WhatsApp Businessチャットから
住所と注文番号を抽出する

住所と注文番号は実際どこにあるのか

WhatsApp Businessのチャットスレッドは、メッセージバブルの連続です。お客様のメッセージは片側（Androidでは緑、iOSでは青）に、ビジネス側の返信は反対側に表示されます。各バブルには、お客様が入力した内容（プレーンテキスト、絵文字、時には商品の写真）がそのまま入っています。「住所フィールド」も「注文番号フィールド」もありません。あるのは、次のような文だけです。

住所、商品、数量、注文番号はすべて同じバブルの中にあります。同じ会話の中で複数のメッセージにまたがっていることもあります。住所の形式自体も国や地域によってまったく異なります。

問題は、住所に専用のフィールドがないことだけではありません。国ごとに住所の書き方がまったく異なり、WhatsAppはそれらすべてを同じように扱います。つまり、チャットバブルに入力された生のテキストとしてです。標準もテンプレートも、画面上の予測可能な位置もありません。

従来のOCRではチャットデータを抽出できない理由

WhatsApp Businessのチャットのスクリーンショットを撮って、従来のOCRエンジンにかけてみてください。出力されるのは、画面上から下へ、左から右へと読み順に並んだテキストの塊です。画面上部のタイムスタンプ、ビジネスプロフィール名、顧客の電話番号、メッセージバブルの内容、あなたの返信、次のメッセージ——すべてが混ざり合います。OCRは文字の位置を読み取るだけで、意味を理解しないからです。

従来のOCRツールは、「Rua Augusta, 1500」が住所で「apto 42」が部屋番号であることを認識しません。「Order #4」が注文番号であることもわかりません。すべてを区別のない1つの文字列として読み取り、後はあなた自身が情報を拾い出すしかありません。顧客が3つのメッセージを続けて送信した場合——最初に商品をリストし、次に住所、そして注文番号——出力は連結された混乱状態になり、手動で解析する必要があります。

これはOCRの解像度や精度の問題ではありません。OCRの仕組み（文字に見える形を見つけること）と、ユーザーが実際に必要としていること（どのテキストが何を意味するのかを理解すること）の間に、根本的なミスマッチがあるのです。チャットのスクリーンショットには、フォームフィールドやラベル、構造化されたレイアウトはありません。そこにあるのは会話であり、会話には理解が必要です。

セマンティック抽出——意味でチャットを読み解く

ImageToTable.aiは異なるアプローチを採用しています。画像内のテキストの座標をスキャンする代わりに、人間と同じようにスクリーンショットを見ます。つまり、内容を読み、各情報が何を意味するのかを理解し、あなたが指定したものを正確に抽出します。

出力する列を定義します——住所、注文番号。AIはスクリーンショットを読み取り、位置ではなく意味的な役割に基づいて各列に一致するテキストを見つけます。テキストを配送先として機能させる要素——通り名、市区町村名、郵便番号、地域識別子——を認識することで住所を特定します。たとえそれらの要素が商品名や数量と一緒に文中に現れても、それが可能です。

これこそがカスタム列抽出パラダイムの仕組みです。あなたが欲しいものを定義すれば、AIが意味に基づいてそれを見つけます。上記で示したあらゆる住所形式のバリエーションで機能します。なぜなら、「ブラジルの住所」がどのようなものかを事前に知っておく必要がないからです。AIは住所という概念——通り、番地、市区町村、郵便番号——を理解し、チャットテキスト内のどこに現れてもそれらを識別します。

テンプレートは不要。事前にアップロードするサンプル文書も不要。国ごとの住所形式のトレーニングも不要。スクリーンショットをアップロードし、列名を入力するだけで、AIがチャットを読み取ります。

出力結果 — 注文ごとに1行

WhatsApp Businessのチャットスクリーンショットをまとめてアップロードします。たとえば、1日に受け取った10件の注文分です。各スクリーンショットは、同じ列定義で同じ抽出処理が実行されます。出力は1つのスプレッドシートで、各行が1件の注文を表します。

このテーブルは、住所形式がまったく異なる国々からの注文を、1つの統一された構造にまとめます。さらに列を追加することもできます — 顧客名、電話番号、注文商品、数量 — 列リストに追加するだけでOKです。AIが同じスクリーンショットを再度読み取り、今度はチャットヘッダーやメッセージ内容から顧客名を見つけ、テキストから電話番号を抽出し、お客様がリクエストした商品をリストアップします。

1つのバッチに、インド、ブラジル、ナイジェリア、インドネシアの顧客からのスクリーンショットを含めることができます — まとめて処理され、まとめて抽出され、1つのスプレッドシートで納品されます。国ごとの設定も、形式固有のテンプレートも必要ありません。

ここが弱点 — 正直な限界

チャットのスクリーンショットは、このツールが扱う中で最も構造化されていない入力です。意味抽出はうまく機能しますが、魔法ではありません。以下が実際の限界です。

住所が複数のメッセージに分割されている場合。 お客様が番地を1つ目のメッセージで、市区町村を次のメッセージで、PINコードを3つ目のメッセージで送信し、その間にビジネスからの返信が挟まることがあります。1枚のスクリーンショットではそれらすべてを捉えきれない可能性があります。解決策は、会話スレッド全体をスクリーンショット（可能であればスクロールキャプチャ）して、AIが完全なコンテキストを持てるようにすることです。

テキストではなく音声メッセージの場合。 お客様が住所を音声メモで送信した場合、スクリーンショットから抽出できるテキストはありません。音声文字起こしは、スクリーンショット抽出には含まれない別の機能です。お客様に住所をテキストで入力してもらうか、音声メモを別途文字起こしする必要があります。

曖昧な住所やランドマークベースの住所の場合。 「いつもの場所に送って」や「スルレレの大きなモスクの近く」といった表現には、抽出可能な住所の構成要素が含まれていません。AIはテキスト内に正式な住所が存在しないことを正しく識別し、捏造する代わりにその旨をフラグ付けします。これらの注文では、配達詳細を確認するためのフォローアップメッセージが依然として必要です。

1枚のスクリーンショットに複数の住所がある場合。 お客様が同じ注文で2つの異なる場所への配達を依頼する場合 — 「半分はオフィスに、半分は自宅に送って」 — 曖昧さが生じます。抽出では両方の住所が返されますが、それらを注文構造にどのようにマッピングするかはお客様が判断する必要があります。配送ラベル列（「オフィス」/「自宅」）を追加すると、区別に役立ちます。

絵文字とステッカー。 AIは絵文字をコンテキストの手がかりとして読むことができますが（テキストの横にある📍ピンは「これは場所に関連する」ことを示します）、住所テキストを覆うステッカー画像は盲点となります。ステッカーの背後にあるテキストはスクリーンショットでは見えません。

これらはチャット抽出を避ける理由ではありません。これらは、チャットのスクリーンショットで動作するあらゆるツールが直面する現実的な限界です。これらを理解することで、スクリーンショットのワークフローをそれに合わせて設計できます — 会話のスクロール全体をキャプチャし、重要な注文ではお客様に住所をテキストで入力してもらい、曖昧な指示にはフォローアップ用のフラグを付けます。

注文ワークフローへの影響

手動でのWhatsApp注文処理における本当のコストは、住所をスプレッドシートに打ち込む作業そのものではありません。それは積み重なりです。1日に10件の注文があり、それぞれから住所と注文番号を書き写す手間、月曜朝のバックログ、どのメッセージを処理したか分からなくなって同じ注文を二重に処理してしまうミス、お客様のメッセージにある似たような通り名を読み違えて誤った場所に配達してしまう事故——こうしたことの積み重ねが本当のコストなのです。

Redditである小さな飲食店の経営者は、こう簡潔に語っています。「WhatsAppの注文を手動でスプレッドシートにコピーするのに、あまりにも時間を費やしすぎていた」。別の水販売事業を営む方は、すべての顧客がWhatsAppで注文し、すべてを手動で処理している——顧客が増えるごとにボトルネックが大きくなると指摘しています。

手動のコピーペーストからスクリーンショットベースの抽出に移行すると、情報がシステムに入力される時点でワークフローが変わります。スクリーンショットはすでに記録です——お客様のメッセージを保存するために撮影します。そのスクリーンショットを読み取って詳細を打ち直す代わりに、直接アップロードします。住所と注文番号は、キーボードを経由せずにスプレッドシートに直接入力されます。以前は1件あたり1分かかっていた注文確認も、スクリーンショットを撮るのと同じタイミングで処理できるようになります。

スプレッドシートもより便利になります。住所が構造化された列に入力されれば、市区町村で並べ替えてルートごとに配達をグループ化したり、注文番号の範囲でフィルタリングしてバッチを確認したり、サブセットをエクスポートして配送チームに送信したりできます。チャットスレッドに散らばっていた注文番号が、数秒でスキャンできる1つのリストになります。

よくある質問

住所と注文番号はすでにスクリーンショットの中にあります——WhatsAppの注文会話をキャプチャするたびに。問題は、それらを再入力するか、AIに読み取らせるかです。一方の方法はコピー＆ペーストのサイクルに留まります。もう一方は、スクリーンショット自体を注文ワークフローの入力に変えます。支払いスクリーンショットからデータを抽出するのと同じ原理がここでも当てはまります：インターフェースが文書でなくてもデータはそこにある——位置ではなく意味で読み取るツールが必要なだけです。