アンケートの質問が30項目もあり、どの結果を経営や施策に反映すべきか判断できない——そんな行き詰まりを解消するのが因子分析です。

因子分析とは、多数の質問項目の裏側に隠れた「共通の判断軸」を統計的に取り出し、データを人が語れる言葉へ変換する手法を指します。

本記事では、因子分析の意味と基本用語から、やり方5ステップ・結果の見方・Excelでの手順・活用事例7選までを実務目線で網羅的に解説します。読み終えたときには、自社のアンケートデータをどう設計し、どの指標を見て、どんな施策へ翻訳すればよいかが具体的に描けている状態を目指します。

この記事の監修・運営情報　

運営企業：ラーナーズ株式会社　Interviewz（インタビューズ）／ヒアリングDXブログ編集部

監修：Interviewz プロダクトチーム（ヒアリング・診断コンテンツ設計の支援実績をもとに監修）

専門領域：BtoB／BtoCのヒアリング設計、アンケートUX、診断コンテンツによるCVR改善

Interviewzは、アンケート・ヒアリング・診断コンテンツをノーコードで作成できるヒアリングDXプラットフォームを提供しています。BtoB企業のマーケティング・営業・人事部門における「聞く」業務の設計と、その回答データの分析・活用を数多く支援してきた実務知見をもとに本記事を執筆しています。

本記事の統計手法に関する記述は、探索的因子分析（EFA）の標準的な理論および主要調査会社・統計ソフトのドキュメントを参照し、実務での運用手順に落とし込んだうえで編集部が構成しています。

因子分析とは？意味をわかりやすく解説

因子分析（Factor Analysis）とは、複数の観測データの背後に共通して存在する「潜在的な要因（因子）」を統計的に見つけ出す多変量解析の手法です。

アンケートで得られる回答は、一つひとつは独立した数値に見えます。しかし実際には、回答者の頭の中にある少数の「判断軸」が、複数の質問への回答を同時に動かしています。因子分析は、その見えない判断軸を数式で浮かび上がらせる技術です。

因子分析の定義｜観測変数の背後にある「共通因子」を取り出す

因子分析では、実際に測定できたデータを観測変数、その背後で複数の観測変数を同時に動かしている見えない要因を共通因子と呼びます。

たとえば「価格に納得感がある」「他社と比べて割安だ」「継続する価値を感じる」という3つの質問があったとき、これらは別々の設問でありながら、回答は連動して動きます。その連動を生んでいる正体が「コストパフォーマンス評価」という共通因子です。

因子分析は、この関係を「観測変数＝共通因子の影響＋その項目だけに固有の要素（独自因子）」という構造として捉えます。つまり因子分析は、データを要約するだけでなく「なぜその回答パターンが生まれるのか」という原因側を推定する分析だという点が最大の特徴です。

因子分析が生まれた背景｜知能研究から始まった100年以上の歴史

因子分析の起源は、20世紀初頭の心理学・教育測定の研究にあります。心理学者チャールズ・スピアマンが、生徒の複数教科の成績が互いに相関することに着目し、「その背後に共通する一般的な知能が存在するのではないか」という仮説を検証するために考案したのが出発点です。

その後、複数因子を扱えるモデルへ発展し、心理尺度の開発や態度測定の標準的な手法として定着しました。現在ではマーケティングリサーチ、人事のエンゲージメント調査、UXリサーチなど、「人の意識や態度を測る領域」全般で使われる基盤技術になっています。

この歴史的背景を知っておくと、因子分析が「売上を予測する分析」ではなく「人の頭の中の構造を理解する分析」である理由が腹落ちします。実務で使い方を誤らないための重要な前提です。

因子分析でできること3つ｜要約・命名・次の分析への橋渡し

因子分析を実務で使うと、大きく3つのことができるようになります。

1つ目はデータの要約です。30項目のアンケートを4〜5個の因子に集約でき、報告資料が「項目の羅列」から「軸による説明」へ変わります。

2つ目は意味づけ（命名）です。抽出された因子に「サポート信頼性」「導入ハードル」などの名前をつけることで、数値を社内で議論できる言葉に翻訳できます。

3つ目は次の分析への橋渡しです。因子得点を算出すれば、クラスター分析によるセグメント作成や、重回帰分析による満足度ドライバーの特定へそのまま接続できます。

因子分析でできないこと｜因果関係の証明にはならない

一方で、因子分析には明確な限界があります。もっとも誤解されやすいのは、因子分析は因果関係を証明する手法ではないという点です。

因子分析が示すのは「これらの項目は同じ判断軸に属している可能性が高い」という構造の推定であって、「その因子が満足度を高めた」という原因と結果の関係ではありません。因果を検証したい場合は、重回帰分析や共分散構造分析（SEM）、あるいは実際の施策による検証を組み合わせる必要があります。

また、因子分析の結果は投入した質問項目の範囲を超えません。設問に含めなかった観点は、どれだけ重要でも因子として現れないため、質問設計そのものの質が分析結果の上限を決めます。

因子分析の基本用語6つ｜結果を読むために最低限おさえる

因子分析の出力を読むには、いくつかの専門用語を理解しておく必要があります。ここでは実務で必ず登場する6つを整理します。

この6つを押さえておけば、統計ソフトが出力する表の8割は読めるようになります。特に因子負荷量と累積寄与率は、分析の成否を判断する二大指標として必ず確認してください。

▼アンケート設計から分析までを一気通貫で効率化したい方はこちら
👉 インタビューズ サービス概要資料をダウンロードする

因子分析と他の分析手法の違い｜一覧比較表でまとめて理解

因子分析でつまずく原因の多くは、「似た手法との違いが曖昧なまま使ってしまう」ことにあります。まずは主要手法との違いを一覧で押さえましょう。

因子分析と主成分分析の違い｜矢印の向きが正反対

因子分析と主成分分析は、出力される表が似ているため最も混同されやすい組み合わせです。両者の決定的な違いは「因果の矢印の向き」にあります。

因子分析は「見えない共通因子が、各質問項目の回答を生み出している」と考えます。矢印は因子から観測変数へ向かいます。一方、主成分分析は「複数の観測変数を合成して、新しい指標を作る」と考えるため、矢印は観測変数から主成分へ向かいます。

実務上の使い分けはシンプルです。「顧客が何を基準に評価しているのかを知りたい」なら因子分析、「総合満足度スコアのような合成指標を作りたい」なら主成分分析を選びます。また因子分析は各項目の誤差を独自因子として切り分けますが、主成分分析は誤差も含めて圧縮する点も理論的な相違点です。

因子分析と相関分析の違い｜「関係の有無」か「関係の理由」か

相関分析は、2つの変数がどれだけ連動しているかを相関係数という1つの数値で示します。手軽で解釈も容易なため、分析の初手として広く使われます。

しかし相関分析でわかるのは「AとBが一緒に動いている」という事実までです。なぜ連動しているのか、その背後に何があるのかは説明できません。

因子分析は、多数の変数間の相関パターンをまとめて解析し、「これらの相関を生み出している共通の源は何か」を推定します。相関分析で気になるかたまりが見えたときに、その正体を突き止める次の一手が因子分析、と理解しておくと使い分けを間違えません。

因子分析とクラスター分析の違い｜「軸をつくる」か「人を分ける」か

因子分析は変数（質問項目）をまとめる分析であり、クラスター分析はケース（回答者）をまとめる分析です。まとめる対象が根本的に異なります。

実務では、この2つを対立させるのではなく順番に使うのが定石です。まず因子分析で30項目を5因子に整理し、算出した因子得点を入力データとしてクラスター分析にかけます。

こうすることで、「価格重視型」「サポート重視型」といった意味の通ったセグメントが得られます。生の30項目をそのままクラスター分析に投入すると、似た項目の重複が距離計算を歪め、解釈しづらいグループが出力されがちです。

因子分析と重回帰分析の違い｜「理解」と「予測」の役割分担

重回帰分析は、複数の説明変数から目的変数を予測・説明する手法です。「総合満足度に最も効いている要素はどれか」といった問いに答えられます。

ここで問題になるのが多重共線性です。似た内容の質問項目をそのまま説明変数に投入すると、変数同士が強く相関して係数が不安定になり、結果の解釈が困難になります。

この問題を回避する定番の手順が、因子分析で項目を因子にまとめ、その因子得点を説明変数として重回帰分析にかける方法です。因子分析が「理解」を担い、重回帰分析が「効き目の測定」を担う、という役割分担で考えるとスムーズです。

探索的因子分析と検証的因子分析の違い｜仮説の有無で選ぶ

因子分析は、大きく探索的因子分析（EFA）と検証的因子分析（CFA）の2種類に分かれます。

探索的因子分析は、事前に因子構造の仮説を置かず、データからどんな因子が現れるかを探る方法です。マーケティングリサーチで「因子分析」と言えば、通常はこちらを指します。

検証的因子分析は、「この5項目はブランド信頼因子を測っているはずだ」という明確な仮説を先に立て、その構造がデータに適合するかを検証します。既存の尺度を自社に転用する場合や、継続調査で同じ構造が保たれているか確認したい場合に有効です。初回の調査なら探索的、2回目以降の定点観測なら検証的、と考えると選びやすくなります。

因子分析に使えるアンケート質問項目一覧表｜目的別テンプレート

因子分析の精度は、投入する質問項目の質でほぼ決まります。ここでは、実務で使用頻度の高い3つの調査目的について、そのまま流用できる質問項目例を一覧にまとめました。

顧客満足度調査で使う質問項目例｜4因子構造を想定した20問

顧客満足度調査では、価格・品質・サポート・利用体験の4軸が因子として現れることが多いため、各軸に4〜5問ずつ配置するのが基本設計です。

BtoBサービス選定理由を探る質問項目例｜意思決定の判断軸を可視化する

BtoBの選定理由調査では、決裁者の頭の中にある判断軸を抽出することがゴールになります。「選んだ理由」だけでなく「不安だった点」も対等に聞くのがポイントです。

▼商談で聞くべき項目を体系化したい方はこちら
👉 初回商談ヒアリングシートテンプレート（営業編）をダウンロードする

従業員エンゲージメント調査の質問項目例｜離職要因の構造を掴む

人事領域では、エンゲージメントを構成する因子を特定することで、「どの施策から手をつけるべきか」の優先順位が明確になります。

質問項目を設計するときに守るべき4つのルール

因子分析にかける前提でアンケートを設計する場合、通常のアンケートとは異なる注意点があります。

第一に、尺度をすべて統一することです。5段階なら全問5段階に揃えます。段階数がバラバラだと相関構造が歪みます。

第二に、1因子あたり最低3項目、できれば4〜5項目を用意します。2項目以下では因子として安定せず、抽出されないことがあります。

第三に、ダブルバーレル質問（1問で2つのことを聞く質問）を避けることです。「価格が安く機能も充実しているか」のような設問は、どちらの因子にも中途半端に負荷がかかり解釈を壊します。

第四に、選択式・順位式の設問は因子分析に投入しないことです。因子分析は原則として量的データ（間隔尺度）を前提とするため、「はい／いいえ」や「複数選択」のデータは別の手法で扱います。

▼設問設計のノウハウをまとめて確認したい方はこちら
👉 ヒアリングシート作成ガイド（マーケティングリサーチ編）をダウンロードする

因子分析のやり方5ステップ｜準備から施策化までの実務手順

ここからは、実際に因子分析を進める手順を5つのステップに分けて解説します。統計ソフトの操作よりも、その前後の設計と解釈に時間をかけるのが成功の分かれ目です。

STEP1｜分析目的と仮説を先に言語化する

最初にやるべきことは、ソフトを開くことではありません。「この分析結果を使って、どんな意思決定をするのか」を1文で書き出すことです。

たとえば「解約率が高い顧客層に共通する不満の軸を特定し、カスタマーサクセスの優先施策を決める」といった具合です。目的が曖昧なまま分析すると、因子は出てくるのに「で、どうするのか」が決まらず、レポートが棚上げになります。

あわせて、「おそらく価格軸・サポート軸・機能軸の3つが出るはずだ」という仮説も立てておきましょう。仮説があると、想定どおりの因子が出たときも、想定外の因子が出たときも、その意味を解釈しやすくなります。仮説がゼロの状態では、出力された表を前に手が止まってしまいます。

STEP2｜質問項目を設計し、必要なサンプル数を集める

次に、仮説とした因子ごとに4〜5項目の質問を設計し、尺度を統一したうえでデータを収集します。前章の質問項目一覧表をベースに、自社の文脈に合わせて言い換えるのが効率的です。

因子分析で最も見落とされやすいのがサンプルサイズです。目安として、質問項目数の5〜10倍の回答者数、かつ最低でも100〜200サンプルを確保するのが実務上の基準とされています。20項目のアンケートなら、100〜200件が最低ラインという計算です。

サンプル数が不足すると、因子構造が回答者の偶然のばらつきに引きずられ、次回の調査では再現しない不安定な結果になります。回答数の確保は統計的な作法である以前に、意思決定の信頼性を守るための投資だと考えてください。

▼回答率を高めて必要なサンプル数を確保したい方はこちら
👉 ユーザーからの回答率の高いアンケートの作り方【6つのコツ】を見る

STEP3｜データを前処理し、因子分析に適したデータか確認する

データが集まったら、いきなり分析にかけず前処理を行います。実務では、この工程の丁寧さが結果の質を大きく左右します。

欠損値と不誠実回答を処理する

未回答セルの扱いを決め、全問同じ選択肢を選んでいる「ストレートライン回答」や、極端に回答時間が短いレコードを除外します。ノイズを含んだまま分析すると、意味のない因子が1つ増えてしまうことがあります。

逆転項目を反転させる

「操作に迷うことが多い」のようなネガティブ表現の設問は、そのままだと因子負荷量の符号が逆になります。分析前にスコアを反転（5段階なら6から引く）させて、方向を揃えておきましょう。

相関行列と適合性指標をチェックする

項目間の相関行列を確認し、相関が軒並み0.3を下回るようであれば、そもそも共通因子が存在しない可能性が高いと判断できます。統計ソフトを使う場合は、KMO測度（0.7以上が望ましい）とBartlettの球面性検定（有意であること）で、因子分析の適用可否を客観的に確認できます。

STEP4｜因子数を決め、因子を抽出して軸を回転させる

ここが因子分析の中核です。因子数の決め方と回転方法の選択という2つの判断が必要になります。

因子数を決める3つの基準を併用する

因子数の決定には、①固有値1.0以上の因子を採用するカイザー基準、②スクリープロットで固有値の落ち込みが緩やかになる直前までを採用する方法、③平行分析の3つがあります。

実務では、まず固有値1.0以上で候補数を出し、スクリープロットで妥当性を確認し、最後に「その因子数で意味のある名前をつけられるか」という解釈可能性で最終決定するのが現実的です。統計的にベストな因子数と、施策に使いやすい因子数は必ずしも一致しません。

因子の回転方法を目的に応じて使い分ける

抽出直後の因子は、複数の因子に中途半端な負荷が散らばっていて解釈しづらい状態です。そこで座標軸を回転させ、各項目がどれか1つの因子に強く偏るように整えるのが回転の役割です。

回転には、因子間の相関をゼロと仮定する直交回転（バリマックス回転）と、因子間の相関を許容する斜交回転（プロマックス回転）があります。

因子どうしが独立していると考えられる場合や、結果をシンプルに説明したい場合はバリマックス回転が適します。一方、顧客満足度やエンゲージメントのように因子どうしが現実には関連し合っているテーマでは、プロマックス回転のほうが実態に近い構造が得られます。マーケティング領域ではプロマックス回転が選ばれるケースが増えています。

STEP5｜因子に名前をつけ、因子得点で次の分析へつなげる

回転後の因子負荷量表を見て、絶対値0.4以上の項目をその因子の構成要素とみなし、共通する意味を読み取って名前をつけます。

命名は分析者の解釈が最も出る工程であり、同時にもっとも実務価値を生む工程です。「因子1」のままでは会議で議論できませんが、「導入前の不安」と名づけた瞬間に、営業資料の改善という具体的なアクションに接続します。

名前が決まったら、回答者ごとの因子得点を算出します。因子得点があれば、セグメント別の平均比較、クラスター分析によるペルソナ作成、総合満足度を目的変数にした重回帰分析まで、分析を「理解」から「打ち手の優先順位づけ」へ進めることができます。

因子分析の結果の見方｜5つの指標で読み解く実践ガイド

統計ソフトの出力は情報量が多く、どこを見ればよいか迷いがちです。ここでは架空の顧客満足度調査（12項目・回答者300名）の出力例をもとに、見るべき順番で解説します。

①因子負荷量の見方｜0.4を境界線に「所属」を判断する

まず縦方向に因子負荷量を眺め、絶対値0.4以上の項目を探します。上の例では、上位3項目が因子1に、次の3項目が因子2に、その次の3項目が因子3に明確に偏っており、きれいな単純構造になっています。

注意すべきは、複数の因子に0.4以上の値が出ている項目（二重負荷）です。この場合、その項目は複数の意味を含んでおり解釈を濁すため、削除して再分析するのが定石です。上の例の「導入前の情報収集がしやすかった」は、どの因子にも0.4に届いておらず、共通性も0.24と低いため削除候補になります。

②寄与率・累積寄与率の見方｜使える分析かを判断する

寄与率は、各因子がデータ全体の情報をどれだけ説明しているかを示します。上の例では因子1が24.6%、因子2が21.3%、因子3が15.1%で、累積寄与率は61.0%です。

アンケートのような人の意識を扱うデータでは、累積寄与率50〜60%以上あれば実務判断に十分とされることが多く、この例は良好な結果といえます。一方で累積寄与率が30%台にとどまる場合は、質問項目が目的に対して的外れだった可能性を疑い、設問設計から見直すのが賢明です。

③固有値の見方｜因子数の妥当性を確認する

固有値は因子の「情報量の大きさ」を表し、1.0を下回る因子は1つの質問項目より説明力が小さいことを意味します。そのため固有値1.0未満の因子は原則として採用しません。

ただしカイザー基準は因子数を多く見積もる傾向があるため、スクリープロットで固有値の減衰カーブを目視確認し、急激な落ち込みが止まる「肘」の手前までを採用する方法と併用してください。

④共通性の見方｜説明できていない項目を見つける

共通性は、その項目が抽出した因子群によってどれだけ説明されているかを示します。目安として0.2〜0.3未満の項目は、どの因子にも属していない孤立した設問です。

共通性が低い項目を残したまま分析を続けると、累積寄与率が下がり全体の解像度が落ちます。削除して再分析することで、残った因子の輪郭がはっきりするケースがほとんどです。

⑤因子得点の見方｜個人単位のスコアを施策に使う

因子得点は、回答者ごとに各因子をどの程度重視・評価しているかを標準化した値です。平均0・標準偏差1に標準化されるため、プラスなら平均より高い、マイナスなら平均より低いと直感的に読めます。

この因子得点を使えば、「コスパ評価はプラスだがサポート信頼はマイナス」という顧客群を特定し、優先的にフォローすべきセグメントを名指しできます。因子分析の投資対効果は、この因子得点を使い切れるかどうかで決まるといっても過言ではありません。

因子分析を成功させる7つのコツ｜精度と実務価値を両立させる

因子分析は手順どおりに操作しても、そのままでは「きれいな表が出ただけ」で終わりがちです。実務価値を出すための7つのコツを、判断基準と具体例とともに解説します。

コツ1｜サンプルサイズは「項目数×5〜10」を最低ラインにする

最も基本的でありながら、最も守られていないのがサンプルサイズの確保です。質問項目数の5〜10倍、かつ最低100件を目標に設計してください。

25項目なら125〜250件が目安です。社内アンケートで対象者が50名しかいないといったケースでは、因子分析を無理に適用せず、単純集計とクロス集計で丁寧に読み解くほうが誠実な判断になります。

また、セグメント別に因子構造を比較したい場合は、各セグメントで上記の基準を満たす必要があります。全体で300件あっても、比較したい業種が3つで各100件を割るなら、セグメント別の因子分析は避けたほうが無難です。

コツ2｜施策から逆算して質問項目を設計する

「とりあえず思いつく項目を並べる」設計では、出てきた因子が施策に結びつきません。先に「この因子が出たら、どの部署が何をするか」を決めてから設問を作るのが正しい順序です。

たとえば「サポート体制の増員判断に使う」と決めているなら、サポートに関する設問を返答速度・説明の質・安心感・導入支援の4観点に分解して配置します。こうすることで、因子が抽出されたときに「返答速度への負荷が特に高い」といった具体的な打ち手まで見えてきます。

逆に、サポートについて「サポートに満足している」の1問しか用意していなければ、サポートは因子として立ち上がらず、施策の根拠になりません。

コツ3｜尺度は全問統一し、リッカート5段階を基本にする

因子分析は変数間の相関構造を前提にするため、尺度がバラバラだと相関が正しく計算されません。5段階、7段階のいずれかに統一しましょう。

実務では5段階（まったくそう思わない〜非常にそう思う）が回答負荷と情報量のバランスに優れ、BtoBアンケートの標準として広く使われています。より細かい差を検出したい場合や、回答が中央に偏りやすいテーマでは7段階を検討します。

また、「どちらともいえない」の中央値をどう扱うかも事前に決めておきましょう。中央回答が過半を占める設問は、そもそも回答者にとって判断できない設問である可能性が高く、削除候補になります。

コツ4｜回転方法はテーマの性質で選ぶ

回転方法の選択に絶対的な正解はありませんが、判断基準は「因子どうしが現実に相関しているか」の一点です。

顧客満足度、ブランドイメージ、エンゲージメントのように、各因子が互いに影響し合うことが自然なテーマではプロマックス回転（斜交回転）を選びます。実際、満足している顧客はサポートも価格も高く評価する傾向があり、因子間相関はゼロではありません。

一方、能力測定や独立した機能評価のように、軸が理論的に独立していると想定できる場合はバリマックス回転（直交回転）が解釈をシンプルにします。迷う場合は両方試し、単純構造がきれいに出るほうを採用するのが実務的です。

コツ5｜因子名は統計用語ではなく「現場の言葉」でつける

因子命名は、分析を組織で使える資産に変える工程です。「第1因子」「価格関連因子」ではなく、社内会議でそのまま口に出せる言葉を選んでください。

たとえば「導入前の不安を解消できているか」「担当者が伴走してくれている感覚」といった、現場が日常的に使う表現に翻訳します。命名の際は、因子負荷量が最も高い上位3項目の文言を並べ、共通する動詞や感情を抜き出すと的確な名前が見つかります。

命名に迷ったら、営業やカスタマーサクセスの担当者に因子負荷量の表を見せて「これ、なんて呼びますか」と聞くのが最短ルートです。現場の言葉は、分析者が思いつかない解像度を持っています。

コツ6｜負荷量が低い項目は思い切って削り、再分析する

因子分析は一度で終わらせるものではありません。不要な項目を削って再分析するサイクルを2〜3回まわすのが標準的な進め方です。

削除の判断基準は明確です。①どの因子にも0.4以上の負荷量がない項目、②複数因子に0.4以上が出ている二重負荷の項目、③共通性が0.2を下回る項目——この3つに該当する項目は削除候補になります。

ただし、「経営上どうしても外せない指標」が削除候補になった場合は、削除ではなく設問の言い回しを見直して次回調査で再測定するという選択肢もあります。統計基準を機械的に適用するのではなく、意思決定上の重要度と併せて判断してください。

コツ7｜因子は必ず「施策仮説」に翻訳してから報告する

因子分析のレポートが活用されない最大の理由は、因子の説明で終わっているからです。報告資料には必ず「だから何をするか」をセットで書きましょう。

推奨するフォーマットは、「①抽出された因子名／②その因子の寄与率／③その因子が低いセグメント／④打ち手の仮説／⑤検証方法」の5点セットです。この形にすると、分析結果がそのまま次の会議のアジェンダになります。

さらに、因子得点と実際の継続率・解約率を突き合わせて相関を確認すると、どの因子が事業成果に直結しているかまで踏み込めます。ここまでやって初めて、因子分析は投資に見合う成果を生みます。

▼分析結果を報告資料に落とし込むコツを知りたい方はこちら
👉 ヒアリング＆診断コンテンツの実例集をダウンロードする

因子分析をExcel・統計ツールで行う方法｜ツール比較と選び方

因子分析を実行する環境は複数あります。「無料か有料か」ではなく「誰が・どの頻度で・どこまでやるか」で選ぶと失敗しません。

Excelで因子分析を行う手順6ステップ

Excelには因子分析の標準機能がないため、アドインを使うか、行列計算を組み合わせて手動で進める必要があります。手動で行う場合の基本フローは次のとおりです。

①データを整形する：1行1回答者、1列1設問の形に整え、欠損と逆転項目を処理します。
②相関行列を作る：CORREL関数またはデータ分析ツールの「相関」で全設問間の相関行列を出力します。
③固有値を求める：相関行列から固有値を計算し、1.0以上の数を数えます。
④因子数を決める：固有値とスクリープロット（固有値を折れ線グラフ化）で採用する因子数を決定します。
⑤因子負荷量を算出する：固有値・固有ベクトルから因子負荷量行列を求めます。
⑥解釈・命名する：負荷量0.4以上の項目をまとめ、因子に名前をつけます。

手順の詳細な数式と操作画面については、Excelでの実行に特化した解説記事で確認するのが確実です。

Excelで因子分析を行う3つの限界

Excelは手軽ですが、実務で使ううえでは無視できない制約があります。

限界1｜回転処理が標準では実行できない

バリマックス回転・プロマックス回転はExcelの標準機能に含まれません。回転なしの因子負荷量は解釈が難しく、単純構造が得られないため、実務レベルの解釈に到達しにくいのが実情です。

限界2｜再現性と属人化のリスクが高い

手計算のシートは作成者にしか構造がわからず、担当者が変わると再現できません。定点調査として毎年回す前提なら、最初からツールを導入したほうが総コストは低くなります。

限界3｜適合性の検定ができない

KMO測度やBartlettの球面性検定といった、そもそも因子分析を適用してよいかを判断する指標が算出できません。適用可否の検証を飛ばすと、意味のない因子構造を信じてしまうリスクがあります。

▼データ収集から分析までを1つのツールで完結させたい方はこちら
👉 ヒアリングツール10選の比較資料をダウンロードする

因子分析の活用事例7選｜BtoB実務での使いどころ

因子分析は理論だけを追うと難解ですが、使いどころを知れば一気に身近になります。ここではBtoB企業のマーケティング・営業・人事で実際に使われている7つの活用パターンを紹介します。

事例1｜顧客満足度調査で「改善すべき軸」を特定する

25項目の満足度調査を実施したものの、項目ごとのスコアが並ぶだけで優先順位が決まらない——BtoB SaaS企業でよくある状況です。

因子分析にかけると、25項目が「コスパ評価」「サポート信頼」「操作性」「導入支援」の4因子に集約されます。ここで各因子の得点と継続利用意向の相関を見ると、「サポート信頼」が最も継続意向と強く連動しているといった構造が浮かび上がります。

この結果があれば、限られた予算をUI改修ではなくサポート体制の強化に振り向ける、という意思決定が根拠を持って行えます。因子分析は「全部大事」という結論を「これが最優先」に変えるのです。

事例2｜ブランドイメージ調査で自社のポジションを可視化する

ブランド調査では「先進的」「信頼できる」「親しみやすい」など多数のイメージ語を評価してもらいます。しかし語彙は似通っており、単純集計では違いが見えません。

因子分析で「革新性」「信頼性」「親近感」といった軸に集約すると、自社と競合各社を同じ2〜3軸上にマッピングできます。ポジショニングマップの軸を、担当者の主観ではなくデータから決められる点が大きな価値です。

さらに、ターゲット顧客が重視している軸と、自社が強い軸のズレを可視化することで、コミュニケーション戦略の修正点が明確になります。

事例3｜BtoBサービスの選定理由から意思決定の判断軸を抽出する

受注顧客に「なぜ当社を選んだか」を15項目で聞き、因子分析にかけると、決裁プロセスにおける判断軸が見えてきます。

典型的には「リスク回避・安心感」「費用対効果」「導入ハードルの低さ」「機能適合性」の4因子が現れます。ここで受注案件と失注案件で因子得点を比較すると、勝敗を分けている軸が特定できます。

「失注案件では導入ハードルの低さへの評価が著しく低い」とわかれば、営業資料に導入スケジュールと社内展開の支援内容を追加する、という具体的な改善に直結します。

▼受注要因を体系的にヒアリングしたい方はこちら
👉 0からわかるヒアリングシート作成ガイド（営業編）を見る

事例4｜従業員エンゲージメント調査で離職要因の構造を掴む

人事領域では、エンゲージメントサーベイの30〜50項目を因子分析にかけ、「やりがい」「上司関係」「労働負荷」「将来展望」といった軸に整理します。

その後、因子得点と実際の離職データを突き合わせると、離職者に共通して低い因子が判明します。多くの企業で「上司関係」と「将来展望」が離職と強く関連する一方、給与への不満は思ったほど直接の要因ではない、という結果が出ることがあります。

この構造がわかれば、給与テーブルの見直しよりも1on1の質改善やキャリアパスの提示に投資すべき、という優先順位が立てられます。

事例5｜Webサイト・LPの離脱要因を構造化する

離脱ユーザーへのアンケートで「情報が見つからなかった」「価格が不明瞭だった」など多数の理由を収集した場合も、因子分析が有効です。

「情報の探しにくさ」「価格の不透明さ」「信頼情報の不足」といった因子に整理することで、改修すべきページ群と施策の単位が明確になります。個別の自由記述に振り回されず、構造的にサイト改善計画を立てられます。

事例6｜クラスター分析の前処理としてセグメントの質を高める

セグメンテーションを行う際、生の30項目をそのままクラスター分析に投入すると、似た項目の重複によって距離計算が歪みます。

先に因子分析で5因子に集約し、その因子得点を入力データとしてクラスター分析にかけると、解釈しやすく安定したセグメントが得られます。「価格重視・サポート軽視型」のように、各クラスターの特徴を因子名で説明できる点も実務上のメリットです。

この前処理の有無で、出来上がるペルソナの説得力は大きく変わります。

事例7｜診断コンテンツのロジック設計に因子構造を使う

Webマーケティングで用いる診断コンテンツも、因子分析と相性の良い応用先です。事前調査で得た因子構造をもとに、各因子を代表する設問を2〜3問ずつ選んで診断の質問を構成します。

こうすると、少ない設問数でユーザーのタイプを精度高く判定でき、診断結果ごとに最適な提案コンテンツを出し分けることが可能になります。統計的な裏づけがある診断は、結果への納得感が高く、そのままリード獲得とナーチャリングの起点になります。

▼因子構造を活かした診断コンテンツを作りたい方はこちら
👉 5ステップでできる診断コンテンツの作り方を見る

因子分析でよくある5つの失敗と回避策

最後に、実務でつまずきやすいポイントを失敗パターンとして整理します。ここに挙げる5つを避けるだけで、分析の成功率は大きく上がります。

失敗1｜サンプル数が足りないまま分析を強行する

回答50件で25項目の因子分析を行っても、結果は偶然のばらつきを拾っただけの不安定なものになります。回避策は、項目数×5〜10のサンプル数を集めるか、項目数を絞ることです。項目を10問に絞れば50〜100件で成立する可能性が出てきます。

失敗2｜因子数を統計基準だけで機械的に決める

固有値1.0以上という基準に従った結果、7因子が抽出され、そのうち3つには名前がつけられない——よくある失敗です。回避策は、解釈可能性を最終判断基準に据えること。名前をつけられない因子は、実務では存在しないのと同じです。

失敗3｜因子名を抽象的につけて社内に伝わらない

「第2因子＝サービス関連因子」では、会議で誰も動けません。回避策は、現場の担当者を命名プロセスに巻き込むこと。営業やサポートの言葉で名づければ、そのまま施策の議論に接続します。

失敗4｜因子分析の結果を因果関係として報告してしまう

「サポート因子が満足度を高めている」と断定するのは誤りです。因子分析は構造を示すだけで、因果は示しません。回避策は、因果を主張したい場合に重回帰分析や施策の実地検証を組み合わせることです。

失敗5｜分析して終わり、次の調査につながらない

単発の分析で終わると、因子構造が変化したかどうかを追えません。回避策は、削除した項目・追加すべき項目を記録し、次回調査の設問に反映する運用を作ることです。2回目以降は検証的因子分析で構造の安定性を確認すると、調査の資産価値が積み上がります。

因子分析につながるデータ収集を効率化するなら「Interviewz（インタビューズ）」がおすすめ！

ここまで見てきたとおり、因子分析の成否は「分析前のデータ収集設計」と「分析後の施策への接続」で決まります。この前後の工程を効率化するのが、ヒアリングDXプラットフォーム「Interviewz（インタビューズ）」です。

Interviewzは、アンケート・ヒアリング・診断コンテンツをノーコードで作成し、回答データを自動で蓄積・集計できるツールです。タップ操作中心のUIで回答負荷を抑え、因子分析に必要なサンプル数を集めやすくします。

Interviewzが因子分析を前提としたデータ収集に向いている5つの理由

理由1｜尺度を統一した設問を簡単に量産できる

因子分析では全設問の尺度統一が必須ですが、手作業のフォーム作成では段階数がずれがちです。Interviewzではリッカート尺度の設問をテンプレートから複製して量産できるため、尺度の不統一というミスを構造的に防げます。

理由2｜UI設計で回答完了率を高め、必要なサンプル数を確保できる

20項目を超えるアンケートは離脱が起きやすく、サンプル不足の主要因になります。Interviewzは1画面1問のタップ形式で回答負荷を最小化し、長尺アンケートでも完了率を保ちやすい設計になっています。

理由3｜デジタルギフト連携でインセンティブ設計まで完結する

回答者に謝礼を用意すると回答率は大きく向上します。デジタルギフトを組み合わせたアンケート運用により、必要なサンプル数を短期間で確保する設計が可能です。

理由4｜回答データをそのまま分析ツールへ渡せる

蓄積された回答データはCSVで出力でき、ExcelやSPSS、R、Pythonへそのまま投入できます。データ整形の手間が減るぶん、解釈と施策設計に時間を配分できます。

理由5｜分析結果を診断コンテンツとして再利用できる

抽出した因子構造をもとに診断コンテンツを構築すれば、分析結果をマーケティング施策としてそのまま資産化できます。調査で終わらせず、リード獲得とナーチャリングの仕組みに転換できる点が他ツールとの違いです。

▼まずは使用感を確かめたい方はこちら
👉 インタビューズの無料ヒアリングデモを体験する

因子分析に関するよくある質問（FAQ）

Q1. 因子分析には最低何サンプル必要ですか？

A. 一般的な目安は質問項目数の5〜10倍、かつ最低100〜200サンプルです。20項目なら100〜200件が最低ラインになります。サンプルが足りない場合は、質問項目を絞るか、因子分析ではなく単純集計・クロス集計で読み解く判断も検討してください。

Q2. 因子負荷量はいくつ以上あれば「その因子に属する」と判断できますか？

A. 実務では絶対値0.4以上を目安にします。厳密に見たい場合は0.5以上を基準にすることもあります。複数の因子で0.4を超える二重負荷の項目は、解釈を濁すため削除して再分析するのが定石です。

Q3. バリマックス回転とプロマックス回転はどちらを使うべきですか？

A. 因子どうしが現実に相関していると考えられるならプロマックス回転（斜交回転）、理論的に独立していると想定できるならバリマックス回転（直交回転）です。顧客満足度やエンゲージメントのようなテーマでは、因子間相関がゼロとは考えにくいため、プロマックス回転が選ばれる傾向にあります。

Q4. 累積寄与率はどのくらいあれば良い結果といえますか？

A. 人の意識や態度を扱うアンケートデータでは、累積寄与率50〜60%以上あれば実務判断に使えるとされることが多いです。30%台にとどまる場合は、質問項目が調査目的とずれている可能性が高いため、設問設計の見直しを推奨します。

Q5. Excelだけで因子分析はできますか？

A. 相関行列や固有値の計算までは可能ですが、バリマックス回転・プロマックス回転などの回転処理やKMO測度の算出は標準機能では行えません。検討段階の試算ならExcelでも十分ですが、意思決定に使う分析や定点調査ではアドインや統計ソフトの利用を推奨します。

Q6. 因子分析の結果から「原因」を説明してもよいですか？

A. できません。因子分析が示すのは「同じ判断軸に属している可能性が高い」という構造であり、因果関係ではありません。因果を主張したい場合は、因子得点を使った重回帰分析や共分散構造分析、あるいは実際の施策による検証を組み合わせてください。

Q7. 因子分析と主成分分析はどちらを選べばよいですか？

A. 「顧客が何を基準に評価しているのか」を理解したいなら因子分析、「総合スコアのような合成指標を作りたい」なら主成分分析です。前者は因子から観測変数へ、後者は観測変数から合成指標へと、因果の矢印の向きが正反対である点を判断基準にしてください。

あわせて読みたい関連記事

分析・調査レポート（直接的な関連）

• エクセル（Excel）で因子分析を行う方法6ステップで解説
• クロス分析とは？データから“戦略的な気づき”を得る実践ガイド
• クロス集計をExcelで行う方法｜ピボット・関数12選とSA／MA徹底解説【保存版】
• t検定をエクセルで行う方法7ステップ｜関数と分析ツールを図解
• ピボットテーブルの作り方5ステップ｜集計・分析の時短技12選を徹底解説
• アンケートの分析方法8選と分析の質を高める方法を徹底解説
• アンケートの分析方法4ステップで解説｜分析のコツから活用方法まで
• アンケート結果のまとめかた｜集計・分析・報告書作成の流れとツール活用の効果も解説
• ヒアリング・アンケート結果をパワポで作成する方法｜調査報告書の作り方とテンプレート

アンケート設計・作成

• Googleフォームでアンケート作成｜回答率が上がる9手順と集計術を解説
• 商品アンケートのテンプレートと作り方｜診断ツールのメリットと活用法も解説
• アンケートのお願い文例16選と回答率を上げる書き方完全ガイド
• アンケート結果のまとめ方と流れ｜効果的な情報収集と分析方法も解説

ヒアリング・営業活用

• 営業ヒアリングシートの必須項目7つと作り方をテンプレート付きで解説
• ヒアリングシートの作り方8ステップと必須項目5つ【無料テンプレ付き】
• ビジネスヒアリングの完全ガイド｜必須項目10個・フレームワーク6選・質問例50
• 営業プロセスを見える化するフレームワーク8選｜商談の流れと改善ステップを徹底解説

顧客満足度・CX

• 顧客満足度調査の方法10選｜項目・テンプレート・事例を解説
• NPS®︎アンケートとは？質問例・作り方・分析・活用まで実務目線で完全解説
• NPS®︎とは？顧客満足度とどう違うの？調査・分析・計算方法を徹底解説
• カスタマーサクセスで使いたいツール種別5つ｜顧客満足度あげる方法と体制作りのコツを解説

回答率向上・インセンティブ

• アンケート回答率を上げる方法12選｜平均・計算式・設計のコツを徹底解説
• デジタルギフトとは？仕組みや種類、企業が利用するメリットを解説
• アンケートのプレゼントにデジタルギフトがおすすめな理由｜選び方や注意点も解説
• アンケートの謝礼やプレゼントの送り方｜種類と相場、注意点を徹底解説

診断コンテンツ・ナーチャリング

• 診断コンテンツとは？CVRを上げる作り方と成功事例10選
• 診断コンテンツとは？作り方6ステップと活用事例11選
• 診断コンテンツのロジックや形式を解説｜作成する際のポイントやおすすめツールも紹介
• 診断ツールの作り方｜おすすめ10選と選び方、成功事例を徹底解説

情報収集・周辺ツール

• 複数回答アンケートの集計ツール8選｜選び方と正しい集計方法を徹底解説
• アンケート調査会社おすすめ15社を徹底比較｜失敗しない選び方と費用相場も徹底解説
• エクセルを使ったヒアリングシートの作り方と活用方法を解説

まとめ｜因子分析は「複雑なデータ」を「動ける言葉」に変える技術

因子分析は、多数の質問項目の背後にある共通の判断軸を取り出し、データを社内で議論できる言葉へ翻訳する分析手法です。統計的な難しさよりも、目的設計と解釈の質が成果を左右します。

本記事の要点を改めて整理します。

• 因子分析とは：観測変数の背後にある共通因子を抽出し、データの構造を理解する多変量解析
• 主成分分析との違い：因果の矢印が「因子→観測変数」か「観測変数→合成指標」かで正反対
• やり方5ステップ：①目的と仮説の言語化 ②設問設計とサンプル収集 ③前処理と適合性確認 ④因子数決定と回転 ⑤命名と因子得点の活用
• 結果の見方：因子負荷量0.4以上、累積寄与率50〜60%以上、共通性0.2未満は削除候補が実務の目安
• 必要サンプル数：質問項目数の5〜10倍、最低100〜200件を確保する
• 最大の注意点：因子分析は構造を示すだけで、因果関係の証明にはならない
• 成功の条件：因子に現場の言葉で名前をつけ、必ず施策仮説へ翻訳して報告する

次のアクションとしておすすめするのは、いま手元にあるアンケートの設問を「1因子あたり4〜5問・尺度統一」の観点で棚卸ししてみることです。因子分析は、分析の瞬間ではなく設問設計の段階から始まっています。

そのうえで、必要なサンプル数を集めるための回答率設計と、分析結果を施策へつなげる仕組みづくりに取りかかってください。

▼サービスの全体像を確認したい方はこちら
👉 インタビューズ サービス概要資料をダウンロードする

▼まずは無料で試してみたい方はこちら
👉 無料トライアルの資料確認・お申し込みはこちら

▼設計に使えるテンプレートをまとめて入手したい方はこちら
👉 ヒアリングシート／アンケートテンプレート一覧を見る

▼その他のお役立ち資料をお探しの方はこちら
👉 インタビューズ お役立ち資料一覧を見る

▼導入のご相談・ご質問はこちら
👉 インタビューズ お問い合わせフォームへ

Interviewz（インタビューズ）では、ヒアリング体験をDX化し、質の高い情報をスピーディーに収集、顧客・ユーザー理解を深め、サービスのあらゆるKPIの改善を可能にします。テキストタイピングを最小化した簡単かつわかりやすいUI/UXと、収集した声をノーコードで様々なシステムに連携し、ユーザーの声を様々なビジネスプロセスで活用することで、よりビジネスを加速させることが可能です。

Interviewz（インタビューズ）をご活用いただくことで以下のことが解決できます。

• 新規お問い合わせ、相談数の向上
• ヒアリングの内容の最適化から受注率の向上
• ヒアリングコスト（人件費・タイムコスト）の削減
• 既存顧客のお問い合わせのセルフ解決（サポートコストの削減）
• サービス/プロダクトのマーケティングリサーチ
• 既存顧客、従業員のエンゲージメント向上
• データ登録負荷の軽減
• サイトにおけるユーザーの行動情報のデータ蓄積

Interviewzをご利用いただいた多くのお客様で、ビジネスによけるあらゆるKPIの数値改善を可能にしています。

▼Interviewz（インタビューズ）の主な活用方法

• 総合ヒアリングツール
• チャットボット
• アンケートツール
• カスタマーサポートツール
• 社内FAQツール

Interviewzの機能一覧｜総合的なヒアリング活動を網羅

Interviewzでは、下記のような総合的なヒアリング活動を支援する機能を揃えております。

以下では、まずはInterviewz（インタビューズ）を使って操作性や機能を確かめたい方向けに、無料でInterviewzをデモ体験いただくことが可能です。気になる方はぜひご体験ください。

ヒアリングDX・アンケートのデジタル化のご相談は下記より日程をご調整ください。