄まってしまうためです。ただし、熱狂層が全体の1割程度であれば、絞り込んだ後に150名を確保するには全体で1,500名規模の回答が必要になります。ここまでの規模を用意できない場合は、熱狂層に対象を限定した追加調査を別途行うか、全回答者で因子を抽出したうえで因子得点の平均を熱狂層とそれ以外で比較するにとどめる、といった代替が現実的です。

自社が持つ技術が「本当にお手本を再現できているか」、そしてその技術に「誰が」「どの感情で」反応するのかを、3つのステップを通して順に解き明かしてきました。この一連のプロセスを俯瞰できるよう、以下に分析ロードマップの図を挿入します。

マーケットインにおけるアンケート分析：競合を含む「商品価値」を起点に読み解く顧客心理の4ステップ

マーケットインにおける開発は、顧客が「商品の価値」をどう評価しているかが出発点です。

前提となる課題設定は以下の通りです。日常的に冷凍食品を利用している消費者は、自社商品だけを単独で評価しているわけではありません。無意識のうちに競合他社の商品と価格や使用感（手軽さ、味、パッケージの扱いやすさなど）を比較しながら、どちらを選ぶかを判断しています。

特に、競合A社の主力商品「ボリューム満点ミールキット」（本記事の説明用に用いる仮称です）と比較したとき、消費者が自社商品のどこに価値を感じ、どこに不満や見劣りを感じているのかを明らかにし、競合との比較の中で選ばれる商品に仕上げたいと考えています。

このように、既に「商品」という共通の物差しが市場に存在する状況では、分析の中心は「未知の価値の検証」ではなく、「競合と比べたときに消費者の心の中で何が起きているか」という比較心理の解明に移ります。既存市場への参入やリニューアルでは、競合に対する優位性をどこに置くかが成否を分けます。競合と比較される中で生まれる顧客の本音とその心理的な背景を可視化し、価格に対する心理的な受容性を検証し、商品仕様の「黄金比」をシミュレーションし、発売前に見込める競合からの乗り換え率を予測する4つのステップを適用します。

ステップ1：テキストマイニングによる「競合比較の中に潜む本音」の可視化

マーケットインにおいても、最初に着手するのはやはり「問いの立て方」です。競合という比較対象が存在するテーマだからこそ、問いを浅いままにしておくと、「自社と競合、どちらが良いか」という表面的な優劣の話で終わってしまいます。ここでも、曖昧な問いと解像度の高い問いの対比から見ていきましょう。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「自社商品と競合商品、どちらの評判が良いですか？」
• 解像度の高い問い：「競合商品に言及した自由記述の中で、消費者が『自社商品ならでは』と感じている使用感と、逆に『競合の方が優れている』と無意識に比較してしまっているポイントは、それぞれ何か？」

この問いに答えるには、「自社と競合、どちらが好きですか」という単純な優劣判定では不十分です。消費者が両者を比較する際にどのような言葉を無意識に選んでいるのか、その比較の文脈ごと読み解く必要があります。そこで自然言語処理技術を用いたテキストマイニングを適用します。特に、「〜より」「〜と違って」「〜のわりに」といった比較表現を含む自由記述に着目し、単語と単語の結びつきの強さを視覚的に表す共起ネットワーク分析や、文章全体の感情の浮き沈みを数値化する感情分析を行います。

共起ネットワーク分析では、例えば「競合商品」という言葉の近くに「味は競合の方が上」「でも自社の方がパッケージが開けやすい」といった単語が強い相関を持って結びついている構造が浮かび上がります。これにより、「価格や無添加という点では自社に分があるが、実際に使う場面での手軽さでは競合に見劣りしている」という、比較の中に潜む本音をビジュアルとして鮮やかに抽出します。

実行には形態素解析エンジンやKH Coderなどの専用ツールを使います。ストップワードの除去や表記ゆれの統合、共起の強さを可視化する際の閾値設定など、前処理と可視化の各所に分析者の裁量が入る点が、この手法の特徴です。安定した共起構造を読み取るには、自由記述の回答数が目安として数百件以上あることが望ましいです。回答数がこれに届かない場合は、共起ネットワークのような自動可視化に頼らず、担当者が自由記述を直接読み込んで主要な意見を手作業で分類する定性的な読み込みのほうが、少数件数ではかえって確実な場合もあります。

ここで立ち止まるべきは、「なぜ消費者は価格や無添加にこだわるのか」という、その比較の裏にある心理的な背景です。感情分析のスコアを自由記述の文脈と突き合わせると、単なる節約志向ではなく、「冷凍食品に頼ることへの罪悪感を、せめて無添加を選ぶことで軽減したい」「家族の健康を守れているという安心感を、価格という分かりやすい指標で確認したい」といった感情的な動機が浮かび上がってきます。この「安心を得たい」という欲求の強さを、消費者は実際にどこまでの金額として引き受ける意思があるのか。次のステップでは、この問いを検証します。

ステップ2：PSM分析による「競合を意識した価格受容性」の検証

ステップ1のテキストマイニングによって、「無添加という安心」を求める心理的な動機が見えてきました。しかし、この安心欲求がどれほど強くても、それに見合う金額を消費者が実際に支払う意思があるかどうかは、別の問題です。次に立てるべきは、競合の実勢価格を意識したとき、消費者はこの安心にいくらまで上乗せして支払う意向があるのか、という問いです。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「自社商品はいくらなら売れますか？」
• 解像度の高い問い：「競合商品の実勢価格を意識した上で、消費者が『無添加による安心』という価値にどこまで上乗せして支払う意向があるのか、その心理的な価格受容帯はどこにあるのか？」

この問いに答えるには、「いくらなら買いますか」という一点だけの質問では不十分です。消費者が「安すぎて品質に不安を感じる」「高すぎて手が出ない」と感じる心理的な境界線を、競合の実勢価格という基準点を踏まえながら立体的に捉える必要があります。そこで用いるのが、PSM（Price Sensitivity Measurement）分析です。PSM分析では、アンケートで以下の4つの質問を投げかけます。

1. その製品が「安すぎて品質に不安を感じ始める価格（安すぎる価格）」
2. その製品が「お得感があり、安いと感じ始める価格（安い価格）」
3. その製品が「高いと感じ始める価格（高い価格）」
4. その製品が「高すぎて手が出ないと感じる価格（高すぎる価格）」

回答者ごとに得られたこれら4つの価格を、それぞれ価格帯ごとの累積回答比率としてグラフ化し、4本の曲線の交点から、消費者が最も抵抗なく受け入れる最適価格（OPP）、市場で受け入れられる価格帯の下限となる最低限受容価格（PMC）、上限となる最高限受容価格（PME）を数理的に求めます（交点の計算式は本記事末尾の補足を参照してください）。

これによって得られるPMCからPMEまでの範囲が、市場で受け入れられる「価格受容帯」となります。この結果を競合商品の実勢価格（500円）と照らし合わせることで、「無添加による安心」という価値に対して消費者が支払ってもよいと考えるプレミアムの上限が明らかになります。この価格受容帯は、次のステップで検証する価格帯の候補として反映させます。

PSM分析は、累積比率曲線の算出や交点の特定をExcelなどの表計算ソフトでも行える、比較的取り組みやすい手法です。ただし、価格が安いほど「安すぎる」と答えるべきところを逆に答えてしまうような論理的に矛盾した回答をどう扱うかについては分析者の判断が必要です。回答者を細かく分割せず全体傾向を見る手法のため、目安としては200名程度のサンプルサイズがあれば、交点を安定して算出できます。これを下回る場合、曲線の交点はぶれやすくなるため、算出された価格を確定値ではなくおおよその範囲として扱い、必要に応じて個別のヒアリングで補強することが望ましいです。

ステップ3：選択型コンジョイント分析による「競合との選択率」のシミュレーション

ステップ2のPSM分析によって、「無添加による安心」に対して消費者が支払ってもよいと考える価格受容帯が見えてきました。しかし、この価格帯を単独で製品化に反映させようとしても、それが競合と対峙したときに実際に選ばれるかどうかは分かりません。次に立てるべきは、競合の実際の仕様や価格と並べて提示したとき、消費者がどちらを選ぶのか、という問いです。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「自社商品の価格や仕様をどう決めるか？」
• 解像度の高い問い：「価格や無添加レベルといった属性を、競合商品の実際の仕様や価格と並べて提示したとき、消費者は自社商品と競合商品のどちらを選ぶ可能性が高く、その選択を左右している要素は何か？」

この問いに答えるには、自社商品の属性だけを単独で尋ねる従来のコンジョイント分析では不十分です。消費者は実際の購買の場面で、複数の商品を並べて比較検討しているからです。そこで用いるのが、競合商品のプロファイルを選択肢に含めた選択型コンジョイント分析（Choice-Based Conjoint）です。

選択型コンジョイント分析では、価格や無添加レベルなどを変化させた自社商品のプロファイルと、実際の仕様や価格に基づいた競合商品のプロファイル、さらに「どちらも購入しない」という選択肢を組み合わせたカードを回答者に繰り返し提示し、どちらを選ぶかを回答してもらいます。これにより、各属性が持つ部分効用値だけでなく、競合商品と直接対峙した際の選択シェア（選択確率）を算出することができます。

「自社商品の添加物のレベルや価格を、ステップ2で導いた価格受容帯の範囲内でいくつかのパターンに変化させ、それぞれ競合商品の実際の仕様や価格と並べて提示したとき、消費者はどちらをどれだけの比率で選ぶか？」こうして複数の仕様や価格の組み合わせについて選択シェアをシミュレーションすることで、PSM分析で得た価格受容帯の範囲内で、競合に対して最も勝率の高い仕様と価格のポジショニングを特定し、開発チームに提案することができます。

ここで、PSM分析で得た価格受容帯は、自社商品を単独で評価したときに受け入れられる価格の範囲である点に注意が必要です。競合と並べて提示すると価格差そのものが選択を左右するため、受容帯の上限に近づけることが最も高い選択シェアにつながるとは限りません。受容帯は取りうる価格の範囲を示すものであり、その中のどこに置くかを競合との相対関係から決めるのが、このステップの役割です。

属性の組み合わせパターンが多くなるため、実験計画の作成にはSawtooth SoftwareやR（support.CEsパッケージなど）といった専用のソフトウェアを使います。属性や水準の設計、推定モデルの選択には分析者の専門的な判断が伴います。部分効用値を安定して推定するには、目安として300名以上のサンプルサイズを確保しておく必要があります。この人数を確保できない場合は、検証する属性や水準の数を絞り込んで必要サンプルサイズ自体を小さくするか、本ステップを省いてPSM分析で得た価格受容帯までを結論とする、といった選択肢があります。

ステップ4：スイッチング意向×ロジスティック回帰分析による「競合からの乗り換え率」の予測

ステップ3によって、競合と対峙したときに最も選ばれやすい「黄金比」の仕様と価格が定まりました。しかし、シミュレーション上の選択率と、実際に競合商品を使っている顧客が本当に乗り換えてくれるかどうかは、別の問題です。発売に踏み切る前に立てるべきは、この仕様なら競合の既存顧客がどれだけ自社に乗り換えてくれるのか、という次の問いです。

曖昧な問いと解像度の高い問いの対比

• 曖昧な問い：「この商品は競合より売れそうですか？」
• 解像度の高い問い：「競合商品を日常的に使用している顧客が、価格差や使用感の差をどの程度感じたときに、自社商品へスイッチする可能性が高まるのか？」

この問いに答えるには、「乗り換えたいと思いますか」という単純なYES/NO比率だけでは不十分です。競合商品との価格差や使用感の相対評価が、実際のスイッチング行動にどれだけ影響するのかを、個人単位の確率として推定する必要があります。そこで用いるのが、競合からのスイッチング意向データを目的変数としたロジスティック回帰分析です。ロジスティック回帰分析では、スイッチング意向（「乗り換える」を1、「乗り換えない」を0とする二値）を目的変数とし、自社と競合の価格差、使用感の相対評価スコア（手軽さや味、パッケージなど）、現在の競合商品への満足度などを説明変数として、スイッチング確率をロジット関数で推定します（推定式は本記事末尾の補足を参照してください）。

実行にはR、Python、SPSSなどの統計解析ソフトウェアを使い、説明変数の選定や多重共線性の確認といった判断が分析者に求められます。この手法で最も制約になりやすいのは対象者です。安定した推定には、目安として競合商品の既存ユーザー200名以上のデータが望ましいとされています。この人数に届かない場合は、説明変数の数を絞ってモデルを簡素化することで必要なサンプルサイズを抑えられますが、それでも推定結果は確定的な予測値ではなく、あくまで参考情報として扱う必要があります。

この式によって算出される確率を競合商品の既存ユーザー全体に当てはめることで、発売前の段階で見込める「競合からの乗り換え率」を算出し、必要であれば価格や訴求メッセージを微調整します。この事前予測モデルを用いることで、発売してから慌てて改善するのではなく、発売前の段階で「競合に勝てる確率」を数値で確認したうえで、意思決定者にゴーサインを提案することができます。

競合という比較対象を軸に、顧客心理を読み解きながら商品価値を磨き上げ、発売前に競合への勝算を数値で確認するところまで、4つのステップを通してつなげてきました。この全体像を俯瞰できるよう、以下に分析ロードマップの図を挿入します。

プロダクトアウト×マーケットインのハイブリッド分析のすすめ

製品開発において、プロダクトアウトとマーケットインのどちらか一方のアプローチのみに依存することは、大きなビジネスリスクを伴います。プロダクトアウトに偏重しすぎると、自社の技術力（急速冷凍技術）に自己満足し、「味の再現度にこだわりすぎて割高な価格設定になった、日常使いには向かないミールキット」を作ってしまい、誰も買わないという市場適合（PMF）の失敗を招きます。逆に、マーケットインに偏重しすぎると、顧客の「無添加が良い」「安い方が良い」というありきたりな要望に引っ張られ、競合他社と何ら変わらない「普通の無添加冷凍惣菜」になり、激しい価格競争に埋没してしまいます。

そこでおすすめしたいのが、双方の強みを融合させたハイブリッド分析です。この分析は、プロダクトアウトとマーケットインのどちらを起点にしても構いません。自社に核となる技術やアイデアがあるならプロダクトアウトから、逆に明確な技術的資産がなくとも既存市場の不満から着想を得たいならマーケットインから始めればよく、一方の視点だけで終わらせず、もう一方の視点で検証し補強するサイクルを回し続けることが欠かせません。

具体的な進め方は、起点によって次のように変わります。

• プロダクトアウトを起点にする場合：まず官能評価×ベンチマーク比較や混合尺度潜在クラス分析によって、技術の再現度を実証し、その真価を認めてくれる熱狂層を特定します。その上で、その熱狂層が競合商品と自社商品を比較する際に抱いている「使用感の物足りなさ」や「価格への割高感」をテキストマイニングで抽出し、その背後にある心理的な安心欲求をPSM分析で価格に落とし込んだ上で、競合の実際の仕様や価格と並べたときの選択率を選択型コンジョイント分析でシミュレーションして、競合に勝てる製品仕様の黄金比へとチューニングします。
• マーケットインを起点にする場合：まずテキストマイニングによって、競合商品と比較したときに消費者が抱く本音とその心理的な背景を可視化し、PSM分析でその背景にある安心欲求への価格受容性を検証します。そこから見えてきた自社の強みをさらに伸ばしうる新しい技術やアイデアの種を官能評価×ベンチマーク比較や混合尺度潜在クラス分析で検証し、まだ気づかれていない熱狂層の存在や、その層が抱く未知の価値への支払意欲を確かめます。

どちらの起点から始めても、最終的にはスイッチング意向×ロジスティック回帰分析で発売前に見込める競合からの乗り換え率を検証したうえでローンチに踏み切ります。そして実際の販売結果から得られた知見を、次のプロダクトアウトの技術開発やマーケットインの競合比較分析へと還元する、循環的なプロセスとして運用します。

ハイブリッド分析の業務フローは、以下の通りです。

図の左右は起点の違いを表します。点線の矢印は、一方の分析を終えた後にもう一方へ移る流れであり、上記の起点別の進め方に対応します。下部の共通プロセスは、分析結果を受けて進む製品開発の一般的な工程です。本記事の解説対象ではありませんが、分析がどこに接続し、ローンチ後の結果がどこへ戻るのかを示すために添えています。

このように、どちらの視点を起点にしても、もう一方のアプローチで検証し補強するサイクルを回し続けることで、技術の独りよがりを防ぎながら、競合と差別化された「売れるイノベーション」を生み出し続けることができます。

ただし、ここまで紹介した7つの手法をすべてフルセットで毎回実行しようとすると、相応の調査予算、実施期間、専門人材が必要になります。実務では、プロジェクトの重要度や残されている時間に応じて、一部のステップを簡易調査や過去データの再利用に置き換えるなど、取捨選択しながら運用するのが現実的です。

7つの手法を1回の調査でまとめて聞けるか

7つの手法を1本の調査票にまとめて実施することはできません。理由は3つあります。

1. 調査の形式が異なる：官能評価×ベンチマーク比較は試食を伴う会場調査が前提であり、自由記述やスクリーン上の選択課題を中心とする他の手法とは実施形態そのものが異なります
2. 回答者の負荷が大きい：選択型コンジョイント分析は同じ形式の選択課題を繰り返し提示し、PSM分析は価格を4通り尋ね、混合尺度潜在クラス分析は価値観に関する設問を数十項目必要とします。1本にまとめると回答時間が過大になり、後半の設問の回答品質が落ちます
3. 前のステップの結果を次のステップの設計に使う：PSM分析で得た価格受容帯は選択型コンジョイント分析で提示する価格水準の設計に使い、混合尺度潜在クラス分析で特定した熱狂層は感性評価（SD法）の対象者を絞り込むために使います。前段の結果が出る前に後段の調査票を確定させることはできません

したがって、実務ではステップごとに調査を分けて順に回すのが基本になります。一方で、回答者の基本属性や、製品によらず安定している食へのこだわりやライフスタイルに関する設問群は複数のステップで共通して使えるため、初回の調査で押さえておくと後段の負担を減らせます。

サンプルサイズについても、最も大きい目安に全体を合わせる必要はありません。各手法が必要とする回答者は対象そのものが異なり、スイッチング意向×ロジスティック回帰分析が必要とする200名は競合商品の既存ユーザーに限られ、官能評価×ベンチマーク比較の評価者は試食に参加できる人に限られます。ステップごとに、必要な対象者と人数を個別に見積もるほうが確実です。

予算と期間感を掴むための目安

具体的な金額や日数は、依頼先の調査会社や自社で完結できる範囲、対象国と地域によって大きく変動するため、本記事で一律の数字を示すことはできません。その代わりに、予算と期間を左右する主な要因を整理すると、判断の助けになります。

1. フルセット（7手法）で実施するか、プロジェクトの重要度に応じて一部の手法に絞った簡易版で実施するか
2. 調査会社やパネル会社に委託するか、自社の人員やリソースで完結できるか
3. 各手法の実行に必要な専用の統計解析ソフトウェアやツールのライセンス費用が発生するか
4. 各手法で目安として示したサンプルサイズを、どの程度確保する必要があるか
5. 既存の調査データを再利用できるか、新規にゼロから収集する必要があるか

このうち5点目の「既存データの再利用可否」は手法によって扱いが異なるため、後述します。また、1〜4点目に関連して、これまで解説した7手法を実施ハードルの観点で相対的に比較すると、以下のようになります。

「低」に近い手法から着手し、必要に応じて「高」の手法を追加していくといった段階的な進め方も、限られた予算の中で7手法すべての狙いに近づく現実的な選択肢になります。

期間についても、絶対的な日数を示すことはできませんが、相対的な長短には傾向があります。実施ハードルが低い手法ほど、調査票の設計から結果を得るまでが短く済みます。逆に、官能評価×ベンチマーク比較は試食の会場と評価者の手配が必要で、選択型コンジョイント分析は実験計画の作成に手間がかかるため、同じ回答者数でも準備に時間を要します。加えて、前の節で述べたとおりステップごとに調査を分ける以上、全体の期間は実施する手法の数に応じて積み上がります。

なお、コスト削減の観点では既存データの再利用も選択肢になりますが、その可否は手法によって異なります。

プロダクトアウトのステップ2（混合尺度潜在クラス分析）で使う食へのこだわりやライフスタイルに関する設問群は、製品によらず比較的安定した消費者の価値観を捉えているため、類似プロジェクトへの再利用がしやすい部類です。一方、官能評価の結果、PSM分析による価格受容性、競合プロファイルを用いたコンジョイント分析やスイッチング分析は、いずれもその時点の自社試作品、価格、競合仕様に強く紐づいているため、対象や競合が変われば作り直しが前提になります。

また、ある調査目的のために集めたデータを別プロジェクトに転用する場合は、回答者から得た同意の範囲を超えないよう、プライバシー面の配慮も必要です。

プロダクトアウトとマーケットインの特徴比較

以下に、これまで解説したプロダクトアウトとマーケットインにおけるアンケート分析手法の特徴を対比表として整理します。

ケーススタディ：分析が現場を動かした瞬間

ここまで解説してきたプロダクトアウトとマーケットインそれぞれの一連の分析プロセスが、実際の案件でどのように意思決定を変えていったのか、代表的な2つのケースを紹介します（本記事冒頭で述べた通り、以下はいずれも分析プロセスを分かりやすく説明するための仮想ケースです）。

ケーススタディ①：プロダクトアウトにおける、「技術の再現度」から「熱狂層に届く感情の鍵」までの一気通貫プロジェクト

背景

自社の急速冷凍技術を用いた「人気洋食店の味を再現した、日常使いしやすい価格帯の冷凍ミールキット」の開発案件です。技術チームは「人気店の味を再現できた」と自信を持っていましたが、それを裏付けるデータもなく、誰に、いくらで届けるべきかも定まっていませんでした。

分析なきプロジェクトの迷走

社内試食会では「美味しい」「まずまず」といった主観的な感想が飛び交うだけで、技術力の主張を裏付けるデータがありませんでした。加えて、アンケート結果の平均値を見ると「冷凍食品にそこまでの本格的な味は求めていない」という消極的な意見が大半を占めましたが、この平均値をそのまま受け取って味の作り込みを弱めるべきか、技術を信じて押し切るべきかを判断する材料がありませんでした。技術の優位性を裏付けるデータも、その優位性を評価してくれる顧客がどこにいるのかを示すデータも欠けたまま、行き当たりばったりのローンチになるところでした。

3ステップを通した専門解析による解決

まず収集したデータに探索的データ解析（EDA）を行い、全設問で同じ選択肢を選び続けている回答など、分析対象から除外すべきサンプルを取り除きました。その上で①官能評価×ベンチマーク比較で、自社試作品や人気洋食店のお手本、競合の主力商品をブラインドで食べ比べ、ウィルコクソンの符号付順位検定にかけました。「香り」のみ統計的に有意な差が見られたものの、「味」「食感」「見た目」は有意差なしという結果になり、少なくとも主要な項目についてはお手本との違いが統計的に検出されず、技術力の再現度を、主観的な感想ではなくデータに基づいて説明できるようになりました。

次に、この再現度を裏付けとして②混合尺度潜在クラス分析を適用し、全回答者を一括りにせず食へのこだわりやライフスタイルの数十項目からセグメントを分けました。全体のわずか12%ながら「多少手間や時間がかかっても、自宅で人気店と遜色ない体験ができるなら、それこそが冷凍食品に求める価値だ」と強い熱狂を示す「タイパ至上主義・美食派」という隠れたセグメントを発見しました。

最後に③SD法×因子分析×順序ロジスティック回帰で、このセグメントが試食時に無意識に感じ取っている感覚を「本格感」「手軽さ」「新鮮さ」の3因子に分解し、NPSへの影響度を検証しました。「本格感」が「手軽さ」の3倍の影響力を持つことが判明しました。

この3ステップを通して、①技術の再現度をデータで裏付け、②届けるべき熱狂層を特定し、③その層の心を動かす「人気洋食店の味の再現」という訴求軸を導き出すことで、行き当たりばったりのローンチを回避し、ブレのない開発戦略と訴求戦略を一気通貫で構築することができました。

ケーススタディ②：マーケットインにおける、「競合比較の本音」から「乗り換え率の予測」までの一気通貫プロジェクト

背景

競合A社の主力商品「ボリューム満点ミールキット」（実勢価格500円）と比較され続けている既存の冷凍食品ラインをリニューアルする案件です。

分析なきプロジェクトの迷走

顧客アンケートで「無添加の冷凍食品が欲しいか」「価格はいくらが良いか」を競合商品と切り離して個別に尋ねたところ、「完全無添加が良い」「価格は300円以下が良い」という、競合の実勢価格を無視した極端な回答が集まりました。営業チームは「安ければ安いほど売れる」、開発チームは「品質にこだわった分、高めの価格で回収すべき」と意見が対立し、具体的な数字の裏付けがないまま、仕様策定も価格会議も数ヶ月間ストップしていました。

4ステップを通した専門解析による解決

まず①テキストマイニングで競合比較を含む自由記述を分析しました。「価格や無添加という点では自社に分があるが、手軽さの面で競合に見劣りしている」という比較上の本音と、その裏にある「冷凍食品に頼ることへの罪悪感を、無添加を選ぶことで軽減したい」という心理的な安心欲求が浮かび上がりました。

次に②PSM分析でこの安心欲求への価格受容性を検証したところ、競合の実勢価格（500円）を上回っても580円までは「高すぎて手が出ない」と感じる回答者の比率が緩やかにしか増えないことが判明し、「無添加による安心」にはプレミアムを乗せられることがデータで裏付けられました。

続いて③選択型コンジョイント分析で、この価格帯を踏まえた自社プロファイルと競合の実際の仕様や価格を並べて提示しました。「保存料のみ不使用にし、価格を競合より安い450円に抑える」仕様が、競合から最も選択を奪える「黄金比」であることが分かりました。PSM分析では580円までの受容余地がありましたが、競合と並べたときは価格差が選択を強く左右するため、受容帯の上限ではなく競合を下回る価格に置いたほうが選択シェアが高くなりました。

最後に④スイッチング意向×ロジスティック回帰分析で、この黄金比の仕様を競合の既存ユーザーに提示したときの乗り換え確率をシミュレーションしました。価格差と使用感の相対評価がスイッチング行動に与える影響を定量化した上で、発売前に「競合に勝てる確率」を数値で確認してから、意思決定者にゴーサインを提案しました。

この4ステップを通して、感覚的な対立に終止符を打ち、競合という比較対象を軸にしながら、発売前に勝算を数値で確認したうえでローンチに漕ぎ着けることができました。

おわりに：アンケートデータを意思決定の根拠に変える

アンケートデータは、単に集計してパーセンテージを眺めるためのものではありません。適切に扱えば、データは「顧客の無意識の心理を映し出し、未来の購買行動を予測する羅針盤」へと変わります。今回ご紹介した、官能評価×ベンチマーク比較、混合尺度潜在クラス分析、感性評価（SD法）、テキストマイニング、PSM分析、選択型コンジョイント分析、スイッチング意向×ロジスティック回帰分析という7つの手法は、ビジネスパーソンが直感や勘で下しがちな意思決定を、科学的根拠（エビデンス）に基づくものへと変えるための道具です。

「自社の持つこの技術は、本当に市場で通用するのか？」
「競合との激しいコンペの中で、どの機能と価格の組み合わせが最も勝率が高いのか？」
こうした複雑な問いに対しても、数式と論理によって答えを導き出すことができます。マーケターやプロダクトマネージャーの皆様が、社内外の専門的なデータアナリストやデータサイエンティストとタッグを組み、解像度の高い問いに基づいてアンケートを設計すれば、単純集計では見えなかったインサイトが浮かび上がります。ぜひ、データ分析の力を信じて、新しい価値創造に挑戦してください。

補足：各手法の計算式

本文の読みやすさを優先し、4箇所の数式は本文から外してこちらにまとめました。読み飛ばしても本文の理解に影響はありません。統計解析ソフトウェアで実際に検証する際や、データアナリストと数式ベースで議論する際の参考にしてください。なお、掲載している表はいずれも、本文と同じ仮想事例に基づく説明用の合成データに対してRで実際に計算した結果であり、実際の調査結果ではありません。

プロダクトアウト ステップ1：官能評価×ベンチマーク比較（ウィルコクソンの符号付順位検定）

自社試作品とお手本の評価スコアの差を項目ごとに算出し、その絶対値の小さい順に順位（ランク）を付けます。差がプラスだった項目の順位の合計を 、マイナスだった項目の順位の合計を とし、検定統計量を

とします。本文の数値設定（「香り」のみ有意差あり）と整合するように作成した説明用の合成データ（n=20）に対し、実際にRでこの検定を実行した結果は以下の通りです。

プロダクトアウト ステップ3：感性評価（SD法×因子分析×順序ロジスティック回帰）

順序ロジスティック回帰モデルは、比例オッズモデルとして以下のように表されます。

ここで、 は「推奨意向（NPS）」のカテゴリ、 はそのカテゴリの区切り（累積確率の閾値）、 は区切りごとの切片、 は「本格感（因子1）」、 は「手軽さ（因子2）」、 は「新鮮さ（因子3）」、 はオッズ比に対応する回帰係数です。本文の数値設定（本格感の係数が手軽さの約3倍）と整合するように作成した説明用の合成データ（n=200）に対し、実際にRでこのモデルを推定した結果は以下の通りです。

本格感の係数は手軽さの約3.0倍であり、本文の設例と整合します。

マーケットイン ステップ2：PSM分析

安すぎる価格や安い価格、高い価格、高すぎる価格の4問について、各価格 における累積回答比率をそれぞれ （安すぎる）、（安い）、（高い）、（高すぎる）とします。添字は英語のtoo cheap、cheap、expensive、too expensiveの頭字です。 と は「その価格以上をそう感じる」回答者の比率なので価格が上がるほど減少し、 と は「その価格以下をそう感じる」回答者の比率なので価格が上がるほど増加します。この4本の累積比率曲線の交点から、以下のように価格を定義します。

• 最低限受容価格（PMC）：
• 最適価格（OPP）：
• 最高限受容価格（PME）：

PMCからPMEまでが価格受容帯です。なお、1人の回答者の中では安すぎる価格から高すぎる価格までの4つの価格の大小関係が必ず保たれるため、 と 、 と は常に一方がもう一方以上になり交わりません。交点を求める組み合わせが上記の3通りに限られるのはこのためです。

本文の数値設定（競合の実勢価格500円）と整合するように作成した説明用の合成データ（回答者200名分の4価格）に対し、実際にRで4系列の累積回答比率を求め、その交点を算出した結果は以下の通りです。

競合の実勢価格（500円）は、PMC（433円）とPME（580円）による価格受容帯の中にあり、OPP（498円）のごく近傍に位置します。ケーススタディ②で示した黄金比の価格（450円）も、この受容帯に収まっています。本文で述べた「無添加による安心」へのプレミアムは、OPPが競合と同水準であることではなく、PME（580円）が競合の実勢価格を上回っていることに表れています。OPPは最も抵抗が少ない価格であって、支払い意向の上限ではありません。

マーケットイン ステップ4：スイッチング意向×ロジスティック回帰分析

スイッチング意向 （「乗り換える」を1、「乗り換えない」を0とする二値）を目的変数とし、スイッチング確率をロジット関数で推定します。

競合の既存ユーザーを対象とした説明用の合成データ（n=200）に対し、実際にRでこのモデルを推定した結果は以下の通りです。

価格差が小さく、使用感で優位なほどオッズ比が高い（スイッチング確率が高い）ことが分かります。