チャットボットで問い合わせ対応を改善・削減するには？FAQ整備の重要性と導入手順
※本記事は2026/09/12時点での情報を基にしており、閲覧時点では内容や状況が変わっている可能性があります。
「営業時間外の問い合わせに翌朝まで答えられない」「担当者によって案内内容がバラバラになってしまう」——こうした顧客対応の課題を解決するため、チャットボットの導入を進める企業が増えています。問い合わせ件数が増えるほど、人員補充だけに頼らない効率化が求められるのは、自然な流れといえるでしょう。
しかし実際には、「チャットボットを導入したのに問い合わせが減らない」という壁に突き当たるケースも少なくありません。問い合わせ削減や業務改善の成否はツールの機能・性能だけでなく、チャットボットが参照するFAQやナレッジの整備状況に大きく左右されるためです。
そこで本記事では、AIチャットボットが問い合わせ対応で発揮する本来の効果をはじめ、問い合わせが減らない3つの原因とその解決策、FAQ整備を起点とした具体的な導入ステップを解説します。
チャットボットによる問い合わせ対応の改善範囲
問い合わせ対応の改善を考える際、「件数が何割減るか」という数値だけに目を奪われがちです。しかし、チャットボットがカバーできるのは問い合わせ全体の一部であり、「自動化できる質問」と「人が対応すべき相談」は明確に分かれます。まずは、チャットボットが担う本来の役割と得られる効果を整理しましょう。
チャットボットが問い合わせ対応で担う役割
チャットボットは、顧客や社内から寄せられた質問を受け付け、FAQやナレッジベースから合致する回答を探して提示する仕組みです。電話やメールの前に配置する「一次対応の受付窓口」と捉えると、実務上の位置づけをイメージしやすくなります。
ただし、自動対応できる範囲は「回答の根拠となる情報があらかじめ用意されている質問」に限られます。契約内容の個別確認やクレーム対応のように、高度な判断や感情への配慮が求められる問い合わせは、担当者が引き取る前提で設計しなければいけません。
チャットボットは、問い合わせ窓口そのものを丸ごと置き換えるツールではなく、「入口のトリアージ（振り分け）」を担う仕組みです。定型的な質問はボットが自動で解決し、個別判断が必要な相談はスムーズに人へ引き継ぐ入口として機能させることが、問い合わせ対応設計の基本形になります。
なお、チャットボットの基礎知識や導入時に見落としがちな注意点については、以下の記事でも詳しく解説しています。
AI Strategic Insightチャットボット導入で得られる4つの改善効果
チャットボットを導入することで、問い合わせ対応業務には主に4つのメリットがもたらされます。
- 営業時間外でも待たせない「24時間対応」：夜間や休日に届いた問い合わせにも即座に一次回答を返し、顧客の離脱を防げる。
- 定型的な問い合わせ対応工数の削減：よくある質問への対応を自動化することで、オペレーターは個別対応や重要案件に集中できる。
- 対応品質の平準化（属人化の解消）：共通のFAQ・ナレッジを参照して回答するため、対応者による案内のばらつきがなくなる。
- 問い合わせログの蓄積による改善サイクルの確立：利用者が「何に困り」「どこで回答に詰まったか」が客観的なデータとして残る。
特に見落とされがちなのが、4つ目の「問い合わせログの蓄積」です。会話ログを分析すれば、件数の多い問い合わせや、ボットが答えられなかった質問（未回答クエリ）を正確に把握できます。
浮き彫りになった不足部分をFAQやナレッジへ継続的に反映すれば、チャットボットの回答範囲と精度を着実に広げられます。チャットボットは単なる「自動応答ツール」にとどまらず、問い合わせ対応全体の品質を底上げするためのデータ収集基盤としても機能するわけです。
チャットボットだけでは解決できない問い合わせ
自動化に適さない問い合わせには共通した特徴があります。「個別のアカウント情報や状況を確認しないと答えが出ない相談」「顧客の心情に寄り添う必要があるクレーム」「契約変更や返金など金銭・規約の判断を伴う手続き」などが代表例です。
こうした内容まで無理に自動化しようとすると、利用者は的外れな回答を何度も見せられることになり、かえってストレスや不満を募らせてしまいます。顧客満足度を損なわないためには、チャットボットに任せる範囲と人が対応する領域を最初から切り分けておくことが欠かせません。
切り分けの判断基準は、「一定の条件で回答が一意に定まるかどうか」です。条件と回答が1対1で対応する定型質問はチャットボットに向いていますが、個別の背景によって対応が変わる問い合わせは有人対応が適しています。
この境界線が曖昧なまま公開してしまうと、ボットで解決できなかった顧客が結局電話やメールへ流れることになり、現場の対応負担が二重に増える原因になります。
チャットボットを導入しても問い合わせが減らない原因
「チャットボットを置いたのに、有人窓口の問い合わせ件数がほとんど減らない」という場合、ツールの機能不足だけが原因とは限りません。
AIが答えられる範囲の定義、解決できなかった場合の受け皿、そして公開後の運用設計に至るまで、全体の導線に不備があるケースが大半です。代表的な3つの原因を確認しておきましょう。
1. 参照できるFAQ・ナレッジが不足している
チャットボットの回答精度は、参照元となる社内情報の網羅性と鮮度に直結します。そもそもFAQの登録数が足りない場合はもちろん、情報が古いまま放置されていたり、同じ質問に対して複数の異なる回答が存在していたりすると、ボットは正確な案内を返せません。
例えば、シナリオ型チャットボットを運用していた青森県庁では、利用者満足度が約20%にとどまり、回答精度の向上が大きな課題となっていました。そこで約500件のQ&Aデータを一括追加する検証を実施したものの、効果は一時的なものにとどまったとecbeingは報告しています。
この事例が示すように、単にQ&Aの件数を増やすだけでは、継続的な問い合わせ削減にはつながりません。質問数だけでなく、「参照元が常に最新か」「社内の正本データが一元化されているか」まで点検・整備することが本質的なアプローチです。
2. 有人対応への引き継ぎ導線が設計されていない
どれほど高度なチャットボットであっても、答えられない質問が一定数発生するのは避けられません。問題となるのは、「解決しなかった顧客をサポートする受け皿」が用意されていないことです。
「該当する回答が見つかりませんでした」と表示されたままチャットが終了してしまえば、顧客は改めて電話番号や問い合わせフォームを探すことになり、不満が増幅します。
そのため、ボットで解決に至らなかった場合の切り替え先をあらかじめ設計しておきましょう。「専用フォーム」「有人チャット」「電話窓口」のどれへ案内するのか、それぞれの受付時間とともに画面上へ明確に提示すれば、顧客は迷わず次のアクションに移れます。
チャットボット単体で完結させようと力むのではなく、有人窓口を含めた「一連の問い合わせ導線」として設計することが重要です。切り替え時に直前までのチャット履歴をオペレーター側へ自動連携する仕組みがあれば、顧客が同じ状況を一から説明し直す手間も省けます。
3. 公開後の運用・改善サイクルが回っていない
サービス公開の時点で、顧客が使うあらゆる言葉遣いや想定外の質問を網羅することは不可能です。実際に運用が始まると、想定していなかった表現での質問や、未登録の疑問点が会話ログとして次々と浮き彫りになってきます。
したがって、公開時の回答精度を完成形と捉えるのではなく、実データをもとにチューニングを繰り返す前提で運用しなければいけません。どれほど会話ログが蓄積されても、ログを分析する担当者やFAQをメンテナンスする体制が定まっていなければ、答えられない質問は永遠に放置されます。
導入前の段階で、「誰が」「どの頻度でログを確認し」「どうFAQを更新するか」という運用ルールを必ず固めておきましょう。ログの確認とFAQ更新をルーティン業務として定着させることが、回答精度向上の近道です。
問い合わせ対応の改善は「FAQ整備」から始める
有人対応への引き継ぎルールや運用サイクルをいくら整えても、ボットが参照するナレッジ自体が不十分であれば、自動解決できる問い合わせは一向に増えません。チャットボットで確かな成果を出すには、まず回答の土台となるFAQやナレッジベースの整備から着手する必要があります。
AIチャットボットの回答品質は「参照情報の質」で決まる
近年のAIチャットボットでは、ユーザーから質問を受けるたびに社内FAQやマニュアルを検索し、ヒットした情報をもとに回答を生成する「RAG（Retrieval-Augmented Generation：検索拡張生成）」という技術が主流になっています。
AWSの技術解説によると、RAGはAIモデル自体を再学習させることなく社内ナレッジベースを参照させ、回答を最適化できる技術です。一方で、Google Cloudの解説では、検索して取得した情報に関連性がない場合、生成される回答もトピックから外れたものや不正確なものになるリスクがあると指摘されています。
RAGを活用したチャットボットの回答品質は、参照させるドキュメントの品質そのものに左右されます。例えば、参照データが古かったり記述が矛盾していたり、必要な情報が抜けていたりといった状態では、どれだけ高度なAIツールを使っても誤案内を減らせません。
ツールの性能比較だけでなく、「参照させるデータがどうなっているか」に目を向ける必要があります。
問い合わせ履歴から頻出質問を洗い出してFAQ化する
FAQをゼロから作るのではなく、まずは実際の問い合わせ履歴を調査することから始めます。過去のメール、電話対応の記録、既存チャットの履歴から頻出している質問を洗い出し、公式の回答情報と照らし合わせて一問一答形式に整えていくのが王道の手順です。
リストアップした質問は件数順に並べ、正しい回答内容と主管部署を確認しながら表現を統一していきます。「表現は異なるが同じ内容を聞いている質問」を一つに統合し、担当者によって見解が分かれる質問は、あらかじめ社内の正本（公式見解）を確定させましょう。
なお、生成AIを活用してFAQの下書きを効率的に作成する方法については、以下の記事でも解説しています。こちらも参考にしてください。
FAQ・マニュアル・問い合わせ履歴を使える「情報資産」へ再設計する
FAQの単語数を増やすだけでなく、AIが参照する各種ドキュメントの関係性を整理することも大切です。
FAQ・業務マニュアル・Webサイトの案内文などに、同じ内容がバラバラの言い回しで記載されていると、AIはどれを信頼すべき情報として引用すべきか迷ってしまいます。情報の所在と正本（マスターデータ）を明確にし、複数のチャネルで一元管理できる体制を構築しましょう。
具体的には、「文体・書式の統一」「正本データの指定」「更新責任者の明確化」を実施します。マスターとなる正本データから各媒体へ更新を反映できる仕組みを作れば、チャットボット・FAQページ・社内ナレッジの間で、情報の食い違いを防げるようになります。
先述の青森県庁の事例でも、Webサイトの公開情報をAIが直接参照して回答を生成する方式へ移行したことで、別途Q&Aデータを二重登録・管理する手間が解消されたようです。
ただし、Q&Aを手動登録する作業が減ったとしても、AIが読みに行くWebサイトやドキュメントを常に最新かつ正確に保つ管理業務は依然として必要です。FAQ整備とは「チャットボット用のデータ作り」にとどまらず、「AIが参照する社内情報全体の最適化」であると理解しておきましょう。
FAQからチャットボットへ展開する5つの導入手順
FAQ・ナレッジの土台が整ったら、チャットボットの実装と運用設計へと進みます。最初から全ての問い合わせを網羅しようとする必要はありません。
まずは対応範囲を限定して小さく公開し、実際の会話ログを見ながら段階的に適用領域を広げていくアプローチが最も確実です。目的設定からログ分析による改善まで、5つのステップを押さえましょう。
| 手順 | 取り組む内容 | 主な注意点 |
|---|---|---|
| 手順1 | 目的と対応範囲を決める | 対象を件数の多い定型質問に絞り込む |
| 手順2 | FAQをAIが参照できる形式に整える | 表や画像内の重要情報はテキスト化しておく |
| 手順3 | 有人対応との切り替えルールを設計する | 引き継ぎ先と受付時間をチャット画面に明記する |
| 手順4 | 対象を絞って試験公開する | 誤回答のリスクを抑えられる範囲から始める |
| 手順5 | 会話ログをもとに回答を継続改善する | 担当者と更新ルーティンをあらかじめ決めておく |
手順1：目的と対応範囲を決める
はじめに、「どの問い合わせをボットに任せ、何を改善するのか」というゴールを明確にします。社外の顧客向けか、社内のヘルプデスク向けかによって参照させる情報も、解決できなかったときの引き継ぎ設計も変わるためです。
目的が曖昧な状態では、運用開始後に改善できたかどうかの評価が下せません。最初の対象領域は全体の問い合わせではなく、「全体の2～3割を占める頻出の定型質問」に絞り込むことで、導入効果を数値として測定しやすくなります。
「電話で受けている定型照会を30%減らす」「営業時間外の一次回答率を上げる」など、客観的に成否を判断できる目標を立てましょう。対応範囲の境界を定めておくことで、公開後に届いた想定外の質問を「FAQを追加すべき内容」なのか「最初から人間が受けるべき対象外の質問」なのか的確に切り分けられます。
手順2：FAQをAIが参照できる形式に整える
次に、整理したFAQをツールが正しく認識・検索できるデータ構造へ変換します。重複コンテンツを排除し、一問一答形式に切り分け、古い規約や回答は参照先から除外するのが基本原則です。同一の質問に対して矛盾する回答が混ざっていると、AIの回答精度が大きく低下します。
また、表組みや画像に含まれるテキスト情報は、ボットの仕様によって読み取れない場合があります。料金表や操作手順図などの重要情報は、補足として文章（テキストデータ）でも記述しておきましょう。
見出しに「具体的な質問文」を配置し、回答の1文目に「明確な結論」を記載する構成に統一すると、キーワード検索でもAIによる要約でも正確な答えを抽出しやすくなります。
AIが理解しやすいデータ構造に整える作業は、人間にとっても読みやすいドキュメント作りと本質的に同じです。単にファイル形式を変えるだけでなく、「質問と回答の主述関係が誰にでも明快か」を意識して調整しましょう。
手順3：有人対応との切り替えルールを設計する
チャットボットが答えられなかった質問や、最初からボットの対象外とする問い合わせについて、どのタイミングで人間のオペレーターへ渡すかを定義します。
主な引き渡し対象は「ボットが答えられない質問」「クレーム」「個別の契約照会」の3点です。専用フォーム、有人チャット、電話窓口など、切り替え先と受付時間をセットで設計します。
導線作りでは、利用者を迷わせない工夫が不可欠です。「解決しない場合はこちらからオペレーターにご相談ください」といったボタンやリンクを適切なタイミングで提示します。
チャットボット・問い合わせフォーム・電話の対応を分断させずに、ひと続きのサポート動線として整備することで、顧客も担当者もスムーズに行動できるようになります。
あわせて、有人対応へ切り替える際に「それまでのチャット履歴」をオペレーターの管理画面へ引き継げるかどうかも必ず確認しましょう。会話履歴が共有されないと、顧客は同じ説明をやり直すことになり、かえって顧客体験を損ねてしまいます。
手順4：対象を絞って試験公開する
設計が完了しても、いきなり全社・全顧客向けにフルオープンするのは避けるべきです。実際のユーザーがどのような表現で質問を投げかけるか、回答にどのような齟齬が出るかは、事前の社内テストだけでは予測しきれないためです。
試験公開では、ボットが回答できなかったクエリ、誤った回答、有人対応へエスカレーションされた履歴を細かくチェックします。
ログから判明したナレッジの不足や表現のズレを解消した上で本公開に進むのが、トラブルを防ぐ確実なステップです。社内の一部部署や、Webサイト内の特定製品ページなど、万一の誤回答でもリスクが小さい範囲から小さくスタートしましょう。
なお、試験期間の消化自体をゴールにしてはいけません。誤回答が頻発している状態で無理にスケジュール通り本公開へ進むのではなく、参照情報の見直しと修正を最優先してください。
手順5：会話ログをもとに回答を継続改善する
本公開を迎えた後も、会話ログの分析とFAQの更新作業は継続して行います。点検すべきは「未回答になった質問」だけではありません。「回答は提示されたものの、顧客が納得できずに有人窓口へ移った質問」も、回答のわかりやすさや情報量に改善の余地があります。
このチューニングを持続させるためには、担当者と更新頻度を事前に業務スケジュールへ組み込んでおくことが欠かせません。「週に1度ログを確認し、隔週でFAQをアップデートする」といった無理のないルーティンを定め、定常業務として運用しましょう。
「ログを見てFAQを直す → 次のログで改善結果を検証する」というサイクルが定着すれば、問い合わせ削減効果が着実に積み上がっていきます。更新履歴（誰が・いつ・どこを変更したか）をドキュメントに残しておけば、担当者の異動や退職時にもスムーズな引き継ぎが可能です。
チャットボット運用で注視すべき2つの成果指標
チャットボットの運用が軌道に乗ってきたら、効果測定のやり方にも注意を払う必要があります。「有人窓口への問い合わせ件数が減ったかどうか」だけで成否を判断するのは危険です。チャットボットで問題が自己解決した結果として減ったのか、ボットの使い勝手が悪くて顧客が途中で諦めて離脱したのかを判別できないためです。
成果を正しく評価するには、「顧客が必要な情報にたどり着けたか」と「ログを業務改善に循環できているか」という2つの視点が重要になります。
1. 問い合わせ件数の増減だけで成果を評価しない
問い合わせ件数が減少していても、顧客満足度が向上しているとは限りません。チャットボット単体の稼働件数だけでなく、FAQページ・問い合わせフォーム・電話窓口を含めたサポート全体の中で、ユーザーが求めていた解決策に行き着けたかを確認しましょう。
サポートの最終地点（出口）まで追跡することで、「自己解決によって減った」のか「諦めて離脱したのか」を切り分けられるようになります。当メディアでは、利用者が目的の回答に到達できた割合を「解決到達率」と定義し、問い合わせ件数の推移とセットで追うべき重要指標として提唱しています。
有人対応に流れてしまった問い合わせも、単なる失敗と見なすのではなく、「どの回答が不十分だったのか」を特定するための貴重なフィードバック材料として活用しましょう。解決到達率の具体的な測定手順や注意点は、以下の記事で解説しています。
2. 会話ログを「サービスやWebサイトの改善」へ還流させる
チャットボットの成果を高めるためには、収集した会話ログをFAQの更新だけでなく、問い合わせが発生する手前の「根本原因」を潰す材料として社内へ共有することが有効です。ログには、未回答の質問だけでなく「ユーザーがサービスのどこで迷い、どの説明に混乱したか」というリアルな本音が記録されています。
例えば、同じ質問が不自然に多発している場合、FAQの不足ではなく「サービス紹介ページのUIが分かりにくい」「料金体系の注記が目立たない」といったように、Webサイト側の導線不備が原因であるケースも少なくありません。
会話ログを開発部門やマーケティング、Web担当部門と共有・連携すれば、FAQでの回答対応にとどまらず、サービス設計そのものの改善へとつなげられます。
まずは「頻出している質問」「未回答クエリ」「有人エスカレーションが多い項目」のトップ10を定期的にリスト化するだけでも十分です。質問の傾向が可視化されれば、「FAQの修正で済むのか」「商品ページの記述や申込フォームのUIを見直すべきか」を関係部署間で判断しやすくなります。
少人数のCS体制でチャットボット活用を進めるポイント
専任のサポート部門や情シス担当を置けない中堅・中小企業では、最初から広範囲を自動化しようとせずに、現実的に運用できる範囲を見定めることが成功の鉄則です。
中小企業庁の調査によると、中小企業の人手不足感は依然として高い水準にある一方、業務でAI活用に取り組んでいる事業者は約3割にとどまっています。
AI活用に着手できていない事業者（n=3,888・複数回答）への調査では、「活用する業務がイメージできていない（63.4%）」が最多で、「推進する人材が不足している（40.0%）」「必要な予算を確保できない（13.8%）」を大きく上回りました。
つまり、コストやスキル以前に「自社のどの問い合わせ業務からチャットボットを適用すべきか判断できていないこと」が最大のハードルになっているわけです。リソースが限られた体制でも、無理なく成果を出すための考え方を押さえておきましょう。
専任担当を置けない場合は「頻出質問」だけに絞り込む
他業務と兼任しながらチャットボットを運用する場合は、ボットに任せる対象を「最も件数が多い上位数パターンの頻出質問」だけに絞り込みます。全ての問い合わせをチャットボットで自己解決させようとせず、例外的な質問は有人窓口へ回す割り切りが大切です。
カバーする範囲を限定しても、全体の3～4割を占める頻出問い合わせを自動化できれば、現場の負担は劇的に軽くなります。最初からFAQの網羅性を目指すのではなく、「兼任メンバーでも無理なく更新し続けられる規模」をキープすることを最優先にしましょう。
また、ボットの対象外とした質問については、チャット画面上で迷わず有人窓口に誘導します。対応範囲をあらかじめ明示しておくことで、利用者が「何でも即答してくれる万能AI」と誤認して期待を裏切られる事態を防げます。
外部支援の選び方とコストの捉え方
ノウハウや社内工数が不足している場合は、ツールの導入だけでなく外部のコンサルティングや運用支援を活用するのも有効な選択肢です。その際は、「ツールの月額利用料」と「導入設計・FAQ整備などの初期支援費用」を分けて考えるとコスト構造を整理しやすくなります。
ツールの相場感について、NTT東日本が公開している情報によると、シナリオ型は初期費用が無料～10万円・月額数千円～5万円程度、AI型は初期費用が10万～100万円・月額10万～50万円程度が一般的な目安とされています。
一方で、BOXILが主要26サービスを調査したデータでは、月額固定料金を公開しているツールの月額中央値は24,000円でした。
単にツールの月額費用だけを比較するのではなく、「FAQの棚卸しやプロンプト調整を自社で完結できるか」「初期の導線設計まで外部に依頼する必要があるか」を踏まえて総合的に判断しましょう。
※出典：チャットボットの費用はいくら？初期費用・月額料金の相場から費用対効果の算出方法まで徹底解説（NTT東日本） / 【料金比較表】チャットボットの費用相場は月額24,000円 主要26サービス調査（BOXIL Magazine）
チャットボットでの問い合わせ改善に関するよくある質問（FAQ）
Q. FAQがほとんど整っていない状態でもチャットボットを導入できますか？
A. ツールの導入自体は可能ですが、参照ナレッジが不足した状態では回答精度が出ず、問い合わせ削減効果も期待できません。 ボットが「回答が見つかりません」を連発すると、利用者の信頼を失い使われなくなってしまいます。
まずは過去のメール・電話履歴や業務マニュアルから「頻出質問トップ20～30件」を抽出してFAQ化し、その範囲に絞って試験運用をスタートすることをおすすめします。
Q. 社内ヘルプデスクと顧客向け問い合わせ対応で、進め方に違いはありますか？
A. 「FAQ整備 → 対象範囲の設定 → ログによる改善」という基本プロセスは同じですが、誤回答に対するリスク許容度と参照ナレッジが異なります。
社内ヘルプデスクの場合、就業規則や社内マニュアルをそのまま参照させやすく、特定部署に限定した実証実験もしやすい利点があります。一方、顧客向け窓口では契約・解約・返金などに関する誤案内がダイレクトにトラブルや補償問題へ発展するため、より厳格な有人切り替えルールと精度検証が求められます。
Q. FAQシステムの導入とチャットボットの導入、どちらを優先すべきですか？
A. ツール選定を急ぐ前に、両者の土台となる「一問一答データの棚卸し」を優先してください。 最新のクラウドサービスには、一つのFAQデータベースからWebサイト向けFAQページとチャットボットの両方へ回答を出力できる製品も多数あります。
どちらか一方に固執するのではなく、共通で使い回せる「正本ナレッジ」を先に整え、そのデータを連携できるシステムを選ぶのが効率的です。
Q. チャットボットを導入してから問い合わせ削減効果が出るまで、どれくらいの期間がかかりますか？
A. ナレッジの準備状況にもよりますが、おおむね1～3カ月程度が標準的な目安です。 シナリオ型で登録内容がシンプルな場合は数週間で稼働できるケースもありますが、AI型でFAQの抽出や試験運用・回答調整を丁寧に行う場合は1～3カ月ほど要します。
単に早く本番公開することを目指すのではなく、試験公開期間中にどれだけ誤回答を潰し、回答精度を高められるかがその後の成果を左右します。
問い合わせ対応の改善はツール選定より「FAQ整備」から
チャットボットは、定型的な問い合わせ対応を自動化して現場の負担を軽くする有効なツールです。ただし、設置しただけで問い合わせが減るわけではありません。参照するFAQ・ナレッジの不足、有人対応への引き継ぎの不備や、公開後の分析を放置していると、期待した成果は出ないでしょう。
問い合わせ対応を改善したいなら、まずは手元のFAQや社内ナレッジの棚卸しから始めることが大事です。問い合わせ履歴から頻出質問を抽出し、正しい回答を一問一答に整理したデータは、FAQページや社内マニュアルにも生かせる情報資産になります。件数の多い定型質問から小さく試して、会話ログを確認しながら育てていきましょう。
