アパレルEC店長がGeminiで商品レビュー分析を週4時間から20分に短縮：返品率も18%改善

アパレルEC店長がGeminiで商品レビュー分析を週4時間から20分に短縮：返品率も18%改善

公開日：2026年06月24日｜業種：アパレル・EC｜ツール：Google Gemini

「また月曜の朝がつぶれた」——レビュー分析地獄からの脱出

毎週月曜日の午前中、私はパソコンの前で頭を抱えていました。Googleスプレッドシートに貼り付けた300件超のレビューを、一行一行読み込んでいく作業。「サイズが思ったより大きかった」「生地がチクチクする」「写真と色が違う」——似たような不満が繰り返されているのはわかっているのに、それをカテゴリに分けて、商品ごとに集計して、バイヤーへの改善提案にまとめるまでに、気づけば4時間が経っています。

ECサイトの店長として商品企画から在庫管理、SNS運用まで掛け持ちしている私にとって、この4時間は正直言って「時間の暴力」でした。分析している間も、メールは溜まる、在庫アラートは来る、新作のキャプションも書かないといけない。でも、レビュー分析を怠れば返品が増え、評価が下がり、最終的に売上に直撃する。やらないわけにもいかない——その板挟みが、ずっとストレスでした。

この記事では、そんな状況を根本から変えてくれたGoogle Geminiを使ったレビュー分析の仕組みを、実際のプロンプトと手順を含めて、余すところなく公開します。

背景：なぜAIを使おうと思ったのか

私が運営しているのは、20代〜30代の女性向けカジュアルアパレルのECサイトです。月間の注文件数はおよそ1,200件、取り扱いSKU数は常時400点前後。楽天、Amazon、自社サイトの3チャネルで展開しているため、レビューが蓄積されるプラットフォームも複数にまたがっています。

転機は2025年の秋でした。その月の返品率が突然22%まで跳ね上がり、原因を探ってみると「サイズ感の相違」が集中していることがわかりました。実はその2ヶ月前のレビューに「このブランドのMサイズ、他より大きめです」という投稿が複数あったんです。でも週次のレビュー分析でそれを見落としていた。いや、正確には「見てはいたけど優先度を上げていなかった」。

人間がテキストを読む作業には、どうしても疲弊によるバイアスがかかります。100件目のレビューを読む集中力は、10件目とは全然違う。「これが原因だったのか」とわかったとき、私は「自分の目じゃなくて、機械に読ませればいいじゃないか」と思い至りました。

最初はChatGPTを試してみましたが、プラットフォームの制限でファイルのアップロードに手間がかかり、長いテキストでの精度に不満を感じていました。そのタイミングでGemini 1.5 Proの長文コンテキスト処理能力の高さを知り、試しに使ってみたところ、300件のレビューをまとめて投げ込んでも精度が落ちなかったことに驚きました。そこからGemini一本に切り替えて、今の仕組みを作り上げていきました。

具体的な取り組み：実際の手順とプロンプトを全公開

ステップ1：レビューデータの収集と整形

まず、各プラットフォームからレビューデータを集めます。楽天とAmazonはそれぞれ管理画面からCSVエクスポートできます。自社サイトはShopifyを使っているので、アプリから同様にCSV出力できます。

3つのCSVをGoogleスプレッドシートに統合して、以下の5列に整理します。

• 投稿日（YYYY-MM-DD形式）
• プラットフォーム（楽天 / Amazon / 自社）
• 商品SKU（例：BL-001-M-BLK）
• 評価（1〜5の数値）
• レビュー本文

この整形作業自体は10分ほどで終わります。以前はここからが本番の「読み込み地獄」でしたが、今はGeminiにバトンを渡す準備が整ったサインです。スプレッドシートの5列をまとめてコピーし、Geminiのプロンプトに貼り付けます（1回あたりおよそ200〜350件分）。

ステップ2：カテゴリ分類プロンプト

最初に使うのが「一次分類プロンプト」です。レビューをカテゴリ別に仕分けるためのもので、私が実際に使っているプロンプトはこちらです。

【プロンプト①：一次カテゴリ分類】

以下はアパレルECサイトに投稿された顧客レビューのデータです。各レビューを読み、以下の7カテゴリのうち最も該当するものに分類してください。複数該当する場合は主要なもの1つを選んでください。

カテゴリ：①サイズ感 ②素材・肌触り ③色・デザイン ④品質・耐久性 ⑤配送・梱包 ⑥価格・コスパ ⑦その他

出力形式：SKU | カテゴリ番号 | カテゴリ名 | ポジティブ/ネガティブ/中立 | 要約（20字以内）の表形式でお願いします。

【レビューデータ】

（ここにコピーしたCSVデータを貼り付け）

このプロンプトを使うと、数十秒で300件のレビューが整理された表として返ってきます。以前は手作業で2時間かかっていた分類作業が、これで完了します。

ステップ3：問題集中SKUの特定プロンプト

一次分類が終わったら、次は「どの商品に問題が集中しているか」を洗い出します。

【プロンプト②：問題SKU特定】

上記の分類結果をもとに、以下の条件で上位5SKUをランキング形式で教えてください。

条件1：ネガティブレビューが3件以上集中しているSKU
条件2：同じカテゴリのネガティブ意見が2件以上重複しているSKU
条件3：評価が3以下のレビュー割合が30%を超えるSKU

出力には「SKU名」「問題カテゴリ」「ネガティブ件数」「代表的なレビュー文（原文のまま1件）」「推奨アクション（具体的に）」を含めてください。

この「推奨アクション」がポイントです。単なる集計だけでなく、「サイズ表記にヌード寸を追記する」「商品ページにモデルの身長・体重・着用サイズを明記する」といった具体的な改善提案まで出してくれるのが、Geminiを使うメリットの一つです。

ステップ4：ポジティブレビューからの訴求ワード抽出

問題点の分析だけでなく、好評点を商品説明や広告コピーに活かすためのプロンプトも使っています。

【プロンプト③：訴求ワード抽出】

ポジティブレビュー（評価4・5）の中から、顧客が実際に使った表現で繰り返し登場しているキーワードやフレーズを抽出してください。

出力形式：キーワード | 出現回数 | 使われた文脈の例文（原文）1件
上位10位まで、ランキング形式でお願いします。

これらは商品説明文や広告コピーに活用するため、顧客の「生の言葉」を優先してください。マーケティング用語への言い換えは不要です。

「着回しが効く」「洗濯機でガンガン洗える」「職場でも使える」——こういった生の言葉が出てくるのが嬉しいところ。自分で考えたコピーより、お客様の言葉をそのまま使った方がCVRが上がるというのは、ECあるあるですよね。

ステップ5：バイヤー向け改善レポートの自動生成

最後に、商品担当バイヤーとの週次MTG用のサマリーレポートを作ります。ここまでの分析結果をもとに、1つのプロンプトでレポートを仕上げます。

【プロンプト④：バイヤー向けレポート生成】

ここまでの分析結果をもとに、仕入れ担当バイヤーへの週次改善レポートを作成してください。

構成：①今週の全体サマリー（3行以内）②緊急対応が必要なSKU（上位3件）③商品ページ改善提案 ④次回仕入れへの反映事項 ⑤ポジティブ訴求ポイント（広告・SNS活用用）

読み手はEC担当ではなくバイヤー（製品の仕入れ・品番管理が専門）なので、専門用語は最小限にして、アクションに直結する内容を優先してください。文体はビジネスメール調でお願いします。

このレポートをそのままコピーしてSlackに貼り付けるだけで、MTGの準備が完了します。以前は分析→メモ整理→レポート作成で合計4時間かかっていたこのプロセスが、今では20〜25分で終わります。

失敗談と改善：うまくいかなかった3つの壁

失敗①：「とりあえず全部投げ込む」がカオスを生んだ

最初の1週間、私は「AIって賢いんでしょ？」という過信から、3プラットフォーム分のレビューをまとめて一つのプロンプトに突っ込んでいました。結果、Geminiの出力はぐちゃぐちゃ。プラットフォームをまたいで同じ商品の評価が混在し、どこのレビューがどの問題を指しているのかわからなくなりました。

改善策は「プラットフォームごとに分けて分析し、最後に統合する」こと。一見手間が増えるように見えますが、プラットフォームごとに顧客層や文化が違うため（楽天は詳細なレビュー、Amazonは短め、自社サイトはリピーターが多い）、分けた方が精度が上がりました。

失敗②：カテゴリ設定が曖昧で分類がブレた

最初に使ったカテゴリは「品質」「使用感」「サービス」の3つだけでした。シンプルすぎて、「生地が薄い」も「ボタンが取れた」も「品質」に分類されてしまい、改善のアクションに落とし込めませんでした。

何度か試行錯誤した結果、今の7カテゴリ（サイズ感・素材・色柄・品質・配送・価格・その他）に落ち着きました。カテゴリは「改善アクションが異なるもの」を基準に設計すると使いやすいです。「サイズ感」と「素材」では対応部署も対応策も全然違うので、最初からそこまで考えてカテゴリを設計すべきでした。

失敗③：AI出力をそのままレポートに使って赤っ恥をかいた

使い始めて3週目、Geminiが生成したバイヤーレポートをほぼ無確認でSlackに貼り付けたところ、バイヤーから「このSKU、先月終売したんだけど」というツッコミが入りました。私自身がデータ整形のとき、古いレビューCSVを誤って混入させていたのですが、Geminiはそのまま分析してしまったのです。

AIは「データに書いてあること」しか知りません。前提となるデータの品質管理は人間の仕事です。今は「対象期間（直近4週間のレビューのみ）」と「現行販売中SKUのみ」という条件をスプレッドシートの整形段階でフィルタリングし、AIに渡す前に必ずチェックするステップを追加しました。また、Geminiのレポートは最終確認として5分で目を通してから共有するルールにしています。

成果：数値で見るBefore / After

Geminiを使ったレビュー分析フローを本格稼働させて約8ヶ月が経ちました。数値として出た成果をまとめます。

返品率の改善については、単純計算で月1,200件×18%→月1,200件×18.2%の差分として計算すると、月間約48件の返品が減ったことになります。アパレルECにおける返品処理コスト（再検品・再梱包・送料）は1件あたり平均800〜1,200円とされているため、月あたりおよそ38,400円〜57,600円のコスト削減効果があった計算です。

ただ、私が一番嬉しかったのは数字ではなく「月曜の朝が好きになった」ことです。以前は憂鬱でしかなかった分析タスクが、今では20分でさっと終わり、残った時間を新作キャプション作りやSNS戦略に使えています。仕事の質が変わりました。

応用・発展：次に試したいこと、すでに試していること

季節トレンドの先読みに使う

レビューデータを蓄積していくと、「去年の秋に何が不満だったか」が蓄積されます。今年は夏物の仕入れ前に過去2年分の夏商品レビューをGeminiに投げ込み、「素材の蒸れ感」に関するネガティブコメントが多かったことを発見。その結果、今年の夏物仕入れでは通気性素材の割合を従来比30%増やすという意思決定ができました。これは以前の「感覚仕入れ」では絶対にできなかったことです。

Q&Aの自動生成への展開

レビューで繰り返される質問（「洗濯は手洗いのみ？」「丈はどのくらい？」など）を集めて、商品ページのよくある質問（FAQ）セクションの初稿をGeminiに作らせています。人が書くより顧客目線で書かれたFAQになるのが面白いです。

競合レビュー分析との比較

Amazonでは競合他社のレビューも同様に収集・分析できます（公開情報の範囲内で）。「競合のここが弱い」という穴を見つけ、自社の強みとして訴求するという使い方も試しています。これはまだ実験段階ですが、手ごたえを感じています。

今後の展望：Google Apps Scriptとの連携

現状はまだ「CSVをコピーしてGeminiに貼り付ける」という手動フローです。Google Apps ScriptとGemini APIを連携させて、毎週月曜朝に自動でレビューを収集・分析・レポート化までを全自動にする仕組みを構築中です。これが完成すれば、20分がさらに0分（完全自動）になります。

まとめ：「時間を買う」のではなく「考える時間を取り戻す」

AIを使い始める前、私は「AIって結局、それなりのものしか出てこないんじゃないか」と半信半疑でした。でも実際にGeminiを使ってみて気づいたのは、AIが代わりにやってくれるのは「読む・分類する・集計する」という作業だけで、「どう改善するか」「何を優先するか」という判断は、やっぱり人間がやるんだということです。

だからこそ、Geminiを使って4時間が20分になった今、残りの3時間40分で私はより良い判断ができるようになりました。数字を眺めるだけだった週次レビューが、今では「この商品をどう育てるか」を考える時間になっています。

アパレルECに限らず、レビューやアンケートの分析に時間を取られているEC担当者の方には、ぜひ一度Geminiを試してみてほしいです。最初のプロンプトを作るのに1時間かけたとしても、次の週から毎週3時間40分が返ってきます。それだけで、十分元が取れます。

今日からでも始められます。まずは今週のレビュー50件を、プロンプト①に貼り付けてみてください。

この記事は実践AI（jissen.ai）の専属ライターが取材・執筆した事例記事です。数値データは取材対象者の実績に基づいていますが、効果は個人・環境によって異なります。