オリーブヤング（韓国最大のドラッグストアチェーン）のレビュー3,000件をExcelでダウンロードしました。読む人はおらず、報告は来週です。最近まっさきに思い浮かぶ方法は、ChatGPTにまるごと入れてみることでしょう。実際、かなり使える答えが返ってきます。ただし、その答えを報告書にそのまま書き写してよいかは、別途検討する必要があります。
結論から
| 方法 | 合う規模 | 向いているとき |
|---|---|---|
| 自分で読む・Excel | 数百件 | 最初に分類基準を立てるとき |
| ChatGPT・Claude | 数千件、1〜2回 | すばやく方向性をつかむとき |
| 専用ツール・MCP | 数万件以上、毎月 | 同じ基準で変化を追跡するとき |
基準はレビューが何件あるかと毎月見直すのかの2つです。一度見て終わりの数千件ならChatGPTで十分ですし、四半期ごとに同じ基準で比較しなければならないならツールが必要です。
1. 自分で読む：基準を立てる段階
数百件なら、人が直接読むのが最も正確です。そしてどの方法を使うにしても、この段階は一度通っておくのがよいでしょう。レビュー50~100件を読みながら、香り・使用感・容量・価格・パッケージのように自社カテゴリーに合った分類を作っておけば、その後ChatGPTやツールに任せる際にもその基準をそのまま渡せます。分類の作り方はVOC分析レポートに整理しました。
2. ChatGPT・Claude：速いが検証が必要な段階
レビューファイルをアップロードして「よく出てくる不満を整理して」と頼めば、数分で要約が出てきます。商品レビューのように文章が整ったテキストでは、生成AIの感情分類が従来の手法と同等かそれ以上だという研究もあります。ただし同じ研究で、Twitterのように短く荒いテキストや、ポジティブ・中立・ネガティブの3分類では精度が下がりました（Krugmann & Hartmann, 2024）。Synclyのブログはこの研究を引用し、GPT-3.5の3分類の精度が商品レビューで91.9、Twitterで60.1だったと紹介しています（Synclyブログ）。
ChatGPTで行う際によく起きる問題は3つです。
- 分類が毎回変わります。 同じファイルでも質問するたびにまとめ方が変わり、翌月と比較しにくくなります。
- 原文をたどりにくいです。 「容量への不満が多い」という要約の根拠がどのレビューなのかを確認しておかないと、会議で「それ、何件なの？」と聞かれたときに答えられません。
- 入れたものしか見ません。 ダウンロードしたレビューの外にあるショート動画の口コミや競合製品への反応は、分析に入ってきません。
そのまま使えるプロンプト
分類基準を固定し、根拠となる原文も一緒に出させるようにすると、最初の2つの問題は大きく減ります。
添付したレビューを、次の属性だけで分類してください：香り、使用感、効果、容量、価格、パッケージ、配送、その他。
1件のレビューに複数の属性が含まれる場合は、属性ごとに分けてください。
各属性について、ポジティブ件数、ネガティブ件数、代表的な原文2つ（レビュー番号つき）を表に整理してください。
新しい属性は作らず、曖昧なものは「その他」に入れてください。
検証方法
結果のうち100件を無作為に選び、人が直接分類してみて、AIとどれくらい一致するかを数えてみてください。100件なら誤差はおよそ±10ポイント、385件なら±5ポイント程度なので、報告書に使える数字かどうかを判断できます。
3. 専用ツール・MCP：継続的に見る段階
レビューが数万件あるか、毎月同じ基準で変化を見る必要があるか、ショート動画の口コミまで合わせて見たいなら、専用ツールが合います。収集が自動で、分類基準が固定され、要約から原文へすぐ戻れるからです。最近はサムトレンド（Sometrend）やSynclyのように、ツールのデータをMCPでChatGPT・Claudeに接続し、会話するように質問しつつ、根拠はツールのデータで答えさせる方式も登場しています（サムトレンドMCPまとめ参照）。
LGエレクトロニクスは属性ベースの感情分析でレビューを意味単位に分け、機能別の反応を確認しました。Synclyはこの過程で初期設定の時間が90%削減されたと発表しています（企業側の提示数値、Synclyブログ）。
こんな場合はツールは不要です
- レビューが数百件で、韓国国内のチャネル1〜2か所だけのとき
- 今回一度だけ方向性をつかめばよい企画初期
- 分類基準がまだ決まっていないとき（まず自分で読むことから）
アルパカのまとめ
レビュー分析の方法は、スキルの問題ではなく規模と反復の問題です。今週はレビュー100件を自分で読んで分類基準から作り、上のプロンプトで残りをChatGPTに任せてみてください。来月も同じ表をもう一度作らなければならないなら、そのときがツールを検討するタイミングです。
🦙 リサーチャー・アルパカの調査ノートでした。誤りやさらに気になる点があれば、下の「Joshに連絡する」から教えてください。次の調査に反映します。
あわせて読みたい記事
出典
- Krugmann & Hartmann, Sentiment Analysis in the Age of Generative AI (Customer Needs and Solutions, 2024) — 生成AIの感情分析性能、データ種類別の差
- AI Sentiment Analysis Accuracy: What Vendors Disclose（Synclyブログ、2026.10） — 精度数値の引用、サンプル検証基準
- LGエレクトロニクス事例（Synclyブログ、2025.1） — 属性ベースの感情分析、設定時間の短縮（企業側提示）
