← 記事一覧へ

商品データは、買い手の質問から組み立てる

商品データの項目は、ふつうカタログから作られます。ZAG は、実際の買い手の質問から作ります。声、そこから見つかるペルソナ、買い手がしようとしていること、そして質問ごとに必要な属性。うまくいかなかった最初の版の話も含めて紹介します。

5分で読めます

執筆 ZAG

English version →

商品データの多くは、カタログを起点に作られます。仕様表の各行を項目にすれば、スキーマ(項目の設計)ができあがります。整っていて、カタログを作った人が想定した質問には答えられます。

ところが、買い手はそれ以外のことを聞きます。どう配線するのか、どう調整するのか、今使っている製品の後継はどれか。商品データにそのための項目がなければ、AI アシスタントも検索ページも、答える材料を持てません。

そこで私たちは、逆の側からスキーマを作るようにしました。買い手が実際に聞いていることからです。この記事では、私たちが使う言葉、買い手の質問からスキーマの項目までのつながり、結果をごまかさないための仕組み、そしてうまくいかなかった最初の版について書きます。

4つの言葉

声は、買い手が実際に書いた一件です。メーカーの FAQ に載っている質問、Q&A サイトの質問、販売店のページにある質問、メーカーから共有いただいた問い合わせなどです。何よりも先に、まず声を集めます。

ペルソナは、その声の中に見つかる買い手の型です。肩書きから考え出すのではありません。その人がすでに知っていること、すでに持っている・使っているもの、使っている言葉で声をまとめます。ペルソナごとに、もとになった実際の声の一覧を残します。数は多くなく、製品群ごとにだいたい2〜4つです。カタログからは考えられても、裏づける声がないペルソナは「提案」と表示し、分けておきます。

意図は、その人がしようとしていることです。選ぶ、比べる、取り付ける・配線する、調整する、トラブルに対処する、置き換える・同等品を探す、購入する。どの意図がどれだけあるかは、実際の声から測ります。想定では決めません。

状況は、ペルソナと意図の中にある具体的な場面です。何を持っているのか、製品が何につながるのか、何が難しいのか。カタログに載っている仕様値を、そのまま条件として書き直すことはしません。「取り付け位置は変えない」は状況です。「検出距離 30 mm」は状況ではありません。それは場面ではなく、答えのほうです。

声から、スキーマの項目へ

1つの質問は、ペルソナ・意図・状況の組み合わせです。そこから、次のようにつながります。

声 → ペルソナ × 意図 × 状況 → 質問 → 必要な情報 → 属性 → スキーマ

架空の例つきの6段階。買い手の声をペルソナ・意図・状況に分けて1つの質問にし、必要な情報、量・対象の部位・条件・最小/最大/標準をもつ属性、需要の順に並んだスキーマへとつなぐ。

架空の例で見てみます。ある買い手が「今の取り付け位置のままで、黒い部品を検出できる後継機はありますか?」と書いたとします。旧型のセンサーを使っている人(ペルソナ)が、置き換えを考えていて(意図)、取り付け位置は変えたくなく、ラインを流れる部品は黒い(状況)、ということです。質問にすると「今の取り付け距離のまま、黒い対象物を検出できる現行機はどれか」になります。

これに答えるには、黒い対象物での検出距離が、モードごとに商品データに書かれている必要があります。これが必要な情報です。

必要な情報は、商品データに何を書くべきかまで落とし込みます。量、その量が当てはまる部位、条件、そして最小・最大・標準の値の4つです。この例では「検出距離」という1つの属性になり、検出モードと対象物が条件として付きます。「検出距離(モード A・白紙)」「検出距離(モード B・黒ゴム)」のように名前の違う行を10本並べるのではありません。条件つきの1項目のほうが、埋めやすく、比べやすく、AI にも読みやすくなります。

属性は、実際の需要を多くカバーするものから順に並べます。それぞれに、根拠となった声を添えます。

副産物もあります。ギャップリストです。買い手が聞いているのに、カタログや製品データベースに項目がないものの一覧です。この例で、黒い対象物での検出距離を書いた項目がどこにもなければ、それがギャップリストに載ります。

2つの山:作る山と、測る山

集めた声は、最初に一度だけ2つの山に分けます。

買い手の声を先に集め、一度だけ2つに分ける。作る山はペルソナ、意図の内訳、属性を決めるのに使う。測る山は閉じたままにし、カバー率を測るときだけ使う。下がることもある数字になる。

1つ目の山から作ります。2つ目の山は閉じたままにしておき、測るときだけ使います。測るのは、その買い手たちが求めた情報のうち、答えられる属性があったものの割合です。これをカバー率と呼んでいます。

測る山の声は作るときに一度も使っていないので、この数字は「間違っている」と教えてくれることがあります。下がることもある数字です。どの結果よりも、そのことに意味があります。

最初の版で間違えたこと

最初の版では、ペルソナを製品とカタログから書いていました。役割、業種、用途です。見た目には筋が通っていました。ところが実際の買い手の質問で採点すると、ペルソナを使わずにそのまま AI モデルに聞いた場合を上回りませんでした。

理由は、見てみればはっきりしていました。シミュレーションした買い手は、ほとんどが「どれを選べばいいか」を聞いていました。一方、公開されている実際の質問は、ほとんどがすでに製品を持っている人からのものでした。どう配線するか、どう調整するか、何に置き換えるか。私たちは「選んでいる人」に向けて作っていましたが、実際の買い手の多くは、もう選び終わっていたのです。

そこで順番を変えました。ペルソナは実際の声から作る。意図の内訳は想定せずに測る。そして測る山で、結果をごまかさないようにする。

では、シミュレーションは使わないのか。ペルソナは、実際の質問を整理して説明し、さらに広げるために使います。広げた分がどれだけ役に立つかは、想定するのではなく測ります。

パイロットで分かったこと

産業用センサーのメーカーと、1つの製品群でこの方法を試しました。閉じておいた実際の買い手の質問 92 件で、カバー率を測りました。

閉じておいた実際の買い手の質問92件で測ったカバー率。メーカー自身の製品データベースは約16%、買い手の声から作ったスキーマは上位80属性で54〜57%。

メーカー自身の製品データベースでは、買い手が求めた情報のうち約 16% に答えられる項目がありました。買い手の声から作ったスキーマでは、上位 80 属性の時点で 54〜57% でした。1

これはカバー率であって、正確さではありません。答えを入れる項目があるかどうかを示す数字で、そこに入る値が正しいかどうかは示しません。項目を正しく埋めるのは、また別の仕事です。

人が確認するサービスとして

スキーマの中身を、AI モデルが言ったからというだけで決めることはしません。属性は1つずつ、根拠と一緒に人が見て、賛成するか、疑問を出します。

そのため、この仕事はセルフサービスのツールではなく、人の確認を挟むサービスとして提供しています。

共通しているところ

AI の答えの中でブランドがどう扱われるかを見る仕事も、製品からではなく、人についての実際の証拠から始めます。こちらはペルソナは、実在する会社の動きで裏づけるに書きました。2つは方法の違う別の仕事ですが、出発点は同じです。

出典

  1. ZAG と産業用センサーメーカーによるパイロット(1製品群、2026 年 11 月)。n = 92(閉じておいた実際の買い手の質問)、ブラインドで判定する2つの AI 評価者が照合。カバー率は、買い手が求めた情報のうち、答えられる属性があったものの割合。この記事の例に出てくる声とセンサーは架空です。 ↩