「ドイツの売上がなぜ低下したのか？」に誰も答えられなかった会議
四半期ごとのグローバルマーケティングレビュー会議を思い出してみてください。ドイツの売上が顕著に低下していました。原因を尋ねると、アナリストがドイツ語のレビュー20個を翻訳機で読んで、「価格競争力の問題のようだ」と書き記していました。その一文を根拠に、割引予算が増額されました。数週間後、再度調査すると、実際の不満の大部分は価格ではなく、カメラの画質であることが分かりました。
グローバルスマートフォンブランドの戦略チームやそれを助言するコンサルティング組織が繰り返し直面する光景です。本社が手にするのは9カ国の販売数量の数字だけで、「なぜ」は国や言語、プラットフォームごとに散らばったレビューの中にあるからです。
多言語のレビューは最終的に「英語のサンプル数個」にまとめられる。日本語の初期不良のニュアンス、ブラジルポルトガル語の価格不満、インドネシア語の正規品・配送問題は本社の画面に全く捉えられない
米国のAmazonの評価は4.2で平均的だが、YouTubeやRedditでは発熱の話題で批判が激しい。「どのチャンネルが本当の世論なのか」という問いで会議が膠着する
インドで評価が低下し、「充電中に熱くなる」というレビューが殺到しても、法人月次レポートが上がってくるまで3週間も知らない。その間にファームウェアのアップデートで解決できた隙が閉じる
国ごとにサイトを1つずつ開いて読む方法では、世界中の反応を同じ基準で見ることはできません。サンプルは常に画面の上部数個に留まり、そのサンプルが特定の国の世論を過大・過小に代表しても検証する方法がありません。
多国間マーケットプレイスとVOCを1つのスキーマで収集する
ハッシュスクレイパーを活用すれば、複数の国のマーケットプレイスの商品・レビューと製品コミュニティ・動画の世論（VOC）を1つの構造で収集できます。国やプラットフォームが異なっても同じアイテムで整理されるため、集計ではなく比較から始めることができます。
実際のクローリングデータ例 - マーケットプレイスのレビュー（多言語）
{
"Country": "Germany",
"Marketplace": "Amazon.de",
"Product Name": "글로벌 스마트폰 브랜드 보급형 5G 모델",
"Spec": { "OS": "Custom OS", "RAM": "8GB", "Storage": "256GB" },
"Rating": 4.3,
"Review Count": 512,
"Star Distribution": { "5": "58%", "4": "17%", "3": "9%", "2": "6%", "1": "10%" },
"Review": {
"Reviewer": "A. K.",
"Rating": 2,
"Date": "2026-06-14",
"Title": "Enttäuschend",
"Body": "Sehr enttäuschend – der Kundenservice reagiert kaum ...",
"Verified": "Y"
},
"Collected At": "2026-07-03"
}
実際のクローリングデータ例 - YouTubeのレビュー動画コメント
{
"Source": "유튜브 리뷰영상 댓글",
"Video Title": "보급형 5G 스마트폰 내구성 테스트",
"Channel": "테크 리뷰 채널",
"Subscribers": "800만",
"Views": 1920000,
"Comment": {
"Author": "@user***",
"Posted": "3개월 전",
"Body": "카메라는 괜찮은데 게임하면 발열이 좀 있네요",
"Likes": 128
},
"Collected At": "2026-06-18"
}
実際のクローリングデータ例 - 製品コミュニティの投稿
{
"Source": "제품 커뮤니티",
"Board": "모바일 > 스마트폰",
"Title": "업데이트 후 배터리 문의",
"Author": "user***",
"Views": 320,
"Likes": 4,
"Comments": 7,
"Posted At": "2026-06-28 14:12"
}
マーケットプレイスのレビューは星評価の分布と本文、YouTube・コミュニティは投稿・コメント本文と反応数値を一緒に収めます。ドイツ語のレビュー原文のように現地言語そのまま収集され、verified（実購入）の有無や投稿国まで構造化されます。形式の異なる3種類のデータが同じ骨組みで整理されるため、後で翻訳・感情分析・属性分類を重ねると地域ごとの不満がサンプルではなく全数基準で明らかになります。
活用事例: グローバルコンサルティングファームのスマートフォン市場分析プロジェクト
あるグローバルコンサルティング・戦略アドバイザリー企業は特定のスマートフォンブランドの世界中の消費者反応を診断するプロジェクトを実施しました。対象市場が複数の大陸にまたがっているため、国ごとに散在するレビューや世論を同じ基準で集めることが肝要でした。
クローリング設定
マーケットプレイス: アマゾン米国・ドイツ・英国・フランス・日本・インド・ブラジルなど7カ国 + アジアマーケットプレイス（Coupang・Tokopedia）
VOCチャンネル: メーカー公式製品コミュニティ、YouTubeレビュー動画コメント、海外コミュニティ（Reddit）
収集項目: 製品仕様、星評価分布、個々のレビュー・コメント本文（多言語）、投稿者・投稿日・投稿国・verified有無・反応数値
クローリング周期: チャンネルごとに定期収集
分析可能な項目
| 分析項目 | 活用方法 |
|---|---|
| 国ごとの星評価・評価分布 | 7カ国でどのように評価されているか比較 |
| 属性ごとのVOC分類 | バッテリー・カメラ・発熱・価格などの項目ごとにレビュー・コメントを自動分類 |
| 競合ブランド対比 | 同じカテゴリーの競合モデルの反応と比較 |
| プラットフォームごとの温度差 | マーケットプレイスの星評価とコミュニティ・YouTubeの世論の違いを把握 |
| 言語別課題 | 言語ごとのレビューを翻訳・感情分析して地域ごとの不満を抽出 |
数量データ
| 項目 | 数値 |
|---|---|
| 収集マーケットプレイス | アマゾン7カ国 + アジア2カ国 チャンネルVOCチャンネル製品コミュニティ・YouTube・海外コミュニティ累計収集件数100万件以上（YouTubeコメントだけ50万件以上）収集周期チャンネルごと定期 |
散在していた反応が1つの表に集まると、以前はデータで答えられなかった質問がデータで解決し始めました。
「米国4.2対ブラジル3.8、サンプル数と収集時期は？」 — 定期収集により国別のタイミングを制御し、verified基準でフィルタリングされた同一条件比較が可能になりました。比較表全体の信頼性が揺らいでいた瞬間が消えました。
「発熱不満の割合は？」 — 'かなり多く見られる'などの質的な文ではなく、国別の発熱言及比率を数値でスライドに掲載しました。
公式コミュニティは静かだがソーシャルは論争 — 公式チャンネルだけ見て'満足度良好'とまとめていた慣行に代わり、マーケットレビュー・公式コミュニティ・YouTube・Redditを1つのデータセットにまとめてチャンネル間の温度差を1枚で示しました。
同じデータでも部署ごとに異なる答えを得る
同じ統合データセットを持っていても、部署ごとに投げかける質問が異なります。そして、そのほとんどはこれまで「勘」で答えられていたものです。
| 部署が投げかける質問 | データが与える答え |
|---|---|
| ブランド・マーケティング戦略 | ドイツの売上がなぜ低下したのか、予算をどこに使うか国ごとの星評価分布 + 属性VOCで原因属性を特定して予算再配分 |
| 製品企画・PM | 次モデル、発熱改善が先かカメラが先か属性ごとの不満の国別ランキングでロードマップ優先順位を件数で守る |
| 品質・CS | 星評価が低下したのは何が原因か星評価の低下を属性の寄与度で分解（発熱言及2倍 vs 価格不満減少）地域法人"当社市場は発熱が特にひどい"をどう証明するかサンプルではなく全数ベースの国別比較でローカル予算根拠を確保 |
| 競合情報・インサイト | 競合社より優れているか悪いか競合モデルも同じ属性・否定率軸で換算して相対差を提示 |
品質・CSチームにとっては「タイムラグ」が特に重要です。同じ欠陥がYouTubeコメントで広がり、数週間後にはアマゾンの評価が低下し、再び公式コミュニティAS問い合わせにつながるようなチャンネルを辿るというパターンがあるからです。チャンネルごとに担当が分かれていれば、「YouTubeコメント急増→3週間後評価低下」という先行パターンを誰も繋げることができません。1つのデータセットにまとめると、この流れが1本の線として見えます。
地域法人が「インドは発熱不満が特にひどい」とローカル予算を要求すると、本社が「グローバル平均は4.3なのに根拠はあるか」と返されて議題が先送りされていた状況も変わります。国ごとの言及比率という同じ言語で対話することになるからです。
多言語のレビューを読む形式に
7カ国からのレビューは言語も異なり、表現も自由です。収集だけでは不十分です。ハッシュスクレイパーはAIを活用して、これらの原文を分析可能な形式に整理します。
翻訳・感情分析: 現地言語のレビューを翻訳し、肯定的・否定的を分類
属性(aspect)分類: バッテリー・カメラ・画面・発熱・価格などの項目ごとに言葉をまとめる。
発熱 / Überhitzung / 発熱 / overheatingのように、言語ごとに異なる表現も同じ属性として集計チャンネル・信号の正規化: マーケットプレイスのレビュー（実購入）、公式コミュニティ、YouTube・Redditのコメントを同じ軸に並べながら、verified有無で実使用信号に重みを置く
このように整理すると、散在したテキストが比較可能な表になります。例えば、属性ごとの否定言及比率を国ごとに並べると、どの市場で何が問題か一目でわかります。
属性ごとの否定言及比率（例）
| 国 | 発熱 | バッテリー | カメラ | 価格・その他 |
|---|---|---|---|---|
| インド | 高い | 中間 | 中間 | 低い |
| ドイツ | 低い | 中間 | 低い | 高い（サービス） |
| ブラジル | 中間 | 低い | 高い | 中間 |
| 米国 | 低い | 低い | 低い | 低い |
おかげで、YouTubeの「爆発する」などの誇張や特定コミュニティの過剰な世論がverified実購入不満と同等の重みで混ざる歪みを減らすことができます。例えば、「インドのレビューで発熱言及が増えている」、「ドイツは星評価よりサービス不満が多い」といった地域・属性単位の診断が可能になります。
なぜ社内で直接行うのが難しいのか
この作業を社内で直接行おうとしたチームが共通して直面する壁があります。大きく分けて、データ自体を扱う問題と、そのデータを毎日安定して確保する運用の問題に分かれます。まずデータ側です。
言語 — 7カ国のレビューを人間
