口コミを毎月読んでいても、「接客に不満が多そう」「A店の評価が低い気がする」という感想だけでは改善の優先順位を決められません。口コミ分析で重要なのは、星の平均や頻出語だけを見ることではなく、1件の文章を評価要因ごとの「言及」に分け、同じ分類基準で店舗・期間を比較することです。
本記事では、口コミを分類表へ落とし込み、頻度・重大度・店舗差・増加傾向・改善可能性から改善テーマを抽出する手順を解説します。読み終えると、スプレッドシートでも運用できる分類表を作り、次の会議で着手する課題と担当者を決められるようになります。
口コミ分析を含む取得・返信・改善・風評対応までの全体像は「口コミ・風評対策の全体像」で整理しています。
口コミ分析は「星」ではなく「評価要因」を改善するために行う
口コミ分析の目的は、平均評価を眺めることではなく、顧客体験のどこに強みと問題があるかを特定し、現場が変更できる改善テーマへ変換することです。Googleによると、Google上の口コミスコアは公開された評価の平均です。平均値は店舗の状態をまとめて把握するには便利ですが、何を直せば評価が変わるかまでは示しません。
たとえば、同じ星3の口コミでも「料理はおいしいが提供が遅い」なら、味は肯定、提供時間は否定です。1件を一つの感情に決めると、強みと不満が相殺されます。分析単位は口コミ件数だけでなく、文章に含まれる個々の評価要因、つまり「言及」にする必要があります。
平均評価は店舗の状態を示しますが、改善箇所までは示しません。口コミを言及単位で分けると、維持すべき強みと改善すべき課題を同時に把握できます。
| 見る指標 | 分かること | 単独では分からないこと |
|---|---|---|
| 平均評価 | 店舗全体の評価水準 | 評価が高い・低い理由 |
| 口コミ件数 | 顧客の声の量 | 不満や評価の内訳 |
| 頻出語 | よく使われる言葉 | 文脈、否定、改善の優先度 |
| 評価要因別の言及率 | 接客・品質・待ち時間などの構成 | 問題の重大度や改善コスト |
| 店舗差・時系列差 | 局所的な問題、施策前後の変化 | 差を生んだ原因の確定 |
口コミは来店客全体を無作為に調べたデータではありません。投稿しなかった顧客の体験は含まれず、媒体や時期によって投稿者の構成も変わります。そのため、口コミだけで原因を断定せず、問い合わせ、キャンセル、再来店、待ち時間などの社内データと照合することが重要です。
最初に分析目的と比較条件を固定する
分類を始める前に、「何を決めるための分析か」を一文で固定します。目的が曖昧だと分類項目が増え、集計表はできても施策を選べません。
複数サイトのクチコミ監視、競合比較、AI返信まで継続的に一元管理したい場合は「デジタルリスクCLOUD」のような監視ツールを使う方法もあります。
目的の例は「直近3か月の全店舗の口コミから、翌月に改善する顧客体験を二つ選ぶ」です。この場合、比較対象は店舗、期間、評価要因であり、最終出力は改善テーマ、担当者、期限になります。
比較可能な共通項目をそろえる
最低限、次の項目を保持します。
- 口コミIDまたは参照URL
- 投稿日と取得日
- 媒体名
- 店舗名
- 星評価
- 口コミ原文
- 評価要因
- 肯定・否定・中立
- 重大度
- 事実確認の要否
- 改善担当部門
口コミ原文は必ず残します。分類結果だけを保存すると、後から判定基準を変えた際に再確認できません。個人情報や要配慮情報は、社内ルールに従って閲覧権限と保存範囲を制限します。
店舗間では件数だけでなく比率も比較する
口コミ総数が200件の店舗と20件の店舗を、否定的な言及の件数だけで比べると、規模の大きい店舗が不利になります。店舗差を見るときは、件数と比率を併記します。
評価要因別の否定言及率 ＝ その要因の否定言及数 ÷ 店舗の全言及数 × 100
ただし、母数が小さい店舗では1件の影響が大きくなります。件数が少ない店舗は単月で順位付けせず、3か月や6か月へ期間を広げ、代表原文も合わせて確認してください。
分類表は「評価要因・感情・重大度」の3層で作る
改善につながる分類表は、何についての声かを示す「評価要因」、どの方向の評価かを示す「感情」、どれほど優先的に扱うべきかを示す「重大度」の3層で作ります。業種に合わせて調整しつつ、全店舗では同じ定義を使います。
| 大分類 | 小分類例 | 肯定例 | 否定例 | 主な担当 |
|---|---|---|---|---|
| 商品・サービス品質 | 味、施術、仕上がり、品ぞろえ | 期待以上、品質が安定 | 品質不良、説明と違う | 商品・現場責任者 |
| 接客 | 挨拶、説明、配慮、知識 | 丁寧、説明が明確 | 高圧的、案内不足 | 店長・教育担当 |
| 待ち時間・運用 | 予約、受付、提供、会計 | スムーズ、時間どおり | 待たされた、順番が不明 | 店舗運営 |
| 施設・環境 | 清潔さ、設備、音、温度 | 清潔、過ごしやすい | 汚れ、故障、騒音 | 施設・店舗運営 |
| 価格・契約 | 価格、追加料金、説明 | 納得感がある | 割高、料金が不透明 | 企画・店舗責任者 |
| アクセス・情報 | 場所、駐車場、営業時間、Web情報 | 分かりやすい | 情報が古い、場所が不明 | MEO・Web担当 |
1件に複数の分類を付ける
「受付は親切だったが、予約時間から40分待ち、料金の説明も分かりにくかった」という口コミには、接客・肯定、待ち時間・否定、料金説明・否定の3言及があります。口コミ全体へ「ネガティブ」と一つだけ付けず、意味のまとまりごとに行を分けます。
| 口コミID | 言及 | 評価要因 | 感情 | 重大度 |
|---|---|---|---|---|
| R-001 | 受付は親切 | 接客／配慮 | 肯定 | 低 |
| R-001 | 予約から40分待った | 待ち時間／予約 | 否定 | 中 |
| R-001 | 料金説明が分かりにくい | 価格／説明 | 否定 | 中 |
一つの口コミには、肯定的な評価と否定的な評価が混在します。言及ごとに評価要因・感情・重大度を付けると、強みと問題が相殺されません。
重大度は感情の強さだけで決めない
重大度は、不満の表現が強いかではなく、顧客・安全・法令・信頼・売上への影響で判定します。たとえば件数が1件でも、衛生、安全、差別、個人情報、請求トラブルに関する指摘は即時確認が必要です。
| 重大度 | 判定基準 | 対応 |
|---|---|---|
| 緊急 | 安全、衛生、法令、差別、個人情報、重大な請求問題 | 集計を待たず責任者へ連絡 |
| 高 | 利用中止、返金、再発する強い不信につながる | 事実確認し、期限を決めて是正 |
| 中 | 体験を明確に下げるが、直ちに重大被害へつながらない | 月次の改善候補へ追加 |
| 低 | 好み、軽微な要望、単発の不便 | 傾向を監視 |
口コミを6ステップで分類し、改善テーマへ変える
分類から施策までを同じ流れで繰り返すと、担当者が変わっても判断がぶれにくくなります。最初から大量データへ適用せず、まず一部を人手で分類して基準を固めることが重要です。
口コミ分析は、対象を決めてから言及を分類し、原文との照合を経て差分を集計します。分類精度に問題があれば、定義へ戻って基準を修正します。
STEP1｜対象期間と母集団を決める
全店舗、特定店舗、特定媒体など対象を決めます。季節性が強い事業は前年同月、運用変更を評価する場合は施策前後を比較します。媒体が複数ある場合は媒体名を保持し、平均評価や投稿文化の違いを混ぜないようにします。
STEP2｜50〜100件を読み、分類案を作る
最初の分類項目は、現場の業務工程と実際の口コミから作ります。項目を細かくしすぎると件数が分散するため、最初は大分類5〜8個、小分類は各2〜6個程度を目安にします。既存分類に入らない声は「その他」で終わらせず、新分類候補として記録します。
STEP3｜分類定義と境界例を文書化する
各分類に「含む例」「含まない例」を設定します。たとえば「予約が取りにくい」は予約導線、「予約したのに待った」は待ち時間です。境界を決めないと、担当者やAIによって集計結果が変わります。
STEP4｜言及単位でラベルを付ける
1件の口コミを意味のまとまりに分け、評価要因、感情、重大度を付けます。AIやテキスト分析ツールは大量処理に役立ちますが、皮肉、二重否定、業界固有語、複数要因を誤る可能性があります。緊急・高重大度の判定と、判断が曖昧な原文は人が確認します。
STEP5｜分類精度を抜き取り確認する
自動分類後は、店舗・星評価・カテゴリが偏らないように標本を抜き取り、原文とラベルを照合します。誤りを「分類漏れ」「分類違い」「感情違い」「重大度違い」に分け、定義または指示文を修正します。分類モデルや指示文を変更した日も残してください。
STEP6｜件数・比率・差分を集計する
評価要因ごとに、肯定言及数、否定言及数、否定言及率を集計します。さらに店舗差、前期間との差、重大度を重ねます。頻度だけでは「よく話題になる項目」が上位になるため、改善優先度は別に判定します。
改善テーマは5つの軸で優先順位を決める
改善優先度は、頻度、重大度、店舗差、増加傾向、改善可能性の5軸で決めます。単純な件数ランキングにしないことで、低頻度の重大問題や、一部店舗だけで起きている運用問題を拾えます。
| 評価軸 | 確認する問い | 高優先の状態 |
|---|---|---|
| 頻度 | 同じ不満が繰り返されているか | 否定言及率が高い |
| 重大度 | 顧客・安全・信頼への影響は大きいか | 緊急・高に該当 |
| 店舗差 | 特定店舗だけ悪化しているか | 全店中央値から大きく外れる |
| 増加傾向 | 前期間より増えているか | 件数・比率が連続上昇 |
| 改善可能性 | 自社で原因へ働きかけられるか | 低コスト・短期間で変更可能 |
改善テーマは口コミ件数だけで決めず、5つの軸を重ねて判断します。ただし、安全・法令・個人情報に関する指摘は、頻度や合計点に関係なく最優先です。
運用しやすくするなら、各軸を1〜3点で採点し、合計点を会議の出発点にします。ただし、安全・法令などの緊急項目は合計点に関係なく最優先です。点数は自動決定ではなく、代表原文と現場データを確認するための絞り込みに使います。
店舗差から原因仮説を作る
全店舗で待ち時間への不満が増えていれば、予約枠や人員配置など共通設計を疑います。1店舗だけ高ければ、シフト、設備、教育、導線など店舗固有の条件を確認します。高評価店舗の運用を比較対象にすると、改善策を具体化しやすくなります。
高評価も「維持・再現テーマ」として扱う
否定的な口コミだけでなく、肯定的な言及も分類します。複数店舗で「説明が分かりやすい」が評価されているなら標準手順として維持し、特定店舗だけ高いなら接客方法を他店へ展開できます。強みは広告表現へ転用する前に、実際の提供価値として再現できるかを確認してください。
分析結果を担当者・期限・検証指標まで落とし込む
改善テーマは「接客を改善する」のような抽象語ではなく、対象店舗、問題場面、原因仮説、施策、担当者、期限、検証指標まで記載します。
| 項目 | 記入例 |
|---|---|
| 改善テーマ | A店の平日18〜20時の受付待ち時間 |
| 根拠 | 待ち時間の否定言及率が全店中央値より高く、2か月連続で増加 |
| 原因仮説 | 来店集中時の受付担当不足 |
| 施策 | ピーク時間のみ受付担当を1名追加 |
| 担当・期限 | A店店長・翌月1日開始 |
| 検証指標 | 実測待ち時間、待ち時間の否定言及率、離脱件数 |
| 判定時期 | 実施から8週間後 |
口コミだけで施策効果を判定すると、投稿件数の変動に左右されます。待ち時間なら実測時間、説明不足なら問い合わせ内容、予約問題なら予約完了率など、業務データも一緒に追います。改善後は同じ分類定義と同じ期間幅で再集計し、基準を途中で変えないようにします。
口コミ分析で避けたい5つの失敗
口コミ分析は、分類の細かさよりも比較可能性と施策への接続が重要です。次の失敗を避けるだけでも、集計表が現場で使われやすくなります。
- 星1・星2だけを分析する：星4でも具体的な不満を含むため、本文を言及単位で見ます。
- 頻出語を改善テーマとみなす：「店」「利用」など一般語が多くても施策には直結しません。
- 店舗ごとに分類基準を変える：店舗差なのか分類差なのか判断できなくなります。
- 少数データで順位を断定する：母数と比率を併記し、必要なら期間を広げます。
- AIの分類結果を無確認で採用する：原文、分類定義、抜き取り精度を確認し、重大案件は人が判断します。
まとめ
口コミ分析で改善テーマを抽出するには、1件の口コミを評価要因ごとの言及に分け、「評価要因・感情・重大度」の3層で分類します。そのうえで、件数だけでなく比率、店舗差、時系列変化、改善可能性を比較してください。
最初の実務は、分析目的を一文で決め、50〜100件を読んで分類案と境界例を作ることです。分類後は、頻度・重大度・店舗差・増加傾向・改善可能性で優先順位を付け、担当者、期限、検証指標まで設定します。口コミを読む作業から、顧客体験を継続的に改善する運用へ切り替えましょう。
参考文献・データ元
- 「Understand review scores for local places & businesses」Google Business Profile Help（Google、2026年8月24日確認）<https://support.google.com/business/answer/4801187?hl=en>
- 「Manage customer reviews」Google Business Profile Help（Google、2026年8月24日確認）<https://support.google.com/business/answer/3474050?hl=en>
- 「About reviews for service businesses」Google Business Profile Help（Google、2026年8月24日確認）<https://support.google.com/business/answer/9950987?hl=en>
- “I Can’t Get No Satisfaction? From Reviews to Actionable Insights: Text Data Analytics for Utilizing Online Feedback” Data, 2025, 10(3), 35. <https://doi.org/10.3390/data10030035>
- “Biases in online reputation systems: a survey of the empirical literature” Electronic Commerce Research, 2026. <https://doi.org/10.1007/s10660-026-10176-7>
- “Online reviews: information content, drivers, and platform design” Marketing Letters, 2026. <https://doi.org/10.1007/s11002-026-09819-4>