A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

あなたは、人々が製品に対して「本当に」何を求めているのかという謎を解こうとする探偵だと想像してください。ビジネスの世界では、これを「顧客ニーズ分析」と呼びます。長い間、企業は紙のアンケートを配ったり、フォームへの記入を求めたりすることでこれを解決しようとしてきました。しかし、それは街角にいるわずか5人に尋ねるだけで都市全体の考えを推測しようとするようなものです。それは時間がかかり、偏りやすく、人々は必ずしも真実を話すとは限りません。

インターネット時代の到来により、何百万人もの人々がオンラインレビューという形で、デジタルな意見の足跡を残すようになりました。これはデータの宝庫ですが、非常に乱雑です。これを理解するために、科学者は2つの主要なツールを使用します。第一に、「感情分析（センチメント分析）」です。これはテキストの「ムードリング（気分を表す指輪）」のようなもので、単語や文章が、嬉しいのか、悲しいのか、怒っているのか、あるいは興奮しているのかを判別しようとします。第二に、「狩野モデル（Kano model）」です。これは有名なフレームワークであり、ニーズをいくつかのカテゴリーに分類します。あるものは「当たり前（基本性能）」であり（それらがなければ不満を感じる）、あるものは「線形（性能に比例する）」であり（多ければ多いほど満足度は高まる）、そしてあるものは「魅力属性（期待を超えるもの）」です（予期せぬボーナスであり、喜びで飛び上がらせるもの）。問題は、従来のムードリングは「静的」であることです。固定された単語辞書を使用しているため、スラングや皮肉、文脈を扱うことができません。また、狩野モデルは通常、これらのような遅くて主観的な調査に依存しています。

本論文は、これらのツールを組み合わせる巧妙な新しい方法を提案しています。研究者たちは、「動的」なムードリングを構築しました。これは、特定の言語から学習するものであり、サーベイ（調査）を完全にスキップして、自動的に狩野モデルにデータを供給します。彼らは、ドライバーが何を愛し、何を嫌い、どの機能を優先的に修正すべきかを正確に把握するために、新エネルギー車（電気自動車など）の約9,000件のレビューを用いてこの手法をテストしました。

---

探偵の新しいツールキット

研究者のQiong He氏と北京情報科技大学のチームは、古いツールがオンラインでの人々の実際の話し方に追いつけていないことに気づきました。もしあなたが車が「大きい（big）」と言った場合、静的な辞書はそれを単なる中立的な言葉として捉えるかもしれません。しかし、もし「大きな音（big noise）」と言えば、それは悪い意味になります。一方で「大きなトランク（big trunk）」と言えば、それは良い意味になります。標準的な辞書は、人間による説明なしにはその違いを判別できません。

これを解決するために、チームは**動的感情辞書（Dynamic Sentiment Lexicon）**を構築しました。これは、単に単語を暗記するだけでなく、会話の「雰囲気」を理解する、非常にスマートで自己更新型の辞書だと考えてください。彼らは、人間のやり方と同じように文章を読み、単語の前後を見てその真の意味を理解する強力なAIの脳（BERTと呼ばれます）を使用しました。また、辞書の最適な開始単語を選ぶために、TF-IDF-PageRankという数学的なトリック（「一緒に頻繁に現れる最も重要な単語を見つける」という高度な方法）も使用しました。

このスマートな辞書を手に入れた後、彼らはそこで止まりませんでした。彼らはこれを狩野モデルに組み込みました。通常、狩野モデルでは、研究者が顧客に対して「もしこの機能があったらどう感じますか？」「もしこれがなかったらどう感じますか？」と尋ねる必要があります。チームはこの「尋ねる」プロセスをスキップしました。代わりに、AIに数千件のレビューを読ませ、特定の車のパーツについて人々がどれほど幸福、あるいは怒っているかを計算させ、それらのパーツを自動的に狩野のカテゴリーへと分類させたのです。

9,000件のレビューのケース

チームは、中国の人気自動車サイト「Dongchedi」から収集された、新エネルギー車（NEV）に関する8,970件のオンラインレビューを用いて、このフレームワークをテストしました。彼らは、Tesla、BYD、Chang'an、NIO、Lixiangという5つの主要ブランドに焦点を当てました。

データのクリーニング（重複や意味不明なデータの削除）を行った後、彼らのシステムは、顧客が重視する9つの主要な製品属性を特定することに成功しました。これらは「航続距離（充電でどれくらい走れるか）」や「スペース」から、「インテリジェンス（スマート走行機能）」、「シャシーシステム（車の骨格と乗り心地）」まで多岐にわたります。

ここで魔法が起きました。AIは単に特徴をリストアップしただけでなく、それらを狩野モデルを用いて分類し、ドライバーの隠れた心理を明らかにしました。

• 「当たり前（Must-be Attributes）」: システムは、シート、シャシーシステム、そして**ドライビング・エクスペリエンス（運転体験）**が基本であることを突き止めました。これらが劣悪であれば、顧客は激怒します。しかし、これらが単に「良い」程度では、顧客は興奮しません。ただ当然だと感じるだけです。それは家の屋根がある状態と同じです。屋根が漏れていれば怒りますが、屋根がしっかりしているからといって、パーティーを開くことはありません。
• 「線形的（One-dimensional Attributes）」: **外観（アピアランス）**がここに分類されます。車がスタイリッシュであればあるほど、顧客は幸せになります。これは直線的な関係です。見た目が良ければ良いほど、笑顔が増えます。
• 「魅力属性（Attractive Attributes）」: これが大きな驚きでした。航続距離、スペース、インテリジェンス、インテリアの質、そして価格といった特徴が「魅力属性」として分類されました。これは、車がこれらの分野で優れている場合、顧客満足度に劇的なスパイク（急上昇）を生み出すことを意味します。しかし、これらの分野が単に「普通」である場合、顧客は必ずしも怒るわけではありません。ただ、特別な喜びを感じないだけなのです。

「機会（オポチュニティ）」スコア：誰を先に修正すべきか？

人々が何を求めているかを知ることは素晴らしいことですが、企業には限られた予算があります。すべてを一度に直すことはできません。そこで、研究者たちは最終ステップとして**機会アルゴリズム（Opportunity Algorithm）**を追加しました。これは優先順位リストとして機能します。これは以下の2つの要素を見ます。

1. 重要度（Importance）: その特徴について、人々はどのくらいの頻度で話しているか？
2. 満足度（Satisfaction）: 現在、人々はその特徴に対してどの程度満足しているか？

アルゴリズムは「チャンススコア」を算出し、メーカーがどこに集中すべきかを伝えます。結果は明確でした。

• 最優先事項: スペースと航続距離が勝者でした。これらはすでに「魅力属性」であり（優れた時に人々を喜ばせるもの）、しかし、より多くの顧客を獲得するために、さらに改善できる余地がまだ残されています。
• 緊急の修正: ドライビング・エクスペリエンスは、顧客が驚くほど不満を感じている「当たり前（Must-have）」の要素でした。これは基本要件であるにもかかわらず、低い満足度スコアは、ブランドにとって「時限爆弾」であることを意味していました。
• 低優先度: インテリジェンスと外観は、機会スコアが低かったため、これらは重要ではあるものの、現在の顧客の欲求と現状のギャップは、ドライビング・エクスペリエンスやスペースの問題ほど深刻ではないことを示唆しています。

結論

この研究は、このような動的でAI駆動のアプローチを用いることで、企業は推測や主観的な調査から脱却できることを示唆しています。代わりに、オンラインレビューの混沌の中から、顧客の「声」を直接聴くことができるのです。このフレームワークは、8,970件の乱雑なレビューを、明確で実行可能なロードマップへと見事に変換しました。つまり、「ドライビング・エクスペリエンスを修正して出血を止めること」、そして「スペースとバッテリー航続距離を強化して次の大ヒットを生み出すこと」です。

著者らは、この手法が現在は電気自動車のみにテストされており、単一のウェブサイトのデータに依存していると注記していますが、この「動的辞書」アプローチは、顧客が真に何を必要としているかを理解するための、再現可能で客観的な方法を提供すると主張しています。それは、インターネットのノイズを、製品改善のための明確なシグナルへと変えるのです。