一次調査とは？｜二次調査との使い分けで見える精度の限界

一次調査（プライマリリサーチ）とは、アンケートやインタビュー、行動観察、実験などを通じて、自分たちが直接、まだ世に存在しないデータを集める調査手法。既存資料を机上で読み解く二次調査（デスクリサーチ）と対になり、定量（インターネット調査、CLT、HUT、A/Bテスト）と定性（デプスインタビュー、FGI、エスノグラフィ）に整理されます。
一次調査と二次調査を「取れる情報の質」「時間・コスト」「発見できる論点」の3軸で比較すると持ち場が明確に。二次は業界構造とトレンドの把握、一次は仮説検証と顧客の生の言葉に強い。順序は「二次で仮説→一次で検証」が教科書ですが、実務では逆順や三段構えも日常的に発生します。
両方きっちりやっても届かないゾーンがある。Say-Do Gap（言うことと行動のズレ）が60〜80%、TAM膨張バイアスが3〜10倍、質問設計の誘導、モデレーターバイアス、パネル偏り、時点性のダブルジェパディー。潜在ニーズや情動反応（System 1）は発話に頼る限り取れません。
AI時代のパラドックスとして「二次調査を高速化するAIが増えるほど、良質な一次調査の希少価値が上がる」。合成ユーザーは全てを気に入る sycophancy 問題、AI検索は60%超で誤答という新しい限界が加わりました。リサーチャー97%がAIを使うのに、合成参加者常用は8%という二極化がその証拠です。
今から回せる反復ループ：Snorbe のような育てる別軸のDRに二次調査を投げ→発見を「一次で当てに行くべき論点」に仮説化し→インタビュー・A/B・観察で検証し→結果をナレッジグラフに戻す。使い切りのDRとは違う、リサーチ資産の蓄積型の使い方が有効です。

一次調査とは？定義と代表的な7つの手法
二次調査（デスクリサーチ）との3軸比較で見えてくる本質
使い分けの階段：教科書の順序と実務で崩れるパターン
リサーチの精度の限界：両方やっても届かないゾーン
AI時代の一次調査と二次調査：Snorbeで回す反復ループ
よくある質問
調査手法について

一次調査とは？定義と代表的な7つの手法

一次調査（プライマリリサーチ）とは、調査したい人に自分たちが直接あたって、まだ世の中に存在しない新しいデータを集める調査のことです。アンケート、インタビュー、行動観察、A/Bテスト、実験。こういった「自分たちで質問し、記録し、測る」タイプの調査は、ぜんぶ一次調査に入ります。既存の資料や統計を机の上で読み解く二次調査（デスクリサーチ）とは対になる概念で、自社の目的に合わせて質問項目もサンプルも一から設計できる点が最大の特徴です[IdeaScale]。

国内のリサーチ会社インテージは、一次調査を「数字で表せる定量調査」と「数字にならない定性調査」の二軸で整理しています。定量は市場実態の把握や仮説の検証、定性は生活者の心の動きや行動の理由を探ることに向いていて、実務では「定性で深掘りしてから定量で検証する」二段構えが標準になっています[インテージ用語集]。

代表的な手法をカタログとして並べると、こうなります。

インターネット調査：オンラインパネルにアンケートを配信して、短期間で数百〜数万人の回答を集める定量手法
会場調査（CLT）：新商品の試用条件を管理した会場で、購入意向や味の評価を測る定量手法
ホームユーステスト（HUT）：試用サンプルを家に送って、普段の生活で使ってもらいながら評価を取る定量手法
デプスインタビュー（1on1）：30分〜2時間かけて潜在ニーズや感情を掘り下げる定性手法
フォーカスグループインタビュー（FGI）：4〜6名の座談会形式で、参加者同士の会話から発話を引き出す定性手法
エスノグラフィ（行動観察）：生活シーンや利用シーンをそのまま観察して、無意識の行動や潜在ニーズを浮かび上がらせる定性手法
A/Bテスト：2種類以上のパターンを実運用し、CTRやCVRなどの成果指標で優劣を測る実験系の定量手法

デプスインタビューは、目的と仮説を決める→対象者をスクリーニングする→インタビューガイドを作る→実査する→録音を逐語化する→インサイトを抽出する、の6ステップが標準的な流れです。15人にインタビューすると、それだけで最低15時間のデータ処理が発生します[マクロミルデプスインタビュー用語集]。

エスノグラフィは、文化人類学や社会学の手法を消費者行動に応用したもので、「お買い物同行調査」が代表例です。アンケートで「よく買います」と答えた人が、実際の店内では別の棚を素通りしていく。この種の「言っていることと、やっていること」のズレを可視化できるのがエスノグラフィの強みです[マクロミルエスノグラフィー用語集]。

費用の感覚もつかんでおきましょう。国内マーケリサーチの相場は、ネットリサーチ 20〜100万円（300サンプル×20問で20〜30万円）、HUT 50〜150万円、CLT 80〜300万円、デプスインタビュー 30〜150万円（一般消費者謝礼は60〜90分で8,000〜10,000円）、FGI 30〜120万円あたり。日本全体の意見を誤差5%以内で把握するなら約400サンプル、社内参考であれば100サンプルが目安です[マクロミル市場調査の費用相場]。

一次調査は、時間もコストもかかります。それでも、二次調査では手に入らない「自社の意思決定に必要な粒度のデータ」が取れる。ここが実務家にとっての最大の価値です。

二次調査（デスクリサーチ）との3軸比較で見えてくる本質

二次調査は、他の誰かがすでに集めて公表しているデータを、自分たちが読み解いて分析する調査です。政府統計、白書、有価証券報告書、学術論文、業界レポート、ニュース記事などが情報源になります。「デスクリサーチ」という呼び方は、机の上で既存資料を調べる、という実務上の呼称で、二次調査の中でも文献・公開資料を組み合わせて事業判断の材料にする使い方を指します[Wikipedia 二次調査][Listening Mind]。

二次調査で使える主要ソースを整理しておきます。

政府統計・公的ソース：総務省統計局の e-Stat と、金融庁の EDINET。EDINETは有価証券報告書などをXBRL付きで公開していて、財務諸表をそのままデータ再利用できます。24時間365日、誰でも無料で使えます[金融庁 EDINET]
学術データベース：JSTが運営する J-STAGE は科学技術系の全文PDF横断検索に強く、NIIが運営する CiNii は書誌情報や博士論文まで幅広くカバーします。国際系はGoogle Scholar、arXiv、PubMed、Semantic Scholarが補完的に効きます[JPP 学術DB比較]
有料市場調査DB：Statistaが市場規模と予測統計、Gartner／Forrester／IDCがITベンダー評価とテクノロジートレンド、CB Insightsがスタートアップのシグナル、PitchBookがPE/VC/M&Aの資金調達履歴に強い、と用途で使い分けます[Gend 有料DB比較]
国内消費者パネル：マクロミルのQuickMillは全国3.5万人にバーコードリーダーを貸し出して購買データを取得、インテージのSCIは約5.36万人規模のパネルで時系列購買データと意識調査を組み合わせられます[消費者パネル比較]
企業信用調査：帝国データバンク（シェア約60%、約147万社ベース）と東京商工リサーチ（約30%、中小・零細のヒット率と納期速度に強み）で寡占状態です[TDB vs TSR]
社内既存資料：CRM、GA4、営業日報、コールログ。これも立派な「二次データ」です。GA4のClient-IDを共通キーにSFAやCRMと結合してBigQueryで一元化すれば、Web行動と購買データを紐づけて分析できます[primeNumber GA4×CRM]

さて、ここからが本記事のコアです。一次調査と二次調査を「取れる情報の質」「時間・コスト」「発見できる論点」の3軸で比較すると、それぞれの持ち場がはっきりします。

軸	一次調査	二次調査（デスクリサーチ）
取れる情報の質	仮説検証まで踏み込める新規データ。自社の問いに直接答える粒度	既存の広範な情報だが、陳腐化リスクと切り口不一致がつきまとう
時間・コスト	週〜月単位、数十万〜数百万円（デプスなら30〜150万、FGIなら30〜120万、CLTなら80〜300万）	時間〜日単位、無料〜数万（有料DBやパネル契約で年数百万）
発見できる論点	顧客の生の言葉、行動の因果、意思決定の理由	業界構造、市場サイズ、時系列トレンド、数字の背景

軸を3つに絞ると意思決定が速くなります。たとえば「参入市場のサイズを知りたい」なら、まず二次調査でTAM/SAMを描く。「なぜお客さんが競合を選ぶのか」なら一次調査（デプスやエスノグラフィ）から入る。「新商品の受容度を測りたい」なら、二次で既存カテゴリの浸透率を確認しつつ、一次でCLTやHUTを回す。こういう振り分けが、頭の中で1秒で終わるようになります。

Kantarのガイドは、この使い分けを端的に言い切っています。「一般情報や背景理解には二次調査で足りる。具体で自社に特有の洞察が必要なときは一次調査に切り替える」[Kantar]。

The CX Leadのまとめも近い視点で、「定量は big picture（トレンド、満足度、NPS）を測り、定性はその裏の why と nuance を掘る」と分けています[The CX Lead]。二次で全体像、一次で理由。この対比を頭に置いておくと、どの手法を選ぶかで迷いにくくなります。

使い分けの階段：教科書の順序と実務で崩れるパターン

教科書的には、リサーチには「探索的（Exploratory）」と「検証的（Confirmatory）」という2段階があります。まず二次調査で市場全体を掴んで仮説を作り、次に一次調査でその仮説を検証する。この順序は学術・実務の両方で標準化されていて、同じ研究者が両者を混ぜると HARKing（結果を見てから仮説を書く）で結論が汚染される、と Prolificは指摘しています[Prolific]。

ところが、実務では階段の踏み方が文脈で崩れます。VoC（お客さまからの問い合わせ、SNS、レビュー）が先にあって「お客さんの声はすでにある。だからその意味を二次データで裏取りしたい」という逆順パターン、定量二次→定性一次→定量一次の三段構え、社内既存資料（CRM、GA4）だけで仮説を作って一次に飛び込むショートカットパターン。実務家は、こういった変則的な順序も日常的に使っています。

ここで有名なのが、Clayton Christensen が語った「ミルクシェイクの逸話」です。マクドナルドが「ミルクシェイクをもっと売るにはどうすればいいか」を問うたときの話です。定量アンケートで「大きくしようか、味を増やそうか」と聞いても売上は伸びなかった。そこでリサーチチームが18時間店頭に立って観察を続けたところ、朝の通勤客が「片手で持てて、飽きずに食べられる、腹持ちのいい何か」を求めてミルクシェイクを買っている、というジョブが見えたのです。市場規模も、デザート市場だけでなく朝食市場を含めて考えると、7倍に膨らみました[HBS Online]。

これは「顧客に聞くだけではダメ」の代表例として、あらゆるリサーチ書に引用されています。定量アンケートで聞いた結果と、実際の購買行動の理由が全く違う。この構造は、後で出てくる Say-Do Gap の問題そのものです。

このミルクシェイクの視点を体系化したのが、Christensenの「Jobs to Be Done（JTBD）」という枠組みです。JTBDは「顧客は誰か」ではなく「顧客が片付けたい仕事は何か」を問います。従来のセグメンテーションが年齢や性別で顧客を切るのに対し、JTBDは「機能的・感情的・社会的なジョブ」で切り直します。Ulwickの「Outcome-Driven Innovation（ODI）」は、このJTBDを定量化する実装として設計されました[Strategyn]。

JTBDに基づくインタビュー設計のコツを、UXリサーチャーのshoty氏はnoteで明快に整理しています。「体験の有無」→「頻度」→「直近の体験」の順で質問を組み、各質問後に「どうしてなのか？」を追う。「はい／いいえで答えられる質問はなるべく聞かない」「“なぜ”という言葉は極力使わない」。ラポール（信頼関係）を作ってから本題に入る。5〜6人にインタビューすれば、それ以降は新しい発見が得られにくくなる、という Nielsen の「5人で85%発見則」も同時に紹介されています[note @shoty]。

「なぜ」を連発してはいけない、という指摘は少し意外に感じるかもしれません。Culture Labsのブログは、その理由をこう説明しています。「人はWhyと問われると、意識・無意識問わず回答を”創作”してしまう」。5 Whys（なぜを5回繰り返す）はトヨタ生産方式起源の根本原因分析ツールで、製造やITの問題解析には強い。しかし対人インタビューで多用すると、対象者は事実ではなく後付けの正当化ストーリーを語り始めるのです。代わりに What／When／Where／Who で記憶を引き出せば、事実ベースのインサイトを積み上げられる[Culture Labs]。

教科書の順序と、実務のズレ。この差を理解しておくと、リサーチの設計が急に立体的になります。二次で仮説を作る、一次で検証する、という基本形はキープしつつ、目の前の状況によっては逆順にも三段にもできる、と割り切って組み立てる。これが実務家の使い分け方です。

リサーチの精度の限界：両方やっても届かないゾーン

一次調査と二次調査を組み合わせれば、リサーチの精度は上がります。ただし、両方をきっちりやっても届かないゾーンがあります。既存の教科書的記事は「併用すれば解決」で終わりがちですが、実務では限界を認めた上で割り切って設計する態度こそが武器になります。

まず、一次調査の側の限界から見ていきましょう。

Say-Do Gap（言うことと行動のズレ）が最も有名です。フォーカスグループやアンケートの回答と実際の購買行動は、60〜80%の研究で乖離するとされています（Corporate Executive Board分析）。Sony Walkman、Red Bull、Dysonは、事前調査で「売れない」と評価された代表例です。理想の自分を投影する self-image bias が主因で、stated preference（言われた選好）だけで意思決定してはいけない、というのが基本の教訓です[CloudArmy]。

Social Desirability Bias（社会的望ましさバイアス）は、良い行動を過大申告し、悪い行動を過小申告する系統誤差です。self-deception（自己欺瞞）と impression management（印象操作）の2形態があり、健康、環境、寄付などの「価値観と紐づく話題」で特に強く出ます[ATLAS.ti]。SDGs絡みのアンケートで「もちろん環境に配慮しています」という回答が異常に多い、という感覚は、多くの実務者が体験しているはずです。

Hawthorne効果は、1920年代のウエスタン電機Hawthorne工場での照明実験で発見されました。照明を上げても下げても生産性が上がる。原因は「観察されている自覚」でした。Nielsen Norman Groupは、ユーザビリティテスト、店内観察、日記調査でも同じ現象が発生すると指摘しています[NN/g]。

質問設計そのものが精度を殺すこともあります。Leading question（誘導質問）と Double-barreled question（二重質問）は同じ質問票内で頻発します。Kantarのガイドが挙げる例が分かりやすい。「価格と品質にどのくらい満足していますか」と聞かれても、価格に不満で品質に満足なお客さんは一択で答えられません[Kantar]。プレテストで早期発見するのが鉄則です。

モデレーターバイアスと群衆効果もFGIの盲点です。モデレーターの声のトーン、表情、質問順序で回答は容易に偏ります。加えてグループ討議では、支配的な参加者に他が同調する group effect が発生します。定性データの信頼性は、モデレーターの品質にほぼ規定されると考えたほうが良いでしょう[Research Design Review]。

サンプル数の壁も、実務でよくつまずくポイントです。定性ユーザビリティテストは「5人で85%の問題を発見」（Jakob Nielsen, 2000）。ところが定量調査は別物で、商業マーケットリサーチでは300未満は小さすぎる、戦略級では1000規模、セグメンテーション研究は1セグメント200人以上が安全、A/Bテストは各群100人以上、中心極限定理の閾値は30、というのがDisplayrの整理です[Displayr]。定性でn=30を回して定量として一般化する、という誤用は今も現場で見かけます。

次に、二次調査の側の限界を見ていきます。

定義の不一致が最初の壁です。「varying definitions and measures」が、二次データを跨いだ比較を破綻させます。市場サイズ指標の測定方法が時系列で変わると、歴史比較が不能になります。加えて「B2CかB2Bか」「金額 vs 数量」「卸 vs 小売」「サブスク売上 vs GMV」といった集計単位の差で、数字の桁が一つズレることも珍しくありません[Insight7]。

TAM膨張バイアスは、B2B事業企画で頻発する落とし穴です。アナリストレポートのトップダウンTAMは「絶対に買わない会社」まで含めるため、実勢の3〜10倍に膨らむ、とLandbaseは指摘します。方法論はブラックボックスで、定義は選べず、カテゴリは自社製品と一致しない、という構造的問題があります。SAM（獲得可能な市場）がTAMの50%超なら「フィルターが足りない」サインで、B2Bでは通常SAMはTAMの10〜30%です[Landbase]。

発行者バイアスと利益相反の問題もあります。出版バイアスは「positive resultは出やすく、negative resultは出にくい」構造で有名ですが、市場調査レポートでも同じ構造が働きます。スポンサーが結果に利害を持つ場合、不利な結果は公開されないか、強調が薄まる。Elsevierが「Merckスポンサー記事を通常論文体裁で出した」件のように、体裁の詐称すら発生します[PMC Journal of Psychiatry Neuroscience]。

さらに、両方やっても届かないゾーンが3つあります。

Latent needs（顧客が言語化できないニーズ）は、定性でも定量でも取れません。「多くの消費者は最終製品において重要と認識するが、事前に自分では言語化できない、あるいはしたくない」領域があるのです。Indeemoは、generative research、digital ethnography、diary study、in-context observation（実生活シーンでの観察）といった「発話に頼らず取る」設計が必要だと整理しています[Indeemo]。

System 1（情動・自動反応）も、自己申告では取れません。Kahnemanの二重過程理論では、System 1は「速く、自動、感情的、無意識」な思考です。System 2の内省的な自己申告アンケートでは、この情動反応を捉えられない。iMotionsは、Eye-tracking、Facial coding、皮膚電気反応・心拍などのバイオメトリクス、Implicit Association Test（IAT）といった implicit measurement が必要だと解説しています[iMotions]。

時点性のダブルジェパディーは、一次でも二次でも避けられません。二次データは発表時点で既に古い（データ収集→集計→出版で1〜3年遅れが常）。一次調査も最新でも「調査翌週にトレンドが動く」と陳腐化する。加えて質問設計や測定方法自体が時代と共に変わるため、historical comparisonが困難になる二重の陳腐化構造です[Insight7]。

こういった限界を「両方きっちりやればカバーできる」と言わずに、「ここは届かない」と割り切ってから設計するかどうかで、実務家の意思決定の速さは大きく変わります。

AI時代の一次調査と二次調査：Snorbeで回す反復ループ

2024〜2026年で最も大きく変わったのは、二次調査の速度です。Deep Research系AIが数十分から数時間で、数百のソースを横断して引用付きレポートを吐き出せるようになりました。

OpenAI Deep Researchは、o3系モデルに最適化された自律エージェントで、5〜30分間ウェブを自律巡回し、数百のソースを解析して引用付きの構造化レポートを生成します。金融、科学、政策、エンジニアリングといった集中的な知的労働領域を主要ターゲットに設計されています[OpenAI]。Perplexity Deep Researchは、超難関ベンチマーク「Humanity’s Last Exam」で21.1%、SimpleQAで93.9%という自己公表値を出しています。Perplexityは2025年5月時点で月間7.8億クエリ、238ヵ国46言語をカバーし、MAUは2025年初頭の2,200万人から年末には4,500万人へ倍増しました[Business of Apps]。

Google Gemini Deep Research 2.5 Proは、PDFや画像のアップロードとGoogle Driveのドキュメントを組み合わせて調査でき、「thought summaries」で思考プロセスを可視化して監査可能性を担保します[Google Blog]。Anthropic Claude Researchは、オーケストレーター役のエージェントが並列サブエージェントを起動する「マルチエージェント調査」アーキテクチャで、Anthropic自身が「複雑な調査を数日分節約」と実効性を強調しています[Anthropic Engineering]。日本発では Feloが、多言語横断で情報を取得・翻訳できる回答エンジンとして展開されています。

学術特化のAIも進化しています。Consensusは2億件超の論文（Semantic Scholar連携）、Elicitは1.38億件超の論文と54.5万件の臨床試験にアクセスできます[PapersFlow 比較]。MIT量子物理博士が創業したUndermindは、引用ネットワークを自律的にたどり、144本を分析して関連論文の93%を発見する網羅性を売りにしています[Tooliverse]。プライベート市場データでも、PitchBookが2025年11月に生成AI機能「Navigator」をリリースしました[PitchBook Press]。

一次調査の側もAI化が進んでいます。Remeshは、AIモデレーターが50〜500人の同時参加型FGDを回し、投票やクラスタリングをリアルタイムで実行できます。Discuss.ioやVoxpopmeは、映像×AI合成レイヤーで従来型FGDにAIを重ねる形です[GetMinds AI]。パネル基盤では、User Interviewsが約600万人、Respondentが約400万人と、「本物の人間から直接聞く経路」もインフラ化が進んでいます[UXTweak]。

ここで、AI時代のリサーチが抱える新しい限界を見ておく必要があります。

Nielsen Norman Groupは、実在ユーザー研究3件と合成ユーザー（AIが生成したペルソナ）の応答を比較検証しました。結果は「一次元的で表層的、批判をせずAIが気に入られようとする傾向（sycophantic）」でした。実ユーザーは「7講座中3講座で挫折、フォーラムは薄い」と語ったのに、合成ユーザーは「全講座完了、フォーラムも好意的」と応答した。優先順位付けや説得力あるペルソナ生成には「使えない」と結論しています[NN/g]。

Columbia Journalism Reviewは、8つの生成AI検索ツールに1,600クエリを投入した結果、60%以上で誤答が発生したと報告しています。NeurIPS 2025では、4,000本の採択論文中53本以上でAI幻覚引用（架空の著者・論文タイトル・URL）が検出され、複数レビュアーをすり抜けていました[Fortune / NeurIPS]。二次調査を高速化するAIは、そのアウトプットの検証コストを新しく生むのです。

業界の温度感を示す象徴的な数字があります。リサーチャーの97%が調査ワークフローのどこかでAIを使うのに、合成参加者を生成するツールを常用するのは8%にとどまり、約2/3が懐疑的または明確に反対、という Development Corporateの調査結果です。150人の回答者中「重大な懸念なし」と答えた者はゼロでした[Development Corporate]。

ここに「AIパラドックス」があります。AIが二次調査を数十分に圧縮するほど、良質な一次調査の希少価値は上がる。なぜなら、合成ユーザーは全てを気に入り、AI検索は幻覚を吐き、生成レポートは検証が要る。だからこそ、本物の人間から取った一次データが、意思決定の最後の拠り所として値上がりするのです。

さて、この構造の中でリサーチをどう回すか。ここで、私たちが運営しているリサーチAIエージェントの Snorbe を「新しい選択肢」として紹介させてください。

DR系AI（Perplexity、Felo、ChatGPT DR、Gemini DR、Claude Research、Genspark）は、「その場で走らせて即席のレポートを吐く」使い切りのDRです。一方 Snorbe は、二次調査で得た発見をナレッジグラフに蓄積し、次のリサーチで再利用できる「育てる別軸のDR」です。JPO・EPO・Google Patents・arXiv・PubMed・Semantic Scholar・e-Stat・EDINET・PR TIMES などの専門DBを横断でき、クエリを意識せずに自然な日本語で投げられるのが特徴です。

Snorbeで一次調査と二次調査を回す反復ループは、今からこの順序で試せます。

二次調査を Snorbe に投げる：政府統計、有価証券報告書、学術論文、業界レポートを横断して、市場サイズ、主要プレイヤー、既存の論点をまとめる
発見を「一次調査で当てに行くべき論点」として仮説化する：たとえば「業界レポートは市場が10%成長すると言っているが、上位3社の売上は5%減。この差分は何を意味するか」を仮説として書き出す
一次調査（インタビュー、A/B、CLT、観察）を回して仮説を検証する：n=5〜6のデプスから入り、必要ならn=100+の定量に展開する
一次調査の結果を Snorbe のグラフに戻す：インタビューのインサイト、A/Bの結果、CLTの評価を書き戻す
グラフが育つほど、次のリサーチの初動が速くなる：新しいテーマでも過去の論点や関連する統計・論文が連結されて出てくる

日本のマーケティングリサーチ市場は2024年度で2,725億円、前年比105.1%[JMRA]、世界のインサイト業界は2024年時点で1,530億ドル超（うちリサーチソフトウェアが620億ドル）[Research World]。この規模の市場がAIで再編される中、Snorbeは「使い切りのDRを高速に走らせる」プレイヤーとは違う軸で立っています。リサーチ資産が組織に蓄積されるかどうか、で意思決定の速さが変わるからです。

改正個人情報保護法（2022年4月施行）と改正電気通信事業法（2023年6月施行）で、Cookieや個人関連情報の第三者提供に本人同意が必須化されました[MicroAd Post-Cookie]。Gartnerは2026年までにデジタルマーケター75%がファースト／ゼロパーティデータを主要データ源として使うと予測しています[Omnibound]。「本物の人間から明示的な同意付きで取ったデータ」の価値は、法制度の面からも押し上げられています。

一次調査と二次調査の使い分けは、限界を認めた上で反復ループを回す技術です。今から、まずは一度、Snorbe に「あなたの業界の主要プレイヤーの3年トレンド」を投げてみてください。返ってきたレポートを「一次調査で当てに行くべき論点」に翻訳する感覚が掴めるはずです。

よくある質問

Q1. 一次調査と二次調査、どちらから始めるべきですか？

A. 教科書的には「二次調査で全体像を掴んでから、一次調査で仮説を検証する」順序が基本です。二次でTAM/SAMの見当をつけ、既存の業界レポートで論点を集めてから、一次調査（インタビュー、CLT、A/Bテスト）で自社に特化した検証を回します。ただし、VoC（お問い合わせ、SNS、レビュー）が先にある場合は逆順（VoC→二次データで裏取り）や、定量二次→定性一次→定量一次の三段構えなど、状況に応じた変則的な順序も日常的に使われます。

Q2. 一次調査と定量調査／定性調査はどう関係しますか？

A. 一次調査と二次調査は「新しいデータを取るか、既存データを使うか」の分類で、定量／定性は「数値化するか、しないか」の分類です。したがって一次調査の中にも定量（インターネット調査、CLT、HUT、A/Bテスト、パネル調査）と定性（デプスインタビュー、FGI、エスノグラフィ、ダイアリー調査）が並びます。二次調査でも、政府統計は定量、有価証券報告書の記述は定性、と両方に分かれます。「一次×定量」で仮説検証、「一次×定性」で潜在ニーズ探索、「二次×定量」で市場サイズ、「二次×定性」で業界構造理解、という4象限で使い分けると設計が速くなります。

Q3. 一次調査の費用相場はどのくらいですか？

A. 国内マーケリサーチの相場感は次の通りです。ネットリサーチが20〜100万円（300サンプル×20問で20〜30万円）、CLT（会場調査）が80〜300万円、HUT（ホームユーステスト）が50〜150万円、デプスインタビューが30〜150万円（一般消費者謝礼は60〜90分で8,000〜10,000円）、FGI（フォーカスグループインタビュー）が30〜120万円あたりです。日本全体の意見を誤差5%以内で把握するなら約400サンプル、社内参考なら100サンプルが目安です。所要期間は、ネットで1〜2週間、デプスは調査設計から報告書提出まで3〜6週間が一般的です。

Q4. AIの Deep Research（Perplexity や Gemini、Claude）で二次調査は完結できますか？

A. 網羅性とスピードは劇的に上がりましたが、完結はできません。Columbia Journalism Reviewが8つの生成AI検索ツールに1,600クエリを投入した結果、60%以上で誤答が発生しました。NeurIPS 2025でも、4,000本の採択論文中53本以上でAI幻覚引用（架空の著者・論文タイトル・URL）が検出され、複数レビュアーをすり抜けています。AIが吐いたレポートは、必ず一次ソース（政府統計、有価証券報告書、学術論文の原本）に当たって検証する運用にしてください。二次調査を高速化するAIは、そのアウトプットの検証コストを新しく生む、と割り切ることが実務家の姿勢です。

Q5. 合成ユーザー（AIペルソナ）は一次調査の代わりになりますか？

A. Nielsen Norman Groupの検証では、合成ユーザーの応答は「一次元的で表層的、批判をせずAIが気に入られようとする傾向（sycophantic）」と評価されました。実ユーザーは「7講座中3講座で挫折、フォーラムは薄い」と語ったのに対し、合成ユーザーは「全講座完了、フォーラムも好意的」と応答し、優先順位付けや説得力あるペルソナ生成には使えないと結論されています。実務でも、リサーチャーの97%がAIを何かに使うのに、合成参加者を常用するのは8%にとどまる、という調査結果があります。市場調査の初期の壁打ちには使えても、意思決定の根拠となる一次調査の代替にはなりません。

Q6. 二次調査だけで意思決定してよい場面はありますか？

A. 「一般情報や背景理解、業界の相場観の確認」であれば、二次調査だけで足りるとKantarのガイドは整理しています。参入判断の初期段階での市場サイズ確認、既存カテゴリのトレンド把握、競合の公開情報のマッピング、といった用途です。一方、「自社の意思決定に直接影響する具体で特有の洞察」が必要になった時点で、一次調査に切り替える必要があります。TAMがアナリストレポートで実勢の3〜10倍に膨らむこと、集計単位や定義が時系列で変わって歴史比較が困難になること、といった構造的な限界も認識しておいてください。