LLMO 引用元分析 サイテーションレポート

みんなのウェディング

株式会社くふうウェディング 様

中立・自発想起 32プロンプト（指名21プロンプトは第4章で別集計）

データ取得: 2026-06-02 / 32プロンプト × 4PF = 128回答 / 後半=分析用プロンプトの回答に対する引用構造分析

0キャリブ — 後半プロンプト付与の前半回答への影響検証

この分析は何をしているか（やさしい説明） 本計測では LLM に、まずユーザー向けの回答（前半）を書かせ、続けて『どのサイトを根拠にしたか・どんな検索語で調べたか』を列挙させる 後半（分析用プロンプト） を付けています。引用源やサブクエリはこの後半から取得しています。 ここで確認したいのは「後半を書かせる指示そのものが、前半の回答内容を変えてしまっていないか」です。もし後半を付けたことで前半のブランドの挙げ方が変わるなら、本レポートの前半集計（言及率など）は『素のユーザー回答』とズレている可能性があります。 そこで A：後半なしで計測した前半回答（純粋調査）と、B：後半つき計測の前半部分だけを取り出したもの（origin） を、同じ「プロンプト × プラットフォーム」で突き合わせ、回答に挙がるブランドの顔ぶれがどれだけ一致するかを測ります。一致度が高いほど『後半の付与は前半をほぼ歪めていない＝本編は素の回答として安全に読める』 と判断できます。

判定の目安（下の 0.3 Jaccard 平均）: 0.70 以上 = ✅ 影響小 ／ 0.50〜0.70 = ⚠️ 中程度（本編は『後半付加の影響あり』と留意して解釈）／ 0.50 未満 = 🚨 影響大

入力データ

• A (前半のみ取得): mwed11_himeishi_raw.csv
• B (後半付き → origin 抽出): mwed12_himeishi_raw.csv
• 共通キー: 128 回答（# × プロンプト × PF）

0.1 ブランド別 言及回答数 A vs B

0.2 PF 別 / カテゴリ別 一致率 (Jaccard)

Jaccard 係数 = 「A と B で共通して挙がったブランド数 ÷ どちらかに挙がった全ブランド数」。1.00 で顔ぶれ完全一致・0 で全く重ならない。プラットフォーム別・カテゴリ別に、後半付与で前半の挙がり方がどれだけブレるかを見る。

0.3 統計指標（補助）

0.4 具体的にどう違うか（差分が大きかった回答の例）

後半付与で前半のブランドの挙がり方が最も変わった回答の例。「後半で追加」=後半をつけた版でだけ新たに挙がったブランド、「後半で消滅」=後半をつけたら挙がらなくなったブランド。一致率は 0 で全く別、1.0 で完全一致。

0.5 影響度の解釈 — 本編をどう読むべきか

• 一致の分布: 完全一致 60/128（47%）／部分一致 30（23%）／低一致<0.5 38（30%）。半数前後は素の回答と同じ顔ぶれだが、一部は挙がるブランドが入れ替わる。
• 違いの方向（総量）: 1回答あたり平均ブランド数 A 2.01 → B 1.95（-0.06）。総数の偏りは小さい。
• 後半付与で出やすくなるブランド: ハナユメ(+9)、マイナビウエディング(+6)、ゼクシィ(+4)
• 後半付与で出にくくなるブランド: みんなのウェディング(-12)、トキハナ(-7)、Wedding Park(-4)

本編への含意（どこを信頼し、どこを割り引くか）:

• 引用源（章1.1〜1.7）・サブクエリ（章1.8〜1.11）は後半そのものから取得しているため、このキャリブの影響を受けない＝後半計測の実測値としてそのまま信頼してよい。
• 一方、前半ベースの自社言及率・ブランド言及（ハイライト/KPI/2章）は本キャリブの影響を受ける。Jaccard 平均 0.65 は「素の回答と概ね同傾向だが、PF・プロンプトによって挙がるブランドが入れ替わる」水準のため、言及率は ±数ポイントの幅をもって読み、施策判断は単一 PF・単一プロンプトの数値でなく全体傾向で行うのが安全。
• 一致率が低い PF（0.2 参照）の数値ほど後半付加バイアスを含むため、PF 別に解釈の確からしさが異なる点に留意。

0.6 後半付与で前半回答の傾向はどう変わるか

ブランドの顔ぶれ（0.1〜0.5）だけでなく、後半を付けると前半回答の『性質』がどう変わるかを見る。A=後半なし前半 / B=後半つき前半。引用URL・ドメインは前半本文中に LLM が示したもの。

前半に出る引用ドメインの種別分布（出現ドメイン数）

TLD 分布（.jp=国内 / .com・.net 等=グローバルTLD。※グローバルTLDでも日本語サイトを含む点に注意）

0.7 差分はどこに偏るか（カテゴリ × ブランド）

⚠️ 解釈上の重要な前提: A（前半のみ）と B（後半付き）は 別々の計測実行 です。差分には「後半付与の効果」と「実行ごとの LLM のゆらぎ（特に“おすすめ系”は毎回挙げるブランドが変わりやすい）」の 両方 が含まれます。以下は単一原因の断定ではなく、差分がどのカテゴリ・ブランドに偏っているかの観察です。

結論

⚠️ 中程度の影響 — 一部のブランド言及や順位に変化。本編解釈時には『後半付加による影響あり』と注記推奨。

---

要約ハイライト

本レポートは「ファクト → 分析 → 施策」の順で構成される。今回（2026-04 計測）から LLM 応答の後半=分析用プロンプトでサブクエリ（検索に使った質問語）の列挙 を要求しており、サブクエリ関連の章 (1.8〜1.11) を新設した。

---

1ファクト

raw データから集計した「事実」のみを記載する。解釈や分析は次章 (2.) で行う。

1.1 引用源ドメイン TOP15

1.2 ドメイン種別 × PF クロス

1.3 基準語カテゴリ × PF

1.4 PF別 引用源 TOP5

ChatGPT(標準)

ChatGPT(高性能)

Gemini(標準)

Gemini(高性能)

1.5 ブランドプロフィール (引用構造)

1.6 基準語 × ブランド共起 TOP20

1.7 プロンプト別 自社言及・引用

（32 プロンプト中、上位 30 件表示。全体は prompt_level CSV 参照）

1.8 サブクエリ分析 — 量と被覆（軸1）

後半プロンプトで LLM が列挙した「調査に使ったサブクエリ」を全記録から抽出し、量と被覆を集計。

1.8.1 PF 別 サブクエリ本数

1.8.2 PF 別「該当なし／検索していない」宣言率

1.8.3 ブランド別 紐付きサブクエリ本数

1.9 サブクエリ トークン特性（軸2）

1.9.1 頻出ユニグラム TOP30

1.9.2 頻出バイグラム TOP30

1.9.3 言語比率

1.9.4 ブランド名入りクエリ率

• 総サブクエリ数: 952 本
• ブランド名入り率: 32.2%

1.10 サブクエリ語 × 引用ドメイン 連結（軸3・★施策連結）

同一プロンプト内で、サブクエリから抽出されたトークンと LLM が引用したドメインを共起で紐付け。

「どのサブクエリ語を使うと、どのドメインが引用されるか」が見える。

1.11 サブクエリ パターン分類（軸4）

1.11.1 ブランド別 後続語ランキング (BC 系の指名検索で特に有用)

みんなのウェディング

ゼクシィ

ハナユメ

Wedding Park

1.11.2 一般クエリ（ブランド名を含まない）バイグラム TOP20

---

2ファクトからの分析

章 1 のファクトを元に、自社 vs 競合の構造比較・強み弱みを整理し、仮説を導く。

2.1 引用構造 自社 vs 競合

2.2 基準語共起 自社 vs 競合

2.3 強み・弱み・機会

強み

• 基準語カテゴリで自社が 1 位のものはなし
• ブランド言及率 28.1% (PF×プロンプト)

弱み・課題

• 公式引用数 42 回は競合最大 ゼクシィ 84 の 50%

機会

• サブクエリ頻出語を狙ったコンテンツ整備: 頻出トークン 結婚式場, 口コミ, 結婚式, ゼクシィ, ハナユメ など
• 頻出バイグラム文脈での露出: 結婚式場 口コミ, 結婚式 費用, 口コミ 評判

2.4 そこから導かれる仮説

章 1 のファクトと 2.1〜2.3 の分析から、くふうウェディング（みんなのウェディング） の引用プロフィールを説明する仮説候補を整理する。

---

3施策案

章 2.4 の仮説を根拠に、A/B/C/D の 4 カテゴリで具体施策を組み立てる。

3.1 推奨アクションプラン (3M / 6M / 12M)

3.2 施策カテゴリ別 詳細

A. 媒体施策 — 引用源 TOP メディアへの露出

B. コンテンツ施策 — 基準語共起ギャップ埋め

現状、基準語カテゴリでの劣位なし

C. 自社サイト施策 — サブクエリ頻出語の取り込み・構造化

D. PF 別 施策

3.3 KPI モニタリング

---

---

4指名カテゴリ分析（指名 21プロンプト × 4PF = 84回答）

章1〜3の主分析（中立・自発想起 32プロンプト）とは別集計。指名カテゴリ（「みんなのウェディングと◯◯の違い」型＝指名比較19、「みんなのウェディングはどんな人向け／特徴」型＝指名2）は、プロンプトで自社を必ず名指しするため自社言及率が構造的に100%付近になり、主指標を歪める。そのため主分析から分離し、本章では「名指しされたときに AI が各ブランドをどう認識・説明するか（＝イメージ）」を読む。

📋 本章の前提 - 対象: 指名カテゴリ 21プロンプト × 4PF = 84回答（全 84/84 が「正常」状態＝指名は必ずブランドを論じるため空回答・後半未生成が無い） - 指名では「引用源URL = 後半=分析パートの回答に出てくる URL」を主分析と同様に後半 analytics のみから集計 - サブクエリ列挙量は 全 PF が相応に列挙（ChatGPT高性能 7.81本が最多／ChatGPT標準 4.67・Gemini標準 4.62・Gemini高性能 4.81、ゼロ件率 0〜23.8%）＝いずれの PF も検索を介して裏取りしている（指名総数 460本・ブランド名入り率 77.8%）

4.1 指名カテゴリ概要

💡 示唆 指名では自社公式 mwed.jp が 60 引用で突出（自社を名指しされた回答が全プロンプトに含まれるため）。注目は主分析(非指名)で上位に出なかった プレスリリース(prtimes 10・atpress 4)・ランキング(oricon 7)・アプリ評価(apps.apple 4) が浮上する点。AI は「名指しされたブランドの事実（運営会社・掲載数・口コミ数・満足度）」を裏取りする際、PR配信・ランキング・アプリストアを根拠源として参照している。

4.2 ブランド別 AI 認識プロファイル

各ブランドが指名回答で引用された数・主な引用源・AI が紐づける後続語（＝AI がそのブランドを調べる切り口＝認識属性）・AI の説明トーンを整理。

💡 示唆 指名では、非指名で 8引用・2引用と小さかった トキハナ（15）・結婚スタイルマガジン（12）も明確な認識属性で語られる。名指しすれば AI は各ブランドの一次情報を取りに行き、独自軸（トキハナ=価格保証・見積もり、結婚スタイルマガジン=費用・ご祝儀まわり）で説明する。各社の「AI に定着している属性」は後続語に表れており、競合は ゼクシィ=規模/リクルート・ハナユメ=割引・Wedding Park=クチコミ量・トキハナ=価格保証 と差別化軸が分かれている。

4.3 自社「みんなのウェディング」の AI 認識 深掘り

4.3.1 AI が拾えている自社の独自属性（強み）

AI が自社を説明する際に実際に参照した自社公式ページ（後半 analytics の▼引用元選出理由より）:

💡 示唆（強み） AI は自社を「費用明細のクラウドソース × 目視審査による口コミ信頼性 × ご祝儀ポイント × LGBTQ 対応」という独自ポジションで正しく認識している。これは競合（規模・割引・価格保証）と明確に異なる差別化軸であり、狙った属性が AI に定着していることを示す好材料。指名引用 115 のうち mwed.jp が 115／自社公式 100% で、AI は自社を語るとき一次情報（公式）にほぼ全面依拠している＝認識のコントロール性が高い。

4.3.2 引用源の質とリスク所見

⚠️ リスク所見 一部の指名回答で、AI が無関係・旧聞・二次情報のソースを引用元に混ぜている事例を確認した: - virginiafoundation.org/mwed — 結婚情報と無関係の外部ドメイン（虚偽／誤引用の疑い） - 野村證券の 2014年 IPO 目論見書 PDF（証券コード3685） — 旧みんなのウェディング上場時の古い資料 - academy.kutikomi.com 等の第三者まとめ — 公式で語れない部分を二次情報で補完 これは AI が「公式で埋められない情報の空白」を弱いソースで補おうとする兆候。くふうウェディング統合後の最新の事業実態・実績・数値を公式（mwed.jp / プレスリリース）で明示し、空白を作らないことが、誤引用・旧情報による認識歪みへの防御策になる。

4.4 指名比較での自社ポジション（自社 vs 競合の語られ方）

💡 示唆 自社は「費用明細・ご祝儀ポイント・目視審査・LGBTQ」という競合に無い独自属性で AI に認識されており、指名比較の文脈で差別化が効いている。一方、競合がAIに「規模（ゼクシィ）・価格保証（トキハナ）・クチコミ量（Wedding Park）」で語られる点に対し、自社の掲載式場数・キャンペーン・費用メリットの定量提示を公式で補強すれば、比較回答での見劣りを防げる。

4.5 指名データからの示唆（イメージ管理施策）

💡 本章の結論 指名カテゴリでは、AI は自社をほぼ公式一次情報のみを根拠に「費用明細・ご祝儀ポイント・目視審査の口コミ信頼性・LGBTQ対応」という狙い通りの独自ポジションで説明できている（認識コントロール性が高い）。リスクは公式の情報空白を旧情報・誤ソースで埋める兆候。最新の事業実態を公式で先回りして開示し、独自属性を構造化データで固めることが、指名文脈でのイメージ管理の核心となる。