前回は、アンケートの自由回答を分析することで、
「機能」ではなく「使い始めの分かりにくさ」が改善ポイントだと分かった事例を紹介しました。

今回は少し視点を変えて、商品レビューや口コミを使ったケースを見ていきます。

テーマは、こんな悩みです。

「評価は悪くないのに、なぜか売れない」

★3.5。悪くないはずの商品が、なぜ伸びなかったのか

あるECサイトで販売されている新商品。
レビューの平均評価は★3.5。

極端に低いわけではなく、クレームが多いわけでもありません。

それでも、

・思ったほど売上が伸びない

・リピートも少ない

という状況が続いていました。

商品企画担当者は、こう感じていました。

「レビューは一応読んでいるけど、結局どう判断すればいいのか分からない」

今回使ったデータは「商品レビューの文章」

今回使ったのは、次のデータです。

・ECサイトに投稿された商品レビュー

・件数：約300件

星の数（★評価）は数値データですが、
レビュー本文はテキストデータです。

ここには、点数だけでは分からない「評価の理由」が書かれています。

まずやったこと①：ポジティブとネガティブを分ける

最初に行ったのは、レビューを大きく2つに分けることでした。

・全体的に満足しているレビュー

・不満や違和感が書かれているレビュー

ここで重要なのは、★の数だけで判断しないことです。

★4や★5のレビューでも、本文を読むと、

「良いけど、○○が惜しい」

と書かれているケースが多くありました。

まずやったこと②：「良いけど○○」に注目する

次に注目したのは、こんな表現です。

・「機能は良いけど…」

・「品質は満足。ただし…」

・「期待通りだが…」

これらは、一見するとポジティブなレビューですが、
購入を迷わせる要因が隠れています。

こうしたレビューから、「ただし」の後に書かれている内容を抜き出しました。

図1:「良いけど○○」レビューで頻出する不満ワードの棒グラフ

見えてきたのは、機能ではなく「イメージとのズレ」

レビューを整理していくと、意外なことが分かってきました。

・性能への不満は少ない

・品質への大きなクレームもない

代わりに多かったのが、次のような声です。

・思ったより大きかった

・写真で見た印象と違う

・サイズ感が分かりにくい

つまり問題は、商品そのものではなく、
購入前のイメージとのギャップでした。

似た意見をまとめると、課題がはっきりする

不満点を内容ごとにまとめると、

・サイズ感に関するもの

・使用シーンが想像しにくい

・写真や説明文が足りない

といったカテゴリに集中していることが分かりました。

図2:レビュー不満内容をカテゴリ別にまとめた円グラフ

実際にやった改善は「商品説明の修正」だけ

分析結果を受けて、担当チームが行った改善は、とてもシンプルです。

・サイズ比較の写真を追加

・使用シーンが分かる画像を追加

・「どんな人に向いているか」を明記

商品自体は変えていません。

それでも、

・「思っていたのと違う」というレビューが減少

・購入率（CVR）が改善

・レビューの★評価も安定

という変化が起きました。

このケースから分かること

この事例が教えてくれるのは、

・売れない原因＝品質とは限らない

・レビューは「不満探し」ではなく「ズレ探し」

ということです。

テキストデータ分析を使うことで、

「何を作り直すべきか」ではなく、
「何を伝え直すべきか」

が見えるようになりました。

次回予告

次回は、商品やお客様ではなく、
社内のテキストデータを扱います。

日報や業務メモを分析することで、

「なぜ忙しいのか分からない」
「改善ポイントが見えない」

という悩みがどう解消されたのかを紹介します。

<文/岡崎 凌>