データ連携からAI分析、LINE通知までの自動化フロー
お客様が提供するデータ
AIが自動で行うこと
LINEに届く通知
🛡️ カスタマーハラスメント検知
LINEに「要注意：カスハラリスク通知」通知。該当顧客の来店予告と注意点、過去のトラブル履歴を表示。対応マニュアルをワンタップで表示。
カスハラの予兆をAIが検知・警告に関する情報をお届けします。
この通知を受け取るために必要なデータフィールド
顧客IDcustomer_id顧客名customer_name予約日reservation_date過去トラブル回数past_incident_countリスクスコアrisk_scoreコメントパターンcomment_patternネガティブ口コミ数negative_review_countトラブル発生確率incident_probability推奨対応スタッフIDrecommended_staff_id推奨対応スタッフ名recommended_staff_name過去トラブルタイプpast_incident_types5システムのデータを時刻キーで結合
時間帯別にグループ化して集計
型変換・欠損値処理・異常値除外
AI分析結果に基づく通知
優先度・信頼度・推奨アクションを含むアクション可能な通知を配信
出力：LINE通知
result.json → LINE配信
AI分析（4ステップ）
データ処理
フィールドマッピング
顧客CSV列名 → システム標準フィールド名に自動変換（11フィールド）
| フィールド | 型 | 例 | 必須 | 取得元 |
|---|---|---|---|---|
顧客ID 顧客の識別子 | 文字列 | C001234 | 必須 | 予約システム |
顧客名 顧客名 | 文字列 | 山田 | 必須 | 予約システム |
予約日 予約日 | 日付 | 2026-05-29 | 必須 | 予約システム |
過去トラブル回数 過去のクレーム・トラブル回数 | 数値 | 3 | 必須 | クレーム記録 |
リスクスコア カスハラリスクスコア（0.0-1.0） | 数値 | 0.85 | 必須 | 予測モデル |
コメントパターン 予約時のコメントパターン | 文字列 | 変更要求が多い | 任意 | 予約システム |
ネガティブ口コミ数 SNSネガティブ投稿数 | 数値 | 2 | 任意 | SNS API |
トラブル発生確率 トラブル発生確率（%） | 数値 | 65 | 必須 | 予測モデル |
推奨対応スタッフID 推奨対応スタッフID | 文字列 | S001 | 任意 | スタッフ情報 |
推奨対応スタッフ名 推奨対応スタッフ名 | 文字列 | 田中 | 任意 | スタッフ情報 |
過去トラブルタイプ 過去のトラブルタイプ | 文字列 | クレーム・変更要求 | 任意 | クレーム記録 |
顧客ID
文字列顧客の識別子
C001234予約システム顧客名
文字列顧客名
山田予約システム予約日
日付予約日
2026-05-29予約システム過去トラブル回数
数値過去のクレーム・トラブル回数
3クレーム記録リスクスコア
数値カスハラリスクスコア（0.0-1.0）
0.85予測モデルコメントパターン
文字列予約時のコメントパターン
変更要求が多い予約システムネガティブ口コミ数
数値SNSネガティブ投稿数
2SNS APIトラブル発生確率
数値トラブル発生確率（%）
65予測モデル推奨対応スタッフID
文字列推奨対応スタッフID
S001スタッフ情報推奨対応スタッフ名
文字列推奨対応スタッフ名
田中スタッフ情報過去トラブルタイプ
文字列過去のトラブルタイプ
クレーム・変更要求クレーム記録顧客履歴・過去のクレーム記録・スタッフ報告データ・SNS口コミ
SNS口コミがない場合、クレーム記録のみでリスク判定可能（精度低下）。スタッフ報告データがない場合、過去の事例から推定。
FDEが設定を代行します。お客様の作業は不要です。
AIが現場の課題を根本から解決します
事前警告で心の準備ができ、トラブル対応のストレスを軽減。
個人任せだったカスハラ対応を組織的に管理。対応品質が均一化。
トラブル事例をデータベース化し再発防止に活用。
必要なものがすべて揃った月額制サービス
通知を有効化
Day 1リモートで約6h
Day 1-2通知が届き始めます
Day 3