2014年に書いた「レビューから何が見えてくるか？」「その2」「レビュー解析 箸休め」という3本のシリーズがあります。
価格.comの掃除機・炊飯器レビューを、Python 2.7で形態素解析や係り受け解析にかけて「レビューから何が見えるか」を探った記事です。
あれから12年。ChatGPTもClaudeも存在しなかった時代に、僕は文字コード(utf-8・shift-jis・cp932)と格闘しながら「音」と「うるさい」の係り受けを手作業で集計していました。
今なら、この分析はどれくらい変わっているのか。NotebookLMのDeep Researchで技術動向を調べ、実際に現行のダイソン掃除機レビューをAIで分析し直して検証してみます。
1. 2014年、僕らは何を見つけていたか
まずは12年前の発見を振り返ります。
| 分析テーマ | 発見 | 使用手法 |
| 月別レビュー投稿数 | 新製品・モデルチェンジが多い時期に投稿数が増加。ただし9月に謎の急増あり | 単純集計 |
| 時間帯別の投稿数・満足度 | 3〜4時・9〜10時台は不満レビューの比率がやや高い。10〜11時・16〜17時・23〜24時に投稿が集中 | 単純集計 |
| 価格帯別の満足度 | 掃除機はほぼ線形の相関。炊飯器は5万円台以上でやや満足度が下がる | 散布図・帯グラフ |
| 「音」の係り受け解析 | 満足度が上がるほど「静か」等ポジティブな語と、下がるほど「爆音」「騒音」等ネガティブな語と共起 | 形態素解析+係り受け解析 |
| bag-of-wordsの条件付き確率 | 「紙パックからサイクロン式に買い替えた」という言及が3万円台の価格帯に集中 | 単語共起の手計算(簡易ナイーブベイズ) |
当時の僕は統計学を勉強中で、記事の結びに「もう少し複雑な計算式か、フィルターをする言葉を上手く選ばないと・・・道は長い」と書いていました。
特に引っかかっていたのが、「音 うるさい」という単語の並びだけでは、「音がうるさい」なのか「音がうるさくない」なのかを区別できないという、否定表現の壁でした。
2. 12年間でレビュー分析はどう変わったか
NotebookLM CLIのDeep Researchで、2014年から2026年にかけてのレビュー分析技術の進化を調べました。29件のソース(EC事業者の技術解説、消費者庁の発表、法律事務所の解説記事等)を横断的に調査した結果が以下です。
| 比較項目 | 2014年(伝統的NLP手法) | 2026年(LLMによる手法) |
| 分析対象の単位 | 単語・形態素・フレーズ単位 | 文・段落・レビュー全体(アスペクト=観点単位) |
| 必要なプログラミング知識 | 高い(Python/R、辞書構築、統計解析の専門知識が必要) | 低い〜中程度(API利用・プロンプト設計が中心) |
| 処理時間の目安 | 長い(データクリーニング・形態素解析・手集計に多大な工数) | 極めて短い(数分で大量テキストを要約・分類) |
| 文脈理解(否定表現の扱い) | 困難(「音がうるさくない」のような否定語の係り先を誤認しやすい) | 高い(皮肉や二重否定を含むニュアンスも識別) |
| 代表的な技術・ツール | MeCab・ChaSen・CaboCha・bag-of-words・TF-IDF | LLM(GPT・Claude・Gemini等)、アスペクトベース感情分析(ABSA) |
| 2014年時点の位置づけ | 主流の手法 | 研究段階(ニューラルネットワークの黎明期)、実用には未到達 |
| 2026年時点の位置づけ | 前処理や軽量用途の一部に限定 | 標準的な手法 |
12年前に僕が手作業でやっていた「否定表現の壁」は、LLMにとってはほぼ解決済みの問題になっていました。
このDeep Researchの結果をインフォグラフィックにまとめてもらったのが下図です(NotebookLM CLIのinfographic createで生成、面白いことに2014年当時の記事で書いた「Python 2.7」「音とうるさいの結びつき」という記述までソースから読み取って反映してくれました)。
【図1】レビュー分析の進化：2014年(形態素解析)から2026年(LLMアスペクト分析)へ(インフォグラフィック)
EC各社の実装状況も調べてみました。
| プラットフォーム | 主なAI新機能 | 導入効果 |
| ecbeing ReviCo | 大量レビューからメリット・デメリット、感情分析、重要ポイントを自動抽出。AIによる返信文の自動作成 | レビュー閲覧者のCVRが非閲覧者の1.75倍(ワークマン事例)。導入店舗平均でCVR1.94倍(最大3.4倍)。返信業務の工数を80%以上削減 |
| Yahoo!ショッピング | 「良い点」「気になる点」を抽出するレビュー要約。レビューの不満点を解析した類似商品レコメンド | 「おトク日提案機能」導入で取扱高が最大111%向上 |
| 楽天市場 | 高精度・軽量モデルを組み合わせた「レビューサマリー」機能。Rakuten AI 3.0による動的フィルタリング | 関連サービスで「購入まで4割速く」「問い合わせ対応70%削減」の事例 |
2014年当時、僕は価格.comのレビュー”全体”を集計するだけで精一杯でした。今はEC事業者自身がAIでレビューを要約し、購入前の意思決定を直接サポートするところまで来ています。
消費者庁の「消費者意識基本調査」(2023年)によれば、「インターネット上の評価が高い商品を選ぶ」と答えた人は70.1%、「おおむね高評価でも否定的な口コミがあると購入をためらう」人は63.9%にのぼるそうです。レビューはもはや参考情報ではなく、購買を左右する主役になっていました。
3. 実際に今のダイソン掃除機レビューをAIで分析し直してみた
2014年の「レビュー解析 箸休め」ではDyson Digital Slim DC62(125件のレビュー)を係り受け解析していました。
継続性を持たせるため、2026年時点の価格.comで掃除機カテゴリのレビュー数上位に入っているダイソンの現行モデル「Dyson V12 Detect Slim Fluffy SV46 FF」(満足度4.44点・レビュー45件)を対象に、実際のレビュー本文をLLMでアスペクトベース感情分析にかけてみました。
2014年は「音」という単語1つを係り受け解析で追いかけるのが精一杯でしたが、今回はレビュー15件について「デザイン」「パワー(吸引力)」「静音性」「使いやすさ」「バッテリー」の5項目を、レビュー全文の文脈から一気に抽出しています。
| レビュアー | 評価 | デザイン | パワー | 静音性 | 使いやすさ | バッテリー |
| ふぉるみん | 5 | ポジティブ | ポジティブ | ネガティブ | ポジティブ | ポジティブ |
| はじごん | 5 | ポジティブ | ポジティブ | ポジティブ | ポジティブ | ポジティブ |
| あげぜんスウェーデン | 5 | ポジティブ | ポジティブ | ポジティブ | ポジティブ | 言及なし |
| maru1222 | 5 | ポジティブ | ポジティブ | ポジティブ | ポジティブ | 言及なし |
| びば〜ん | 5 | ポジティブ | ポジティブ | ネガティブ | ネガティブ | 言及なし |
| らららまたい | 5 | 言及なし | ポジティブ | 言及なし | ポジティブ | 言及なし |
| 名無し803 | 5 | 言及なし | 言及なし | 言及なし | ポジティブ | 言及なし |
| yutthii | 5 | 言及なし | 言及なし | 言及なし | ポジティブ | 言及なし |
| さんくちゅある | 5 | 言及なし | 言及なし | 言及なし | ポジティブ | 言及なし |
| ダイソンだいすきにんげん | 5 | 言及なし | 言及なし | 言及なし | 言及なし | 言及なし |
| medaka33 | 5 | 言及なし | 言及なし | 言及なし | 言及なし | 言及なし |
| iijanaika | 4 | 言及なし | ポジティブ | 言及なし | ポジティブ | ポジティブ |
| むーたんんん | 4 | ポジティブ | ポジティブ | ポジティブ | 言及なし | 言及なし |
| サーフおやじ | 4 | 言及なし | ポジティブ | 言及なし | ポジティブ | 言及なし |
| kome5555 | 4 | ポジティブ | 言及なし | ポジティブ | ネガティブ | 言及なし |
これを項目ごとに集計したのが下のグラフです。
【図2】Dyson V12 Detect Slim Fluffy SV46 FF アスペクト別レビュー感情(棒グラフ)
パワー(吸引力)は9件がポジティブでネガティブ0件と、CMで強調される通りの高評価。一方で静音性はポジティブ5件に対しネガティブ2件と、5項目中もっともネガティブ比率が高い項目になりました。
実際のレビュー本文を見ると、kome5555さんは「比較的静かだが、オートモードは音大きめ」、ふぉるみんさんも「3段階エコモードでは静か」としつつオートモードの音には触れています。
2014年のDC62分析でも、「パワーの満足度は高い(CMで強調される通り)」「静音性と手入れの評価がやや弱点」という結論が出ていました。12年、モデルチェンジを重ねても、ダイソン掃除機の”得意”と”弱点”の構図はほとんど変わっていないようです。手法は劇的に進化したのに、製品の評判の骨格は変わらない、というのが今回いちばん面白かった発見でした。
4. 新たな課題：フェイクレビューとステマ規制
技術が進化した分、新しい課題も生まれています。2014年の記事にはなかった論点です。
- ステルスマーケティング規制：2023年10月、景品表示法に基づき「広告であることを隠した表示」が新たに規制対象になりました。写真加工アプリ「SNOW」の運営2社は、報酬を渡してX(旧Twitter)への投稿を依頼しながら広告表示をしなかった投稿が70件超見つかり、消費者庁から措置命令を受けています。
- 景品表示法の改正(2024年10月施行)：確約手続(事業者が自発的に是正すればペナルティを免れる制度)、直罰規定(悪質な違反には措置命令を経ずに刑事罰)、課徴金の割増(過去10年以内の違反歴があれば1.5倍)が導入されました。
- ディープフェイク検出技術：AIが生成した偽のレビューや画像・動画を、別のAIが90%超の精度で見破る検出サービスも登場しています。
2014年は「レビューをどう分析するか」だけが論点でしたが、2026年は「そのレビュー自体が信頼できるものか」まで疑う必要が出てきた、ということでしょう。
5. まとめ
12年前、僕は「もう少し複雑な計算式か、フィルターをする言葉を上手く選ばないと・・・道は長い」と書いて記事を締めていました。
実際、道は長かったです。ただし僕が一歩ずつ歩くのではなく、道自体がショートカットされました。形態素解析・係り受け解析を手作業で組み合わせる必要はもうなく、レビュー本文を渡せばLLMが数秒でアスペクトごとの感情を返してくれます。
一方で、レビューの”量”を分析する時代から、レビューの”信頼性”そのものを分析しなければならない時代に移った、というのも今回の調査で強く感じたことです。分析が簡単になった分、フェイクレビューを作るのも簡単になりました。次にこのテーマを掘り下げるなら、「AIが書いたレビューをAIで見破れるか」あたりが面白いかもしれません。
そちらもまた、いつかやってみます。