リクルートのデータ推進室にて、飲食・ビューティー・IDPデータソリューション部を統括する部長、野川 幸毅。多岐にわたる事業

はじめに 皆さんこんにちは、InsightEdgeのDataScientistのSugaです。最近は徒歩圏内にサウナが新しく出来たのでリフレッシュのため、そこにばっかりに通っています。 さて、今回は最近話題のブロードリスニングについての記事です。 「ブロードリスニング」とは、大量の意見データを AI で構造化・分析し、全体像を俯瞰する手法です。従来のアンケート分析やインタビューでは拾いきれない多様な声を、LLM（大規模言語モデル）とクラスタリング技術を組み合わせて一気に可視化します。 本記事では、 乾燥機付きドラム洗濯機 をサンプルテーマに取り上げ、以下の3ステップで分析を行いました。 意見（VOC）の生成とクラスタリング分析 — 1000件の消費者意見を AI で生成し、論点を抽出・クラスタリング ペルソナ推定とクラスタリング分析 — 各意見からペルソナを推定し、10タイプに分類 マーケティング検証 — 推定したペルソナに対してアンケート・購買判断・購入理由の分析を実施 使用技術 項目 技術 LLM Azure OpenAI GPT-5.2 Embedding text-embedding-3-large（3072次元） 次元削減 UMAP クラスタリング HDBSCAN + BERTopic + SpectralClustering / KMeans 日本語トークナイザ janome 可視化 matplotlib, Next.js（インタラクティブ散布図） 1. 意見（VOC）の生成とクラスタリング分析 1.1 意見データの生成 まず、分析対象となる消費者の意見データ（VOC: Voice of Customer）を用意します。今回は LLM を使って、乾燥機付きドラム洗濯機に関する 1000件の意見 を生成しました。 各意見は実際のクチコミに近い形で、購入動機・使い方・満足点・不満点などが含まれています。 例: 「共働きで小学生2人。体操服と給食エプロンを毎日乾燥まで回している。夜21時に予約して朝6時に取り出せるのが助かる。ただ、電気代が月3000円くらい上がった気がする。フィルター掃除は週1でやっているが面倒…」 1.2 論点の抽出 1000件の意見を直接クラスタリングするのではなく、まず各意見から 独立した論点 を抽出します。1つの意見には複数の論点（時短、電気代、騒音など）が含まれるためです。 GPT-5.2 で各意見から2〜5個の論点を抽出し、合計 5,447件の論点 を得ました。 1.3 クラスタリングの処理フロー 抽出した論点に対して、以下のパイプラインでクラスタリングを行います。 論点テキスト → text-embedding-3-large → 3072次元ベクトル → UMAP（2次元に削減） → HDBSCAN + BERTopic → SpectralClustering → ラベル付け → 要約 → 散布図レポート この結果、 15個の主要クラスタ に分類されました。 1.4 クラスタリング結果 ID ラベル #0 花粉雨雪でも外干し不要で臭い減少 #1 共働き育児介護で洗濯増え時短導入 #2 乾燥の電気代増と手入れ負担の不満 #3 乾燥フィルターと排水口の掃除負担と怠ると不調 #4 夜間中心に週3〜5回洗濯乾燥を回す習慣 #5 賃貸での搬入経路狭さと設置追加費用問題 #6 夜回して朝には乾く時短と段取り安定 #7 縦型や部屋干しで乾かず洗濯が回らない悩み #8 乾燥で衣類のシワ縮み傷みが気になる #9 夜間運転の騒音振動で近隣に気を遣う #10 来客前の寝具カバー類を即日洗乾燥できる便利さ #11 花粉アレルギーや部屋干し臭対策の導入理由 #12 洗剤自動投入と投入口のぬめり詰まり掃除負担 #13 ドアパッキンの水滴残りと臭い掃除負担 #14 夜間予約で毎日洗濯乾燥し朝完了運用 VOCクラスタリングの散布図 1.5 VOCクラスタリングからわかったこと 全体の傾向を一文でまとめると: 乾燥まで自動で完結し、雨雪・梅雨・花粉でも外干し不要で時短と快適さが高評価。共働き・育児介護や賃貸で夜回して朝仕上げる運用が定番。一方、電気代増や騒音振動、搬入設置の難しさが不満。さらにフィルター・排水口・パッキン等の掃除負担やシワ縮み対策など手入れ前提が目立つ。 クラスタリングの結果を大きく分類すると、以下の4つのテーマに整理できます。 満足・導入理由（#0, #1, #6, #7, #10, #11, #14） - 花粉・梅雨・雪でも外干し不要 → 生乾き臭からの解放 - 「夜回して朝に乾く」段取りの安定性 - 共働き・育児・介護で洗濯量が増えた家庭の時短ニーズ - 縦型や部屋干しから乗り換えた人の満足感が高い 不満・課題（#2, #3, #8, #9, #12, #13） - 乾燥の電気代増（月2000〜3000円の上昇感） - フィルター・排水口・ドアパッキンの定期清掃の手間 - 衣類のシワ・縮み・傷み - 夜間運転の騒音・振動（集合住宅での近隣配慮） 使い方の工夫（#4, #14） - 週3〜5回の高頻度運転が一般的 - タオル・寝具は乾燥まで、デリケート衣類は洗いのみと使い分け 設置の壁（#5） - 賃貸では搬入経路の狭さや設置追加費用が障壁 1.6 生成AIによる意見生成についての考察 今回は LLM を使って1000件の消費者意見を生成しました。この手法にはいくつかの論点があります。 なぜ実データではなく生成データを使ったのか 本記事の目的は「ブロードリスニングの分析手法を検証すること」であり、分析パイプラインの構築と検証が主眼です。実際のクチコミデータを使う場合、収集・クレンジング・匿名化などの前処理が必要になりますが、生成データであればすぐに分析パイプラインの検証に着手できます。 また、実データには偏りがつきものです。特定の ECサイトのレビューだけを集めると、そのサイトの購買層に偏った意見になります。LLM による生成では「こういう属性の人はどういう意見を持つか」というシナリオを幅広く網羅できるため、分析手法の検証には適しています。 生成データの限界 一方で、LLM が生成する意見には「きれいすぎる」という問題があります。実際のクチコミは文法が崩れていたり、複数の話題が混在していたり、感情的な表現が含まれていたりします。LLM 生成の意見はそれらに比べると整った文章になりがちで、論点抽出やクラスタリングが実データよりうまくいく可能性があります。 また、LLM の学習データに含まれる情報に基づいて生成されるため、学習データに存在しない新しいトレンドや、ニッチな使い方（例: 特定の地域特有の事情）は反映されにくい傾向があります。 実務での使い分け 実務では、以下のような使い分けが現実的です。 手法の検証・プロトタイピング : 生成データで分析パイプラインを構築・検証し、実データへの適用前にワークフローを固める 実データの補完 : 実データが少ないセグメント（例: 介護世帯やペット世帯）の意見を生成データで補い、クラスタの偏りを軽減する 仮説生成 : 「こういう層はこういう意見を持つのではないか」という仮説を生成し、実データで検証する 生成AIによる意見データは「答えそのもの」ではなく、「分析の出発点」として位置づけるのが適切です。 2. ペルソナ推定とクラスタリング分析 2.1 ペルソナ推定の考え方 VOCのクラスタリングでは「何が語られているか（論点）」を分析しました。次のステップでは、 「誰が語っているか（ペルソナ）」 に焦点を当てます。 各意見から、以下の4つの観点でペルソナを推定します。 購買価値観 — 何を重視して選ぶか 嗜好 — どんな製品・ブランドを好むか ライフスタイル — 日常の生活パターン ライフステージ — 家族構成・年代・住居形態 GPT-5.2 で1000件の意見それぞれから300〜500文字のペルソナテキストを生成し、同じパイプライン（embedding → UMAP → KMeans）で 10クラスタ に分類しました。 2.2 ペルソナクラスタリング結果 ID ラベル 件数 C0 退職後シニアの省力家事と外干し回避ニーズ 91 C1 単身若手の時短家事自動化ニーズ層 111 C2 夜間運転の静音性と花粉冬対策重視層 119 C3 ペットの毛対策と時短を求める30〜40代層 74 C4 花粉アレルギー対策で外干し回避する家庭 79 C5 賃貸集合住宅で夜回し時短と節約両立層 74 C6 子育て共働きの夜洗濯乾燥で朝支度時短層 142 C7 花粉外干し回避と夜洗乾の共働き層 115 C8 介護で増える汚れ物を夜間に洗乾完結したい層 78 C9 子育て期のひとり親多世代の時短洗乾燥需要層 117 2.3 各ペルソナクラスタの特徴 C0: 退職後シニア（91件） 40〜70代の退職後世帯（単身・夫婦）で、体力低下や外干しの負担から「洗い〜乾燥で完結」を求める実用派。ブランド信頼性を重視し、電気代や手入れ負担には敏感だが、乾燥は雨・冬・花粉期中心に使い分ける冷静な運用を行う。 C1: 単身若手（111件） 20〜40代の単身〜同棲前後の多忙層。干す手間やコインランドリー通い、部屋干しの生乾き臭を解消したい「時短・実用」志向が中心。集合住宅では騒音・振動への配慮が必要で、電気代増にも敏感。 C3: ペット同居世帯（74件） 犬猫などペットと暮らす30〜40代。毛がフィルターにまとまる点、部屋干しゼロ、朝までに乾く点に満足。ただし騒音/振動、パッキンの毛掃除などの手入れ負担に不満も。 C6: 子育て共働き（142件・最大クラスタ） 30〜40代の共働き・子育て世帯が中心で、洗濯量増と干し場不足から「夜回して朝完了」を狙う。雨・花粉のストレス解消と生活空間の整頓を評価するが、騒音・振動や電気代には敏感。 C8: 介護世帯（78件） 在宅介護を担う40〜60代中心。洗濯回数増・突発汚れ・天候不安から「干す工程を消して朝までに乾かす」時短と衛生を最優先。便利さは高評価だがコストとメンテ負荷に揺れる。 C9: 子育て期のひとり親・多世代（117件） 30〜40代の子育て世帯（共働き・ひとり親・三世代同居）。洗濯量増と時間不足から「夜に回して朝に乾いている」確実性と時短を最優先する。 2.4 ペルソナ分析からわかったこと VOCの論点クラスタリングでは「時短」「電気代」「騒音」といったテーマ別の分類でしたが、ペルソナクラスタリングによって 同じ「時短」でもライフステージによって意味が異なる ことが見えてきます。 C1（単身若手）の時短 = コインランドリー通いの代替。干す手間からの解放 C6（子育て共働き）の時短 = 夜に予約→朝回収の段取り。家事全体の最適化 C8（介護世帯）の時短 = 突発的な汚れ物への即応。衛生と時短の両立 C9（多世代子育て）の時短 = 大量洗濯物のまとめ処理。確実に朝までに乾く安心感 また、 C3（ペット層） や C4（花粉アレルギー層） のように、特定の生活課題がドラム洗濯機導入の強い動機になっているセグメントも明確になりました。 2.5 生成AIによるペルソナ推定の可能性 従来のペルソナ設計は、マーケターやリサーチャーが定性調査の結果をもとに手作業で行うものでした。「30代共働き夫婦」「単身社会人」といった典型像を数パターン作り、それをチーム内で共有するのが一般的です。この手法には、作成者の主観やバイアスが入りやすく、またペルソナの数が限られるという課題がありました。 LLM によるペルソナ推定が変えること 今回の手法では、1000件の意見それぞれに対して LLM がペルソナを推定しています。つまり、1000人分の個別ペルソナが存在し、それをクラスタリングすることで「データから浮かび上がるペルソナ像」を得ています。これは従来の「仮説としてのペルソナ」とは根本的に異なるアプローチです。 この手法の特徴は以下の通りです。 網羅性 : 人手では見落としがちなニッチセグメント（例: ペット世帯、介護世帯）が自動的に浮かび上がる 粒度の柔軟性 : クラスタ数を変えることで、粗い分類（5タイプ）から細かい分類（20タイプ）まで自在に調整できる 再現性 : 同じ入力データに対して同じパイプラインを実行すれば、類似の結果が得られる スケーラビリティ : 1000件でも10万件でも、処理時間は増えるが手法は同じ 従来手法との組み合わせ LLM によるペルソナ推定は、従来の定性調査を代替するものではなく、補完するものです。LLM が推定したペルソナクラスタを「仮説」として使い、その仮説を実際のインタビューやアンケートで検証するというワークフローが有効です。 例えば、今回の分析で「C3: ペットの毛対策」というクラスタが浮かび上がりました。従来のマーケティング調査では「ペット世帯」を独立したセグメントとして設計しない可能性がありますが、データからこのセグメントの存在が示唆されたことで、追加調査の方向性が明確になります。 応用の可能性 この手法は洗濯機に限らず、以下のような分野に応用できます。 商品開発 : 大量のユーザーフィードバックからペルソナを推定し、未充足ニーズを発見する コンテンツマーケティング : SNS上の投稿からペルソナを推定し、セグメント別のコンテンツ戦略を設計する カスタマーサポート : 問い合わせ内容からペルソナを推定し、FAQ やチャットボットの応答をセグメント別に最適化する 政策立案 : 市民の意見データからペルソナを推定し、政策の影響を受けるグループを事前に把握する ペルソナ推定の自動化により、「誰の声を聞いているのか」を構造的に理解できるようになります。これは意見データの分析精度を上げるだけでなく、施策の優先順位付けにも直結する重要な技術です。 3. マーケティング検証 ペルソナが推定できたので、次はそのペルソナを使って 具体的な製品に対するマーケティング検証 を行います。対象製品は 乾燥機付きドラム洗濯機 BD-STX130M （洗濯13kg/乾燥7kg）です。 (※特定の製品の方が説明がしやすかったので、製品を限定しましたが、本来の分析としてはどのような製品でも問題ありません) 主な特徴: - 乾燥フィルターレス + 3つの自動おそうじ（洗濯槽・乾燥経路・ドアパッキン） - ヒートポンプ式「らくはや 風アイロン」乾燥（洗濯〜乾燥7kg 約93分） - ナイアガラ循環2段シャワー（高濃度洗剤液で洗浄） - 省エネ効果: 消費電力約26%減、水量約24%減 3.1 アンケート分析（1000件） 1000件の各ペルソナに対して、洗濯機購入時に重視する10項目の重要度（1〜5のスケール）を LLM で回答させました。 アンケート項目と全体平均 # 項目 全体平均 Q1 本体価格の安さ（初期費用） 2.87 Q2 ランニングコストの低さ（電気代・水道代） 3.99 Q3 洗浄力（汚れ落ち） 4.33 Q4 乾燥の仕上がり（生乾き・シワの少なさ・ふんわり感） 4.77 Q5 洗濯〜乾燥までの所要時間（時短） 4.83 Q6 静音性・振動の少なさ 4.13 Q7 お手入れの楽さ（フィルター掃除・槽洗浄など） 4.16 Q8 容量（洗濯kg・乾燥kgの大きさ） 3.91 Q9 設置・使い勝手（サイズ・操作性など） 4.21 Q10 信頼性・サポート（故障しにくさ・ブランド安心感） 4.34 Q5（時短）が4.83で最も高く、Q1（本体価格）が2.87で最も低い という結果は、乾燥機付きドラム洗濯機のユーザーが「価格よりも機能・時短」を重視していることを示しています。 クラスタ別の特徴的な差異 クラスタ別 洗濯機購入価値観ヒートマップ まず前提として、Q4（乾燥の仕上がり）と Q5（時短）は 全クラスタで4.4〜4.9の高スコア です。これは乾燥機付きドラム洗濯機を検討する層に共通するニーズであり、クラスタ間での差が小さい項目です。 一方で、Q3（洗浄力）、Q8（容量）、Q10（信頼性）などはクラスタ間で0.5〜1.0以上の差があり、ペルソナごとの特性が反映されています。以下の表では、 他クラスタとの比較で特徴的な項目 を取り上げています。 クラスタ 他クラスタと比較して特徴的な傾向 C0（シニア） Q5（時短）が4.4で全クラスタ中最低 。退職後で時間に余裕があるため、時短への切迫感が薄い。一方 Q10（信頼性）は4.6 で、ブランド安心感を相対的に重視する C1（単身若手） Q8（容量）が3.4で全クラスタ中最低 。一人暮らしでは大容量は不要。また Q1（本体価格）が3.2で全クラスタ中最高 で、価格感度が最も高い C3（ペット層） Q3（洗浄力）が4.6で全クラスタ中トップタイ 。ペットの毛・汚れへの強いニーズ。また Q1（本体価格）が2.6で全クラスタ中最低 で、価格より機能を優先する傾向 C4（花粉アレルギー） Q4（乾燥の仕上がり）が4.9で全クラスタ中最高 。花粉対策として「確実に室内で乾く」仕上がり品質を最重視 C8（介護） Q10（信頼性）が4.8で全クラスタ中最高 。介護中の故障は致命的なため、信頼性・サポートを最重視。 Q3（洗浄力）も4.6でトップタイ C9（子育て期） Q8（容量）が4.5で全クラスタ中最高 。大家族のまとめ洗い需要が反映されている クラスタ別 洗濯機購入価値観アンケート（平均値） レーダーチャートを見ると、全クラスタで「Q4 乾燥の仕上がり」「Q5 時短」が突出して高い一方、「Q1 本体価格」だけが全体的に低いことがわかります。これは乾燥機付きドラム洗濯機のユーザーが、価格よりも機能性を重視する層であることを裏付けています。 注目すべきは、Q4・Q5 のような「共通して高い項目」ではなく、Q3・Q8・Q10 のような「クラスタ間で差が開く項目」です。これらの差分こそが、ペルソナごとに異なるニーズを示しており、マーケティング訴求を出し分ける根拠になります。 3.2 製品購買判断（1000件） 各ペルソナに対して、BD-STX130M の製品情報を提示し、「この製品を購入するか（Yes/No）」を判断させました。 BD-STX130M 購入判断（1000件集計） 全体結果: 購入する 719件（71.9%）、購入しない 281件（28.1%） クラスタ別 BD-STX130M 購入率 クラスタ別購入率 クラスタ ペルソナ 購入率 C9 子育て期のひとり親多世代の時短洗乾燥需要層 87% C3 ペットの毛対策と時短を求める30〜40代層 85% C8 介護で増える汚れ物を夜間に洗乾完結したい層 81% C2 夜間運転の静音性と花粉冬対策重視層 80% C6 子育て共働きの夜洗濯乾燥で朝支度時短層 78% C4 花粉アレルギー対策で外干し回避する家庭 68% C7 花粉外干し回避と夜洗乾の共働き層 65% C5 賃貸集合住宅で夜回し時短と節約両立層 64% C0 退職後シニアの省力家事と外干し回避ニーズ 59% C1 単身若手の時短家事自動化ニーズ層 50% 購入率が高いクラスタ（80%以上）の共通点: - 洗濯量が多い （子育て・介護・ペット） - 乾燥フィルターレスの価値を感じやすい （毛・汚れ・手入れ負担の軽減） - 13kg大容量が活きる 購入率が低いクラスタ（50〜64%）の共通点: - C1（単身若手）: 価格帯が高すぎる＆大容量がオーバースペック - C0（シニア）: 操作の複雑さやサイズへの不安 - C5（賃貸）: 設置スペースの制約 3.3 購入/非購入理由のクラスタリング（1000件） 購買判断の「理由」そのものもテキストデータとして価値があります。1000件のペルソナそれぞれについて購入/非購入の理由を LLM で生成し、その理由テキストを embedding → クラスタリングして 10個の理由クラスタ に分類しました。 理由クラスタはペルソナクラスタ（C0-C9）と区別するため、 R0-R9 と命名しています。 BD-STX130M 購入/非購入理由 クラスタ散布図 BD-STX130M 購入/非購入 散布図 散布図を見ると、右側に固まっている赤い点（非購入）のクラスタと、左側に広がる緑の点（購入）のクラスタがはっきり分離しています。 理由クラスタ一覧 理由クラスタ別 購入/非購入比率 ID ラベル 購入率 概要 R0 三世代の大量洗濯を大容量洗乾で時短 100% 三世代同居・共働きの大量洗濯に13kgが活きる R1 日立指名の信頼感で選ぶ時短省エネ乾燥 62% 日立ブランドで購入する層がいる一方、パナ/東芝指名で見送りも R2 花粉寒冷地の外干し回避で夜洗乾時短 100% 花粉・雪・梅雨で外干し不可。室内完結で解消 R3 夜回して朝乾く93分洗乾と手入れ軽減 100% 93分の時短＋フィルターレスで手入れも楽 R4 夜回し中心の時短洗乾と手入れルール化 99% 自動投入・通知で家事をルール化。振動は懸念 R5 高価格大容量で設置騒音不安の見送り 0% 非購入理由が集中。価格高・サイズ大・騒音不安 R6 大家族の大量洗濯を夜に洗乾で時短完結 100% 体操服・寝具のまとめ洗い。梅雨・花粉対策 R7 介護で毎日洗乾を時短完結し手入れも省力化 100% 介護の汚れ物に大容量＋自動おそうじが有効 R8 時短段取り化と省エネで洗乾ストレス軽減 100% 共働き・介護の段取り化。賃貸では設置・振動が懸念 R9 ペット毛とアレルギー対策の洗乾完結需要 99% ペット毛・花粉対策で室内完結。フィルターレスで集約 3.4 マーケティング検証からわかったこと BD-STX130Mの強み（購入理由の分析から） 「93分で洗乾完結」の時短訴求が最も刺さる （R3, R4）。夜回して朝に取り出す生活パターンと完全に合致 乾燥フィルターレスが差別化要因 （R3, R7, R9）。特にペット毛や介護の汚れ物で手入れ負担が減る点が高評価 13kg大容量が大家族・三世代に有効 （R0, R6）。体操服・寝具のまとめ洗いに対応 花粉・寒冷地対策として「確実に乾く」安心感 （R2）。外干し回避のニーズに合致 BD-STX130Mの課題（非購入理由の分析から） R5（購入率0%）に非購入理由が集中 : 本体価格が高い（上位機のため） 幅630×奥行720mm のサイズが賃貸に収まらない 夜間運転の騒音・振動の不安（スペック上の根拠が弱い） 単身・夫婦には13kgがオーバースペック R1（購入率62%）にブランド競合の影響 : パナソニック・東芝・シャープの指名買い層では決め手に欠ける 他ブランドの独自機能（除菌・空気ケアなど）との比較 ペルソナ×購買判断のクロス分析 アンケート結果と購買判断を重ねると、マーケティング施策のヒントが見えます。 ターゲット 購入率 施策の方向性 C9 子育て期（87%） 既に高い 「13kg大容量＋93分」の時短訴求を継続 C3 ペット層（85%） 既に高い 「フィルターレスで毛が集約」をペット向けに訴求 C1 単身若手（50%） 改善余地大 小容量モデルの展開 or コストパフォーマンス訴求 C0 シニア（59%） 改善余地あり 操作の簡便さ・ブランド信頼性の訴求 C5 賃貸（64%） 改善余地あり 設置サイズの明示・防振対策の訴求 3.5 推定ペルソナに対するアンケート調査のメリット 今回の分析では、LLM で推定した1000件のペルソナに対してアンケートや購買判断を「回答させる」という手法を用いました。この「AIペルソナへの調査」は、従来のアンケート調査とは異なるメリットを持っています。 従来のアンケート調査の課題 従来の消費者アンケートには、以下のような構造的な課題があります。 コスト : パネル調査やインタビュー調査には1件あたり数百円〜数千円のコストがかかる。1000件のアンケートを実施するだけで数十万円〜数百万円の費用が発生する 時間 : 調査設計・配信・回収・集計に数週間〜数か月を要する 回答バイアス : 「社会的に望ましい回答」をする傾向や、報酬目的の不誠実な回答が混入する セグメント不足 : 特定のニッチセグメント（介護世帯、ペット世帯など）の回答者を十分に集められない AIペルソナ調査のメリット 推定ペルソナに対する調査は、これらの課題を以下のように緩和します。 高速な仮説検証 : 調査設計からクラスタ別集計まで、数時間で完了する。「この訴求はどのセグメントに刺さるか」という仮説を即座にテストでき、アンケート項目や訴求文言の試行錯誤が容易になる セグメント別の深堀り : 1000件のペルソナがクラスタに分類されているため、「C3（ペット層）は洗浄力をどれだけ重視するか」といったセグメント別分析が自動的に得られる。従来の調査ではクロス集計のために追加のサンプル数が必要だった 製品コンセプトの事前スクリーニング : 実際の製品を消費者に提示する前に、AIペルソナに対して複数の製品コンセプトを評価させることで、有望なコンセプトを絞り込める。今回の BD-STX130M の購入率が50%〜87%とペルソナクラスタごとに大きく異なったことは、ターゲティングの精度を上げるための有力な示唆となった 非購入理由の構造化 : 従来の調査では「なぜ買わないか」を自由記述で聞いても、回答の質にばらつきがある。AIペルソナはペルソナの文脈に基づいた具体的な理由を生成するため、理由のクラスタリング（R0-R9）のような構造化分析が可能になる 注意点と限界 AIペルソナへの調査は、あくまで「LLM が推定した消費者像に基づくシミュレーション」であり、実際の消費者の回答とは異なる可能性があります。特に以下の点に注意が必要です。 LLM は学習データに含まれる消費者行動パターンをもとに回答を生成するため、新製品カテゴリや革新的な機能に対する反応は実態と乖離する可能性がある 価格感度やブランド選好は、地域・時期・経済状況によって変動するため、LLM の回答が現在の市場を正確に反映しているとは限らない 回答の分布が実際の消費者調査と一致するかどうかは、別途検証が必要である 実務での位置づけ AIペルソナ調査は、従来の消費者調査を「代替する」ものではなく、「準備段階で仮説を磨くためのツール」として位置づけるのが適切です。具体的なワークフローとしては以下が考えられます。 AIペルソナ調査で仮説を構築（どのセグメントに何を訴求するか） 仮説に基づいて本調査のアンケート設計を最適化（無駄な質問を減らし、深堀りすべきポイントを絞る） 本調査の結果とAIペルソナ調査の結果を比較し、AIペルソナの精度を検証・改善する このサイクルを回すことで、調査の精度と効率を同時に向上させることが可能になります。 4. まとめ 本記事では、ブロードリスニングとペルソナ推定分析を組み合わせて、乾燥機付きドラム洗濯機の消費者インサイトを3段階で深掘りしました。 Step 1: 意見のクラスタリング → 「何が語られているか」 1000件の意見から5,447件の論点を抽出し、15個のクラスタに分類。 時短・外干し不要の満足 と 電気代・騒音・手入れの不満 という二極構造が明確になりました。 Step 2: ペルソナのクラスタリング → 「誰が語っているか」 同じ意見をペルソナ視点で再分析し、10タイプのペルソナに分類。 同じ「時短」ニーズでも、単身若手・子育て共働き・介護世帯ではその意味と優先度が異なる ことが可視化されました。 Step 3: マーケティング検証 → 「どう製品を届けるか」 推定したペルソナに対してアンケート・購買判断・理由分析を実施。 全体の71.9%が購入意向を示す中、ペルソナごとに50%〜87%の幅 がありました。購入率の高いセグメント（子育て期・ペット層・介護世帯）への訴求強化と、低いセグメント（単身若手・賃貸）へのアプローチ改善という具体的な施策の方向性が得られました。 ブロードリスニングの手法を使えば、大量の消費者の声から 構造的なインサイト を効率的に抽出し、ペルソナ推定と組み合わせることで 誰に・何を・どう伝えるか というマーケティング戦略に直結する分析が可能になります。

こんにちは、音楽の聴き過ぎでイヤホンがすぐ壊れてしまうことが悩みの佐藤です。 少し前のデータになりますが、楽天インサイトの調査（2021年）によると、 音楽を聴く人のうち約4割の人が「ほぼ毎日聴く」 と回答しているそうです。 ( https://insight.rakuten.co.jp/report/20210518/ ) サブスク全盛の今、私たちは呼吸をするように音楽を、 そしてその音楽に込められた歌詞を体内に取り込んでいることになります。 しかし、ここでふと、ある懸念が頭をよぎりました。 我々が毎日摂取しているその歌詞、 医学的に見て「健康」なのでしょうか？ 「胸が張り裂ける」「燃えるような恋」「息ができない」「震えが止まらない」……。 これ、冷静に考えると 身体的・精神的にかなり危険な状態 ではないでしょうか？ もしこれを冗談とか比喩とかが通じないタイプの人が聞いたら即入院を勧めるレベルかも•••。 ということで今回は、AWSの医療文書解析AIサービス Amazon Comprehend Medical  を使い、 アーティストの歌詞を勝手に問診し、 医学的な観点から最も不健康な楽曲はどれなのか を 至って真面目に！技術検証しようと思います。 Amazon Comprehend Medical とは？ あえて自然言語処理を用いずやってみる まずは今回の主役、 Amazon Comprehend Medical（以下ACM） について簡単にご紹介します。 通常、AWSでテキスト分析を行う場合は「 Amazon Comprehend 」を使用します。 こちらは 感情分析（ポジティブ/ネガティブ） や、 一般的なエンティティ抽出（人名、地名、組織名など） が得意です。 しかし、今回の目的はあくまで アーティストの問診票作り です。 ならば 「部位：Chest（胸部）」「症状：Pain（疼痛）」 と、具体的かつ医学的に判定してもらう必要があります。 ACMは、機械学習を使用して 非構造化テキスト（医師のカルテ、治験データなど） から、病状から薬剤に至るまで、 幅広い医療情報を高精度に抽出する ことに特化したサービスです。 本来は、膨大な医療記録を効率的に処理し、医療従事者の負担を減らすために使われる非常にお堅いサービスなのですが、 「医学用語以外をノイズとして無視する」「比喩を理解しない」 という活用？して勝手にアーティストを診断してあげようってわけです。   歌詞をどうやって「診断」する？ Amazon Translate で ACM が読める状態に ですが、今回の検証には大きな壁があります。 ACMは現在、日本語のテキスト解析に対応していないのです（英語のみ）。 J-POPの歌詞は当然日本語ですよね。 「日本語未対応なら、英語に翻訳してから読ませればいいじゃない」 というマリー・アントワネット的な発想で、間に Amazon Translate を噛ませてみることにしました。 実はこの Amazon Translate を挟むという構成も、今回の検証結果に大きく関わってきます。 こいつがどんな翻訳を見せてくれるのか、 J-POP特有の抒情的な歌詞をどう英語に落とし込んでくれるのか 。 期待が高まります。 構成図と処理フロー 今回はこんな超簡易的パイプラインを組んでみました。 1. インプット： J-POPの歌詞テキスト（日本語） 2. 翻訳：Amazon Translate で英語に翻訳 例：「君がいなくて胸が苦しい」 → “My chest hurts without you” 3. 診断：Comprehend Medical ( DetectEntitiesV2 API) に投げる 判定： Anatomy: Chest , Condition: Pain 4. アウトプット： 抽出された病名・症状リストと、信頼度スコア（Confidence Score） 「恋の痛み」を強制的に診断させる、近年稀に見る謎ETLパイプラインの完成です。   実践！J-POP患者たちのカルテ Python を使ってスクリプトを書き、実際にいくつかの「名曲」を診断にかけてみました。 ACM 先生は、アーティストの魂の叫びをどう受け止めるのでしょうか。 今回は著作権的に実際の曲を載せられなかったので、本当にありそうな歌詞を AI に生成してもらい投入してみました。   なお今回の実行は CloudShellから Amazon Translate や ACM を呼び出して実行しておりますので、実際にやってみたい方は以下のコードをご利用ください！ ▶ ここをクリックして検証用コードを表示する 以下のコマンドを入力してファイルを作成します。 nano doctor_jpop.py 開いたエディタに、以下のコードを 丸ごとコピー＆ペースト してください。 import boto3 import time # ========================================== # 診断対象のプレイリスト # ========================================== PLAYLIST = [ { "Artist": "失恋太郎", "Song": "眠れない夜", "Lyrics": "胸が張り裂けそうで眠れない夜。食事が喉を通らない。" }, { "Artist": "炎のロッカー", "Song": "バーニング・ラブ", "Lyrics": "燃えるような恋心。叫びすぎて声が枯れた。息ができない。" }, { "Artist": "純愛ちゃん", "Song": "1000年の愛", "Lyrics": "1000年先も愛を誓う。君の光で目が眩む。体が砕けても守る。" }, { "Artist": "健康キッズ", "Song": "お野菜のうた", "Lyrics": "お日様を浴びて、トマトとキャベツを食べよう。元気いっぱい。" }, { "Artist": "激しいメタル", "Song": "ブラッディ・レイン", "Lyrics": "頭が割れるように痛い。血が騒ぐ。毒のようなキス。意識が遠のく。" } ] # 設定エリア TARGET_REGION = 'us-east-1' # Comprehend Medical用 def main(): # クライアント初期化 translate = boto3.client('translate', region_name=TARGET_REGION) medical = boto3.client('comprehendmedical', region_name=TARGET_REGION) print(f"--- J-POP 健康診断を開始します（全 {len(PLAYLIST)} 曲） ---\n") # 結果格納用リスト ranking_data = [] for track in PLAYLIST: artist = track['Artist'] song = track['Song'] lyrics = track['Lyrics'] print(f"Now Checking... [{artist} / {song}]") # 1. 翻訳 (JA -> EN) try: trans_resp = translate.translate_text( Text=lyrics, SourceLanguageCode='ja', TargetLanguageCode='en' ) en_text = trans_resp['TranslatedText'] except Exception as e: print(f" 翻訳エラー: {e}") continue # 2. 診断 (Comprehend Medical) try: med_resp = medical.detect_entities_v2(Text=en_text) entities = med_resp['Entities'] except Exception as e: print(f" 診断エラー: {e}") continue # 3. 集計 symptom_count = len(entities) # どんな症状が見つかったかテキストでまとめる symptoms_list = [e['Text'] for e in entities] symptoms_str = ", ".join(symptoms_list) if symptoms_list else "なし（健康）" ranking_data.append({ "Artist": artist, "Song": song, "Score": symptom_count, "Details": symptoms_str }) # APIレート制限考慮で少し待機 time.sleep(0.5) # ========================================== # 結果発表（ランキング表示） # ========================================== ranking_data.sort(key=lambda x: x['Score'], reverse=True) print("\n" + "="*80) print(f"{'RANK':<5} | {'ARTIST':<15} | {'SCORE (危険度)':<15} | {'DIAGNOSIS (主な症状)'}") print("="*80) for i, data in enumerate(ranking_data, 1): score = data['Score'] if score == 0: judge = "健康優良児" elif score < 3: judge = f"要経過観察 ({score})" else: judge = f"即入院 ({score})" print(f"{i:<5} | {data['Artist']:<15} | {judge:<15} | {data['Details']}") print("="*80) if __name__ == "__main__": main() 以下のコマンドでスクリプトを実行します。 python3 doctor_jpop.py 結果発表！ 出力された結果から、特に重症なものをいくつかピックアップして紹介します。 症例1：失恋直後のバラード患者 対象: 失恋太郎 / 『眠れない夜』 まずは定番、失恋ソングです。 「喉を通らない」「心が引き裂かれる」といった比喩表現が、ACM にはどう伝わったのでしょうか。 【ACM先生の診断結果（ログ抜粋）】 ・SYMPTOM: Meals don't go through my throat (食事が喉を通らない) ・INJURY/TRAUMA: heart was torn (心臓裂傷) 一発目からかなりの大誤診。 「切ない」という情緒は一切考慮されず、 嚥下障害や心臓裂傷 といった今すぐ外科的な緊急手術が必要なレベルです。   症例2：情熱的なロックバンド患者 対象: 炎のロッカー / 『バーニング・ラブ』 続いて、熱いロックバンド。 「声が枯れるまで」「息ができない」といった表現はどうなるでしょうか。 【ACM先生の診断結果（ログ抜粋）】 ・SYMPTOM: voice died (失声症) ・SYMPTOM: can't breathe (呼吸困難) こちらは呼吸器系の疾患ですかね•••？ 声が出ず呼吸困難 という状態に対して  「要経過観察」 との診断を下しました。   データ可視化：「不健康ランキング」の結果は？ 診断結果をスコアリングし、危険度順に並べ替えた出力結果がこちらです。  RANK | ARTIST | SCORE (危険度) | DIAGNOSIS (主な症状) ================================================================================ 1 | 激しいメタル | 即入院 (5) | head hurts, Blood..., poison, Consciousness... 2 | 失恋太郎 | 即入院 (4) | heart was torn, Meals don't go... 3 | 純愛ちゃん | 即入院 (3) | love, eyes, body 4 | 炎のロッカー | 要経過観察 (2) | voice died, can't breathe 5 | 健康キッズ | 健康優良児 | なし (健康)   最も医療費がかかりそうなアーティストは？ 圧倒的なスコアで1位になったのは 「激しいメタル」 でした。 「血（Blood）」 や 「毒（Poison）」 といった単語のオンパレードにより、内科・脳神経外科・救急科のすべての項目でハイスコアを叩き出しました。   やはり野菜は正義 一方で、ランキングの最下位（最も健康）に輝いたアーティストがいます。 「健康キッズ」 です。 『お野菜のうた』に含まれる「キャベツ」「トマト」といった単語に対し、ACMは全く反応しませんでした。 診断結果は 「なし（健康）」 。 やはり明らかに健康そうな歌詞に対しては問題なしと診断する ACM、優秀です！   まとめ 今回は Amazon Comprehend Medical を使って、歌詞の「健康診断」をしてみました。 皆さんも、お気に入りの曲を聴いて「いい歌詞だなあ」と感動しているとき、ふと 「これ、Comprehend Medical に通したらどうなるんだろう？」 と想像してみてください。 きっと、感動が台無しになるはずです笑 今回紹介した Medical 以外にも、 画像認識（Rekognition） や 時系列予測（Forecast） など、それぞれの目的に特化した AI　サービスがたくさんあります。 「こんな使い方したらどうなるんだろう？」という好奇心から、新しい技術の活用法が見つかるかもしれません（今回の使い方は完全に誤用ですが•••）。 ただ今回の処理は、非構造化データ（歌詞テキスト）から構造化データ（病名・部位・確信度）を抽出する、典型的なETL（Extract, Transform, Load）プロセスを応用したもの。 ビジネスの現場でも、「顧客のアンケート（自由記述）」から「不満の原因（商品・配送・接客）」を抽出して数値化したい、というニーズに活かせるのでは？と思いました。 ぜひ皆さんも、お手元のデータで遊んでみてください！ それでは、また次回の記事でお会いしましょう。