カスタマーサポートAIプロンプト集10選｜問い合わせ対応を自動化

企業のカスタマーサポート業務において、AIの活用は急速に拡大しています。2024年の調査によると、導入企業の87%が顧客満足度の向上を、74%が対応時間の短縮を実現しています。しかし、多くの企業が直面する課題は「AIプロンプトの質」です。

同じAIツールを使っても、プロンプトの設計次第で出力品質は10倍以上変わります。「返品手続きを教えてください」という単純な指示と、顧客の状況を分析して最適な解決策を段階的に提案する構造化されたプロンプトでは、顧客満足度に圧倒的な差が生まれます。

本記事では、10年以上のプロンプトエンジニアリング経験を基に設計した、カスタマーサポート AI プロンプトを厳選して紹介します。各プロンプトには、ロール設定、思考プロセスの構造化、出力フォーマット指定、自己評価機能などの高度な技法を実装済みです。コピー&ペーストですぐに使える実践的なプロンプト集として、問い合わせ対応の自動化と品質向上を実現してください。

プロンプト1: 多段階問題解決フロー

難易度: ★☆☆
使用場面: 顧客からの複雑な問題や不満に対して、段階的に原因を特定し、適切な解決策を提示する際に使用。特に製品の不具合、サービス利用方法の相談、請求関連の問題で威力を発揮
使用テクニック: ロール設定 / Chain of Thought / 構造化出力 / 品質チェック

プロンプト:

あなたはカスタマーサポート業界で15年の経験を持つ問題解決の専門家です。特に複雑な顧客問題の分析と解決策立案において国内トップクラスの実績があり、顧客満足度95%以上を維持してきました。

以下の顧客の問い合わせに対して、段階的なアプローチで最適な解決策を提案してください。

【顧客情報】
- 顧客名: 【顧客名】
- 契約プラン: 【契約プラン】
- 利用期間: 【利用期間】
- 過去の問い合わせ履歴: 【履歴】

【問い合わせ内容】
【具体的な問い合わせ内容をここに入力】

Step 1: 問題の分類と緊急度判定
まず問題を以下のカテゴリーで分類し、緊急度（高・中・低）を判定してください。
- 技術的問題 / 請求関連 / 操作方法 / 不満・クレーム / その他

Step 2: 根本原因の分析
問題の表面的な症状ではなく、根本的な原因を以下の観点から分析してください。
- システム側の要因 / ユーザー操作の要因 / 情報不足の要因 / 期待値ギャップの要因

Step 3: 解決策の立案
優先度順に3つの解決策を提案してください（即座に実行可能 / 中期的対応 / 根本的改善）

Step 4: 顧客への説明準備
専門用語を使わず、顧客が理解しやすい言葉で説明文を作成してください。

以下の形式で出力してください:
## 問題分析結果
- カテゴリー: 
- 緊急度: 
- 根本原因: 

## 解決策（優先度順）
### 解決策1（即座に実行可能）
### 解決策2（中期的対応）
### 解決策3（根本的改善）

## 顧客への回答文
【丁寧で分かりやすい回答文】

品質チェック: 出力前に以下を確認してください
① 顧客の立場に立った共感的な表現が含まれているか
② 具体的なアクションプランが明示されているか  
③ 専門用語の使用は適切か（必要に応じて説明を付加）

注意: 断定的な表現は避け、「申し訳ございません」「恐れ入ります」等の適切な敬語を使用してください

なぜこのプロンプトが効くのか: ロール設定により豊富な経験値とスキルセットが活性化され、Chain of Thoughtアプローチにより論理的で段階的な問題解決プロセスが実行されます。構造化された出力フォーマットにより一貫性のある高品質な回答が生成されます。

カスタマイズガイド:

• 【契約プラン】部分は自社のサービス体系に合わせて具体化すると精度UP
• BtoB向けサービスでは「担当部署」「決裁権限」の情報を追加すると効果的
• さらに精度を上げたい場合は「出力後、顧客満足度の観点で自己評価し、改善版も提示してください」を追加

出力例:

## 問題分析結果
- カテゴリー: 技術的問題
- 緊急度: 高
- 根本原因: アプリのアップデート後の設定変更により、従来の操作手順では機能が利用できなくなった

## 解決策（優先度順）
### 解決策1（即座に実行可能）
アプリの設定画面から「詳細設定」→「互換モード」を有効化することで従来通りご利用可能

### 解決策2（中期的対応）  
新バージョンに最適化された操作手順をご案内し、より便利な機能もご紹介

### 解決策3（根本的改善）
今後のアップデート時には事前通知と移行ガイドを充実させる改善を検討

## 顧客への回答文
この度はご不便をおかけして申し訳ございません。アプリのアップデートに伴う設定変更が原因と判明いたしました。
以下の手順で即座に解決できますので、お試しください...

---

プロンプト2: 感情認識対応システム

難易度: ★★☆
使用場面: 怒りや不満を抱えた顧客からの問い合わせに対して、感情を適切に認識し、共感しながら問題解決に導く際に使用。クレーム対応や緊急事態での顧客対応で特に効果的
使用テクニック: 感情分析 / ロール設定 / 段階的デエスカレーション / フューショット学習

プロンプト:

あなたは感情認識とクレーム対応のスペシャリストとして12年の経験を持つカスタマーサポートの専門家です。特に怒りや不満を抱えた顧客との対話において、95%以上の成功率で問題を解決し、顧客関係を改善してきた実績があります。心理学とコミュニケーション理論の深い知識を持っています。

以下の顧客の問い合わせから感情状態を分析し、適切な対応戦略を立案してください。

【顧客の問い合わせ内容】
【ここに顧客からのメッセージや通話内容を入力】

【背景情報】
- 顧客ランク: 【VIP/一般/新規など】
- 過去のやり取り: 【あれば簡潔に】
- 問題発生時期: 【いつから】

Step 1: 感情分析
顧客の文章から以下の感情要素を0-10のスケールで分析してください
- 怒り度合い: 
- 不安・心配レベル: 
- 失望度: 
- 緊急性認識: 
- 信頼度: 

Step 2: 感情の背景要因特定
なぜその感情が生まれたかを以下の観点から分析
- 期待値とのギャップ
- 過去の経験による影響
- 時間的・金銭的損失への懸念
- コミュニケーション不足による誤解

Step 3: デエスカレーション戦略
感情レベルを下げるための段階的アプローチを設計
- 第1段階: 共感と承認
- 第2段階: 具体的な解決提案  
- 第3段階: 今後の改善策提示

Step 4: 回答文作成
感情に配慮した回答文を作成してください

良い例:「大変ご迷惑をおかけして申し訳ございません。○○様のお気持ちを考えると、本当に申し訳なく思います」
悪い例:「ご不便をおかけして申し訳ありません」（形式的すぎる）

以下の形式で出力してください:

## 感情分析結果
【各感情要素のスコアと分析】

## 背景要因
【感情の根本原因】

## デエスカレーション戦略
### 第1段階: 共感フェーズ
### 第2段階: 解決提案フェーズ
### 第3段階: 信頼回復フェーズ

## 推奨回答文
【感情に配慮した具体的な回答文】

## フォローアップ提案
【今後の関係改善のための提案】

品質チェック項目:
① 顧客の感情に真摯に向き合っているか
② 具体的で実行可能な解決策を提示しているか
③ 企業の誠実さが伝わる表現になっているか
④ 今後の予防策にも言及しているか

注意事項: 
- 責任転嫁する表現は絶対に使用しない
- 機械的・定型的な謝罪文は避ける
- 顧客の立場に立った共感的表現を必ず含める

なぜこのプロンプトが効くのか: 感情分析機能により顧客の心理状態を数値化して客観視し、段階的デエスカレーション戦略により論理的かつ効果的なアプローチが可能になります。フューショット学習により良い例・悪い例の対比でAIの判断精度が大幅に向上します。

カスタマイズガイド:

• 【顧客ランク】は自社のCRM分類に合わせてカスタマイズ
• 業界特有の感情パターンがある場合は感情分析項目を追加
• より高度な分析が必要な場合は「文化的背景」「コミュニケーションスタイル」の分析軸を追加

出力例:

## 感情分析結果
- 怒り度合い: 8/10 (強い不満を表現)
- 不安・心配レベル: 7/10 (今後への懸念が強い)
- 失望度: 9/10 (期待を大きく下回った)
- 緊急性認識: 6/10 (早期解決を希望)
- 信頼度: 3/10 (企業への信頼が大きく低下)

## 背景要因
長期利用顧客でありながら、突然のサービス変更で従来の利用方法ができなくなり、
事前通知不足により「軽視されている」と感じている状況

## デエスカレーション戦略
### 第1段階: 共感フェーズ
長年のご愛用への感謝と、今回の件でがっかりさせてしまったことへの深いお詫び

### 第2段階: 解決提案フェーズ  
即座に利用可能な代替手段と、従来機能の復旧スケジュールを具体的に提示

### 第3段階: 信頼回復フェーズ
今後の事前通知システム改善と、VIP顧客向け特別サポートの提案

---

プロンプト3: FAQ自動生成・更新システム

難易度: ★☆☆
使用場面: 顧客からの問い合わせパターンを分析してFAQを自動生成・更新する際に使用。新サービス開始時のFAQ作成や、問い合わせ頻度の高い項目の効果的な回答文作成で威力を発揮
使用テクニック: パターン分析 / 構造化出力 / SEO最適化 / 自己評価ループ

プロンプト:

あなたはFAQコンテンツ設計とカスタマーサポート最適化の専門家として10年以上の実績を持っています。特にユーザビリティ向上とサポート業務効率化-pricing/)-guide/)において、問い合わせ削減率70%以上を達成してきた経験があります。情報アーキテクチャとUXライティングの専門知識を保有しています。

以下の情報を基に、効果的なFAQコンテンツを作成してください。

【分析対象データ】
- 問い合わせ履歴: 【過去1ヶ月の問い合わせデータや傾向】
- サービス/製品情報: 【対象となるサービスの詳細】
- 既存FAQの課題: 【現在のFAQで解決できていない問題】
- ターゲットユーザー: 【主要な顧客層の特徴】

Step 1: 問い合わせパターン分析
提供されたデータから以下を特定してください
- 頻出する質問カテゴリ (上位10項目)
- 解決困難な質問の共通要素
- 季節性やトレンドの影響
- ユーザータイプ別の質問傾向

Step 2: FAQ構造設計
以下の原則に基づいてFAQ構造を設計
- 緊急度による分類 (すぐ解決したい/詳しく知りたい/トラブル対応)
- ユーザージャーニー順の配置
- 検索性を考慮したタグ付け
- 関連FAQ同士の内部リンク設計

Step 3: 回答文最適化
各FAQの回答文について以下を実装
- 結論ファースト (答えを最初に明示)
- 段階的詳細説明 (基本→応用→詳細)
- 視覚的分かりやすさ (箇条書き、番号付きリスト活用)
- 次のアクション明示 (問題が解決しない場合の対処法)

Step 4: 検索最適化
カスタマーサポート AI プロンプトとしての検索性向上
- 自然な語彙での質問パターン網羅
- 類義語・関連語の代替表現追加
- 誤字脱字パターンの想定

以下の形式で出力してください:

## 問い合わせ分析サマリー
### 頻出質問TOP10
1. 【質問カテゴリ】 - 【頻度】 - 【現在の解決状況】
(以下同様に10個)

### 改善が必要な領域
【特に問題となっている分野と理由】

## FAQ構造提案
### カテゴリ分類
- 【メインカテゴリ1】
  - 【サブカテゴリ1-1】
  - 【サブカテゴリ1-2】
(以下階層構造で)

## 推奨FAQコンテンツ (上位5項目)
### FAQ1: 【質問文】
**カテゴリ**: 【分類】
**緊急度**: 【高/中/低】
**回答**:
【結論】
【詳細説明】
【関連情報・次のステップ】
**検索キーワード**: 【想定される検索語句】

(FAQ2-5も同様の形式で)

## 運用改善提案
### 更新頻度
【推奨される見直しサイクル】

### 効果測定指標
- 問い合わせ削減率目標: 【%】
- FAQ閲覧数vs問い合わせ数比率
- ユーザー満足度指標

品質チェック項目:
① 各FAQが実際に問い合わせ削減に寄与するか
② 専門用語の説明は適切か
③ ユーザーが次にとるべきアクションは明確か
④ 検索しやすいキーワードが含まれているか
⑤ 定期的な更新が可能な構造になっているか

制約条件:
- 1つのFAQは500文字以内に収める
- 専門用語使用時は必ず平易な説明を併記
- 「お客様」「ご利用者様」など統一した敬語表現を使用

なぜこのプロンプトが効くのか: パターン分析機能により大量の問い合わせデータから有意な傾向を抽出し、構造化出力により一貫性のあるFAQ体系が構築されます。SEO最適化テクニックにより検索性が向上し、自己評価ループにより品質が担保されます。

カスタマイズガイド:

• 【ターゲットユーザー】部分は詳細なペルソナ情報を追加すると精度UP
• 多言語対応が必要な場合は「翻訳時の注意点」「文化的配慮事項」を追加
• より高度な分析が必要な場合は「競合他社のFAQ比較分析」を追加指示

出力例:

## 問い合わせ分析サマリー
### 頻出質問TOP10
1. パスワード再設定 - 25% - 現在のFAQでは不十分
2. 請求内容の確認 - 18% - 手順が複雑で分かりにくい
3. プラン変更方法 - 15% - タイミングの制約が理解されていない
4. 退会・解約手続き - 12% - 引き留め対応とのバランスが課題
5. 機能の使い方 - 10% - 具体例が不足

### 改善が必要な領域
基本的な操作方法に関する質問が多くを占めており、
チュートリアル機能との連携が不十分

## FAQ構造提案
### カテゴリ分類  
- 【アカウント管理】
  - ログイン・認証
  - パスワード・セキュリティ
- 【ご利用方法】
  - 基本操作
  - 応用機能

---

プロンプト4: エスカレーション判定システム

難易度: ★★☆
使用場面: 初期対応でAIまたは一次サポートが判断に迷う案件について、人間の専門スタッフへのエスカレーションの要否を適切に判定する際に使用。リソース配分の最適化と顧客満足度向上の両立を図る
使用テクニック: 多軸判定 / リスク評価 / ロール設定 / 条件分岐ロジック

プロンプト:

あなたはカスタマーサポートにおけるエスカレーション管理の専門家として8年の経験を持ち、適切な判断により顧客満足度92%、業務効率大幅な向上を実現してきました。リスク管理とリソース最適化の両面から最適な判断を下すスキルに長けています。

以下の問い合わせについて、人間スタッフへのエスカレーション要否を多角的に判定してください。

【問い合わせ情報】
- 顧客情報: 【顧客ランク、契約内容、利用期間】
- 問い合わせ内容: 【具体的な内容】
- 緊急性: 【顧客が求める対応速度】
- 過去履歴: 【類似問題の有無、過去の満足度】
- 初期対応結果: 【AIや一次対応で試した内容と結果】

Step 1: 複雑度評価 (各項目を1-5点で評価)
以下の観点から問題の複雑度を数値化
- 技術的複雑さ (1: FAQ対応可能 ～ 5: 専門技術者要)
- 影響範囲 (1: 個人レベル ～ 5: システム全体)  
- 法的・契約的リスク (1: なし ～ 5: 高リスク)
- 感情的配慮必要度 (1: 定型対応可 ～ 5: 高度な交渉術要)
- 解決期限の切迫度 (1: 通常対応 ～ 5: 即座対応必須)

Step 2: 顧客重要度評価
- VIP度: 【売上貢献度、契約規模】
- 関係継続性: 【長期契約の可能性、口コミ影響度】
- 過去満足度: 【これまでの対応評価】

Step 3: リソース可用性確認
- 専門スタッフの稼働状況想定
- 解決に要する時間コスト
- 代替解決策の実現可能性

Step 4: エスカレーション判定ロジック適用

【自動対応継続条件】
- 複雑度合計15点未満 AND 顧客重要度中以下 AND 定型解決策適用可能
【即座エスカレーション条件】  
- 法的リスク4以上 OR VIP顧客の不満案件 OR システム障害関連
【条件付きエスカレーション】
- 上記以外で、タイムアウト設定内での解決可能性を評価

Step 5: 引き継ぎ情報整理
エスカレーションする場合の引き継ぎ情報を構造化

以下の形式で出力してください:

## エスカレーション判定結果
### 総合判定: 【即座エスカレーション / 条件付きエスカレーション / 自動対応継続】

### 評価スコア詳細
- 技術的複雑さ: 【点数/5】 - 【理由】
- 影響範囲: 【点数/5】 - 【理由】  
- 法的・契約的リスク: 【点数/5】 - 【理由】
- 感情的配慮必要度: 【点数/5】 - 【理由】
- 解決期限の切迫度: 【点数/5】 - 【理由】
**複雑度合計**: 【合計点/25】

### 顧客重要度
- VIP度: 【高/中/低】
- 関係継続性: 【高/中/低】  
- 過去満足度: 【高/中/低】

## 推奨アクション
### 即座に実行すべき対応
【具体的な次のステップ】

### エスカレーション先
【技術チーム / 管理職 / 法務 / その他】

### 引き継ぎ情報 (エスカレーション時)
**緊急度**: 【高/中/低】
**顧客背景**: 【重要な背景情報】
**これまでの対応**: 【実施済み対応の要約】
**推奨アプローチ**: 【専門スタッフ向けの推奨戦略】
**期限**: 【対応期限】

## リスク要因
### 放置した場合の潜在リスク
【予想される問題の拡大シナリオ】

### 過剰対応リスク
【リソース過投入による機会損失】

品質チェック項目:
① 判定ロジックは一貫しているか
② 顧客の期待値と実際の対応レベルに乖離はないか
③ 組織のリソース状況を現実的に考慮しているか
④ エスカレーション先の専門性と問題がマッチしているか

制約条件:
- 判断に迷う場合はエスカレーション寄りの判定を優先
- 顧客の感情状態を軽視しない
- 法的リスクは保守的に評価する

なぜこのプロンプトが効くのか: 多軸判定システムにより感情的判断を排除した客観的評価が可能となり、リスク評価機能により潜在的な問題を事前に察知できます。条件分岐ロジックにより一貫した判定基準が適用され、組織全体の対応品質が均一化されます。

カスタマイズガイド:

• 【顧客ランク】の評価軸は自社のCRM分類基準に合わせて詳細化
• 業界特有のリスク要因（金融なら規制対応、医療なら安全性等）を追加
• 組織の人員体制に応じてエスカレーション先の選択肢をカスタマイズ

出力例:

## エスカレーション判定結果
### 総合判定: 即座エスカレーション

### 評価スコア詳細
- 技術的複雑さ: 4/5 - データベース関連で専門知識が必要
- 影響範囲: 5/5 - 同一システム利用の全顧客に影響の可能性
- 法的・契約的リスク: 3/5 - SLA違反の懸念あり
- 感情的配慮必要度: 4/5 - 業務停止による損害への強い憤り
- 解決期限の切迫度: 5/5 - 業務への直接的影響で即日解決必須
**複雑度合計**: 21/25

### 顧客重要度  
- VIP度: 高 (月額50万円以上の契約)
- 関係継続性: 高 (3年契約の更新時期)
- 過去満足度: 高 (前回対応で高評価)

## 推奨アクション
### 即座に実行すべき対応
技術チームリーダーへの緊急エスカレーション + 顧客への状況説明と謝罪

### エスカレーション先
技術チーム (データベース専門エンジニア) + カスタマーサクセス部門

### 引き継ぎ情報
**緊急度**: 高
**顧客背景**: VIP契約者、更新時期、過去良好関係
**これまでの対応**: 基本的なトラブルシューティング実施済み
**推奨アプローチ**: 技術的解決と並行してビジネス影響の最小化策を提案
**期限**: 本日17時まで (顧客の業務時間内)

---

プロンプト5: 多言語対応・文化配慮システム

難易度: ★★★
使用場面: 海外顧客や外国籍顧客からの問い合わせに対して、言語の違いだけでなく文化的背景や商習慣の差を考慮した適切な対応を行う際に使用。グローバル企業のカスタマーサポートで必須
使用テクニック: 文化的コンテキスト分析 / 多言語最適化 / ロール設定 / 段階的文化適応

プロンプト:

あなたは国際的なカスタマーサポートの専門家として12年の経験を持ち、30カ国以上の顧客対応実績があります。特に異文化コミュニケーションと多言語サポートにおいて、文化的誤解によるトラブルを95%以上回避してきた専門性を有します。言語学、文化人類学、国際ビジネスマナーの深い知識を持っています。

以下の問い合わせに対して、文化的配慮を含む最適な回答を作成してください。

【顧客情報】
- 国籍/地域: 【顧客の出身国・居住地】
- 使用言語: 【主要言語、日本語レベル】
- 文化的背景: 【宗教、ビジネス慣習等の関連情報】
- コミュニケーションスタイル: 【直接的/間接的、公式/親しみやすい】

【問い合わせ内容】
【具体的な問い合わせ内容】

【追加情報】
- 時差: 【顧客の現地時間との差】
- 緊急性: 【現地の営業時間、休日等を考慮】
- 過去のやり取り: 【あれば文化的な課題やコミュニケーションの特徴】

Step 1: 文化的コンテキスト分析
以下の観点から顧客の文化的背景を分析
- コミュニケーションスタイル (ハイコンテキスト/ローコンテキスト)
- 権威・階層に対する認識
- 時間に対する概念 (厳格/柔軟)
- 問題解決アプローチの傾向
- 敬語・丁寧さの期待レベル

Step 2: 言語的配慮ポイント特定
- 避けるべき表現・概念
- 理解しやすい構文パターン
- 重要な情報の強調方法
- 数字・日付の表記方法
- 敬語・丁寧語の適切なレベル

Step 3: 文化適応戦略策定
- 期待される対応速度の調整
- 意思決定プロセスの違いへの配慮
- 家族・組織への影響考慮
- 宗教的・社会的タブーの回避
- 商習慣の違いへの対応

Step 4: 回答文最適化
文化的配慮を組み込んだ回答文を3段階で作成
- Level 1: 基本的な問題解決情報
- Level 2: 文化的配慮を含む詳細説明
- Level 3: 関係構築を重視した追加サポート

以下の形式で出力してください:

## 文化的コンテキスト分析
### 顧客の文化的特徴
- コミュニケーションスタイル: 【分析結果】
- ビジネス慣習: 【重要な特徴】
- 期待される対応レベル: 【公式度、丁寧さ等】

### 配慮が必要なポイント
- 言語的配慮: 【避けるべき表現、推奨表現】
- 文化的配慮: 【宗教、習慣、価値観に関する注意点】
- 時間的配慮: 【現地の営業時間、祝日等】

## 最適化された回答文

### 日本語版 (社内共有用)
【問題解決に特化した効率的な回答】

### 顧客向け多言語対応版
**使用言語**: 【推奨言語】
**文化的配慮レベル**: 【高/中/低】

【文化的配慮を組み込んだ回答文】
※翻訳時の注意点: 【重要な翻訳指示】

## フォローアップ戦略
### 短期 (24時間以内)
【即座に必要な追加サポート】

### 中期 (1週間以内)  
【関係構築のための提案】

### 長期 (継続的)
【文化的差異を活かしたサービス向上提案】

## 文化的リスク評価
### 潜在的な誤解リスク
【文化的違いによる誤解の可能性】

### 予防策
【誤解を防ぐための追加措置】

品質チェック項目:
① 文化的ステレオタイプに依存していないか
② 宗教的・政治的に中立な表現を使用しているか
③ 現地の法的要件や商習慣に配慮しているか
④ 翻訳時に意味が変わる可能性はないか
⑤ 顧客の尊厳を尊重した表現になっているか

制約条件:
- 文化的偏見や先入観を排除する
- 個人の文化的背景を決めつけない
- 現地の法規制や商習慣を最優先する
- 必要に応じて現地パートナーとの連携を提案する

特別指示:
以下の地域別特別配慮を適用
- 北米: 効率性とプライバシー重視、法的リスク配慮
- 欧州: GDPR等プライバシー規制、多様性尊重  
- 東南アジア: 階層関係への配慮、家族・集団への影響考慮
- 中東: 宗教的配慮、男女間コミュニケーション配慮
- 南米: 関係性重視、時間の柔軟性配慮

なぜこのプロンプトが効くのか: 文化的コンテキスト分析により表面的な言語翻訳を超えた深いコミュニケーションが実現され、段階的文化適応アプローチにより顧客の期待値に応じた最適なサービスレベルが提供されます。多層的な配慮システムにより文化的誤解や炎上リスクが大幅に削減されます。

カスタマイズガイド:

• 【国籍/地域】は自社の主要顧客層に合わせて詳細なペルソナ設定を追加
• 業界特有の国際規制（金融のFATCA、医薬のGMP等）を考慮項目に追加
• 自社の海外拠点やパートナー企業の情報を「現地連携オプション」として追加

出力例:

## 文化的コンテキスト分析
### 顧客の文化的特徴
- コミュニケーションスタイル: ローコンテキスト、直接的な表現を好む
- ビジネス慣習: 効率性と結果重視、個人の責任と権限が明確
- 期待される対応レベル: プロフェッショナルかつフレンドリー、過度な敬語は不要

### 配慮が必要なポイント
- 言語的配慮: 婉曲表現より明確な説明を優先、結論を先に述べる
- 文化的配慮: プライバシー保護への高い意識、個人情報の取り扱い慎重に
- 時間的配慮: 現地時間9-17時が最適、週末対応の期待値は低い

## 最適化された回答文
### 日本語版 (社内共有用)
パスワードリセット手順をアカウントセキュリティポリシーに従って案内。
GDPR規則遵守のため本人確認を厳密に実施。

### 顧客向け多言語対応版
**使用言語**: English
**文化的配慮レベル**: 中

Dear [Customer Name],

Thank you for contacting us regarding your password reset request.
To ensure your account security and comply with data protection regulations,
I'll guide you through our secure verification process...

※翻訳時の注意点: "申し訳ございません"の過度な使用は避け、
"Thank you for your patience"等の積極的表現を使用

---

プロンプト6: 顧客感情データ分析・予測システム

難易度: ★★★
使用場面: 大量の顧客対応履歴から感情パターンを分析し、将来的な顧客行動（解約リスク、アップセル機会等）を予測する際に使用。CRMデータと連携したプロアクティブな顧客対応戦略の立案で威力を発揮
使用テクニック: 時系列感情分析 / パターン認識 / 予測モデリング / リスク層別化

プロンプト:

あなたは顧客感情分析とチャーン予測のデータサイエンティストとして9年の経験を持つ専門家です。特に感情データから顧客行動を予測する分野で、解約予測精度85%以上、アップセル成功率大幅な向上を実現してきました。心理学、統計学、機械学習の深い知識を組み合わせた分析スキルを有します。

以下の顧客データを基に、感情パターン分析と将来予測を実行してください。

【分析対象顧客情報】
- 顧客ID: 【顧客識別子】
- 契約期間: 【開始日、現在のプラン】
- 取引履歴: 【売上推移、利用頻度等】
- サポート履歴数: 【過去の問い合わせ件数と頻度】

【対話履歴データ】
【過去6ヶ月の顧客とのやり取り履歴、メール、チャット、電話記録等】

【外部要因】
- 市場環境: 【競合状況、業界トレンド】
- 季節性要因: 【時期的な影響】
- 企業側変更: 【サービス変更、価格改定等】

Step 1: 時系列感情分析
過去の対話履歴を時系列で分析し、以下の感情指標を数値化
- 満足度推移 (1-10スケール、月次変化率)
- ストレス/不満レベル (問題発生時のピーク値と回復パターン)
- エンゲージメント度 (積極性、質問の質、回答への反応)
- 信頼度変化 (企業・サービスへの信頼表現の推移)
- 依存度 (サービスへの依存表現、代替検討の言及)

Step 2: 感情パターン分類
感情推移パターンを以下のカテゴリーで分類
- 安定満足型: 一貫して高い満足度を維持
- 改善成長型: 初期不満から徐々に満足度向上  
- 波動型: 満足・不満を周期的に繰り返す
- 漸減不安型: 徐々に満足度が低下傾向
- 急降下危険型: 急激な満足度低下、解約リスク高

Step 3: 行動予測モデリング
以下の要素を統合して将来行動を予測
- 解約リスク算出 (3ヶ月、6ヶ月、12ヶ月後の確率)
- アップセル/クロスセル機会 (タイミングと成功確率)
- サポート負荷予測 (今後の問い合わせ頻度・複雑度)
- 口コミ影響予測 (ポジティブ/ネガティブな口コミ発生可能性)

Step 4: リスク層別化とアクション推奨
顧客をリスクレベル別に分類し、最適な対応戦略を提案

以下の形式で出力してください:

## 感情分析サマリー
### 現在の感情状態
- 総合満足度: 【点数/10】 (前月比: 【±変化】)
- ストレスレベル: 【点数/10】
- エンゲージメント: 【点数/10】
- サービス信頼度: 【点数/10】
- 依存度: 【点数/10】

### 感情推移パターン
**分類**: 【5パターンのいずれか】
**特徴**: 【このパターンの特徴的な行動・感情変化】

## 時系列感情グラフ (テキスト表現)

月別満足度推移: 1月 |████████░░| 8.2 2月 |██████░░░░| 6.1
3月 |████░░░░░░| 4.5 4月 |██████░░░░| 6.2 5月 |████████░░| 7.8 6月 |█████████░| 8.9 傾向: 回復基調 (4月を底に改善)

## 行動予測結果
### 解約リスク分析
- 3ヶ月後: 【%】 - 【リスクレベル: 高/中/低】
- 6ヶ月後: 【%】 - 【リスクレベル: 高/中/低】  
- 12ヶ月後: 【%】 - 【リスクレベル: 高/中/低】

**主要リスク要因**: 【解約に繋がる可能性の高い要因】

### 成長機会分析
- アップセル成功確率: 【%】
- 最適提案タイミング: 【具体的時期】
- 推奨アプローチ: 【効果的な提案方法】

## 推奨アクション戦略
### 即座実行 (今週内)
- 【具体的なアクション1】
- 【具体的なアクション2】

### 短期戦略 (1ヶ月以内)  
- 【プロアクティブな顧客接触計画】
- 【サービス改善提案】

### 中長期戦略 (3ヶ月以内)
- 【関係深化のための施策】
- 【価値向上提案】

## アラート設定推奨
### 監視すべき感情指標
- 【特に注意すべき感情の変化パターン】
- 【アラート発動の閾値】

### 予防的介入タイミング
- 【感情悪化の早期発見指標】
- 【介入すべきタイミングの目安】

品質チェック項目:
① 感情分析が過去データのパターンと整合しているか
② 予測根拠が論理的で説明可能か
③ 推奨アクションが実行可能で具体的か
④ リスク評価が保守的すぎず楽観的すぎないか
⑤ 顧客の個別性を考慮した分析になっているか

注意事項:
- 感情分析は統計的傾向であり、個人の複雑性を完全には表せないことを理解する
- プライバシーに配慮し、分析結果の取り扱いには十分注意する
- 予測は参考情報として活用し、人間の判断を補完する位置づけとする
- 文化的背景や個人的事情による感情変化の可能性を考慮する

なぜこのプロンプトが効くのか: 時系列感情分析により顧客の心理状態の変化を可視化し、パターン認識技術により類似顧客の行動履歴から高精度な予測が可能になります。多軸評価により単一指標では見落とす微細な変化も捉え、プロアクティブな顧客対応を実現します。

カスタマイズガイド:

• 【取引履歴】部分は自社のKPI指標（利用頻度、機能活用度等）に合わせてカスタマイズ
• 業界特有の顧客行動パターン（SaaSのMAU、ECの購買頻度等）を予測要素に追加
• 自社のCRMシステムと連携する場合は、データ形式と更新頻度を仕様に追加

出力例:

## 感情分析サマリー
### 現在の感情状態  
- 総合満足度: 7.8/10 (前月比: +1.3)
- ストレスレベル: 3.2/10 (大幅改善)
- エンゲージメント: 8.1/10 (過去最高)
- サービス信頼度: 8.5/10 (回復傾向)
- 依存度: 6.9/10 (適正レベル)

### 感情推移パターン
**分類**: 改善成長型
**特徴**: 3-4月の大幅満足度低下から、適切なサポートにより急速に改善。
現在は初期レベルを上回る満足度に到達し、サービスへの理解も深化

## 時系列感情グラフ

月別満足度推移: 1月 |███████░░░| 7.2 2月 |██████░░░░| 6.1 3月 |███░░░░░░░| 3.8 (クリティカル期) 4月 |████░░░░░░| 4.2 5月 |██████████| 7.1 (回復開始)
6月 |████████░░| 7.8 (改善継続) 傾向: 強い回復基調、ロイヤリティ向上中

## 行動予測結果
### 解約リスク分析
- 3ヶ月後: 8% - リスクレベル: 低
- 6ヶ月後: 12% - リスクレベル: 低
- 12ヶ月後: 18% - リスクレベル: 中

**主要リスク要因**: 価格感応性が高く、競合の大幅割引に敏感

### 成長機会分析
- アップセル成功確率: 73%
- 最適提案タイミング: 2ヶ月後 (信頼度ピーク予想時期)
- 推奨アプローチ: ROI効果を具体数値で示した段階的プラン提案

---

プロンプト7: チャットボット最適化・学習システム

難易度: ★★★
使用場面: 既存のチャットボットの応答品質を分析し、顧客との実際の対話データから学習して改善点を特定、新しいプロンプトや応答パターンを自動生成する際に使用。チャットボット プロンプト 最適化の中核機能
使用テクニック: 対話品質分析 / 失敗パターン学習 / 動的プロンプト生成 / A/Bテスト設計

プロンプト:

あなたはチャットボット最適化とNLP（自然言語処理）の専門家として11年の実績を持ち、特に対話システムの品質改善において、顧客満足度大幅な向上、問題解決率大幅な向上を実現してきました。機械学習、対話設計、UXライティングの専門知識を組み合わせた最適化スキルを保有します。

以下のチャットボット対話データを分析し、包括的な改善戦略を立案してください。

【現在のボット設定】
- ボット名/役割: 【現在の設定】
- 主要機能: 【FAQ回答、問い合わせ振り分け、etc】
- 対応範囲: 【技術的制約、対応可能領域】
- 現在の満足度: 【ユーザー評価データ】

【分析対象期間の対話データ】
【過去1ヶ月の実際の顧客対話ログ、成功/失敗事例】

【パフォーマンスデータ】
- 解決率: 【%】
- エスカレーション率: 【%】  
- 平均対話時間: 【分】
- ユーザー離脱率: 【%】
- 再問い合わせ率: 【%】

Step 1: 対話品質分析
実際の対話ログから以下を詳細分析
- 成功パターン特定 (スムーズに解決した対話の共通要素)
- 失敗パターン分類 (理解失敗、回答不適切、エスカレーション失敗等)
- 顧客意図の誤認識パターン
- 感情状態変化の傾向 (対話中の満足度変化)
- 未対応質問カテゴリの特定

Step 2: 言語理解能力評価  
- 自然言語の多様性への対応度
- 専門用語・業界用語の理解精度
- 曖昧な表現・省略表現への対処能力
- 感情表現(怒り、困惑、急ぎ等)の認識精度
- 複合的な要求の分解・処理能力

Step 3: 応答生成品質評価
- 回答の正確性と完全性
- 説明の分かりやすさ
- 適切な敬語・トーンの使用
- 次のアクションの明示度
- パーソナライゼーション(個別化)の程度

Step 4: 改善プロンプト設計
分析結果を基に最適化されたプロンプトを生成

以下の形式で出力してください:

## 現状分析サマリー
### 全体パフォーマンス評価
- 総合評価: 【A-F】
- 強み: 【優れている領域】
- 主要課題: 【改善が必要な領域】

### 失敗パターン分析TOP5
1. 【失敗パターン1】 - 発生頻度【%】 - 影響度【高/中/低】
2. 【失敗パターン2】 - 発生頻度【%】 - 影響度【高/中/低】
3. 【失敗パターン3】 - 発生頻度【%】 - 影響度【高/中/低】
4. 【失敗パターン4】 - 発生頻度【%】 - 影響度【高/中/低】
5. 【失敗パターン5】 - 発生頻度【%】 - 影響度【高/中/低】

## 最適化プロンプト (新バージョン)

### システムプロンプト (ボットの基本設定)

【改善された基本設定プロンプト】

• ロール定義の強化
• 対話方針の明確化
• 制約条件の追加
• エスカレーション基準の精密化

### 意図理解強化プロンプト

【顧客意図の認識精度向上のためのプロンプト】

• 多様な表現パターンの学習
• 感情状態の考慮指示
• 文脈理解の深化指示
• 曖昧性解消の手順

### 応答生成最適化プロンプト  

【回答品質向上のためのプロンプト】

• 段階的説明の構造化
• 個別化要素の組み込み
• 感情配慮の表現強化
• アクションプラン明示の徹底

## 学習データ拡張提案
### 追加すべき学習事例
- 【不足している対話パターン1】
- 【不足している対話パターン2】  
- 【不足している対話パターン3】

### Few-shot学習用事例セット
**良い対話例:**

顧客: 【入力例】 ボット: 【理想的な応答例】

**改善が必要な対話例:**

顧客: 【入力例】 現在のボット: 【問題のある応答】 改善版ボット: 【最適化された応答】

## A/Bテスト設計
### テスト項目
1. 【テスト項目1】
   - 仮説: 【改善仮説】
   - 測定指標: 【成功指標】
   - 実施期間: 【推奨期間】

2. 【テスト項目2】
   - 仮説: 【改善仮説】  
   - 測定指標: 【成功指標】
   - 実施期間: 【推奨期間】

## 段階的導入計画
### Phase 1 (即座実装可能)
- 【すぐに適用できる改善】
- 期待効果: 【具体的な改善数値】

### Phase 2 (1ヶ月以内)
- 【中期的な改善項目】  
- 期待効果: 【具体的な改善数値】

### Phase 3 (3ヶ月以内)
- 【抜本的な改善項目】
- 期待効果: 【具体的な改善数値】

## 継続的改善フレームワーク
### 週次モニタリング項目
- 【監視すべき指標1】
- 【監視すべき指標2】
- 【監視すべき指標3】

### 月次改善サイクル
1. 【データ収集・分析】
2. 【改善仮説立案】  
3. 【プロンプト調整】
4. 【効果測定・検証】

品質チェック項目:
① 改善提案が実際の失敗パターンに対応しているか
② 新しいプロンプトが技術的制約内で実現可能か
③ A/Bテストの設計が統計的に有意な結果を得られるか
④ 段階的導入計画がリスク管理を考慮しているか
⑤ 継続的改善の仕組みが持続可能か

制約条件:
- 既存システムとの互換性を維持する
- ユーザー体験の一貫性を保つ
- コンプライアンス要件を満たす
- 運用チームが管理可能な複雑度に留める

特別考慮事項:
- プライバシー保護: 学習データから個人情報を除外
- バイアス対策: 特定の顧客層に不利にならない設計
- 説明可能性: ボットの判断根拠を説明できる仕組み
- フェイルセーフ: 不適切応答の防止機能

なぜこのプロンプトが効くのか: 実際の対話データに基づく失敗パターン学習により具体的で実用的な改善策が生成され、動的プロンプト生成機能により継続的な品質向上サイクルが構築されます。A/Bテスト設計により改善効果の客観的検証が可能になり、段階的導入により運用リスクを最小化しながら改善を実現します。

カスタマイズガイド:

• 【主要機能】部分は自社チャットボットの具体的機能に合わせて詳細化
• 業界特有の専門用語や規制要件を「制約条件」に追加
• 既存のCRMやヘルプデスクシステムとの連携要件を「技術的制約」に反映

出力例:

## 現状分析サマリー
###