満足度調査をやり終えて、属性ごとのスコアが10個並んだ。価格 3.8、サポート 4.1、使いやすさ 3.5、機能の豊富さ 4.3……。役員会でそれを見せた瞬間、こう聞かれます。「で、どこから手をつけるの?」
全部の満足度を同時に上げるリソースはありません。優先順位が要る。けれど「いちばん低いスコアから直す」では間違えます。スコアが低くても、顧客がどうでもいいと思っている項目を直しても効果はない からです。「重要だけど満足度が低い」ところにこそ、改善のリターンがある。これを1枚の散布図で示すのが 重要度-満足度分析（IPA: Importance-Performance Analysis） です。本稿では、4象限の読み方から、重要度の測り方（ここが最大の分かれ目）、軸の引き方、満足度データ特有の罠までを、実務の手触りで整理します。
1. なぜ「満足度スコアの一覧」では意思決定できないか
属性別の満足度スコアを棒グラフで並べただけのレポートは、リサーチの現場で最も量産される割に、最も意思決定に使われない アウトプットです。理由は単純で、「スコアの低さ」と「改善すべき優先度」が一致しないからです。
スコアの低さ ≠ 改善優先度
例えば「請求書のPDFデザイン」の満足度が 3.2 と低くても、顧客がそこを重視していなければ、改善してもロイヤルティはほとんど動きません。逆に「サポートの初動の速さ」が 3.9 と中程度でも、顧客がそこを最重視しているなら、ここを 4.3 に引き上げる効果は絶大です。
意思決定には軸が2本要る ——「その項目をどれだけ重視しているか（重要度）」と「現状どれだけ満足しているか（満足度）」。この2軸で各属性をプロットし、4象限に分けるのがIPAの発想です。1977年に Martilla & James が Importance-Performance Analysis（Journal of Marketing）で提唱して以来、CX・サービス品質・観光・医療など幅広い分野で使われ続けている、息の長いフレームワークです。
満足度そのものの測り方（5段階か10段階か、Top 2 Box の考え方）は 顧客満足度（CSAT）の設計ガイド で扱っています。本稿はその一歩先、「測った満足度を、どう改善アクションに変換するか」 の話です。
2. IPA の4象限 — どこから手をつけるかの地図
縦軸に重要度、横軸に満足度を取り、それぞれの平均（または中央値）で4つに区切ると、各属性は次の4象限のどこかに落ちます。
IPA の4象限と打ち手
読み方の原則
- 見るのは実質「重点改善領域」だけ: ここに入った2〜3項目が、次の四半期の改善テーマになる
- 過剰品質は「削る」より「移す」: 低重要度だからと品質を落とすと、いつか重要度が上がったとき痛手になる。まずはリソース配分の見直し
- 低優先を直したくなる衝動を抑える: スコアの絶対値が低い項目に引っ張られるのが最大の罠。重要度の軸を必ず併せて見る
3. 重要度をどう測るか — 直接質問 vs 統計的に導出する
IPA の成否は 重要度の測り方で 8 割決まります。ここを雑にやると、4象限の縦軸が信用できなくなり、分析全体が崩れます。重要度の測り方には大きく2つあり、それぞれ正反対の弱点を持ちます。
方法A: 直接質問（明示的重要度 / Stated Importance）
「次の項目はあなたにとってどのくらい重要ですか」と、満足度とは別にもう一度聞く方法です。シンプルですが、致命的な癖 があります。
回答者はほぼ全部を「重要」と答えます。 「サポートは重要ですか?」と聞かれて「どうでもいい」と答える人はいません。結果、重要度スコアが軒並み 4.0〜4.5 に張り付き（天井効果）、項目間の差がほとんど出ない。縦軸が潰れて4象限が機能しなくなります。
方法B: 統計的に導出する（導出重要度 / Derived Importance）
各属性の満足度と「総合満足度（または継続意向・NPS）」との 相関係数や回帰係数 を「重要度」とみなす方法です。「サポート満足度が動くと総合満足度も大きく動く → サポートは重要」という考え方で、回答者に重要度を直接聞きません。
直接質問の天井効果を避けられる一方で、多重共線性（属性同士が相関していて係数が不安定になる）や、相関と因果の混同という弱点があります。導出のベースになる相関・回帰の実務は アンケート集計と有意差判定ガイド で整理しています。
実務の結論: 両方見て「ギャップ」を読む
学術的にも実務的にも、明示的重要度と導出重要度の両方を測り、両者のズレ（ギャップ）を読む のが最良とされます。
- 「直接聞くと重要と言うのに、総合満足度への影響は小さい」項目 → 顧客の 建前。声は大きいが行動は動かさない
- 「直接聞くと大したことないのに、総合満足度を強く動かす」項目 → 顧客自身も自覚していない 隠れたドライバー。ここが宝の山
導出重要度は次に書く「キードライバー分析」と地続きの考え方で、IPA はその結果を4象限で可視化する出口にあたります。
4. 散布図の作り方 — 軸の分割点という地味で重大な選択
4象限を区切る十字線をどこに引くか。これは見た目以上に結論を左右します。選択肢は主に3つです。
| 分割点 | 性質 | 向いている場面 |
|---|---|---|
| 平均値 | 相対評価。自社の項目群の中での優劣 | 最も一般的。改善の社内優先順位づけ |
| 中央値 | 外れ値に強い。分布が偏っても安定 | 満足度が高得点側に偏るとき（後述の天井効果対策） |
| スケール中点（5段階なら3.0） | 絶対評価。「合格ラインを超えたか」 | 競合比較や絶対水準の判断 |
平均分割の落とし穴 —「項目を足すと結論が変わる」
最も多用される平均分割には、見落とされがちな弱点があります。分割線が全項目の平均なので、項目を1つ追加・削除するだけで線が動き、ある属性が重点改善領域から維持領域へジャンプすることがある のです。
「先月のレポートでは重点改善だったサポートが、今月は維持領域に入っている。施策は何もしていないのに」——これは改善したのではなく、集計対象の項目が変わって平均線が動いただけ というケースが珍しくありません。分割点として平均を使うなら、項目セットを固定し、線の位置を必ず注記する こと。
散布図そのものの作り方（Excel での2軸プロット、軸ラベル・象限の補助線）は アンケート結果の可視化ガイド と アンケート Excel 集計ガイド で扱っています。
5. 満足度データの天井効果 — IPA 最大の罠
IPA で最も頻繁に分析を壊すのが、満足度データが高得点側に偏る「天井効果」 です。
顧客満足度は、構造的に高めに出ます。5段階で平均 4.0〜4.5 に集中し、3.0 を下回る項目はめったにありません（不満な顧客はそもそも回答せず離脱している、というサンプリングの偏りも効いています）。すると散布図上で 全項目が右側（高満足度側）に密集 し、横軸の分割が機能しません。「全部が維持領域」になって、何も決まらない。
対処の打ち手
- 中央値で分割する: 平均より分布の偏りに強い。右に固まっていても項目を二分できる
- 満足度を標準化（z スコア化）する: 各項目を「全項目の中での相対位置」に変換してからプロットする。絶対値の高さに引きずられず、項目間の相対差が見える
- 満足度の代わりに「不満率」や「Top box との差」を使う: 高得点圏の微差を拡大して見る
天井効果を放置したまま「全項目が右上だから我が社は安泰」と読むのは、IPA の最も典型的な誤読です。散布図を作ったら、まず点が一塊になっていないかを疑う。
6. 改良版IPA — 対角線アプローチと「満足の非対称性」
古典的な4象限には批判もあり、いくつかの改良版が提案されています。実務で知っておくと役立つのが次の2つです。
対角線アプローチ（Bacon 2003）
縦横の平均で区切る代わりに、「重要度 = 満足度」の45度線を引き、そこからの距離で優先度を測る 方法です。Bacon (2003) は、属性が象限の境界近くに集まると4象限分類が不安定になることを指摘し、対角線からの乖離（重要度が満足度を上回る度合い）で連続的に優先度を評価する方が頑健だと示しました。「象限のどっちに入るか」の二者択一を避けられるのが利点です。
満足の非対称性 — IPA と Kano の接続（Matzler 2004）
古典的IPAは「重要度は満足度と独立した固定値」と仮定しますが、Matzler et al. (2004) は 属性の重要度は満足度の水準によって変わる（非対称・非線形） ことを示しました。
- 当たり前品質（Must-be）: できていて当然。満たされても満足は上がらないが、欠けると強い不満（例: ログインできる、請求が正確）
- 魅力品質（Attractive）: なくても不満はないが、あると満足が跳ねる（例: 想定外の先回りサポート）
つまり「不満な顧客にとっての重要度」と「満足な顧客にとっての重要度」は別物で、導出重要度を高満足群・低満足群で分けて計算する と、当たり前品質と魅力品質を切り分けられます。「重点改善領域に入っているが実は当たり前品質（直しても満足は上がらず、不満解消にとどまる）」なのか、「魅力品質（直せば満足が跳ねる）」なのかで、投資の意味合いが変わります。
7. 編集部の視点 — IPA でやってはいけない5つ
業界事例と実務担当者の声を継続的に追っている立場から、IPA で繰り返し起きる事故を5つ。どれも「分析が間違っていた」のではなく「読み方を外した」ケースです。
1. 直接質問の重要度を鵜呑みにする
最頻出の事故です。「重要度を聞いたら全部 4.2 でした」となって縦軸が潰れる。直接質問だけでIPAを回すと、ほぼ確実に天井効果で破綻します。導出重要度（総合満足度との相関）を必ず併用する。 片方しか取れないなら導出を選ぶ。
2. 満足度の天井効果を放置して「全部右上」で安心する
散布図を作ったら、まず点が一塊になっていないかを見る。右側に密集していたら中央値分割か z スコア化を試す。「全項目が維持領域」というIPAは、ほぼ間違いなく天井効果を見落としています。
3. 平均分割の不安定さを理解せず、毎月結論がブレる
項目を足し引きするたびに分割線が動き、施策と無関係に象限が変わる。項目セットを固定し、分割線の値を必ず注記 する。時系列で追うなら、線の位置も一緒に記録しないと前月比が意味をなしません。
4. 「過剰品質」を強みと勘違いして守り続ける
低重要度 × 高満足度の項目を「うちの強みだ」と思い込んでリソースを注ぎ続け、重点改善領域に手が回らない。過剰品質領域は 誇るところではなく、再配分の候補 です。ただし「低重要度」が一時的なものでないかは、非対称性（当たり前品質か）の視点で一度確認する。
5. N の小さい属性の満足度で象限を確定する
属性ごとに「該当する人だけ」が回答する設計（例: サポート満足度はサポート利用者のみ）だと、属性によってN が大きく違います。N=15 の属性の平均満足度で象限を決めて「重点改善だ」と動くのは危険。属性別のNを必ず併記し、N が小さい属性は判断を保留 する。サンプルサイズの考え方は 必要サンプルサイズの決め方 で。
8. アンケートツール Kicue での IPA 運用
IPA は「設問で満足度・重要度を測る」フェーズと「散布図に落として4象限で読む」分析フェーズに分かれます。Kicue が担うのは前者で、後者は外部ツールとの組み合わせになります。
- 満足度・明示的重要度の測定: 各属性の満足度と「重要度」を5段階／7段階のリッカート尺度で測る設問設計に対応（設問タイプ・リッカート尺度の設計ガイド）
- 総合満足度設問の併設: 導出重要度の計算に必要な「総合満足度」「継続意向」設問を同一フォーム内に配置できる
- 回答者 ID 付き CSV エクスポート: 属性別満足度・総合満足度を1行1回答の構造で出力。導出重要度の相関計算や高満足群／低満足群の分割に使える
- GT 集計・クロス集計: 各属性の平均値・分布の確認まではダッシュボード上で可能
⚠️ Kicue で対応できない範囲
- IPA の散布図作成・4象限プロットはなし: CSV をエクスポートして Excel（散布図）/ R / Python / SPSS / JASP で作図・象限分割する運用です
- 導出重要度（相関・回帰）の計算機能はなし: 統計解析は外部ツールで実施。Kicue 自体には統計解析機能を持たせていません
- z スコア標準化・中央値分割などの前処理もなし: いずれもエクスポート後の表計算 / 統計ソフト側で実施
関連記事として 顧客満足度（CSAT）の設計ガイド・CX メトリクス使い分けガイド・アンケート集計と有意差判定ガイド・アンケート結果の可視化ガイド・VoC プログラム設計ガイド を併読すると、「満足度を測る → 改善優先度を決める → 運用に乗せる」の一連が見えてきます。
まとめ — IPA を意思決定に使うための6点
- 見るのは実質「重点改善領域」だけ — 高重要度 × 低満足度に入る2〜3項目が次の改善テーマ
- スコアの低さ ≠ 優先度 — 重要度の軸を必ず併せて見る。低優先領域を直したくなる衝動を抑える
- 重要度は導出（相関）を主、直接質問を従 — 直接質問だけは天井効果でほぼ破綻する
- 満足度の天井効果を疑う — 散布図が右に固まったら中央値分割か z スコア化
- 平均分割は項目セットを固定し、線の位置を注記 — でないと前月比が無意味になる
- 属性別の N を併記し、小 N は判断保留 — 該当者のみ回答する属性は N が割れる
IPA は「分析が高度だから難しい」のではありません。重要度の測り方と、満足度データの偏りという2点を外さなければ、Excel の散布図1枚で経営会議の意思決定を前に進められる、コストパフォーマンスの高いフレームワークです。
満足度・重要度を測る調査を設計したい方は、無料のアンケートツール Kicue を試してみませんか。属性別満足度と総合満足度のリッカート設問設計、回答者 ID 付き CSV エクスポート、GT・クロス集計まで、IPA の入力データを作る部分を 1 アカウントで開始できます（散布図作成・導出重要度の相関計算・z スコア標準化は Excel / R / Python / SPSS / JASP との組み合わせ運用となります）。
参考文献 (5件)
- Martilla, J. A., & James, J. C. (1977). Importance-Performance Analysis. Journal of Marketing, 41(1), 77-79.
- Bacon, D. R. (2003). A Comparison of Approaches to Importance-Performance Analysis. International Journal of Market Research, 45(1), 55-71.
- Matzler, K., Bailom, F., Hinterhuber, H. H., Renzl, B., & Pichler, J. (2004). The asymmetric relationship between attribute-level performance and overall customer satisfaction: a reconsideration of the importance–performance analysis. Industrial Marketing Management, 33(4), 271-277.
- Oh, H. (2001). Revisiting importance-performance analysis. Tourism Management, 22(6), 617-627.
- Azzopardi, E., & Nash, R. (2013). A critical evaluation of importance–performance analysis. Tourism Management, 35, 222-233.