HubSpot AIで顧客努力スコア（CES）を分析する実装方法

対象読者

サポート対応が顧客にとって「楽」かどうかを定量的に把握し、体験改善に取り組みたいCS責任者・CX担当
チケット対応の品質を顧客視点で評価し、手間のかかるプロセスを特定・改善したいサポートマネージャー

CES（Customer Effort Score）とは

CESは「顧客がサポートを受けて問題を解決するまでに、どれくらい手間がかかったか」を測る指標です。チケット対応の完了後に「この問題を解決するのは簡単でしたか？」と1問だけ質問し、7段階（1:とても難しい〜 7:とても簡単）で回答してもらいます。

NPSが「この会社を人に薦めるか」（ブランド全体）、CSATが「今回の対応に満足か」（満足度）を測るのに対し、CESは「手間がかからなかったか」（楽さ）にフォーカスします。「満足度が高い」よりも「手間がかからなかった」ほうが顧客の継続利用との相関が強いとされており、サポート体験の改善指標として注目されています。

スコアが低い例：

何回も同じ説明をさせられた
担当者をたらい回しにされた
メールで問い合わせたら3日待たされた

スコアが高い例：

チャットで聞いたらすぐ解決した
ナレッジベースを見て自分で解決できた

概要

HubSpotのフィードバックサーベイ（CES）でスコアを収集し、カスタムレポートで傾向を可視化します。ただしCESサーベイだけでは「サポートを途中で諦めた顧客」や「回答しなかった顧客」の手間は見えません。この死角を補うため、データエージェント:カスタムプロンプトでチケットの会話テキストからフラストレーション度合い（感情スコア）を自動判定し、CESスコアと組み合わせることで、サーベイに現れない「手間を感じていそうな顧客」も検出できる仕組みを構築します。

前提条件

HubSpot Service Hub Professional以上 — フィードバックサーベイ（CES）・チケット・カスタムレポート
ワークフロー — CESサーベイの自動送信・データエージェント:カスタムプロンプトの実行基盤
データエージェント:カスタムプロンプトはクレジット消費が発生する
Breezeアシスタント
外部生成AIで分析する場合はChatGPT / Gemini等のアカウント

実装手順

ステップ1：CESサーベイを設定し、スコアを収集する

HubSpotのフィードバックサーベイ機能でCESサーベイを作成し、チケットクローズ時に自動送信する。

設定のポイント：

サーベイタイプ：CES（カスタマーエフォートスコア）を選択
送信タイミング：チケットのステータスが「クローズ」に変更されたとき
チャネル：メール（チケットに紐づくコンタクトに送信）
自由記述欄を必ず含める（スコアだけでは「何が手間だったか」がわからない）

ステップ2：会話テキストから感情スコアを自動判定する

CESサーベイの死角を補うため、チケットの会話テキストからフラストレーション度合いを自動検出する。

HubSpotにカスタムプロパティを作成する： - 感情スコア （ドロップダウン・チケットオブジェクト）：高フラストレーション / 中 / 低 / ポジティブ

ワークフローを作成する：

トリガー：チケットのステータスが「クローズ」に変更されたとき
アクション：データエージェント:カスタムプロンプトでチケットの会話テキストを分析し、感情スコアをプロパティにセット

Custom Promptの指示例：

チケットの会話全体を読み、顧客のフラストレーション度合いを判定する
以下のシグナルに注目する：
- 同じ内容を繰り返し説明している（「前にも言いましたが」「何度もメールしています」）
- 対応を諦める発言（「もういいです」「自分でやります」）
- 待ち時間への不満（「いつ返事がもらえますか」「○日経ちましたが」）
- 担当者変更への不満（「また一から説明するんですか」）
これらのシグナルが複数見られる場合は「高フラストレーション」と判定する

ステップ3：CESスコア × 感情スコアを組み合わせてレポート化する

2つの指標を組み合わせたカスタムレポートでダッシュボードを作成する。

作成するレポート例：

CESスコアの推移（折れ線グラフ） — サポート体験の楽さが改善傾向にあるか
CESスコアの分布（棒グラフ） — 低スコア（1〜3）の割合を把握
感情スコア別チケット件数（棒グラフ） — 高フラストレーションの発生頻度。CES未回答のチケットも含む
CESスコア × 感情スコアのクロス集計（テーブル） — 4象限で見る：
- CES高 × フラストレーション低 = 良好（維持）
- CES低 × フラストレーション高 = 要改善（最優先）
- CES高 × フラストレーション高 = 解決はしたが過程で手間がかかった
- CES未回答 × フラストレーション高 = サーベイでは見えない不満層
担当者別・カテゴリ別のCES平均（棒グラフ） — どの担当者・どの問い合わせカテゴリで手間が発生しているか

ステップ4：低スコア・高フラストレーションの原因を分析する

レポートで問題箇所を特定したら、その原因を深掘りする。

方法A：Breezeアシスタントに質問する - 「CESスコアが低いチケットに共通するパターンは？」と質問し、傾向を把握する

方法B：生成AI（ChatGPT/Gemini）で分析する

CESスコアが1〜3のチケットの自由記述＋高フラストレーションのチケットの会話テキストをエクスポート
個人情報（氏名・メールアドレス等）をマスクする
生成AIに渡し、以下を依頼する： - 「手間がかかった」原因のパターンを3〜5個に整理する - 最も頻度の高い改善ポイントを特定する

よくある改善ポイントの例：

初回対応でのヒアリング不足で追加情報を何度も求めている → テンプレートやフォームで初回に必要情報を取得する
特定カテゴリの問い合わせだけ解決日数が長い → ナレッジベースの充実やBreeze Customer Agentでの自動対応を検討
担当者の引き継ぎ時に情報が途切れている → チケットの内部メモ運用を徹底する

注意点

CESサーベイで測れるのは「チケット対応が完了し、サーベイに回答した顧客」のみ。途中で諦めた顧客や未回答の顧客のフラストレーションはCESには現れない。感情スコア（ステップ2）で補完する
データエージェント:カスタムプロンプトはクレジットを消費する。全チケットに適用するとコストがかかるため、対象を絞る（例：やり取りが3往復以上のチケットのみ）ことも検討する
感情スコアはAIによる推定であり、正確な顧客心理を反映しているとは限らない。改善施策の方向性を見つけるための参考指標として扱う
外部の生成AIにデータを渡す場合は、必ず個人情報をマスクする。社内のセキュリティポリシーに従う