AI活用
2026.05.20
by Arke 合同会社
レビュー1万件を10分で分類するワークフロー
管理画面に並ぶレビューは、累計1万件。星の平均は4.2。「悪くない数字だ」と確認して、画面を閉じる——
年商1〜10億のEC事業者で、レビュー活用が ここで止まっている のは珍しくありません。1万件のレビューには、商品改善のヒントも、刺さる言葉も、次の企画の種も眠っています。でも、全部読む時間はない。
本記事では、レビュー1万件を 「読む作業」から「分類して数えて打ち手にする作業」 へ変える、AIワークフローをご紹介します。プログラミングは不要です。
CONTENTS / もくじ
- なぜレビュー分析が「読む」では破綻するのか
- レビュー分析で取り出すべき 4つの分類軸
- レビュー1万件を10分で分類する 5ステップ
- AIに渡すプロンプトテンプレート（コピペで使える）
- 分類結果を打ち手に変える 4つの接続先
- やってはいけない3つの落とし穴
- 図解：レビュー1万件の処理フロー（読む42時間 vs 分類40分）
- 明日からできる「レビュー分析の3チェック」
なぜレビュー分析が「読む」では破綻するのか
レビュー分析が定着しない最大の理由は、「読む」という方法そのものが、件数に対して破綻しているからです。
レビュー1万件を1人で読むと——
1件15秒で流し読み → 約42時間（営業日換算で5日強）
内容を理解しながら読む → 1件30秒〜1分、つまり 80〜160時間
これを誰かがやる、というのは現実的ではありません。結果として、多くの事業者が「星の平均」だけ見て終わります。
しかし、星4.2という数字は、健康診断の体重のようなものです。全体感は分かっても、どこをどう改善すべきかは何も教えてくれません。
同じ「★3」でも、意味はまったく違う
商品は良いが配送が遅い／
サイズだけ不満／
思ったより重い／
香りが強い——星の数字が同じでも、打つべき手は全部違います。
レビューは "宝の山" です。ただし "
未整理の宝の山"。必要なのは、読むことではなく、
分類して数えることです。
レビュー分析で取り出すべき4つの分類軸
レビューから何を取り出すか。打ち手に直結する4つの分類軸を定義します。
軸 1不満・クレーム守りの打ち手
「梱包が雑」「サイズが思ったより小さい」「説明と違う」など。商品改善・返品削減に直結。低評価レビューの主成分です。重要なのは「どの不満が、どれくらい頻出しているか」——1件ならノイズ、20%なら構造問題です。
軸 2改善要望次の企画
「この色も欲しい」「もう少し大きいサイズがあれば」「詰め替えが欲しい」など。次の商品企画・ラインナップ拡張・ページ改善に直結。星3〜4のレビューに多く埋もれています。レビューは、無料のユーザーインタビューに近い。特にOEM・PBでは重要です。
軸 3高評価の理由攻めの打ち手
「思ったより軽くて驚いた」「梱包が丁寧で贈り物に良かった」「子どもでも使えた」など。なぜ顧客が満足したのかは、
キャッチコピー・商品ページの訴求に直結。5/19公開の
「キャッチコピーをAIで量産する3つの型」で「素材2＝顧客の言葉」と書いたのは、まさにこの軸3のことです。
軸 4リピート理由LTV向上
「リピート3回目」「無くなったらまた買う」「家族で使っている」など。LTV向上・定期購入化のヒントに直結。件数は少なくても、含まれる情報の濃度が高い軸。広告では見えない、レビューだから見える情報です。
「不満だけ見る」は宝の半分を捨てている
不満分析が多いのですが、
軸3・軸4こそ、攻めの打ち手に繋がる宝です。4軸を揃えて初めて、レビュー分析は「守り」と「攻め」の両方に効きます。
レビュー1万件を10分で分類する5ステップ
実際のワークフローを、5ステップで示します。AI処理そのものは約10分、人の検証を含めても 合計40分 程度です。
STEP 15分各モールの正規機能でレビューをCSVエクスポート
楽天・Amazon・Yahoo・自社EC それぞれの管理画面に、レビュー・評価のエクスポート機能があります。必要なのは最低限 SKU／レビュー本文／星評価／投稿日。
必ず正規のエクスポート機能を使ってください。レビューを外部ツールでスクレイピング（自動収集）するのは、各モールの規約に抵触する可能性があるため避けます。
STEP 25分CSVを1フォルダに統合する
エクスポートした複数のCSVを、1つのフォルダにまとめます。モールごとにフォーマットが違っても問題ありません——次のステップでAIが吸収します。重要なのは「SKU名があること」。これがないと「どの商品で何が起きているか」が見えなくなります。
STEP 35分AIに4分類軸で仕分けを依頼
Cowork mode でフォルダを渡し、後述のプロンプトで「4つの軸に分類して」と依頼。ポイントは「要約してください」ではなく「分類してください」と依頼すること。1万件でも処理は数分です。
STEP 45分頻度集計とトップ20を抽出
「各軸の内容を集計して頻度トップ20を出して」と続けて依頼。レビュー分析は 「印象」ではなく「頻度」で見る。「サイズ不満18%／音不満9%／軽さ高評価22%」のように数えて初めて、どこを直すと効果が大きいかが見えます。
STEP 520分人が解釈して打ち手リストに変換
ここが人の仕事。AIが出した分類・集計を見て、「これは商品改善」「これはFAQ追加」と打ち手に振り分けます。AIは分類まで、解釈と意思決定は人——この分担が肝です。
STEP 1〜2で約10分／STEP 3〜4のAI処理で約10分／STEP 5の人の検証・解釈で約20分
→ 合計40分で、1万件のレビューが「打ち手の一覧」に変わります
AIに渡すプロンプトテンプレート（コピペで使える）
2つのプロンプトを用意しました。1つ目で4軸分類、2つ目で深掘りします。
分類プロンプト（4軸での仕分け＋頻度集計）
渡したフォルダ内のレビューCSV（複数モール混在）を全件読み込み、
各レビューを次の 4軸のいずれかに分類してください。
複数軸に該当する場合は主たる1軸に振り分けてください。
軸1：不満・クレーム（梱包、品質、説明との相違など）
軸2：改善要望（サイズ・色・仕様などへの要望）
軸3：高評価の理由（満足した具体的なポイント）
軸4：リピート理由（再購入の動機）
軸外：上記に当てはまらないもの
そのうえで、軸ごとに「内容別の頻度集計」を行い、
各軸のトップ20を「内容・件数・代表的なレビュー原文1つ」の
形式で出力してください。星評価の数字も併記してください。
レビュー本文は要約しすぎず、「顧客が実際に使った言葉」を残してください。
分類の確信度が低いレビューは「要確認」とマークしてください。
深掘りプロンプト（特定の不満をSKU別に分解）
先ほどの分類のうち、軸1（不満・クレーム）の上位3項目について、
SKU別に件数を分解してください。
「不満内容 × SKU × 件数 × そのSKUの総レビュー数に対する比率」
の表形式で出力してください。比率が高い順に並べてください。
さらに、各項目の「返品率への影響仮説」と「商品ページ改善案」も
提案してください。
深掘りプロンプトを使うと、「サイズ感の不満は、特定の3 SKUに集中している」といった、打ち手に直結する解像度まで降りられます。
分類結果を打ち手に変える4つの接続先
レビュー分析は、分類しただけでは1円の価値も生みません。4つの打ち手に接続して初めて意味があります。
接続 1商品改善（軸1 → 製品仕様・梱包の見直し）
軸1（不満）のトップ項目を、製品仕様・梱包・品質管理の見直しに繋ぎます。「梱包の傷み」が不満トップなら、緩衝材の変更で 返品率が下がり、低評価レビューも減る。返品率1ptの改善が、年商3億規模で 数百万円の利益に効くことも珍しくありません。
接続 2商品ページ改善（軸3 → キャッチコピー）
軸3（高評価理由）のトップ項目を、商品ページのキャッチコピーに反映。「顧客が実際に良いと言った言葉」は、机上で考えたコピーより強い。これが5/19のキャッチコピー記事の「素材2＝顧客の言葉」に直結します。レビュー分析 → コピー改善 → CTR/CVR向上、という流れです。
接続 3FAQ追加（軸2・説明不足の不満 → 問い合わせ削減）
軸2（改善要望）や、軸1のうち「説明不足が原因の不満」を、商品ページのFAQに反映。「サイズ感が分からず不安」が多ければ、サイズ比較表を足す。買う前の不安が消えれば、カート追加率が上がり、購入後のミスマッチも減る。問い合わせ件数の削減にも効きます。
接続 4発注・在庫判断（軸1・2のサイズ/色 → 在庫構成）
軸1・軸2のうち「サイズ・色・容量」に関する声を、在庫構成の見直しに繋ぎます。「Mサイズが小さめ」という不満が15%あれば、Lサイズの在庫構成比を上げる、サイズ表記を見直すといった判断材料に。レビューは、需要予測の補助データにもなります。
特に接続2・接続4が、Arke の核心
4つの接続先のうち、接続2と接続4は、Arke が重視している「
販売の言葉と在庫の数字を繋ぐ」考え方の実例です。サイズ感の不満が在庫構成に、高評価理由がコピーと売上に——言葉と数字を横断して見るのが、レビューを「経営の道具」に変える鍵です。
やってはいけない3つの落とし穴
⚠️ 落とし穴1：AIの分類をそのまま信じる
AIの分類は完璧ではありません。皮肉・反語・複合的な感情を含むレビュー（「軽い」が褒め言葉か安っぽさか、など文脈次第）は誤分類されることがあります。各軸から20〜30件をサンプル抽出し、人が分類の妥当性を検証する工程は省略できません。プロンプトで「確信度が低いものは要確認とマーク」と指示しているのは、このためです。
⚠️ 落とし穴2：ネガティブだけ見る
不満分析は重要ですが、軸3（高評価理由）・軸4（リピート理由）を見ないのは、宝の半分を捨てているのと同じ。「なぜ買われ、なぜ愛されているか」は、攻めの打ち手の起点です。
⚠️ 落とし穴3：分類して満足する
きれいなランキング表ができると、それだけで仕事をした気になります。しかし、前述の4つの接続先に繋がなければ、分析は1円も生みません。「分類は手段、打ち手が目的」を忘れないことです。
図解：レビュー1万件の処理フロー
「読む」アプローチと「分類する」アプローチを比較すると、次のようになります。
▲ 違いは「読む」か「分類して数える」か。AIは分類まで、解釈は人が担います。
注目していただきたいのは、「分類」アプローチでも 最後の20分は人の仕事として残る 点です。AIに置き換わるのは「読む」作業であって、「解釈して打ち手を決める」作業ではありません。
明日からできる「レビュー分析の3チェック」
ここまでの内容を、明日からの行動に落とし込みます。所要時間 合計45分。
CHECK 110分主力商品1つのレビューをCSVエクスポートしてみる
いきなり全1万件でなく、まず1商品分。各モールの正規エクスポート機能の場所を確認するだけでも、第一歩です。
CHECK 220分分類プロンプトで4軸に仕分けてみる
エクスポートしたCSVをCowork modeに渡し、上の分類プロンプトを実行。1商品分なら数分で 4軸の集計が出てきます。
CHECK 315分軸3（高評価理由）のトップ3を商品ページに反映できないか検討
最も即効性があるのが、この 接続2。顧客の言葉をそのままコピーに使えないか、1つの商品で試します。
1商品で流れを掴めば、全SKU展開のイメージが湧きます。
持ち帰れるツールと、関連記事
レビュー分類プロンプト集（4軸分類＋深掘り）、打ち手変換シート（4接続先対応）は無料配布しています。
まとめ
レビュー1万件は、手で読むと 約42時間。それでは誰も読まず、「星の平均」だけ見て改善のヒントを取りこぼします。
AIで4軸（不満／改善要望／高評価理由／リピート理由）に分類すれば、人の検証込みで 約40分。レビューが「読む作業」から「打ち手の一覧」に変わります。
ただし、AIは分類まで。サンプル検証と、4つの接続先（商品改善・ページ改善・FAQ追加・在庫判断）への変換は、人の仕事です。「分類は手段、打ち手が目的」 を忘れないでください。
私たち Arke がデータとAIで取り組んでいるのは、まさにこの「レビューという "言葉のデータ" を、在庫・需要という "数字の意思決定" に繋ぐ」領域です。サイズ感の不満が在庫構成に、高評価理由がコピーと売上に——言葉と数字を横断したシミュレーションで、レビューを 経営判断の一次データ に変える。それが、レビュー分析を「読み物」から「経営の道具」に変える方法だと考えています。
📊 在庫健康診断（60分・無料）
「レビューの声を在庫・発注判断に活かしたい」「AI活用の優先順位を相談したい」という方へ。Arke では、貴社のレビューデータ・販売データ・在庫データを基に、レビュー分析 × 在庫最適化の組み合わせ効果を 60分で診断する無料サービスをご提供しています。診断結果は、その場でレポート形式でお持ち帰りいただけます。
お問い合わせフォームへ →