感情分析

感情分析（かんじょうぶんせき）Sentiment Analysis

感情分析とは、顧客が書いた文章をAIが解析し、そこに込められた感情が好意的なのか、否定的なのか、どちらでもないのかを判定する技術のことです。センチメント分析とも呼ばれます。口コミサイトのレビュー、アンケートの自由記述、問い合わせフォームの本文、SNSの投稿——こうした文章は一つひとつを読めば意味が分かりますが、数が増えると全体像がつかめなくなります。感情分析は、読み切れない量の「声」を、比較したり時系列で追ったりできる形にそろえるための道具です。

なぜ感情分析が重要か

顧客の本音は、数字には表れません。売上が落ちた、問い合わせが減った、リピート率が下がった。これらは結果であって、理由ではありません。理由が書かれているのは、たいてい自由記述の欄や、担当者が受け取ったメールの本文の中です。ところが多くの企業で、この最も情報量の多いデータが、集めた時点で止まっています。アンケートの自由記述は集計されず、問い合わせメールは対応が終われば読み返されません。

理由は単純で、読む時間がないからです。月に数十件なら担当者が目を通せます。しかし数百件になると、誰も全部は読みません。結果として、選択式の設問だけが集計され、「満足度は5点満点で4.1」といった数字だけが報告されます。NPSのような指標も同様で、点数は出るのに、なぜその点数なのかが分からない。測っているのに、打ち手が決まらないという状態です。

感情分析が担うのは、この間を埋める役割です。全部の文章に機械的に判定をつければ、否定的な内容がどれだけあるか、それが増えているのか減っているのか、どの話題に集中しているのかが見えます。読む対象を絞り込むためのふるいだと考えると、使い方を間違えにくくなります。
中小企業にとっては、もうひとつ実務的な意味があります。不満は、離れる前に一度は言葉になって現れることが多い、ということです。解約や再購入の停止は、ある日突然起きるように見えて、その前に問い合わせの文面が少しずつ変わっていたり、レビューに小さな不満が書かれていたりします。件数が少ないうちは担当者の記憶で拾えますが、規模が大きくなると取りこぼします。仕組みで拾える状態にしておく価値は、ここにあります。

AUTOSELLの視点

A. 顧客心理の視点
顧客がわざわざ文章を書くのは、それなりの理由があるときです。多くの人は、満足していても不満でも、黙って次の行動に移ります。書くという手間をかけた相手は、良くも悪くも関心を持っていると考えたほうが実態に近いはずです。だからこそ、この声を放置することの損失は大きくなります。
否定的な内容を扱うときに気をつけたいのは、感情の強さと重要度は別だということです。強い言葉で書かれた不満が最も重要とは限りません。むしろ、淡々と「少し分かりにくかったです」と書かれた一文のほうが、多くの人が同じところでつまずいている兆候であることがあります。声を上げる人は一部で、その背後には黙って離れた人がいます。判定結果を件数で見るとき、この非対称性は意識しておく必要があります。
また、好意的な声にも使い道があります。顧客が自社を褒めるとき、何を理由に挙げているか。そこには、自社が意図していなかった価値が現れることがよくあります。「対応が早い」「小回りがきく」といった言葉が繰り返し出てくるなら、それは商品説明の前面に出すべき要素です。口コミマーケティングの起点は、こうした顧客自身の言葉の中にあります。自社が語りたいことではなく、顧客が語ってくれたことを使うほうが、はるかに届きます。

B. 仕組み化の視点
感情分析を仕組みとして機能させるうえで、最初に決めるべきは「何のために測るか」です。ここが曖昧なまま導入すると、ポジティブ・ネガティブの比率が並んだ画面ができあがるだけで、誰も見なくなります。判定結果が出たとき、誰が何をするのかを先に決めておく。これが実務上いちばん効きます。
おすすめは、閾値と対応をひと組で決めておくことです。たとえば、否定的と判定された問い合わせは担当者に即座に通知して当日中に一次返信する、レビューの否定的な比率が前月比で一定以上増えたら原因を確認する会議を持つ、といった形です。マーケティングオートメーションの通知機能と組み合わせれば、この経路は自動化できます。
次に重要なのが、感情だけで終わらせず「何についての感情か」まで分解することです。ネガティブが30%という数字だけでは動けません。それが価格についてなのか、納期についてなのか、サポート対応についてなのかが分かって初めて、担当部署が決まります。感情の判定と話題の分類は、セットで設計してください。
そして、精度への向き合い方です。感情分析は完璧には当たりません。皮肉、反語、業界特有の言い回しは判定を外します。「思ったより悪くなかった」を否定的と判定してしまう、といったことは普通に起きます。だからこそ、判定結果をそのまま報告数値として扱うのではなく、読むべき文章を絞り込むための入口として使う設計にしておくのが安全です。最終的な解釈は人が担う。この前提を崩さなければ、精度が完璧でなくても十分に役立ちます。

C. AI・自動化との接点
かつての感情分析は、否定的な単語をあらかじめ辞書に登録しておき、その出現で判定する方式が中心でした。この方式は、文脈を読まないため取りこぼしが多いという弱点がありました。現在は自然言語処理の進展、とりわけ大規模言語モデルの普及によって、文脈を踏まえた判定ができるようになっています。専用のツールを導入しなくても、手元の文章を生成AIに読ませて分類させるという方法が現実的な選択肢になったのは、ここ数年の大きな変化です。
中小企業が始めるなら、まずはこの方法で十分だと考えています。過去半年分のアンケート自由記述をまとめて渡し、感情の判定と話題の分類を同時にさせる。分類の観点を指定しておけば、そのまま集計できる形式で返させることもできます。この段階で、投資はほとんど発生しません。プロンプトエンジニアリングの考え方がそのまま応用できる領域です。
継続的に回す段階になれば、仕組みへの組み込みを検討します。問い合わせフォームの送信内容をその場で判定して担当者へ通知する、レビューの取得と判定を定期実行して推移を記録する、といった形です。ARGASのような顧客追跡システムと組み合わせると、さらに踏み込めます。文章に表れた感情と、その相手のサイト上の行動を突き合わせられるためです。否定的な内容を書いた顧客が、その後どのページを見ているか。解約ページを見ているなら対応は急ぎますし、別製品を見ているなら提案の余地があります。予測分析と組み合わせる発想も、この延長線上にあります。

図解：声を「比べられる形」にそろえ、読むべきものを絞り込む

事例

国内事例：たとえば、複数店舗を運営する地域密着型のサービス業を想定します。各店舗の口コミは日々増えていくものの、確認は店長任せで、本部が把握しているのは平均点だけ。「今月は4.2」という数字は共有されるのに、何が起きているかは誰も説明できない、という状態です。
最初にやるべきは、ツールの選定ではありません。過去1年分の口コミ本文をまとめて取り出し、感情の判定と話題の分類を同時にかけてみることです。この段階なら生成AIに読ませるだけで済みます。分類の観点は自社で決めます。この例なら「接客」「待ち時間」「料金」「設備・清潔さ」「予約のしやすさ」あたりでしょう。ここで初めて、平均点の裏側が見えてきます。
実際にやってみると、想定と違う結果が出ることがよくあります。全体の点数は横ばいなのに、「待ち時間」についての否定的な記述だけが半年で明確に増えている、というように。平均点は他の項目の高評価に打ち消されて動かないため、数字だけを追っていると、この変化には最後まで気づけません。
分かった後の設計が本番です。この例なら、待ち時間に関する否定的な口コミが月に一定数を超えた店舗は、本部が状況を確認する。新規の口コミが否定的と判定されたら、店長へその日のうちに通知する。閾値と、誰が何をするかを対で決めておかなければ、分析結果は共有されて終わります。
あわせて、好意的な内容も使います。この例で「予約の電話がすぐつながる」という記述が繰り返し出てきたとすれば、それは自社が当たり前だと思っていた運用が、顧客にとっては選ぶ理由になっているということです。レビュースコア管理を点数の管理で終わらせず、訴求材料の発掘まで含めて運用できるかどうかで、得られるものは変わります。

海外事例：感情分析は、ソーシャルメディアの普及とともに実務へ広がった分野です。企業名やブランド名への言及を継続的に収集し、好意的・否定的の推移を追う運用は、ソーシャルリスニングの標準的な機能として定着しました。主要なクラウド事業者がテキスト解析の機能を提供しており、開発体制を持たない企業でも利用できる状態になっています。
用途も、当初の「評判を監視する」から広がりました。カスタマーサポートの領域では、受信した問い合わせの緊急度を判定して優先順位づけに使う運用が知られています。通話やチャットの記録を解析し、対応品質の確認に用いる例もあります。顧客対応の現場は文章と会話の塊であり、感情分析と相性がよい領域だと言えます。
同時に、限界も繰り返し指摘されてきました。皮肉や反語の判定が難しいこと、文化圏や言語によって表現の傾向が異なること、学習データの偏りが判定に影響しうること。とくに日本語は、否定的な内容でも婉曲に書かれることが多く、直接的な表現を前提とした判定とは相性が悪い面があります。数値をそのまま信じるのではなく、判定の傾向を自社のデータで一度確かめてから運用に載せる——この手順を踏むかどうかが、実務では効いてきます。

現場での使い方

1. 眠っている文章データを棚卸しする：アンケートの自由記述、問い合わせ本文、口コミ。まず「集めたまま読まれていないもの」がどこにあるかを確認します。
2. 過去分をまとめて試す：いきなりツールを入れず、半年〜1年分を生成AIに読ませて判定と分類をかけてみます。ここまでは費用がほとんどかかりません。
3. 感情と話題をセットで分類する：「否定的が何%」だけでは動けません。接客・料金・納期など、自社の業務に合わせた観点を先に決めておきます。
4. 閾値と対応を対で決める：否定的と判定されたら当日中に一次返信、特定の話題が一定数を超えたら原因確認。誰が何をするかまで決めて初めて仕組みになります。
5. 好意的な声から訴求材料を拾う：顧客が褒めている理由には、自社が気づいていない価値が現れます。自社の言葉より、顧客の言葉のほうが届きます。
6. 判定の傾向を自社データで確かめる：日本語の婉曲表現や業界特有の言い回しは外れます。人が読んだ結果と照らして、どうずれるかを把握してから運用に載せます。
7. 数値を報告のゴールにしない：判定は読むべき文章を絞り込むふるいです。最終的な解釈と判断は人が担う前提を崩さないでください。

関連用語

• 自然言語処理
• ソーシャルリスニング
• NPS
• レビュースコア管理
• 口コミマーケティング
• 予測分析

まとめ

感情分析は、顧客が書いた文章をAIが解析し、好意的か否定的かを判定する技術です。目的は、読み切れない量の声を比較できる形にそろえ、変化や偏りを見えるようにすることにあります。売上や満足度の点数は結果であって理由ではありません。理由が書かれているのは自由記述や問い合わせの本文であり、その最も情報量の多いデータが集めたまま止まっているのが、多くの企業の実態です。
始め方としては、まず眠っている文章を棚卸しし、過去分をまとめて生成AIに判定させるところからで十分です。このとき、感情の判定だけでなく「何についての感情か」まで分解してください。否定的が30%という数字だけでは、誰も動けません。納期についてなのか、接客についてなのかが分かって初めて、担当部署と打ち手が決まります。そして、閾値と対応を対で決めておくこと。ここを省くと、分析結果は共有されて終わります。
運用にあたっては、判定の限界を前提に置いてください。皮肉や婉曲な表現は外れますし、日本語は否定的な内容ほど遠回しに書かれる傾向があります。判定を報告数値としてそのまま扱うのではなく、読むべき文章を絞り込むためのふるいとして使い、解釈は人が担う。この設計であれば、精度が完璧でなくても十分に役立ちます。顧客の不満は、離れる前に一度は言葉になって現れます。それを取りこぼさずに拾い、対応が自動的に始まる状態をつくれたとき、顧客は「言えば届く」と感じ、関係は自然と続いていきます。