私たちはよく「データが答えを知っている」と信じ、そのデータをもとに膨大なレポートを生産します。しかし市場の本質はデータの量（Volume）ではなく、そのデータが持つ判断の基盤となる一次データ（Ground Truth）にあります。次はファッションカテゴリー分析の例を通じて、私たちはどのような問いを立てるべきかを考えます。ListeningMind DaaS APIを活用した検索ベースのインサイト導出プロセスを通じて、私たちが見落としているものについて考察しましょう。

分析対象：メリージェーンシューズ（Mary Jane Shoes）
地域：日本（gl=jp）
分析期間：2024年1月〜2025年12月
最終成果物：マーケットインテリジェンス、スタイリング関連深層分析

現象を追うのか、構造を捉えるのか

多くの企業がカテゴリー全体の検索量だけを根拠に市場環境を判断しがちです。しかし実際の検索データを分析すると、「メリージェーンシューズ」カテゴリーはtrend +22%で成長を続けており、その成長を牽引しているのは従来のファッションブランドではなく、スポーツ・アウトドアブランドであることがわかります。サロモンメリージェーンは2024年7月以前の検索量がゼロだったにもかかわらず、その後trend +171%で市場に新規参入し存在感を急拡大。アディダス（+120%）、ニューバランス（+50%）、Vans（+49%）も同様に高成長を示す一方、ビルケンシュトックは-17%と唯一の下落ブランドとなっています。検索データが示すのは「市場の現状」ではなく、「市場が向かっている方向」です。

単純に検索総量を見ることは現象を追随することです。しかしデータパイプラインを通じて検索経路（Sequence）と意図クラスターを分析することは、消費者は靴そのものではなく、秋という季節感や特定ブランドのヘリテージに価値を見出しているという構造的結論に到達させます。私たちが分析すべきは単純な検索量のトレンドではありません。その背後にあるインテントの変化を読み取ることが重要です。

ハルシネーション（Hallucination）を除去してデータ品質を高める方法

AIエージェントが虚偽情報を生成する「ハルシネーション」はデータの品質問題と直結しています。しかしより危険なのは意思決定者の幻覚です。検証されていない外部リサーチや断片化した内部CRMデータだけに依存する意思決定は、組織全体を誤った方向へ導きます。ListeningMind DaaS APIの核心は単純なデータ供給ではありません。元データ（Ground Truth）を企業内部システムに直接連携し、AIと人間が同一の「真実」を共有するインフラ構築にあります。

検証されたデータソース：4年間の全数検索データに基づく偏りのないニーズ把握
リアルタイム性：直近の市場状況を即時反映し、部門ごとに分断された情報をつなぐ
文脈の連結：単純なキーワードを超えたカスタマージャーニーマップによる意図の把握

データで市場を読み解く方法：ListeningMind DaaS API活用ガイド

成功するマーケティング戦略の核心は「顧客が本当に望むものは何か」を把握することです。ListeningMind APIを活用すれば、推測ではなく実際の検索データを基盤に市場の流れを正確に捉えることができます。

【ケーススタディ】メリージェーンシューズ市場分析事例を通じて、データ収集から最終インサイト導出までのプロセスを見てみましょう。

1. 戦略的データ収集

単にキーワードを集めるのではなく、3段階のAPI呼び出し戦略を通じて立体的なデータを確保します。

Intent Finder：シードキーワードと検索意図を共有する関連キーワードを拡張します。
Cluster Finder：キーワード間の意味的な関係網を把握し、ブランド認識および製品タイプのコミュニティを分析します。
Keyword Info：検索量、CPC、競合度、人口統計などの詳細指標をマッチングしてデータの解像度を高めます。

2. 精緻なデータ前処理

収集されたローデータ（Raw Data）はクレンジングを経て分析可能な「インテリジェンス」となります。

ノイズフィルタリング：ブランド名と無関係な文化芸術・人名・地域キーワードなどを除去し、データの純度を高めます。
自動インテント分類：CPCと検索パターンをもとに、情報型（Informational）から取引型（Transactional）まで検索意図をタグ付けします。

3. 多次元指標の算出と検証

分析の信頼性のために数値整合性を厳密に確認しながら核心指標を導出します。

TAM & SOV分析：全体市場規模とブランド別シェアを定量化し、寡占構造や成長機会を捉えます。
データ完全性検査：原始データとダッシュボードの数値間の誤差を5%以内に管理し、分析の再現性を保証します。

本事例はメリージェーンシューズ韓国市場分析プロジェクトを仮想案件として作成したものであり、ListeningMind APIを活用した検索データベースのマーケットインテリジェンス構築の全プロセスを標準化したサンプルドキュメントです。ListeningMind APIによる標準化されたプロセスは、単なるデータの羅列にとどまらず「Why」を説明するインサイトを提供します。

A. 市場規模指標

指標	値	算出根拠
TAM（Total Addressable Market）	60K	調査キーワード全体の月平均検索量合計
Generic Market	35.3K	「メリージェーン」(33.1K)＋「メリージェーンシューズ」(2.2K)
Branded Market	11.5K	ブランドキーワード検索量合計（20ブランド）
Long-tail Market	13.0K	製品タイプ・スタイリング系キーワード（スニーカー・パンプス等）

B. 競合構造指標

指標	値	解釈
Top 1 Brand SOV	15.0%	ドクターマーチンが首位。突出したリーダーブランドが存在しない分散型市場
HHI（Herfindahl Index）	765	競争市場（HHI＜1,500）。多ブランドが5%前後で拮抗
Top 5 Concentration	53.2%	上位5ブランドで過半数。残り約47%は中小ブランドが分散して占有
Avg CPC	$0.20	低〜中程度の広告競合度

C. 消費者行動指標

指標	値	インサイト
Transactional Intent	92.3%	調査キーワードの92%で購買意図（t=1）を確認。コーデ系でも購買インテントが同時に観測される
主要年齢層（検索語代理指標）	40代	年齢指定キーワードで「40代」のみ有意（246/月）。20代・30代・50代は10件未満で実質ゼロ
性別需要（検索語代理指標）	メンズ需要あり	メリージェーンメンズが480/月。女性専用カテゴリーではなく男女共存型市場の特徴
Peak Season Index	114	秋（9〜11月）がピーク。特に9〜10月に集中

基本原則：

データ優先：推測ではなく実際の検索データ基盤
自動化：再現可能なプロセスの構築
可視化：直感的なインサイトの伝達
検証：徹底的な品質管理

この事例を参照して他の市場/カテゴリーにも同じ分析方法論を適用できます。

最終成果物の例

mary-jane-shoes-analysis-jp/
│
├── data/
│   ├── step0_seed_keywords.csv        # シードキーワード
│   ├── step1_raw_keywords.csv         # API収集原本
│   ├── step2_cleaned_dataset.csv      # 前処理完了
│   ├── step3_analyzed_dataset.xlsx    # 分析指標を含む
│   └── metadata.json                  # データ収集メタ情報
│
├── dashboards/
│   ├── mary-jane-market-intelligence-jp.html  # マーケットインテリジェンスダッシュボード
│   └── mary-jane-styling-analysis-jp.html     # スタイリング分析ダッシュボード
│
├── reports/
│   ├── executive-summary.pdf          # 経営陣向け要約レポート
│   ├── technical-notes.md             # 技術的注釈
│   └── insights-deck.pptx             # インサイトプレゼンテーション
│
└── documentation/
    ├── data-collection-guide.md       # 分析ガイド
    ├── api-usage-log.txt              # API呼び出し履歴
    └── style-guide.pdf                # デザインスタイルガイド

Step 0: プロジェクト設計およびシードキーワードの定義

ビジネス上の問いの定義

市場分析を始める前に、明確なリサーチの目的と文脈を定義するための問いを設定します。

主な問い：

メリージェーンシューズの日本市場規模は？（TAM）
主要ブランドの検索シェアは？（SOV）
消費者はどのような製品タイプを好むか？
検索意図の分布は？（Informational vs Transactional）
主要ターゲット層の特性は？（年齢・性別の代理指標）
スタイリングトレンドは何か？

シードキーワードセットの構成

プロジェクトテーマを代表する核心キーワードを選定します。

選定原則：

Core（1優先）：カテゴリー定義キーワード1〜2個
Brand（2優先）：主要ブランド名の組み合わせ5〜7個
Type（2優先）：製品タイプ分類3〜5個
Styling（3優先）：用途/スタイリング関連2〜3個

総シードキーワード数：10〜15個を推奨

Category,Keyword,Priority,Rationale
Core,メリージェーン シューズ,1,カテゴリー代表キーワード
Core,メリージェーン,1,略称・汎用検索語
Brand,ドクターマーチン メリージェーン,2,日本市場1位ブランド
Brand,ニューバランス メリージェーン,2,スポーツブランド
Brand,adidas メリージェーン,2,急成長ブランド
Brand,サロモン メリージェーン,2,アウトドア系新興
Brand,コンバース メリージェーン,2,カジュアル定番
Type,メリージェーン スニーカー,2,最大製品タイプ
Type,メリージェーン パンプス,2,フォーマル系
Type,メリージェーン 厚底,2,トレンドタイプ
Styling,メリージェーン コーデ,3,スタイリングニーズ
Styling,メリージェーン ソックス,3,アクセサリー組み合わせ

Step 1: データ収集（ListeningMind API）

メリージェーンシューズ日本市場分析のために、ListeningMind DaaS APIを3つ順次呼び出します。

Phase 1: 関連キーワードの拡張（Intent Finder）

目的：シードキーワードと検索意図を共有する関連キーワードを発掘

from listeningmind import IntentFinder

seed_keywords = [
    "メリージェーン シューズ",
    "メリージェーン",
    "ドクターマーチン メリージェーン",
    "ニューバランス メリージェーン",
    "メリージェーン スニーカー"
]

related_keywords = []
for seed in seed_keywords:
    response = IntentFinder.get_related_keywords(
        keywords=[seed],
        gl="jp",
        volume_threshold=50,
        limit=5000,
        sort="volume_avg",
        order="desc"
    )
    related_keywords.extend(response['data'])

unique_keywords = list(set(related_keywords))
print(f"収集されたユニークキーワード数: {len(unique_keywords)}")

収集結果（メリージェーンシューズ日本プロジェクト基準）：

シードキーワード：5個
収集された総キーワード：約200個（実測）
重複除去後：約180個（推定）

Phase 2: クラスター分析（Cluster Finder）

目的：キーワード間の意味的な関係網の把握およびコミュニティ分析

from listeningmind import ClusterFinder

cluster_response = ClusterFinder.analyze(
    keyword="メリージェーン シューズ",
    gl="jp",
    hop=2,
    limit=500,
    orientation="UNDIRECTED",
    data_type="all"
)

communities = cluster_response['data']['communities']
relationships = cluster_response['data']['rels']

分析成果物（実測コミュニティ構造）：

クラスターID	主要キーワード	消費者認識テーマ
0	VERYコラボ・季節コーデ・冬/秋	シーズナルスタイリング型
1	パンプス・結婚式・ダブルストラップ・エナメル	フォーマル/セレモニー需要型
2	コーデ・タイツ・レオパード・靴下	スタイリングアクセサリー型
3	40代コーデ・厚底・プーマ・ナイキ・ルタロン	40代スポーツカジュアル型
4	GU厚底・GUコラボ・GU再販	ファストファッション厚底型
5	歩きやすい・流行・機能性	機能性重視ジェネリック型
6	メンズ・革靴・ドクターマーチン・ローファー	メンズ需要型（日本市場独自）
7	GU情報探索・スクエア・ユニクロ	GUコラボ購買情報型

※日本市場では、GUコラボ需要クラスターとメンズ需要クラスターが独立して出現。UGGへの集中は見られない。

Phase 3: キーワード詳細情報の照会（Keyword Info）

目的：収集されたキーワードリストの検索量、CPC、競合度、意図などの詳細指標を収集

def get_keyword_info_batch(keywords, gl="jp"):
    batch_size = 1000
    all_results = []
    for i in range(0, len(keywords), batch_size):
        batch = keywords[i:i+batch_size]
        response = KeywordInfo.get_info(
            keywords=batch,
            gl=gl,
            data_type="all"
        )
        all_results.extend(response['data'])
    return all_results

keyword_details = get_keyword_info_batch(unique_keywords, gl="jp")

収集データフィールド：

カテゴリー	フィールド名	説明
Ads Metrics	volume_avg	月平均検索量（Google）※日本はGoogle単独
	volume_total	年間総検索量
	volume_trend	3ヶ月前比の増減率（%）
	cpc	平均クリックあたりコスト（USD）
	competition	広告競合度（LOW/MEDIUM/HIGH）
	competition_index	競合度指数（0〜100）
Intents	i, n, c, t	検索意図スコア（i:情報型, n:移動型, c:商業型, t:取引型）
Demography	―	※GoogleはJP向けデモグラフィクスを非提供
Monthly Volume	month, gg, total	月別検索量の時系列データ（Google単独）

Step 2: データ前処理および精製

1. ノイズフィルタリング

分析と無関係なキーワードを除去します。日本語の「メリージェーン」は靴以外に楽曲・ゲームキャラクター・大麻スラングとしても使われるため、精製プロセスが特に重要です。

除外キーワードカテゴリー：

noise_filters = {
    "音楽": ["つのだ ひろ", "カラオケ", "歌詞", "歌手", "カバー", "コード", "和訳"],
    "ゲーム/映画": ["60 seconds", "覚醒", "覚醒条件", "映画", "スパイダーマン", "ワトソン"],
    "スラング": ["大麻", "スラング", "隠語", "ラップ", "意味 ラップ"],
    "地域": ["代官山", "広畑"],
    "その他": ["英語で", "とは", "由来", "なぜ", "あしながおじさん"]
}

def filter_noise(keywords, noise_filters):
    cleaned = []
    for kw in keywords:
        is_noise = False
        for category, terms in noise_filters.items():
            if any(term in kw for term in terms):
                is_noise = True
                break
        if not is_noise:
            cleaned.append(kw)
    return cleaned

cleaned_keywords = filter_noise(unique_keywords, noise_filters)
print(f"フィルタリング後のキーワード数: {len(cleaned_keywords)}")

メリージェーンシューズ日本プロジェクトのフィルタリング結果（推定）：

フィルタリング前：約180個
フィルタリング後：約140個
除去率：約22%（うち大麻スラング・楽曲関連が大半）

2. カテゴリーおよびブランドのタグ付け

日本市場では「GU」「ユニクロ」などのファストファッションブランドが独自クラスターを形成するため、ブランド分類に注意が必要です。

カテゴリー分類体系：

categories = {
    "ブランド_グローバル": ["ドクターマーチン", "ニューバランス", "adidas", "サロモン",
                          "コンバース", "vans", "クロックス", "オニツカタイガー", "プーマ",
                          "ナイキ", "ビルケンシュトック", "アシックス"],
    "ブランド_ラグジュアリー": ["シャネル", "プラダ", "マルジェラ", "ミュウミュウ",
                              "レペット", "カンペール", "グラウンズ", "ロエベ"],
    "ブランド_ファストファッション": ["gu", "zara", "ユニクロ", "h&m"],
    "ブランド_ドメスティック": ["ロックフィッシュ", "ハルタ", "ランダ",
                               "チャールズアンドキース", "ダイアナ"],
    "製品タイプ_スニーカー": ["スニーカー", "ランニング", "ウォーキング"],
    "製品タイプ_パンプス": ["パンプス", "ヒール", "エナメル", "ダブルストラップ"],
    "製品タイプ_厚底": ["厚底", "プラットフォーム"],
    "製品タイプ_フラット": ["フラット", "ローファー", "バレエ"],
    "スタイリング_アクセサリー": ["ソックス", "靴下", "タイツ", "レッグウォーマー"],
    "スタイリング_コーデ": ["コーデ", "スタイリング", "着用", "コーディネート"],
    "用途_季節": ["冬", "夏", "秋", "春", "シーズン"],
    "機能_特徴": ["歩きやすい", "防水", "軽量", "痛くない"],
    "ターゲット_性別": ["メンズ", "レディース"],
    "ターゲット_年齢": ["40代", "大人", "キッズ", "子供"]
}

3. ブランドタグ付け

brands_map = {
    "Dr.Martens": ["ドクターマーチン", "マーチン", "dr martens"],
    "New Balance": ["ニューバランス", "ニューバラ", "new balance"],
    "adidas": ["adidas", "アディダス", "アディダス"],
    "Salomon": ["サロモン", "salomon"],
    "Converse": ["コンバース", "converse"],
    "Vans": ["vans", "ヴァンズ", "バンズ"],
    "Crocs": ["クロックス", "crocs"],
    "Onitsuka Tiger": ["オニツカタイガー", "onitsuka"],
    "Puma": ["プーマ", "puma"],
    "Nike": ["ナイキ", "nike"],
    "Chanel": ["シャネル", "chanel"],
    "Prada": ["プラダ", "prada"],
    "Maison Margiela": ["マルジェラ"],
    "UGG": ["ugg", "アグ"],
    "GU": ["gu", "ジーユー"],
    "ZARA": ["zara", "ザラ"],
    "Repetto": ["レペット", "repetto"],
    "Camper": ["カンペール", "camper"],
    "Grounds": ["グラウンズ", "grounds"],
    "Rockfish": ["ロックフィッシュ"],
    "Haruta": ["ハルタ"],
    "Randa": ["ランダ"],
}

def assign_brand(keyword, brands_map):
    for brand, terms in brands_map.items():
        if any(term in keyword.lower() for term in terms):
            return brand
    return "Generic"

df['brand'] = df['keyword'].apply(lambda x: assign_brand(x, brands_map))

4. 検索意図の分類

日本市場では「歩きやすい」「痛くない」などの機能性ワードが多く見られるため、フィルターに追加します。

def classify_intent(row):
    keyword = row['keyword']
    cpc = row.get('cpc', 0)
    competition = row.get('competition_index', 0)

    # Transactionalパターン（日本語）
    transactional_terms = ["購入", "価格", "最安値", "割引", "セール",
                           "おすすめ", "人気", "ランキング", "再販", "再入荷"]
    if any(term in keyword for term in transactional_terms):
        return "Transactional"

    # Commercialパターン
    commercial_terms = ["比較", "口コミ", "レビュー", "サイズ感", "評価"]
    if any(term in keyword for term in commercial_terms):
        return "Commercial"

    # Navigationalパターン（ブランド直接検索）
    if row['brand'] != "Generic":
        return "Navigational"

    # Informationalパターン（機能性・スタイリング情報）
    info_terms = ["歩きやすい", "痛くない", "とは", "意味", "コーデ", "由来"]
    if any(term in keyword for term in info_terms):
        return "Informational"

    # CPC基準の追加分類
    if cpc > 0.3 and competition > 70:
        return "Transactional"
    elif cpc > 0.15:
        return "Commercial"
    return "Informational"

df['intent'] = df.apply(classify_intent, axis=1)

5. 最終データセット構造

final_columns = [
    'keyword', 'category', 'brand', 'intent',
    'volume_avg', 'volume_total', 'volume_trend',
    'cpc', 'competition', 'competition_index',
    # ※日本はGoogle非提供のためdemographyフィールドなし
]

df[final_columns].to_csv('step2_cleaned_dataset.csv', index=False, encoding='utf-8-sig')

メリージェーンシューズ日本プロジェクト最終データセット（実測ベース推定）：

総キーワード数：約140個
ブランドキーワード：約45%
Genericキーワード：約55%
平均検索量閾値：50回以上

Step 3: 核心指標の算出および分析

1. TAM（Total Addressable Market）分析

全体市場規模を定量化します。全国民の検索行動データに基づいてデジタルマーケットにおける現実的な成長ポテンシャルを確認するための分析プロセスです。

total_volume = df['volume_avg'].sum()
print(f"総月平均検索量: {total_volume:,}")  # → 約60,000

category_tam = df.explode('category').groupby('category')['volume_avg'].sum().sort_values(ascending=False)
brand_tam = df.groupby('brand')['volume_avg'].sum().sort_values(ascending=False)

# 4. 製品タイプ別TAM
type_keywords = df[df['category'].apply(lambda x: any('製品タイプ' in cat for cat in x))]
type_tam = type_keywords.groupby('keyword')['volume_avg'].sum().sort_values(ascending=False)

メリージェーンシューズ日本TAM分析結果（実測値）：

項目	月平均検索量	比率
全体市場	60,000	100%
— メリージェーン（Generic core）	33,100	55.2%
— メリージェーンシューズ	2,233	3.7%
— メリージェーンスニーカー	8,533	14.2%
— ドクターマーチンメリージェーン	2,066	3.4%
— その他ブランド/タイプ	14,068	23.4%

2. SOV（Share of Voice）分析

ブランド別の検索シェアを算出します。特定のカテゴリー・製品アイテム市場において競合他社と比較して自社ブランドがどれだけの視認性（露出）と言及量を占めているかを測定する指標となります。これは市場内の自社ブランドのポジション、すなわち、どれだけ主導的か、どのブランドと競合しているか、競合他社の動向はどうか、ブランドの視認性向上のためにマーケティング成果を高めて露出・参加を増やすためにどのアイテム・キーワードにより集中すべきかの根拠データとなります。

brand_volume = df.groupby('brand')['volume_avg'].sum()
total_branded_volume = brand_volume[brand_volume.index != "Generic"].sum()
sov = (brand_volume / total_branded_volume * 100).sort_values(ascending=False)
top5_concentration = sov.head(5).sum()
print(f"上位5ブランドの集中度: {top5_concentration:.1f}%")

SOV分析結果（ブランドキーワード合計：13,772）：

順位	ブランド	月平均検索量	SOV（%）
1	Dr.Martens	2,066	15.0%
2	New Balance	1,766	12.8%
3	adidas	1,600	11.6%
4	Salomon	1,160	8.4%
5	Converse	730	5.3%
6	Onitsuka Tiger	690	5.0%
7	Vans	686	5.0%
8	Crocs	530	3.8%
9	Chanel	516	3.7%
10	Puma	516	3.7%
11	UGG	496	3.6%
—	その他（14ブランド）	2,016	14.6%

インサイト： 上位5ブランドで53.2%を占める競争市場（HHI=765）。特定ブランドによる市場独占はなく、スポーツ・ストリート・ラグジュアリーが混在する多様な競合構造。

3. 検索意図ファネル分析

前の段階で収集した検索意図（Intent）情報は、マーケティングファネルを構造化するために活用できます。検索意図（Intent）ベースのファネル分析は、単純にキーワードの検索量を把握することを超えて、消費者が購買ジャーニーのどの段階で、どのような具体的な目的（意図）を持って行動しているかをデータで把握する核心戦略です。顧客の検索ジャーニーにおいて「顧客の意思決定の文脈」に入り込むことを目標とし、顧客の真のニーズを見つけて購買転換を最大化することが重要です。各ファネルステージのキーワードグループを管理することで、購買転換意図の高いグループと情報探索比率の高いグループとでマーケティング戦略を使い分けることができます。

intent_distribution = df.groupby('intent').agg({
    'keyword': 'count',
    'volume_avg': 'sum'
}).rename(columns={'keyword': 'keyword_count'})

intent_distribution['volume_pct'] = (
    intent_distribution['volume_avg'] / intent_distribution['volume_avg'].sum() * 100
)

検索意図分析結果（実測値）：

意図	キーワード数（推定）	月平均検索量（推定）	比率
Transactional	約120	54,542	92.3%
Navigational/Commercial	約15	3,230	5.5%
Informational	約5	1,228	2.1%

※メリージェーン（i=1, t=1同時）など複数意図を持つキーワードが存在するため、合計は実際の検索量と一部重複

インサイト： 購買転換意図（Transactional）が92%と極めて高い。日本の消費者はメリージェーン関連の検索時点でほぼ購入検討フェーズに入っており、情報探索フェーズは非常に短い。

4. ターゲット属性分析（検索語代理指標）

※Google日本はNaver連携がなく、demography APIフィールドは非提供。検索語から代理指標を抽出。

# 年齢・性別指定キーワードの検索量を代理指標として使用
age_gender_keywords = df[df['category'].apply(
    lambda x: any(c in ['ターゲット_性別', 'ターゲット_年齢'] for c in x)
)]
age_gender_distribution = age_gender_keywords.groupby('keyword')['volume_avg'].sum()

ターゲット属性分析結果（検索語代理指標・実測値）：

区分	キーワード	月平均検索量	解釈
年齢層	メリージェーンコーデ 40代	246	40代のみ有意な需要
	メリージェーンコーデ 20代/30代/50代	＜10（測定不可）	他世代は実質ゼロ
	メリージェーン大人	153	成熟層へのポジショニングニーズ
性別	メリージェーンメンズ	480	男性セグメントが明確に存在
	メリージェーンレディース	46	女性はカテゴリー語のまま検索
ファミリー	メリージェーンキッズ	90	親子需要も一定数存在

インサイト： 40代が年齢指定検索で唯一有意なセグメント。メンズ需要（480/月）は日本市場固有の特徴で、男女共存型の市場構造を持つことが示唆される。

5. トレンド分析

ListeningMind DaaS API（/keyword_info > "ads_metrics"）呼び出し後、「volume_avg」（直近3ヶ月の月平均検索量）「volume_trend」（3ヶ月前比の直近月増減率）データを活用してキーワードトレンド分析が可能です。また/keyword_info > "ads_info"を照会すると「ads_metrics」に加えて最大4年分の「monthly volume」月別検索量をすべて照会できるため、特定カテゴリー内でどのキーワードが急成長/急減少してきたか、全体市場の年度別変化率（YOY）分析も可能です。

【注意】データ収集開始時点によって以前の年度の検索量が存在しない場合があります（adidas・サロモンは2025年以降の蓄積のため、YOY分析は直近データのみ有効）。YOY分析の際はデータの有効性を先に確認してから分析に活用してください。

trend_analysis = df.nlargest(10, 'volume_trend')[['keyword', 'volume_avg', 'volume_trend']]
declining_analysis = df.nsmallest(5, 'volume_trend')[['keyword', 'volume_avg', 'volume_trend']]

トレンド分析結果（実測値）：

タイプ	代表キーワード	月平均検索量	増減率
急成長	サロモンメリージェーン	1,160	+171%
急成長	adidas メリージェーン	1,600	+163%
急成長	メリージェーン厚底	1,726	+163%
急成長	メリージェーンスニーカー	8,533	+124%
急成長	ニューバランスメリージェーン	1,766	+50%
急減少	ugg メリージェーン	496	−94%
安定	ドクターマーチンメリージェーン	2,066	+26%

インサイト： 市場全体はスニーカー・厚底タイプへの移行が進んでいる。サロモン・adidasなどアウトドア/スポーツブランドが急成長中。UGGは日本では需要が急落しており、ドクターマーチン・ニューバランスが市場をリードする構造へ移行している。

6. 季節性分析

ListeningMind DaaS API（/keyword_info > "ads_info"）呼び出し後、「monthly volume」データを活用して季節別平均値を算出することで、特定のキーワードやアイテムの季節性分析が可能です。季節別の前年度データを活用して次シーズンの商品企画およびマーケティング戦略策定に活用できます。

def analyze_seasonality(df, keyword):
    keyword_data = df[df['keyword'] == keyword].iloc[0]
    monthly_data = keyword_data['monthly_volume']

    monthly_avg = {}
    for record in monthly_data:
        month = int(record['month'].split('-')[1])
        volume = record['total']
        if month not in monthly_avg:
            monthly_avg[month] = []
        monthly_avg[month].append(volume)

    seasonal_avg = {
        month: sum(volumes) / len(volumes)
        for month, volumes in monthly_avg.items()
    }
    return seasonal_avg

mj_seasonality = analyze_seasonality(df, "メリージェーン")

季節性分析結果（メリージェーン・2025年実績）：

季節	月	平均検索量	指数
春	3〜5月	33,100	99
夏	6〜8月	33,100	99
秋	9〜11月	38,033	114
冬	12〜2月	29,100	87

インサイト： 9〜11月の秋シーズンに検索量が急増（ピーク：9〜10月 40,500回）。スニーカーカテゴリーはさらに顕著で、8〜9月に12,100〜14,800と年間最高値を記録。

Step 4: ダッシュボード設計および可視化

1. ダッシュボード構造の設計

Dashboard 1: マーケットインテリジェンス（日本市場版） 目的：市場規模、競合構造、ターゲット属性の分析

セクション構成：

Executive Summary（3つのKPIカード）
- Total Market Size：60K
- Avg CPC：$0.20
- Top Trending：adidas メリージェーン（+163%）
TAM分析（Bar Chart） X軸：ブランド/製品タイプ、Y軸：月平均検索量、上位8件表示
ブランドSOV（Doughnut Chart） 上位5ブランド（Dr.Martens 15%・NB 12.8%・adidas 11.6%・Salomon 8.4%・Converse 5.3%）＋その他
製品タイプ別分布（Polar Area Chart） スニーカー（8,533）、パンプス（1,866）、厚底（1,726）、ローファー（210）、フラット（46）
検索意図ファネル（Horizontal Bar） Transactional：92.3%、Navigational/Commercial：5.5%、Informational：2.1%
ターゲット属性（代理指標・Bar Chart） メンズ需要 480、40代コーデ需要 246、キッズ需要 90
Key Insights（4つのInsight Card）
1. 秋（9〜11月）ピークシーズン（指数114）
2. HHI=765の分散型競争市場（15ブランドが拮抗する多極競合型）
3. UGG急落（-94%）vsサロモン・adidas急成長（+171%/+163%）
4. メンズ需要が日本市場の独自特徴（480/月）

Dashboard 2: スタイリング＆コーデ分析（日本市場版） 目的：消費者のスタイリングニーズおよびトレンドの把握

セクション構成：

Executive Summary（3つのKPIカード）
- Styling Search：879（コーデ 633＋コーデ40代 246）
- Top Accessory：タイツ・靴下コーデ（クラスター分析より）
- Peak Season：9〜10月
コーデアイテム別検索量（Horizontal Bar Chart） コーデ（633）、コーデ40代（246）、靴下コーデ（実測値）
スタイリングクラスターマップ（8つのクラスターカード） シーズナルスタイリング型・フォーマル需要型・スタイリングアクセサリー型・40代スポーツカジュアル型・ファストファッション厚底型・機能性重視型・メンズ需要型・GUコラボ購買型
検索ジャーニー（Path Finder実測・主要経路）
1. シューズ → メンズ → ドクターマーチン（男性探索ルート）
2. シューズ → 歩きやすい → 厚底 → スニーカー（機能性探索ルート）
3. シューズ → GUコラボ情報（ファストファッション探索ルート）

2. チャート別データ準備

マーケットインテリジェンスプロジェクトにおいて、データ収集および前処理は分析の基盤を固める段階です。しかし数百件のキーワードを含むデータセットを最終ダッシュボードに効果的に反映するためには、各チャートの特性に合わせてデータを精緻に加工する「チャート別データ準備」プロセスが不可欠です。

市場規模バーチャート（TAM Bar Chart）データ： 全体市場（TAM）のうち、どのキーワードグループ（ブランド/製品タイプ）が最大の検索量を占めるかを順位別に定量化し、市場規模を一目で把握するために使用します。日本では Generic（メリージェーン 33.1K）が圧倒的シェアを持つ構造のため、Generic vs Branded の対比が重要な軸となります。

ブランドシェアドーナツチャート（SOV Doughnut Chart）データ： 市場内の競合構造を明確に把握するために、各ブランドが全体市場で占める検索シェア（SOV）を視覚的に比較します。日本では上位5ブランド（Dr.Martens・NB・adidas・Salomon・Converse）が53.2%を占めており、残り約47%を14ブランドが分散して占有しています。

検索意図ファネルチャート（Horizontal Bar Chart）データ： 消費者がメリージェーンシューズを検索する意図（Transactional 92.3%・Navigational/Commercial 5.5%・Informational 2.1%）の比率を定量的に把握し、マーケティング予算を購買転換（BOFU）段階に集中すべきかを判断する根拠を提供します。日本市場はTransactional比率が極めて高く、情報探索フェーズが短いことが特徴です。

製品タイプ別分布チャート（Polar Area Chart）データ： 消費者がメリージェーンシューズ内でどの製品タイプを最も多く検索しているかを比率で示し、製品ポートフォリオ戦略の根拠とします。日本ではスニーカー（8,533）が最大カテゴリーで、パンプス（1,866）・厚底（1,726）が続きます。

コーデアイテム別検索量チャート（Horizontal Bar Chart）データ： メリージェーンシューズと組み合わせて検索されるスタイリングアイテムのうち、どれが消費者の最大関心事かを把握し、関連商品推奨またはコンテンツ企画の根拠とします。日本ではクラスター分析から「タイツ・靴下コーデ」が主要アクセサリーとして確認されています。

季節性分析チャート（Line Chart）データ： 商品販売やマーケティングキャンペーンの適切なタイミングを決定するために、キーワードの月別検索量変化トレンドを可視化します。メリージェーン（generic）は9〜10月に40,500でピークを迎え、指数114を記録します。スニーカーカテゴリーはさらに顕著で8〜9月に12,100〜14,800を記録します。

スタイリング組み合わせマトリクス（Table）データ： 検索パターンをもとに製品タイプ・コーデアイテム・シーズンを交差分析し、最適な商品組み合わせを推奨する最終意思決定資料を生成します。クラスター分析（0〜7番コミュニティ）から導出した日本独自のスタイリングパターン（GUコラボ・メンズ・40代コーデ）を軸に組み立てます。

このような細密なデータ準備プロセスを経てこそ、最終ダッシュボードが単なる数字の羅列ではなく、即座の意思決定に必要な明確なマーケットインテリジェンスを提供できます。チャート別データ準備プロセスを通じて原始データはダッシュボードに最適化された形に変換され、分析結果の信頼性と視覚的な伝達力が最大化されます。

Step 5: 品質検証および最終検収

データ収集と加工と同様に、最終成果物（ダッシュボード、レポート）の信頼性と再現性を保証する品質検証ステップを必ず経る必要があります。

1. データ完全性の検証：

総キーワード数および検索量の合計が予想範囲（約60K）内に収まっているか
重複キーワードが適切に除去されているか（「メリージェーンスニーカー」「メリージェーンスニーカー」等の表記揺れに注意）
大麻スラング・楽曲関連のノイズキーワードが除去されているか

2. ダッシュボード数値の検証：

TAM合計（約60K）が各セグメントの積み上げと一致するか
SOV上位5社の集中度（53.2%）が正確に計算されているか
増減率数値（API返却値）とビジュアル表示が一致するか

3. 品質チェックリスト： データおよび数値の検証完了後、プロジェクトの完成度を確認するチェックリスト検収を経て最終配布できるようにします。

Step 6: 成果物の整理および納品

検索データを収集し精緻に分析した後、可視化ダッシュボードまで構築するジャーニーはプロジェクトの90%を占めます。残りの10%である成果物の整理・納品プロセスが長期的な価値と再現性を保証します。

最終成果物リスト：

メタデータの記録： プロジェクト情報、データ収集条件（gl=jp、2026年4月時点）、核心指標サマリー
API使用履歴ログ： 呼び出し時点・呼び出しキーワード・返却結果・消費クレジット

Step 7: 更新および保守プロセス

検索ベースのマーケットインテリジェンスレポートは一度の分析で終わりません。

1. 定期更新サイクル：

四半期別更新： 全データの再収集と加工、TAMおよびSOV指標の再計算、ダッシュボードのすべての数値を更新
月次モニタリング： キーワード検索量・広告指標の更新（/keyword_info）、新規ブランドやGUコラボ等の市場参入有無を監視（/cluster_finder）特に注目すべき更新ポイント（日本市場固有）：
- GUコラボ再販・新作の検索量急増
- サロモン・adidasなど急成長ブランドの継続モニタリング
- メンズ需要クラスターの拡大有無

2. 変更履歴の管理： 「なぜ結果が変わったのか」への透明な説明が提供できるよう変更履歴を管理し、分析の再現性を確保することでダッシュボードとレポートの信頼度を高めます。

貴社に最適化された体系的なデータパイプライン構築で、AIエージェント時代の消費者データ標準を体験してください。