企業口コミサイトの評価が下がったとき、会社全体の平均点だけを見て「採用に悪影響が出ている」と判断するのは早計です。
同じ会社でも、営業職とエンジニア職、現場職では仕事内容、評価制度、上司との関係、働き方が異なります。求職者が確認する口コミの内容も、職種によって同じとは限りません。
採用口コミを実務で使うなら、分析単位を「会社」から「職種×口コミテーマ×採用ファネル」まで細かくすることが重要です。
この記事では、職種ごとの口コミ母数を確認し、仕事内容・評価・働き方などのテーマを分類したうえで、求人閲覧数・応募数・選考辞退などの採用データと重ねる方法を解説します。読後には、どの職種のどの評判を優先して確認・改善すべきか判断できるようになります。
採用口コミは会社平均ではなく「職種×テーマ×採用ファネル」で見る
採用口コミを分析するときの基本単位は、「職種×口コミテーマ×採用ファネル」です。
採用口コミを含む評判管理の全体像は、採用ブランディングと口コミ・評判対策で整理しています。
採用口コミは会社平均だけで判断せず、職種・口コミテーマ・採用ファネルの3軸へ分解して確認します。
会社全体の平均評価だけでは、「誰の、何に対する評価が変化しているのか」が分かりません。
たとえば営業職の評価制度に関する不満が増えていても、エンジニア職の採用には同じ形で影響していない可能性があります。逆に、エンジニア職だけで仕事内容や技術的な成長機会に関する不満が目立っていても、全社平均では変化が小さく見える場合があります。
まず、次の4つを同じ表で見られる状態を作ります。
| 分析項目 | 確認する内容 |
|---|---|
| 職種 | 営業、エンジニア、現場職など |
| 口コミ | 件数、投稿時期、評価、本文 |
| 評価テーマ | 仕事内容、上司、評価、働き方、キャリアなど |
| 採用データ | 求人閲覧、応募、選考継続、辞退、内定承諾など |
この4つをそろえることで、「会社の評判が悪い」という曖昧な問題を、「営業職で評価制度への否定的な言及が増えた時期に、営業求人の応募率も低下している」といった確認可能な状態へ変えられます。
ただし、口コミと応募率が同時に変化しても、それだけで口コミが応募減少の原因だったとは断定できません。求人条件、給与、採用市場、媒体、広告量、季節性なども同時に確認する必要があります。
なぜ採用口コミを職種別に分ける必要があるのか
求職者にとって口コミは、応募前に会社の実態を確認する情報源の一つです。
株式会社ワークポートが2026年5月に全国の20〜40代のビジネスパーソン308人を対象に実施した調査では、83.8%が転職活動でSNS・口コミサイトを「確認する」と回答しました。SNS・口コミを確認する人のうち、口コミ等をきっかけに「応募をやめた」「選考途中で辞退した」「内定後に辞退した」のいずれかを経験した割合は48.0%でした。
エン株式会社が『エン転職』利用者4,513人を対象に行った調査でも、50%が転職活動中に社員口コミを見ると回答し、そのうち91%が「応募前」に確認すると答えています。口コミの影響で「応募を辞めた」経験がある人は67%でした。
重要なのは、求職者全員が同じ情報を同じように評価するとは限らないことです。
エン株式会社の同調査では、辞退に影響した口コミ内容の上位項目が年代によって異なり、20代では「残業・休日出勤の多さ」、30代では「給与・賞与の不満」、40代以上では「従業員の士気の低さ・人間関係の悪さ」が最多でした。
職種についても同様に、ひとまとめにしない分析が必要です。
2022年に『Frontiers in Psychology』へ掲載された研究では、ソフトウェアエンジニアと機械エンジニア計153人を対象に、職種と企業イメージ、雇用主としての魅力度との関係を分析しています。その結果、職種によって「自分の職種と企業が合っているか」という認識の働き方に違いが確認されました。研究自体はドイツを対象としており、日本企業へそのまま適用できるものではありませんが、採用ターゲットを職種で区別して考える必要性を示す材料になります。
最初に職種と口コミの母数をそろえる
職種別分析で最初に行うのは、口コミを読むことではなく分析単位をそろえることです。
口コミサイト側の職種分類と、採用管理システムや求人媒体側の職種名が違うと、比較できません。
たとえば、
- 法人営業
- 個人営業
- 営業企画
を採用側では分けていても、口コミサイトでは「営業職」とまとめられていることがあります。
反対に、採用側では「エンジニア」とまとめていても、口コミ側では、
- Webエンジニア
- インフラエンジニア
- 社内SE
- 機械設計
- 生産技術
などに細分化されていることがあります。
そのため、最初に分析用の「共通職種マスタ」を作ります。
| 共通職種 | 口コミ側の分類例 | 採用側の分類例 |
|---|---|---|
| 営業 | 営業、法人営業、個人営業 | 法人営業、フィールドセールス |
| エンジニア | ITエンジニア、技術職 | SE、開発、インフラ |
| 現場職 | 施工、製造、物流、サービス | 施工管理、製造、作業スタッフ |
次に母数を確認します。
口コミが2件しかない職種と50件ある職種を、同じ精度で比較することはできません。
実務上の管理基準として、たとえば「5件未満は個別コメントとして扱う」「5〜19件は参考傾向」「20件以上から定点比較対象にする」といった社内ルールを設定すると運用しやすくなります。
これは統計的な代表性を保証する基準ではありません。口コミ数が少ない職種で断定を避けるための運用ルールです。
口コミ本文を7つの評価テーマに分類する
職種をそろえたら、口コミ本文を共通の評価テーマへ分類します。
おすすめは次の7分類です。
| 評価テーマ | 主な確認内容 |
|---|---|
| 仕事内容・裁量 | 実際の業務、役割、仕事量、裁量 |
| 上司・マネジメント | 上司との関係、指示、育成、相談環境 |
| 評価・給与 | 評価基準、昇給、賞与、インセンティブ |
| 働き方・負荷 | 残業、休日、シフト、リモート、業務負荷 |
| 成長・キャリア | 研修、昇進、専門性、異動、キャリアパス |
| 組織・人間関係 | チーム連携、雰囲気、文化、コミュニケーション |
| 入社前後のギャップ | 求人・面接で聞いた内容と実態との差 |
評価点だけではなく、何について書かれているかを見ることが重要です。
採用口コミ研究でも、すべての口コミが同じ影響を持つわけではありません。Evertzらが386人を対象に行った研究では、雇用主口コミの「議論の質」や情報源の専門性が、企業への魅力度に関係することが確認されています。
また、Könsgenらは25,827件の企業口コミを分析したうえで311人を対象とした実験を行い、同じ企業について評価の食い違いが大きい状態が、企業への信頼や応募意向を低下させる可能性を示しました。
つまり、「平均3.4点」という数字だけを見るのではなく、どのテーマで意見が一致しているのか、分かれているのかまで確認する必要があります。
職種別採用口コミを分析する5つの手順
職種別口コミ分析は、母数確認、テーマ分類、職種比較、採用データとの比較、改善後の再測定までを同じ条件で繰り返します。
STEP1 職種ごとの口コミ件数と投稿時期を確認する
最初に職種ごとの件数を数えます。
最低限、次の項目を記録します。
- 職種
- 総口コミ件数
- 直近12か月の件数
- 最新投稿日
- 評価点
- 雇用形態
- 在籍・退職区分
古い口コミと最近の口コミを一緒に平均すると、現在の職場環境を正しく表さない場合があります。
「現在の採用への影響」を見るのであれば、全期間だけでなく直近12か月など一定期間でも分けてください。
STEP2 職種ごとに評価テーマの出現率を出す
次に、7テーマのうち何が多く語られているかを集計します。
たとえば、
テーマ言及率＝そのテーマに触れた口コミ件数÷職種別口コミ総数
で確認できます。
さらに、
否定的言及率＝そのテーマに関する否定的口コミ件数÷そのテーマの口コミ件数
を出しておくと、問題の大きさを比較しやすくなります。
単に「悪い口コミが10件ある」ではなく、
「営業職では評価・給与への言及が多く、その中で否定的な内容が増えている」
という状態まで分解します。
STEP3 営業・エンジニア・現場職を同じテーマで横比較する
職種ごとのテーマは固定的な特徴ではなく、自社の口コミに本当に差があるかを確認するための分析仮説として使用します。
職種によって重視されるテーマが違うと決めつけるのではなく、最初は仮説として比較します。
| 職種 | 最初に確認するテーマの例 | 確認したい内容 |
|---|---|---|
| 営業 | 評価、上司、業務負荷 | 目標設定、インセンティブ、育成、行動量 |
| エンジニア | 仕事内容、成長、評価 | 技術選定、開発環境、専門性、技術評価 |
| 現場職 | 働き方、上司、仕事内容 | シフト、人員、安全、教育、現場管理 |
これは「営業職は必ず給与を重視する」といった一般化をするための表ではありません。
自社では本当に何が職種差として表れているかを確認するための分析仮説です。
STEP4 求人・応募データと同じ期間で重ねる
口コミだけでは採用への影響を判断できません。
同じ職種・同じ期間について、可能な範囲で次の採用データを並べます。
| 採用ファネル | KPI例 |
|---|---|
| 求人接触 | 求人表示数、採用サイト流入 |
| 求人閲覧 | 求人詳細PV、閲覧率 |
| 応募 | 応募数、応募率 |
| 選考 | 一次面接移行率、選考辞退率 |
| 内定 | 内定承諾率、内定辞退率 |
たとえばエンジニア職で「仕事内容・成長」に関する否定的口コミが増えた時期と、エンジニア求人の応募率低下が重なっているなら、追加確認する価値があります。
一方、口コミが変化していないのに応募率だけが下がっている場合は、給与条件、求人原稿、求人媒体、競合求人、採用市場など別の原因を先に確認した方がよいでしょう。
STEP5 改善後も同じ単位で再測定する
口コミ分析は一度実施して終わりではありません。
改善前後を同じ、
職種×テーマ×期間×採用ファネル
で比較します。
職場環境を改善したのに口コミへ反映されるまで時間がかかることもあります。採用サイトや求人票を修正すれば、口コミ自体は変わらなくても応募率や辞退率が先に変化することもあります。
月次または四半期など一定の周期で同じ表を更新すると、変化を追いやすくなります。
口コミと応募データは4パターンに分けると優先順位を決めやすい
口コミの問題と採用ファネルの悪化を2軸で整理すると、優先的に調査すべき職種を判断しやすくなります。同時に悪化していても因果関係が確定したとは限りません。
職種別の口コミ状態と採用ファネルを組み合わせると、改善対象を4パターンに整理できます。
| 口コミ上の問題 | 採用ファネル悪化 | 判断 |
|---|---|---|
| 大きい | 大きい | 最優先で原因を確認 |
| 大きい | 小さい | 職場課題・将来リスクを確認 |
| 小さい | 大きい | 求人条件・媒体・選考など別要因を確認 |
| 小さい | 小さい | 維持しながら定点観測 |
最も注意したいのは、「口コミが悪い＝応募が減った」と自動的に結論づけることです。
口コミと採用データが同方向に変化した場合でも、まずは「関係している可能性がある」と捉えます。
給与改定、採用予算、媒体変更、求人タイトル変更、採用市場の需給変化など、同時期に動いた条件を確認してから改善優先順位を決めます。
求職者は「良い情報だけ」を求めているとは限らない
口コミ対策というと、悪い評価を減らすことばかりに目が向きがちです。
しかし、採用側が考える「魅力的な情報」と、求職者が応募判断に必要とする情報は同じとは限りません。
ワークポートの2026年調査では、SNS・口コミを見て「応募を続けたい」と感じる状態として73.6%が「良い面・悪い面の両方が見える」を選択しました。「現場の空気感が伝わる」は51.6%、「社員の過ごし方や1日の流れがわかる」は51.2%でした。
採用ブランディングでは、会社全体の魅力を抽象的に発信するだけでなく、
- 営業職はどのように目標が決まるのか
- エンジニアはどのような技術・開発環境で働くのか
- 現場職はどのようなシフト・教育・チーム体制なのか
など、候補者が自分の職種について知りたい実態を具体的に示すことが重要です。
特に口コミと求人情報の内容が食い違う場合は注意が必要です。ワークポート調査では、公式情報とSNS・口コミの内容が食い違った場合、43.8%がSNS・口コミをより信頼すると回答し、公式サイトや求人票を選んだ29.1%を上回りました。
職種別分析から改善策を決める
問題が見つかったら、口コミだけを修正しようとするのではなく、原因のある層から改善します。
優先順位は次の順番で考えます。
1．実際の職場環境を改善する
評価制度、上司のマネジメント、長時間労働、教育不足など、口コミが実態を反映しているなら、まず社内課題を改善します。
口コミだけを良く見せても、実態が変わらなければ同じ内容が再び投稿される可能性があります。
2．求人票とのギャップをなくす
求人票で「裁量が大きい」と表現している一方、口コミでは「意思決定できない」という声が続いている場合などは、実態と訴求のどちらに問題があるか確認します。
必要に応じて仕事内容、評価方法、勤務条件、配属、キャリアパスを職種別に具体化します。
3．採用サイトの情報を職種別にする
会社紹介だけではなく、
- 1日の流れ
- 実際の仕事
- チーム構成
- 上司との関わり
- 評価基準
- 成長・キャリア
- 大変な点
まで職種別に示します。
「良い面だけ」を並べるのではなく、応募者が入社後を具体的に想像できる情報設計が重要です。
4．口コミで生じた疑問へ選考中に答えられる状態を作る
エン株式会社の調査では、口コミの影響で応募・選考・内定を辞退した人の85%が、口コミで不安に思った内容を企業へ質問していませんでした。
つまり、候補者が疑問を持っていても企業側が気づけないまま離脱している可能性があります。
面接やカジュアル面談で、
「働き方についてよく聞かれる点」
「入社前に確認してほしい点」
を企業側から説明することも、情報ギャップを減らす方法です。
職種別採用口コミ分析で注意すべき4つの点
口コミ母数が少ない職種では断定しない
数件の口コミだけで「この職種の社員はこう感じている」と一般化しないでください。
少数の口コミは、改善仮説を発見する材料として扱います。
古い口コミと現在の状態を混同しない
制度変更や経営体制の変更後も、古い口コミは残ります。
投稿時期を必ず記録し、現在の求人・応募データと比較する場合は期間をそろえます。
平均点だけでなく評価のばらつきを見る
平均点が同じでも、「全員が3点前後」の企業と「1点と5点に大きく分かれる企業」では意味が異なります。
口コミ間の食い違いが大きい場合は、職種、部署、上司、勤務地、在籍時期などに分けて原因を確認します。口コミ評価の不一致が企業への信頼や応募意向と関係する可能性は、海外の実験研究でも示されています。
口コミと応募率の同時変化を因果関係と断定しない
口コミ悪化と応募率低下が同時に起きても、口コミが原因とは限りません。
求人条件、給与、競合、媒体、採用予算、季節変動などを確認し、複数期間で同じ傾向が繰り返されるかを見ます。
まとめ
採用口コミを採用改善へつなげるなら、会社全体の平均評価だけを見るのではなく、「職種×口コミテーマ×採用ファネル」へ分解して分析することが重要です。
まず営業・エンジニア・現場職などの職種をそろえ、口コミ母数と投稿時期を確認します。次に仕事内容、上司、評価、働き方、キャリアなどのテーマへ分類し、職種ごとの違いを確認します。
そのうえで求人閲覧、応募、選考辞退、内定承諾など同期間の採用データと重ねれば、「どの職種の、どの評判から確認すべきか」を判断しやすくなります。
重要なのは、悪い口コミを消すことではありません。
実際の職場環境、求人票、採用サイト、選考時の説明まで含めて、求職者が職種ごとの実態を正しく理解できる状態を作ることが、採用口コミ分析の目的です。
参考文献・データ元
- 株式会社ワークポート「求職者の約半数がSNS・口コミを原因に『応募・選考から離脱』を経験」2026年6月4日。全国のビジネスパーソン308人、調査期間2026年5月21日〜28日。SNS・口コミ利用率、応募・選考離脱、信頼度等を参照。URL: https://www.workport.co.jp/corporate/news/detail/955.html
- 株式会社ワークポート「SNSや口コミで『応募を続けたい』と感じるのはどのような状態ですか？」2026年。有効回答258人。応募継続に必要な情報に関する結果を参照。URL: https://www.workport.co.jp/applicant_data/detail479.html
- エン株式会社「社会人4500人に聞いた『転職活動時のクチコミ閲覧』実態調査」2024年2月20日。有効回答4,513人。口コミ閲覧時期、応募辞退、年代別の影響テーマ等を参照。URL: https://corp.en-japan.com/newsrelease/2024/36037.html
- Gilch, P. M. “Occupation-specific recruitment: An empirical investigation on job seekers’ occupational (non-)fit, employer image, and employer attractiveness.” Frontiers in Psychology, 2022, DOI: 10.3389/fpsyg.2022.937116. ソフトウェア・機械エンジニア153人を対象とした職種別採用研究。URL: https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2022.937116/full
- Evertz, L., Kollitz, R., Süß, S. “Electronic word-of-mouth via employer review sites – the effects on organizational attraction.” The International Journal of Human Resource Management, 2021, DOI: 10.1080/09585192.2019.1640268. 雇用主口コミの内容と企業魅力度の関係を確認するため参照。URL: https://www.tandfonline.com/doi/full/10.1080/09585192.2019.1640268
- Könsgen, R., Schaarschmidt, M., Ivens, S., Munzel, A. “Finding Meaning in Contradiction on Employee Review Sites — Effects of Discrepant Online Reviews on Job Application Intentions.” Journal of Interactive Marketing, 2018, DOI: 10.1016/j.intmar.2018.05.001. 口コミ評価の不一致と応募意向の関係を確認するため参照。URL: https://www.sciencedirect.com/science/article/pii/S1094996818300306