家計簿はつけてるけど、最近はクレカや PayPay での支払いが増えて、何にどれくらいの割合でお金を使っているのかよくわからなくなっていた。ふと、よく使ってる Amazon なら購入履歴をデータとして取れるのでは?と思ったので、試しに集計してみた。

購入履歴は申請すれば CSV でもらえる

Amazon では、申請すれば自分の購買履歴を全部 CSV でダウンロードできる。「アカウントサービス」→「データをリクエストする」から注文履歴を選んでリクエストを送信する。

Amazonの「データをリクエストする」画面。注文履歴を選択してリクエストを送信できる

リクエストすると処理中になる。画面には 1 ヶ月程度と書いてあったが、自分の場合は数日でダウンロードの案内がメールで届いた。

データ開示リクエストの確認画面。リクエストが受け付けられた旨が表示されている

ダウンロードした ZIP を展開すると Order History.csv というファイルがあって、これが今までの全注文履歴。1 行に 1 商品ずつ、注文日・商品名・金額・配送先など 27 カラムの CSV でまとまっている。自分の場合は 2016 年から約 10 年分のデータが入っていた。

データダウンロード画面。Your Orders.zip(49MB)がダウンロード可能になっている

個人情報のカラムは先に消しておく

CSV には請求先住所や配送先住所、ギフト関連の情報も入ってる。このあとの分類で AI にデータを読ませるので、個人情報を含むカラムは先に消しておく。

PERSONAL_COLUMNS = {
    "Billing Address",
    "Shipping Address",
    "Gift Message",
    "Gift Recipient Contact",
    "Gift Sender Name",
    "Item Serial Number",
}

# 該当カラムを除外して新しい CSV に書き出す
fieldnames = [col for col in reader.fieldnames if col not in PERSONAL_COLUMNS]
rows = [
    {k: v for k, v in row.items() if k not in PERSONAL_COLUMNS}
    for row in reader
]

商品のカテゴリ分けは Gemini API に任せる

注文履歴には商品のカテゴリについての情報がないので、自分で仕分けるしかない。10 年分のデータを手作業で仕分けるのはアホなので、Gemini に分類してもらった。ちょうどこの頃は Gemini 3.1 flash lite が無料枠でも 1 日 500 リクエストくらいできたので、これにした。

まず最初の数十件を Claude Code に読ませて、どういうカテゴリにするか考えた。最終的にこの 11 種類になった。

  • 食品・飲料
  • 日用品・消耗品(美容・スキンケア含む)
  • キッチン用品
  • ガジェット・電子機器
  • 本・雑誌
  • Blu-ray・映像作品
  • ファッション・衣類
  • 家具・収納
  • フィットネス用品
  • 雑貨・インテリア
  • その他

スクリプトはこんな感じ。商品名を 20 件まとめた JSON をシステムプロンプトと一緒に送って、カテゴリ名を JSON で返してもらう。response_mime_type="application/json" を指定しておくと出力が確実に JSON で返ってくるので json.loads() でそのまま受け取れる。境界があいまいなカテゴリの判断基準はシステムプロンプトにはっきり書いておいた。

import csv, json, os, time
from dotenv import load_dotenv
from google import genai
from google.genai.types import GenerateContentConfig

load_dotenv()

CATEGORIES = [
    "食品・飲料", "日用品・消耗品", "キッチン用品",
    "ガジェット・電子機器", "本・雑誌", "Blu-ray・映像作品",
    "ファッション・衣類", "家具・収納", "フィットネス用品",
    "雑貨・インテリア", "その他",
]

SYSTEM_PROMPT = f"""あなたはAmazonの購入商品をカテゴリに分類するアシスタントです。
カテゴリ一覧から最も適切なものを1つ選んでください。

カテゴリ一覧:
{chr(10).join(f"- {c}" for c in CATEGORIES)}

「日用品・消耗品」には美容・スキンケア・ヘアケア・掃除用品なども含みます。
「Blu-ray・映像作品」はBlu-ray/DVD/映像ソフト単体の商品に使います。
「ガジェット・電子機器」はBlu-ray/DVDプレーヤーなどの再生機器を含みますが、映像ソフト自体は含みません。

入力: 商品名のJSONオブジェクト(インデックス → 商品名)
出力: 各インデックスとカテゴリのJSONオブジェクト

例:
入力: {"0": "アイリスオーヤマ 無洗米 5kg", "1": "クワトロボタニコ 洗顔料"}
出力: {"0": "食品・飲料", "1": "日用品・消耗品"}
"""

def classify_batch(client, batch):
    response = client.models.generate_content(
        model="gemini-3.1-flash-lite",
        config=GenerateContentConfig(
            system_instruction=SYSTEM_PROMPT,
            response_mime_type="application/json",
        ),
        contents=json.dumps(batch, ensure_ascii=False),
    )
    return json.loads(response.text)

def classify_all(input_path, output_path):
    client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
    with open(input_path, encoding="utf-8-sig", newline="") as f:
        reader = csv.DictReader(f)
        rows = list(reader)
        fieldnames = list(reader.fieldnames) + ["Category"]

    results = {}
    for start in range(0, len(rows), 20):
        batch = {str(i): row["Product Name"]
                 for i, row in enumerate(rows[start:start + 20], start=start)}
        classified = classify_batch(client, batch)
        results.update({int(k): v for k, v in classified.items()})
        time.sleep(5)

    for i, row in enumerate(rows):
        row["Category"] = results.get(i, "その他")

    with open(output_path, "w", encoding="utf-8", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=fieldnames)
        writer.writeheader()
        writer.writerows(rows)

分類結果を確認するといくつか誤分類があった。Blu-ray 作品が「ガジェット」や「本・雑誌」に混ざっていたり、フィットネスバイクが「家具・収納」に入っていたり。大半は合っていたので、ズレてた数件だけ手で直した。

カテゴリ別に集計してみた

カテゴリ分類できたので、とりあえず年別・カテゴリ別で集計してみた。

年別の支出推移

年別Amazon支出の棒グラフ。2016年の1.4万円から2025年の53万円まで推移している

2018 年からぐいっと上がってるのは一人暮らしを始めたから。2024 年ごろからまた上がっているのは、この辺りから食料品や日用品も Amazon の定期購入で買うようになったからだと思う。2025 年は高くて驚いたが、Switch 2 や Blu-ray ボックスみたいな高めのものをちょこちょこ買っていた。

カテゴリ別の内訳

カテゴリ別の支出金額と購入件数の比較。ガジェットが金額トップ87.9万円、食品が件数トップ333件

カテゴリ別の支出はガジェット・電子機器がいちばん大きかった。件数はそれほどでもない。でもやっぱり 1 つ 1 つが高い。件数は食品・飲料と日用品がほとんどで、用途がわかりやすい。

年別カテゴリ別支出推移の折れ線グラフ。上位6カテゴリの推移を表示

カテゴリ別の推移を見ると、食品・日用品は 2024 年から増えていてさっきの記憶どおりだった。こうして見ると、同じくらいの支出額でも 2019 年と 2023 年とでは使い方がまったく違う。

目的別にも分けてみたい

カテゴリ別で「何を買ったか」の傾向は見えたので、今度は「何のために買ったか」の切り口でも見てみたくなった。同じ仕組みで 5 つの目的に分け直した。

  • 生活必需品: 食品・消耗品・衛生用品。ないと生活が回らないもの
  • 趣味・推し活・エンタメ: Blu-ray・ゲーム・グッズ・漫画など
  • 住環境・デスク環境: 家具・家電・PC 周辺機器。なくても生活はできるが快適になるもの
  • 教養・自己投資: フィットネス器具・ビジネス書・スポーツ用品など
  • 嗜好品: なくても困らないが満足のために買う食品・飲料など

目的別の内訳

目的別支出内訳の横棒グラフ。生活必需品89.2万円、住環境88.5万円、趣味61.6万円

生活必需品(89.2 万円)と住環境・デスク環境(88.5 万円)がほぼ同額でトップ。趣味・推し活は 61.6 万円だった。体感ではもっと趣味に使ってる印象だったが、ライブのチケットや配信サービスみたいな Amazon 以外の出費が多いので、Amazon 単体だと抑えられていた。

年別目的別支出推移の折れ線グラフ。5つの目的カテゴリの推移を表示

2026 年に入ってから「趣味・推し活・エンタメ」がほぼゼロになっている。言われてみれば今年くらいから趣味にお金を使う機会がなくなってたかも。これは地味に全然意識してなかったので気づきだった。

やってみて

注文履歴にはカテゴリの情報がなかったが、商品名から AI にカテゴリ分けしてもらえば集計まで持っていけた。10 年分を手作業でやってたら大変だったはず。AI でこれくらい簡単に解析できるなら、こういう個人データを使った分析のハードルはだいぶ下がってると思う。