口コミの星評価だけ見て「平均4.2だから問題ない」と判断していないだろうか。星の数字は表面的な指標にすぎない。口コミのテキストに書かれた感情を分析すれば、数字だけでは見えない改善のヒントが浮かび上がる。
感情分析（センチメント分析）とは、口コミのテキストをポジティブ、ネガティブ、中立の3つに分類し、顧客がどのような感情を抱いているかを定量的に把握する手法である。
星評価だけでは本音がわからない理由
星3つの口コミを思い浮かべてほしい。「料理はおいしかったが、待ち時間が長すぎた」と「特に印象に残らなかった」では、同じ星3でも意味がまったく違う。前者は料理に対してポジティブ、待ち時間に対してネガティブという2つの感情を含んでいる。後者は全体的に中立だ。
星評価の平均値だけを追っていると、こうした感情の内訳を見落とす。星4の口コミに「接客は良いが清潔感が気になった」というネガティブ要素が混じっていることもある。テキストの感情を分析して初めて、何が評価されていて何が不満なのかが具体的にわかる。
感情分析の基本的な分類方法
3分類の定義
口コミを以下の3カテゴリに分ける。
| 分類 | 定義 | 例 |
|---|---|---|
| ポジティブ | 満足、称賛、推奨の感情 | 「スタッフの対応が丁寧で安心できた」 |
| ネガティブ | 不満、批判、改善要望の感情 | 「予約したのに30分待たされた」 |
| 中立 | 事実の記述、感情が薄い | 「駐車場は5台分あった」 |
1つの口コミに複数の感情が含まれる場合は、文単位で分類する。「料理は最高だったが、会計時に間違いがあった」は、料理がポジティブ、会計がネガティブとなる。
手動でできるキーワード分類法
AIツールを使わなくても、キーワードベースの分類で十分な精度が得られる。
まず、ポジティブキーワードとネガティブキーワードのリストを作る。
ポジティブの例：おいしい、丁寧、早い、清潔、また来たい、おすすめ、親切、満足、感動、コスパが良い
ネガティブの例：遅い、汚い、高い、冷たい、残念、二度と来ない、不愛想、待たされた、期待はずれ、雑
口コミにこれらのキーワードが含まれているかをスプレッドシートで検索し、カテゴリ別に集計する。COUNTIF関数を使えば、特定のキーワードを含む口コミの件数を自動で数えられる。月20件程度の口コミなら、この方法で1時間もかからない。
AIツールを使った感情分析
口コミが月30件を超えると、手動分類は負担になる。AIを活用すれば、大量の口コミを短時間で分析できる。
ChatGPTやClaudeに口コミテキストをまとめて貼り付け、「各口コミをポジティブ/ネガティブ/中立に分類し、カテゴリ別（接客、料理、清掃、待ち時間、価格）に集計してください」と指示する。数十件の口コミでも数分で分類結果が返ってくる。
精度を上げるコツは、業種固有のキーワードを指示に含めることだ。飲食店なら「味が薄い＝ネガティブ」「量が多い＝ポジティブ」といった業種特有の判断基準を明示すると、分類の精度が向上する。
口コミへの返信作業もAIで効率化したい場合は、クチコミAIが便利だ。口コミの横のボタン1つで返信文が生成される。月5件まで無料で利用できる。
感情データから改善の優先順位をつける
分析結果が出たら、次のステップは改善アクションへの変換である。
カテゴリ別にネガティブの割合を算出し、高い順に並べる。たとえば、待ち時間のネガティブ率が65%、清掃が40%、接客が15%なら、最優先は待ち時間の改善だ。
ただし、件数も考慮する。清掃のネガティブが40%でも該当口コミが2件しかなければ、サンプル不足で判断が難しい。ネガティブ率と件数の両方を見て、優先順位を決める。
改善策は1度に3つまでに絞る。全てを同時に改善しようとすると、どれも中途半端になる。
感情の推移を時系列で追う
1回の分析だけでは改善効果がわからない。月次で感情分析を実施し、推移を記録することが重要だ。
スプレッドシートに月ごとのポジティブ率、ネガティブ率、中立率を記録する。折れ線グラフにすれば、改善施策の効果が視覚的に確認できる。
「3月に接客研修を実施した→4月以降、接客カテゴリのポジティブ率が15%上昇した」——こうしたデータがあれば、施策の効果を客観的に証明できる。逆に数字が動かなければ、施策の見直しが必要だとわかる。
感情分析は1回やって終わりではない。分析→改善→再分析のサイクルを毎月回すことで、口コミの質が着実に向上していく。