【ワークフロー】Sentiment Analysis：顧客の声をスコア化する感情分析AI

アンケートの自由記述やSNSの口コミなど、日々蓄積される大量のテキストデータ。「読んで終わり」になっていませんか？

Difyの「Sentiment Analysis（感情分析）」テンプレートは、テキストに含まれる感情を読み取り、「肯定的・否定的」の判定だけでなく、感情の強さを「スコア（数値）」として算出するワークフローです。

さらに、結果をシステムで扱いやすいJSON形式で出力するため、自社のデータベースやBIツール（分析ツール）へ直接連携させることが可能です。

この記事では、Geminiモデルを活用して高速かつ低コストに大量のデータを処理する、この分析ワークフローの内部構成を解説します。

Sentiment Analysisとは：定性データを定量データへ

このテンプレートは、入力されたテキストを分析し、感情スコア（-1.0〜1.0）とカテゴリを付与して返します。

最大の特徴は、単に「ポジティブ/ネガティブ」を判定するだけでなく、「複数の感情が混ざっているか（Multi-sentiment）」を考慮できる点です。

例えば、「商品は素晴らしいが、配送が遅かった」というレビューに対し、商品への高評価と配送への低評価をそれぞれ切り分けてスコアリングすることが可能です。

Difyで構築する機能概要

本テンプレートでは、以下のロジックで分析を実行します。

1. パラメータ設定：分析対象のテキストに加え、判定したい「カテゴリ（例：品質、価格、サポート）」や「多重感情の有無」を指定します。
2. 条件分岐：「多重感情（Multi-sentiment）」のフラグに基づいて、分析のアプローチを切り替えます。
3. LLM分析：Gemini 2.5 Flashを使用し、テキストを解析。キーワード抽出とスコアリングを行います。
4. JSON出力：外部システムが読み取りやすいJSON形式で結果を出力します。

【重要】最適化モデルのワークフロー詳細（ノード表）

このテンプレートは、バッチ処理（大量データの連続処理）にも適したシンプルな構造です。

以下は、実際に動作する完成版モデルの全ノード構成と設定内容です。

アイテム名（ノード名）	処理内容・設定詳細
開始 (Start)	入力パラメータの設定 以下の情報を入力として受け付けます。 ・input_text：分析したいテキスト（必須） ・Multisentiment：複数の感情を含めるか（Boolean：True/False） ・Categories：分析したい特定のカテゴリ（任意。例：接客, 味, 価格）
IF/ELSE (条件分岐)	分析モードの判定 ユーザーが指定した「Multisentiment」の値によって処理を分岐します。 ・IF（True）：テキスト全体に対し、カテゴリごとの感情スコアを算出するルートへ。 ・ELSE（False）：テキスト全体を一つの感情としてスコアリングするルートへ。
【IF：多重感情モード (True)】	「商品は良いが店員は悪い」などの複雑な評価を分析します。
∟ 多重感情は真実である 　(LLM)	詳細分析（使用AI：Gemini 2.5 Flash） 入力テキスト内の各カテゴリに対して、個別に感情スコア（-1.0～1.0）を割り当てます。 プロンプト要約： 「テキストに適用される各カテゴリの感情スコアを定義せよ。該当しないカテゴリは無視すること。コメントを含まない純粋なJSONのみを返すこと。」
∟ End 2 　(End)	分析結果（JSON）を出力します。
【ELSE：単一感情モード (False)】	「全体としてどう感じたか」という総合評価を分析します。
∟ 多重感情は誤り 　(LLM)	総合分析（使用AI：Gemini 2.5 Flash） テキスト全体に対して単一のスコアとカテゴリを特定します。 プロンプト要約： 「テキスト全体に対して単一のスコア（-1.0～1.0）を定義せよ。肯定的・否定的なキーワードも抽出すること。純粋なJSONのみを返すこと。」
∟ End 　(End)	分析結果（JSON）を出力します。

DifyでSentiment Analysisを構築・有効化する手順

以下の手順で、自動感情分析ツールを導入できます。

1. テンプレート選択：Difyの「探索」から「Sentiment Analysis」テンプレートを選択し、ワークスペースに追加します。
2. モデル設定：LLMノードにGemini 2.5 Flashが設定されているか確認します。大量のデータを処理する場合、コストと速度のバランスが良いこのモデルが最適です。
3. カテゴリの定義（任意）：特定の業界（飲食、IT、医療など）に合わせて、開始ノードの「Categories」にデフォルト値を設定しておくと便利です。
4. 動作確認：プレビューで「味はおいしいけど、値段が高すぎる」といった文章を入力し、Multi-sentimentモードで正しくJSONが出力されるかテストします。

このテンプレートを活用するメリット

人間が読むには多すぎるデータを、一瞬で「使えるデータ」に変えます。

• 客観的な数値化：「なんとなく評判が悪い」ではなく、「平均スコアが先月比-0.2ポイント低下」といった定量的な管理が可能になります。
• システム連携の容易さ：JSON形式で出力されるため、Excel、スプレッドシート、BIツール、社内DBなどにそのまま取り込めます。
• 教師データの作成：AI開発において、学習データ（データセット）にラベル付けを行う作業（アノテーション）の自動化ツールとしても非常に優秀です。

まとめ

Sentiment Analysisワークフローは、VOC（顧客の声）活動やマーケティング分析の自動化における強力なエンジンとなります。

目視での確認作業を廃止し、AIによる高速なスコアリング導入することで、改善アクションへのスピードが劇的に向上します。

ミラーマスター合同会社では、このような分析ワークフローと貴社のCRM（顧客管理システム）や問い合わせフォームとのAPI連携開発も承っております。顧客データの資産化をご検討の際は、ぜひお気軽にご相談ください。