Realtidsanalyse af kundestemning ved hjælp af AWS

Virksomheder, der sælger produkter eller tjenester online, skal konstant overvåge kundeanmeldelser efterladt på deres hjemmeside efter køb af et produkt. Virksomhedens marketing- og kundeserviceafdelinger analyserer disse anmeldelser for at forstå kundernes stemning. For eksempel kan marketing bruge disse data til at oprette kampagner, der er målrettet mod forskellige kundesegmenter. Kundeserviceafdelinger kan bruge disse data til at opdage kundetilfredshed og træffe korrigerende handlinger.

Traditionelt indsamles disse data via en batch-proces og sendes til et datavarehus til opbevaring, analyse og rapportering, og de stilles til rådighed for beslutningstagere efter flere timer, hvis ikke dage. Hvis disse data kan analyseres med det samme, kan det give virksomheder mulighed for at reagere hurtigt på kundernes stemning.

I dette indlæg beskriver vi en tilgang til at analysere den overordnede følelse af kundefeedback i næsten realtid (et par minutter). Vi demonstrerer også, hvordan man forstår de forskellige følelser forbundet med specifikke enheder i teksten (såsom virksomhed, produkt, person eller brand) direkte fra API'en.

Brug cases til sentimentanalyse i realtid

Real-time sentimentanalyse er meget nyttig for virksomheder, der er interesseret i at få øjeblikkelig kundefeedback på deres produkter og tjenester, såsom:

• Restauranter
• Detail- eller B2C-virksomheder, der sælger forskellige produkter eller tjenester
• Virksomheder, der streamer onlinefilm (OTT-platforme), livekoncerter eller sportsbegivenheder
• Finansielle institutioner

Generelt kan enhver virksomhed, der har kundekontaktpunkter og behov for at træffe beslutninger i realtid, drage fordel af feedback i realtid fra kunder.

Implementering af en realtidstilgang til sentiment kan være nyttig i følgende tilfælde:

• Marketingafdelinger kan bruge dataene til at målrette kundesegmenter bedre eller tilpasse deres kampagner til specifikke kundesegmenter.
• Kundeserviceafdelinger kan nå ud til utilfredse kunder med det samme og forsøge at løse problemerne og forhindre kundeafgang.
• Positiv eller negativ stemning på et produkt kan vise sig som en nyttig indikator for produktefterspørgsel forskellige steder. For et produkt i hurtig bevægelse kan virksomheder f.eks. bruge realtidsdataene til at justere deres lagerbeholdninger i varehuse for at undgå overskydende lagerbeholdninger eller lagerbeholdninger i specifikke regioner.

Det er også nyttigt at have en detaljeret forståelse af følelser, som i følgende tilfælde:

• En virksomhed kan identificere dele af medarbejder-/kundeoplevelsen, der er behagelige, og dele, der kan forbedres.
• Kontaktcentre og kundeserviceteams kan analysere vagttransskriptioner eller chatlogs for at identificere effektiviteten af ​​agenttræning og samtaledetaljer såsom specifikke reaktioner fra en kunde og sætninger eller ord, der blev brugt til at fremkalde dette svar.
• Produktejere og UI/UX-udviklere kan identificere funktioner i deres produkt, som brugerne kan lide, og dele, der kræver forbedring. Dette kan understøtte produktkøreplandiskussioner og prioriteringer.

Løsningsoversigt

Vi præsenterer en løsning, der kan hjælpe virksomheder med at analysere kundetilfredshed (både fuld og målrettet) i næsten realtid (normalt på få minutter) fra anmeldelser indtastet på deres hjemmeside. I sin kerne er den afhængig af Amazon Comprehend at udføre både fuld og målrettet sentimentanalyse.

Amazon Comprehend sentiment API identificerer den overordnede stemning for et tekstdokument. Fra oktober 2022 kan du bruge målrettet stemning til at identificere den stemning, der er forbundet med specifikke enheder nævnt i tekstdokumenter. For eksempel, i en restaurantanmeldelse, der siger: "Jeg elskede burgeren, men betjeningen var langsom", vil den målrettede stemning identificere positiv stemning for "burger" og negativ stemning for "service".

Til vores brug ønsker en stor restaurantkæde i Nordamerika at analysere anmeldelser lavet af deres kunder på deres hjemmeside og via en mobilapp. Restauranten ønsker at analysere deres kunders feedback på forskellige punkter i menuen, servicen i deres filialer og den overordnede følelse af deres oplevelse.

For eksempel kan en kunde skrive følgende anmeldelse: “Maden på din restaurant i New York var meget god. Pastaen var lækker. Men servicen var meget dårlig!” Til denne anmeldelse er restaurantens beliggenhed New York. Den overordnede stemning er blandet - stemningen for "mad" og "pasta" er positiv, men stemningen for tjenesten er negativ.

Restauranten ønsker at analysere anmeldelser efter kundeprofil, såsom alder og køn, for at identificere eventuelle tendenser på tværs af kundesegmenter (disse data kan fanges af deres web- og mobilapps og sendes til backend-systemet). Deres kundeserviceafdeling ønsker at bruge disse data til at underrette agenter om at følge op på problemet ved at oprette en kundebillet i et downstream CRM-system. Operations ønsker at forstå, hvilke varer der bevæger sig hurtigt på en given dag, så de kan reducere forberedelsestiden for disse varer.

I øjeblikket leveres alle analyserne som rapporter via e-mail via en batchproces, der tager 2-3 dage. Restaurantens it-afdeling mangler sofistikeret dataanalyse, streaming eller AI og maskinlæring (ML) til at bygge en sådan løsning.

Følgende arkitekturdiagram illustrerer de første trin i arbejdsgangen.

Hele løsningen kan tilsluttes bagsiden af ​​et kundewebsted eller en mobilapp.

Amazon API Gateway afslører to endepunkter:

• Et kundeendepunkt, hvor kundeanmeldelser indtastes
• Et serviceslutpunkt, hvor en serviceafdeling kan se på en bestemt anmeldelse og oprette en servicebillet

Arbejdsgangen omfatter følgende trin:

1. Når en kunde indtaster en anmeldelse (f.eks. fra hjemmesiden), sendes den til en API-gateway, der er forbundet til en Amazon Simple Queue Service (Amazon SQS) kø. Køen fungerer som en buffer til at gemme anmeldelser, efterhånden som de indtastes.
2. SQS-køen udløser en AWS Lambda fungere. Hvis beskeden ikke leveres til Lambda-funktionen efter et par genforsøg, placeres den i dødbogskøen til fremtidig inspektion.
3. Lambda-funktionen kalder på AWS-trinfunktioner tilstandsmaskine og sender beskeden fra køen.

Følgende diagram illustrerer arbejdsgangen Trinfunktioner.

Step Functions udfører følgende trin parallelt.

1. Step Functions analyserer den fulde stemning af beskeden ved at påberåbe sig detect_sentiment API fra Amazon Comprehend.
2. Det påberåber sig følgende trin:
   1. Det skriver resultaterne til en Amazon DynamoDB tabel.
   2. Hvis følelsen er negativ eller blandet, udfører den følgende handlinger:
      • Den sender en besked til Amazon Simple Notification Service (Amazon SNS), som abonneres på en eller flere e-mailadresser (såsom direktøren for kundeservice, marketingdirektøren og så videre).
      • Det sender en begivenhed til Amazon Eventbridge, som videregives til andre downstream-systemer for at handle på den modtagne anmeldelse. I eksemplet skrives EventBridge-hændelsen til en amazoncloudwatch log. I et reelt scenarie kunne det påkalde en Lambda-funktion for at sende hændelsen til et downstream-system i eller uden for AWS (såsom et lagerstyringssystem eller et planlægningssystem).
3. Den analyserer budskabets målrettede stemning ved at påberåbe sig detect_targeted_sentiment API fra Amazon Comprehend.
4. Den skriver resultaterne til en DynamoDB-tabel ved hjælp af Map-funktionen (parallelt én for hver enhed, der er identificeret i meddelelsen).

Følgende diagram illustrerer arbejdsgangen fra Trinfunktioner til downstream-systemer.

1. DynamoDB-tabellerne bruger Amazon DynamoDB-streams at udføre ændringsdatafangst (CDC). De data, der er indsat i tabellerne, streames via Amazon Kinesis datastrømme til Amazon Kinesis Data Firehose i næsten realtid (indstillet til 60 sekunder).
2. Kinesis Data Firehose deponerer dataene i en Amazon Simple Storage Service (Amazon S3) spand.
3. Amazon QuickSight analyserer dataene i S3-bøtten. Resultaterne præsenteres i forskellige dashboards, som kan ses af salgs-, marketing- eller kundeserviceteams (interne brugere). QuickSight kan også opdatere dashboardet efter en tidsplan (indstillet til 60 minutter for dette eksempel).

AWS CloudFormation skabeloner til at skabe løsningsarkitekturen er tilgængelige på GitHub. Bemærk, at skabelonerne ikke inkluderer QuickSight-dashboards, men giver instruktioner om, hvordan du opretter dem i filen README.md. Vi giver nogle eksempler på dashboards i det følgende afsnit.

QuickSight dashboards

Dashboards er nyttige for marketing- og kundeserviceafdelinger til visuelt at analysere, hvordan deres produkt eller service klarer sig på tværs af nøgleforretningsmålinger. I dette afsnit præsenterer vi nogle eksempler på rapporter, der er udviklet i QuickSight, ved hjælp af fiktive data for restauranten. Disse rapporter er tilgængelige for beslutningstagere på omkring 60 minutter (i henhold til vores opdateringscyklus). De kan hjælpe med at besvare spørgsmål som følgende:

• Hvordan opfatter kunderne virksomheden som helhed?
• Er der nogle specifikke aspekter af tjenesten (såsom tid det tager at levere service, løsning på en kundeklage), som kunder kan lide eller ikke kan lide?
• Hvordan kan kunderne lide et specifikt nyligt introduceret produkt (såsom et punkt på menuen)? Er der nogle specifikke produkter, som kunder kan lide eller ikke kan lide?
• Er der nogen observerbare mønstre i kundetilfredshed på tværs af aldersgrupper, køn eller steder (såsom hvilke fødevarer der er populære forskellige steder i dag)?

Fuld stemning

De følgende figurer viser eksempler på fuld stemningsanalyse.

Den første graf viser den overordnede stemning.

Den næste graf viser stemningen på tværs af aldersgrupper.

Følgende graf viser følelser på tværs af køn.

Den endelige graf viser følelser på tværs af restaurantplaceringer.

Målrettet stemning

De følgende figurer viser eksempler på målrettet sentimentanalyse.

Den første graf viser følelser efter enhed (service, restaurant, måltidstyper og så videre).

Det følgende viser følelser på tværs af aldersgrupper efter enhed.

Den næste graf viser følelser på tværs af lokationer efter enhed.

Følgende skærmbillede er fra et CRM-billetsystem, der kunne bruges til en mere detaljeret analyse af kundestemning. For eksempel, i vores brugstilfælde, satte vi kundeserviceafdelingen op til at modtage e-mailmeddelelser om negative følelser. Med oplysningerne fra e-mailen (gennemgangs-id'et for kundefølelsen) kan en servicemedarbejder se nærmere på mere detaljerede oplysninger om stemningen.

Resumé

Dette indlæg beskrev en arkitektur til sentimentanalyse i realtid ved hjælp af Amazon Comprehend og andre AWS-tjenester. Vores løsning giver følgende fordele:

• Den leveres som en CloudFormation-skabelon med en API-gateway, der kan implementeres bag kundevendte apps eller mobilapps
• Du kan bygge løsningen ved hjælp af Amazon Comprehend uden særlig viden om AI, ML eller naturlig sprogbehandling
• Du kan bygge rapporter ved hjælp af QuickSight uden særlig viden om SQL
• Det kan være helt serverløst, hvilket giver elastisk skalering og kun bruger ressourcer, når det er nødvendigt

Real-time sentimentanalyse kan være meget nyttig for virksomheder, der er interesseret i at få øjeblikkelig kundefeedback på deres tjenester. Det kan hjælpe virksomhedens marketing-, salgs- og kundeserviceafdelinger med øjeblikkeligt at gennemgå kundefeedback og træffe korrigerende handlinger.

Brug denne løsning i din virksomhed til at opdage og reagere på kundernes følelser i næsten realtid.

Hvis du vil vide mere om nøgletjenester beskrevet i denne blog, besøg nedenstående links

Amazon Comprehend
AWS-trinfunktioner
Amazon DynamoDB-streams
Amazon Kinesis datastrømme
Amazon Kinesis Data Firehose
Amazon Eventbridge
Amazon QuickSight

---

Om forfatteren

Varad G Varadarajan er Senior Solutions Architect (SA) hos Amazon Web Services, der støtter kunder i det nordøstlige USA. Varad fungerer som Trusted Advisor og Field CTO for Digital Native Businesses og hjælper dem med at bygge innovative løsninger i stor skala ved hjælp af AWS. Varads interesseområder er IT Strategirådgivning, Arkitektur og Produktledelse. Uden for arbejdet nyder Varad at skrive kreativt, se film med familie og venner og rejse.