تحليل في الوقت الفعلي لمشاعر العملاء باستخدام AWS

تحتاج الشركات التي تبيع المنتجات أو الخدمات عبر الإنترنت إلى مراقبة مراجعات العملاء باستمرار على موقع الويب الخاص بهم بعد شراء المنتج. تقوم أقسام التسويق وخدمة العملاء في الشركة بتحليل هذه المراجعات لفهم مشاعر العملاء. على سبيل المثال ، يمكن أن يستخدم التسويق هذه البيانات لإنشاء حملات تستهدف شرائح مختلفة من العملاء. يمكن لأقسام خدمة العملاء استخدام هذه البيانات لاكتشاف عدم رضا العملاء واتخاذ الإجراءات التصحيحية.

تقليديًا ، يتم جمع هذه البيانات عبر عملية دفعية وإرسالها إلى مستودع البيانات للتخزين والتحليل وإعداد التقارير ، ويتم إتاحتها لصانعي القرار بعد عدة ساعات ، إن لم يكن أيام. إذا كان من الممكن تحليل هذه البيانات على الفور ، فيمكن أن توفر فرصًا للشركات للتفاعل بسرعة مع مشاعر العملاء.

في هذا المنشور ، نصف طريقة لتحليل الشعور العام لتعليقات العملاء في الوقت الفعلي تقريبًا (بضع دقائق). نوضح أيضًا كيفية فهم المشاعر المختلفة المرتبطة بكيانات محددة في النص (مثل الشركة أو المنتج أو الشخص أو العلامة التجارية) مباشرةً من واجهة برمجة التطبيقات.

حالات الاستخدام لتحليل المشاعر في الوقت الفعلي

يعد تحليل المشاعر في الوقت الفعلي مفيدًا جدًا للشركات المهتمة بالحصول على تعليقات العملاء الفورية على منتجاتهم وخدماتهم ، مثل:

• مطاعم
• شركات البيع بالتجزئة أو B2C التي تبيع منتجات أو خدمات متنوعة
• الشركات التي تبث الأفلام عبر الإنترنت (منصات OTT) أو الحفلات الموسيقية الحية أو الأحداث الرياضية
• المؤسسات المالية

بشكل عام ، يمكن لأي شركة لديها نقاط اتصال مع العملاء وتحتاج إلى اتخاذ قرارات في الوقت الفعلي الاستفادة من التعليقات في الوقت الفعلي من العملاء.

يمكن أن يكون نشر نهج الوقت الحقيقي للمشاعر مفيدًا في حالات الاستخدام التالية:

• يمكن لأقسام التسويق استخدام البيانات لاستهداف شرائح العملاء بشكل أفضل ، أو ضبط حملاتهم على شرائح محددة من العملاء.
• يمكن لأقسام خدمة العملاء التواصل مع العملاء غير الراضين على الفور ومحاولة حل المشكلات ، مما يمنع العملاء من التملص.
• يمكن أن تكون المشاعر الإيجابية أو السلبية تجاه منتج ما بمثابة مؤشر مفيد للطلب على المنتج في مواقع مختلفة. على سبيل المثال ، بالنسبة لمنتج سريع الحركة ، يمكن للشركات استخدام البيانات في الوقت الفعلي لضبط مستويات مخزونها في المستودعات ، لتجنب فائض المخزون أو نفاد المخزون في مناطق معينة.

من المفيد أيضًا أن يكون لديك فهم دقيق للمشاعر ، كما في حالات الاستخدام التالية:

• يمكن للشركة تحديد أجزاء ممتعة من تجربة الموظف / العميل والأجزاء التي يمكن تحسينها.
• يمكن لمراكز الاتصال وفرق خدمة العملاء تحليل النسخ عند الاتصال أو سجلات الدردشة لتحديد فعالية تدريب الوكيل وتفاصيل المحادثة مثل ردود الفعل المحددة من العميل والعبارات أو الكلمات التي تم استخدامها لاستنباط تلك الاستجابة.
• يمكن لمالكي المنتجات ومطوري UI / UX تحديد ميزات منتجاتهم التي يستمتع بها المستخدمون والأجزاء التي تتطلب تحسينًا. يمكن أن يدعم ذلك مناقشات خارطة طريق المنتج وتحديد الأولويات.

حل نظرة عامة

نحن نقدم حلاً يمكن أن يساعد الشركات على تحليل معنويات العملاء (الكاملة والمستهدفة) في الوقت الفعلي تقريبًا (عادةً في بضع دقائق) من المراجعات التي يتم إدخالها على موقع الويب الخاص بهم. في جوهرها ، يعتمد على فهم الأمازون لإجراء كل من تحليل المعنويات الكامل والمستهدف.

تحدد واجهة برمجة تطبيقات Amazon Comprehend sentiment الشعور العام لمستند نصي. اعتبارًا من أكتوبر 2022 ، يمكنك استخدام المشاعر المستهدفة لتحديد المشاعر المرتبطة بالكيانات المحددة المذكورة في المستندات النصية. على سبيل المثال ، في مراجعة مطعم تقول ، "لقد أحببت البرغر ولكن الخدمة كانت بطيئة" ، سيحدد الشعور المستهدف المشاعر الإيجابية تجاه "برجر" والمشاعر السلبية تجاه "الخدمة".

بالنسبة لحالة الاستخدام الخاصة بنا ، تريد سلسلة مطاعم كبيرة في أمريكا الشمالية تحليل المراجعات التي أجراها عملاؤها على موقع الويب الخاص بهم وعبر تطبيق جوّال. يريد المطعم تحليل ملاحظات عملائه حول العناصر المختلفة في القائمة ، والخدمة المقدمة في فروعهم ، والشعور العام بتجربتهم.

على سبيل المثال ، يمكن للعميل كتابة التعليق التالي: "كان الطعام في مطعمك الواقع في نيويورك جيدًا جدًا. كانت المعكرونة لذيذة. ومع ذلك ، كانت الخدمة سيئة للغاية! " لهذا الاستعراض ، موقع المطعم هو نيويورك. المعنويات العامة مختلطة - المشاعر تجاه "الطعام" و "المعكرونة" إيجابية ، لكن المشاعر تجاه الخدمة سلبية.

يريد المطعم تحليل المراجعات حسب ملف تعريف العميل ، مثل العمر والجنس ، لتحديد أي اتجاهات عبر قطاعات العملاء (يمكن التقاط هذه البيانات من خلال تطبيقات الويب والجوال وإرسالها إلى نظام الخلفية). يريد قسم خدمة العملاء استخدام هذه البيانات لإخطار الوكلاء بمتابعة المشكلة عن طريق إنشاء تذكرة عميل في نظام CRM متجه نحو المصب. تريد العمليات فهم العناصر التي تتحرك بسرعة في يوم معين ، حتى تتمكن من تقليل وقت التحضير لتلك العناصر.

حاليًا ، يتم تسليم جميع التحليلات في شكل تقارير بالبريد الإلكتروني عبر عملية مجمعة تستغرق من يومين إلى ثلاثة أيام. يفتقر قسم تكنولوجيا المعلومات في المطعم إلى تحليلات البيانات المعقدة ، أو التدفق ، أو قدرات الذكاء الاصطناعي والتعلم الآلي (ML) لبناء مثل هذا الحل.

يوضح مخطط البنية التالي الخطوات الأولى لسير العمل.

يمكن ربط الحل بالكامل بالجزء الخلفي من موقع الويب الخاص بالعميل أو تطبيق الهاتف المحمول.

بوابة أمازون API يكشف نقطتي نهاية:

• نقطة نهاية العميل حيث يتم إدخال مراجعات العملاء
• نقطة نهاية الخدمة حيث يمكن لقسم الخدمة الاطلاع على أي مراجعة معينة وإنشاء بطاقة خدمة

يتضمن سير العمل الخطوات التالية:

1. عندما يدخل العميل مراجعة (على سبيل المثال ، من موقع الويب) ، يتم إرسالها إلى بوابة API المتصلة بـ خدمة Amazon Simple Queue Service قائمة انتظار (Amazon SQS). تعمل قائمة الانتظار كمخزن مؤقت لتخزين المراجعات عند إدخالها.
2. تقوم قائمة انتظار SQS بتشغيل ملف AWS لامدا وظيفة. إذا لم يتم تسليم الرسالة إلى وظيفة Lambda بعد عدة محاولات لإعادة المحاولة ، فسيتم وضعها في قائمة انتظار الرسائل المهملة للفحص المستقبلي.
3. تستدعي وظيفة Lambda ملف وظائف خطوة AWS آلة الدولة ويمرر الرسالة من قائمة الانتظار.

يوضح الرسم البياني التالي سير عمل Step Functions.

تقوم وظائف الخطوة بالخطوات التالية بالتوازي.

1. تعمل وظائف الخطوة على تحليل المشاعر الكاملة للرسالة من خلال استدعاء واجهة برمجة تطبيقات Discover_sentiment من Amazon Comprehend.
2. يستدعي الخطوات التالية:
   1. يكتب النتائج إلى ملف الأمازون DynamoDB الجدول.
   2. إذا كانت المشاعر سلبية أو مختلطة ، فإنها تقوم بالإجراءات التالية:
      • يرسل إخطارًا إلى خدمة إعلام أمازون البسيطة (Amazon SNS) ، والتي يتم الاشتراك بها عن طريق عنوان بريد إلكتروني واحد أو أكثر (مثل مدير خدمة العملاء ومدير التسويق وما إلى ذلك).
      • يرسل حدثًا إلى أمازون إيفينت بريدج، والتي يتم تمريرها إلى أنظمة أخرى في المراحل النهائية للعمل على المراجعة المستلمة. في المثال ، تتم كتابة الحدث EventBridge إلى ملف الأمازون CloudWatch سجل. في سيناريو حقيقي ، يمكن أن تستدعي وظيفة Lambda لإرسال الحدث إلى نظام تسلسلي داخل AWS أو خارجها (مثل نظام إدارة المخزون أو نظام الجدولة).
3. يحلل المشاعر المستهدفة للرسالة من خلال استدعاء detect_targeted_sentiment API من Amazon Comprehend.
4. يكتب النتائج في جدول DynamoDB باستخدام وظيفة الخريطة (بالتوازي ، واحدة لكل كيان محدد في الرسالة).

يوضح الرسم البياني التالي سير العمل من وظائف الخطوة إلى أنظمة المصب.

1. تستخدم جداول DynamoDB تدفقات أمازون DynamoDB لإجراء تغيير التقاط البيانات (CDC). يتم دفق البيانات المدرجة في الجداول عبر الأمازون كينسيس دفق البيانات إلى أمازون كينسيس داتا فايرهاوس في الوقت الفعلي تقريبًا (تم ضبطه على 60 ثانية).
2. يقوم Kinesis Data Firehose بإيداع البيانات في ملف خدمة تخزين أمازون البسيطة دلو (أمازون S3).
3. أمازون QuickSight يحلل البيانات في دلو S3. يتم تقديم النتائج في لوحات معلومات مختلفة يمكن عرضها بواسطة فرق المبيعات أو التسويق أو خدمة العملاء (المستخدمون الداخليون). يمكن لـ QuickSight أيضًا تحديث لوحة المعلومات وفقًا لجدول زمني (معين إلى 60 دقيقة لهذا المثال).

• تكوين سحابة AWS تتوفر قوالب لإنشاء بنية الحل على GitHub جيثب:. لاحظ أن القوالب لا تتضمن لوحات معلومات QuickSight ، ولكنها توفر إرشادات حول كيفية إنشائها في ملف README.md. نحن نقدم بعض نماذج لوحات المعلومات في القسم التالي.

لوحات معلومات QuickSight

تُعد لوحات المعلومات مفيدة لأقسام التسويق وخدمة العملاء لتحليل كيفية أداء منتجهم أو خدمتهم بشكل مرئي عبر مقاييس العمل الرئيسية. في هذا القسم ، نقدم بعض نماذج التقارير التي تم تطويرها في QuickSight ، باستخدام بيانات وهمية للمطعم. هذه التقارير متاحة لصناع القرار في حوالي 60 دقيقة (حسب دورة التحديث لدينا). يمكنهم المساعدة في الإجابة على أسئلة مثل ما يلي:

• كيف ينظر العملاء إلى العمل ككل؟
• هل هناك أي جوانب محددة للخدمة (مثل الوقت المستغرق لتقديم الخدمة ، والحل المقدم بشأن شكوى العميل) التي يحبها العملاء أو لا يحبونها؟
• كيف يحب العملاء منتجًا معينًا تم طرحه حديثًا (مثل عنصر في القائمة)؟ هل هناك أي منتجات محددة يحبها العملاء أو لا يحبونها؟
• هل هناك أي أنماط يمكن ملاحظتها في مشاعر العملاء عبر الفئات العمرية أو الجنس أو المواقع (مثل العناصر الغذائية الشائعة في مواقع مختلفة اليوم)؟

المشاعر الكاملة

توضح الأرقام التالية أمثلة على التحليل الكامل للمشاعر.

الرسم البياني الأول هو للمشاعر العامة.

يوضح الرسم البياني التالي المشاعر عبر الفئات العمرية.

يظهر الرسم البياني التالي المشاعر عبر الجنس.

يوضح الرسم البياني النهائي المشاعر عبر مواقع المطاعم.

المشاعر المستهدفة

توضح الأرقام التالية أمثلة على تحليل المعنويات المستهدفة.

يُظهر الرسم البياني الأول المشاعر حسب الكيان (الخدمة ، المطعم ، أنواع الوجبات ، وما إلى ذلك).

يوضح ما يلي المشاعر عبر الفئات العمرية حسب الكيان.

يوضح الرسم البياني التالي المشاعر عبر المواقع حسب الكيان.

لقطة الشاشة التالية مأخوذة من نظام تذاكر CRM يمكن استخدامه لتحليل أكثر دقة لمشاعر العملاء. على سبيل المثال ، في حالة الاستخدام الخاصة بنا ، قمنا بإنشاء قسم خدمة العملاء لتلقي إشعارات البريد الإلكتروني الخاصة بالمشاعر السلبية. باستخدام المعلومات الواردة من البريد الإلكتروني (معرّف المراجعة لرأي العميل) ، يمكن لممثل الخدمة الانتقال إلى مزيد من التفاصيل الدقيقة للمشاعر.

نبذة عامة

وصف هذا المنشور بنية لتحليل المشاعر في الوقت الفعلي باستخدام Amazon Comprehend وخدمات AWS الأخرى. يوفر حلنا الفوائد التالية:

• يتم تسليمه كقالب CloudFormation مع بوابة API يمكن نشرها خلف التطبيقات التي تواجه العملاء أو تطبيقات الأجهزة المحمولة
• يمكنك إنشاء الحل باستخدام Amazon Comprehend ، بدون معرفة خاصة بالذكاء الاصطناعي أو التعلم الآلي أو معالجة اللغة الطبيعية
• يمكنك إنشاء تقارير باستخدام QuickSight دون معرفة خاصة بـ SQL
• يمكن أن يكون بدون خادم تمامًا ، مما يوفر تحجيمًا مرنًا ويستهلك الموارد فقط عند الحاجة

يمكن أن يكون تحليل المعنويات في الوقت الفعلي مفيدًا جدًا للشركات المهتمة بالحصول على تعليقات العملاء الفورية على خدماتهم. يمكن أن يساعد أقسام التسويق والمبيعات وخدمة العملاء في الشركة على مراجعة ملاحظات العملاء على الفور واتخاذ الإجراءات التصحيحية.

استخدم هذا الحل في شركتك لاكتشاف مشاعر العملاء والتفاعل معها في الوقت الفعلي تقريبًا.

لمعرفة المزيد حول الخدمات الرئيسية الموضحة في هذه المدونة، قم بزيارة الروابط أدناه

فهم الأمازون
وظائف خطوة AWS
تدفقات أمازون DynamoDB
الأمازون كينسيس دفق البيانات
أمازون كينسيس داتا فايرهاوس
أمازون إيفينت بريدج
أمازون QuickSight

---

عن المؤلف

فاراد جي فاراداراجان هو مهندس حلول أول (SA) في Amazon Web Services ، وهو يدعم العملاء في شمال شرق الولايات المتحدة. يعمل فاراد كمستشار موثوق به ورئيس قسم التكنولوجيا في المجال للشركات الرقمية الأصلية ، حيث يساعدهم في بناء حلول مبتكرة على نطاق واسع ، باستخدام AWS. مجالات اهتمام فاراد هي استشارات إستراتيجية تكنولوجيا المعلومات والهندسة المعمارية وإدارة المنتجات. خارج العمل ، يستمتع فاراد بالكتابة الإبداعية ومشاهدة الأفلام مع العائلة والأصدقاء والسفر.