Echtzeitanalyse der Kundenstimmung mit AWS

Unternehmen, die Produkte oder Dienstleistungen online verkaufen, müssen die Kundenbewertungen, die nach dem Kauf eines Produkts auf ihrer Website hinterlassen werden, ständig überwachen. Die Marketing- und Kundendienstabteilungen des Unternehmens analysieren diese Bewertungen, um die Kundenstimmung zu verstehen. Beispielsweise könnte das Marketing diese Daten verwenden, um Kampagnen zu erstellen, die auf verschiedene Kundensegmente abzielen. Kundendienstabteilungen könnten diese Daten verwenden, um Kundenunzufriedenheit zu erkennen und Korrekturmaßnahmen zu ergreifen.

Traditionell werden diese Daten über einen Batch-Prozess gesammelt und zur Speicherung, Analyse und Berichterstellung an ein Data Warehouse gesendet und Entscheidungsträgern nach mehreren Stunden, wenn nicht Tagen, zur Verfügung gestellt. Wenn diese Daten sofort analysiert werden können, bieten sie Möglichkeiten für Unternehmen, schnell auf die Kundenstimmung zu reagieren.

In diesem Beitrag beschreiben wir einen Ansatz zur Analyse der Gesamtstimmung des Kundenfeedbacks in nahezu Echtzeit (einige Minuten). Wir demonstrieren auch, wie Sie die unterschiedlichen Gefühle verstehen können, die mit bestimmten Entitäten im Text (z. B. Unternehmen, Produkt, Person oder Marke) direkt über die API verbunden sind.

Anwendungsfälle für Stimmungsanalysen in Echtzeit

Stimmungsanalysen in Echtzeit sind sehr nützlich für Unternehmen, die daran interessiert sind, sofortiges Kundenfeedback zu ihren Produkten und Dienstleistungen zu erhalten, wie zum Beispiel:

• Restaurants
• Einzelhandels- oder B2C-Unternehmen, die verschiedene Produkte oder Dienstleistungen verkaufen
• Unternehmen, die Online-Filme (OTT-Plattformen), Live-Konzerte oder Sportveranstaltungen streamen
• Finanzinstitutionen

Im Allgemeinen kann jedes Unternehmen, das Kundenkontaktpunkte hat und Entscheidungen in Echtzeit treffen muss, von Echtzeit-Feedback von Kunden profitieren.

Die Bereitstellung eines Echtzeitansatzes für Stimmungen kann in den folgenden Anwendungsfällen nützlich sein:

• Marketingabteilungen können die Daten nutzen, um Kundensegmente besser anzusprechen oder ihre Kampagnen an bestimmte Kundensegmente anzupassen.
• Kundendienstabteilungen können sich sofort an unzufriedene Kunden wenden und versuchen, die Probleme zu lösen, wodurch Kundenabwanderung verhindert wird.
• Positive oder negative Stimmung zu einem Produkt kann sich als nützlicher Indikator für die Produktnachfrage an verschiedenen Standorten erweisen. Bei einem schnelllebigen Produkt können Unternehmen beispielsweise die Echtzeitdaten verwenden, um ihre Lagerbestände in Lagern anzupassen, um Überbestände oder Fehlbestände in bestimmten Regionen zu vermeiden.

Es ist auch nützlich, ein detailliertes Verständnis der Stimmung zu haben, wie in den folgenden Anwendungsfällen:

• Ein Unternehmen kann Teile der Mitarbeiter-/Kundenerfahrung identifizieren, die angenehm sind, und Teile, die verbessert werden können.
• Contact Center und Kundendienstteams können Aufzeichnungen von Bereitschaftsdiensten oder Chatprotokolle analysieren, um die Effektivität der Agentenschulung sowie Gesprächsdetails wie spezifische Reaktionen eines Kunden und Sätze oder Wörter zu ermitteln, die verwendet wurden, um diese Antwort hervorzurufen.
• Produktbesitzer und UI/UX-Entwickler können Funktionen ihres Produkts identifizieren, die den Benutzern gefallen, und Teile, die verbessert werden müssen. Dies kann Produkt-Roadmap-Diskussionen und Priorisierungen unterstützen.

Lösungsüberblick

Wir stellen eine Lösung vor, mit der Unternehmen die Kundenstimmung (sowohl vollständig als auch zielgerichtet) nahezu in Echtzeit (normalerweise in wenigen Minuten) aus auf ihrer Website eingegebenen Bewertungen analysieren können. Im Kern verlässt es sich auf Amazon verstehen um sowohl vollständige als auch gezielte Sentimentanalysen durchzuführen.

Die Stimmungs-API von Amazon Comprehend identifiziert die Gesamtstimmung für ein Textdokument. Ab Oktober 2022 können Sie die gezielte Stimmung verwenden, um die Stimmung zu identifizieren, die mit bestimmten Entitäten verbunden ist, die in Textdokumenten erwähnt werden. In einer Restaurantbewertung, in der es beispielsweise heißt: „Ich habe den Burger geliebt, aber der Service war langsam“, wird die gezielte Stimmung eine positive Stimmung für „Burger“ und eine negative Stimmung für „Service“ identifizieren.

Für unseren Anwendungsfall möchte eine große Restaurantkette in Nordamerika Bewertungen ihrer Kunden auf ihrer Website und über eine mobile App analysieren. Das Restaurant möchte das Feedback seiner Kunden zu verschiedenen Punkten auf der Speisekarte, den Service in seinen Filialen und die allgemeine Meinung zu ihrer Erfahrung analysieren.

Ein Kunde könnte beispielsweise die folgende Bewertung schreiben: „Das Essen in Ihrem Restaurant in New York war sehr gut. Die Pasta war köstlich. Der Service war jedoch sehr schlecht!“ Für diese Bewertung ist der Standort des Restaurants New York. Die allgemeine Stimmung ist gemischt – die Stimmung für „Essen“ und „Pasta“ ist positiv, aber die Stimmung für den Service ist negativ.

Das Restaurant möchte die Bewertungen nach Kundenprofil wie Alter und Geschlecht analysieren, um Trends in den Kundensegmenten zu erkennen (diese Daten könnten von ihren Web- und mobilen Apps erfasst und an das Backend-System gesendet werden). Ihre Kundendienstabteilung möchte diese Daten verwenden, um Agenten zu benachrichtigen, das Problem zu verfolgen, indem sie ein Kundenticket in einem nachgelagerten CRM-System erstellen. Operations möchte verstehen, welche Artikel sich an einem bestimmten Tag schnell bewegen, damit sie die Vorbereitungszeit für diese Artikel verkürzen können.

Derzeit werden alle Analysen als Berichte per E-Mail über einen Batch-Prozess geliefert, der 2–3 Tage dauert. Der IT-Abteilung des Restaurants fehlen ausgefeilte Datenanalyse-, Streaming- oder KI- und maschinelle Lernfähigkeiten (ML), um eine solche Lösung zu erstellen.

Das folgende Architekturdiagramm veranschaulicht die ersten Schritte des Workflows.

Die gesamte Lösung kann an die Rückseite einer Kundenwebsite oder einer mobilen App angeschlossen werden.

Amazon API-Gateway macht zwei Endpunkte verfügbar:

• Ein Kundenendpunkt, an dem Kundenbewertungen eingegeben werden
• Ein Serviceendpunkt, an dem eine Serviceabteilung eine bestimmte Bewertung einsehen und ein Serviceticket erstellen kann

Der Workflow umfasst die folgenden Schritte:

1. Wenn ein Kunde eine Bewertung eingibt (z. B. von der Website), wird diese an ein API-Gateway gesendet, das mit einem verbunden ist Amazon Simple Queue-Dienst (Amazon SQS)-Warteschlange. Die Warteschlange fungiert als Puffer zum Speichern der Bewertungen, während sie eingegeben werden.
2. Die SQS-Warteschlange löst eine aus AWS Lambda Funktion. Wenn die Nachricht nach einigen Wiederholungsversuchen nicht an die Lambda-Funktion übermittelt wird, wird sie zur späteren Überprüfung in die Warteschlange für unzustellbare Nachrichten gestellt.
3. Die Lambda-Funktion ruft die auf AWS Step-Funktionen Zustandsmaschine und leitet die Nachricht aus der Warteschlange weiter.

Das folgende Diagramm veranschaulicht den Step Functions-Workflow.

Step Functions führt die folgenden Schritte parallel aus.

1. Step Functions analysiert die vollständige Stimmung der Nachricht durch Aufrufen der detect_sentiment-API von Amazon Comprehend.
2. Es ruft die folgenden Schritte auf:
   1. Es schreibt die Ergebnisse in eine Amazon DynamoDB Tabelle.
   2. Wenn die Stimmung negativ oder gemischt ist, führt es die folgenden Aktionen aus:
      • Es sendet eine Benachrichtigung an Amazon Simple Notification Service (Amazon SNS), das von einer oder mehreren E-Mail-Adressen abonniert wird (z. B. der Leiter des Kundendienstes, der Leiter des Marketings usw.).
      • Es sendet ein Ereignis an Amazon EventBridge, die an andere nachgelagerte Systeme weitergeleitet werden, um auf die erhaltene Bewertung zu reagieren. Im Beispiel wird das Ereignis EventBridge in eine geschrieben Amazon CloudWatch Protokoll. In einem realen Szenario könnte es eine Lambda-Funktion aufrufen, um das Ereignis an ein nachgelagertes System innerhalb oder außerhalb von AWS zu senden (z. B. ein Bestandsverwaltungssystem oder ein Planungssystem).
3. Es analysiert die gezielte Stimmung der Nachricht durch Aufrufen der detect_targeted_sentiment API von Amazon Comprehend.
4. Es schreibt die Ergebnisse mithilfe der Map-Funktion in eine DynamoDB-Tabelle (parallel dazu eine für jede in der Nachricht identifizierte Entität).

Das folgende Diagramm veranschaulicht den Workflow von Step Functions zu nachgelagerten Systemen.

1. Die DynamoDB-Tabellen verwenden Amazon DynamoDB-Streams Änderungsdatenerfassung (CDC) durchzuführen. Die in die Tabellen eingefügten Daten werden über gestreamt Amazon Kinesis-Datenströme zu Amazon Kinesis Data Firehose nahezu in Echtzeit (auf 60 Sekunden eingestellt).
2. Kinesis Data Firehose legt die Daten in einer Amazon Simple Storage-Service (Amazon S3) Eimer.
3. Amazon QuickSight analysiert die Daten im S3-Bucket. Die Ergebnisse werden in verschiedenen Dashboards präsentiert, die von Vertriebs-, Marketing- oder Kundendienstteams (interne Benutzer) eingesehen werden können. QuickSight kann das Dashboard auch nach einem Zeitplan aktualisieren (in diesem Beispiel auf 60 Minuten eingestellt).

Das AWS CloudFormation Vorlagen zum Erstellen der Lösungsarchitektur sind auf verfügbar GitHub. Beachten Sie, dass die Vorlagen die QuickSight-Dashboards nicht enthalten, aber Anweisungen zu deren Erstellung in der Datei README.md enthalten. Im folgenden Abschnitt stellen wir einige Beispiel-Dashboards bereit.

QuickSight-Dashboards

Dashboards sind nützlich für Marketing- und Kundendienstabteilungen, um visuell zu analysieren, wie sich ihr Produkt oder ihre Dienstleistung über wichtige Geschäftskennzahlen hinweg entwickelt. In diesem Abschnitt stellen wir einige Beispielberichte vor, die in QuickSight entwickelt wurden und fiktive Daten für das Restaurant verwenden. Diese Berichte stehen Entscheidungsträgern in etwa 60 Minuten (gemäß unserem Aktualisierungszyklus) zur Verfügung. Sie können helfen, Fragen wie die folgenden zu beantworten:

• Wie nehmen die Kunden das Geschäft als Ganzes wahr?
• Gibt es bestimmte Aspekte des Service (z. B. Zeitaufwand für die Bereitstellung des Service, Lösung einer Kundenbeschwerde), die Kunden mögen oder nicht mögen?
• Wie gefällt den Kunden ein bestimmtes neu eingeführtes Produkt (z. B. ein Menüpunkt)? Gibt es bestimmte Produkte, die Kunden mögen oder nicht mögen?
• Gibt es beobachtbare Muster in der Kundenstimmung über Altersgruppen, Geschlecht oder Standorte hinweg (z. B. welche Lebensmittel sind heute an verschiedenen Standorten beliebt)?

Volle Stimmung

Die folgenden Abbildungen zeigen Beispiele für eine vollständige Stimmungsanalyse.

Die erste Grafik zeigt die Gesamtstimmung.

Die nächste Grafik zeigt die Stimmung über die Altersgruppen hinweg.

Die folgende Grafik zeigt die geschlechtsspezifische Stimmung.

Die letzte Grafik zeigt die Stimmung an den Standorten der Restaurants.

Gezielte Stimmung

Die folgenden Abbildungen zeigen Beispiele für gezielte Stimmungsanalysen.

Das erste Diagramm zeigt die Stimmung nach Einheit (Service, Restaurant, Art der Mahlzeit usw.).

Das Folgende zeigt die Stimmung in allen Altersgruppen nach Unternehmen.

Das nächste Diagramm zeigt die Stimmung an verschiedenen Standorten nach Entität.

Der folgende Screenshot stammt von einem CRM-Ticketsystem, das für eine detailliertere Analyse der Kundenstimmung verwendet werden könnte. In unserem Anwendungsfall haben wir beispielsweise die Kundendienstabteilung so eingerichtet, dass sie E-Mail-Benachrichtigungen über negative Stimmungen erhält. Mit den Informationen aus der E-Mail (der Bewertungs-ID der Kundenstimmung) kann ein Servicemitarbeiter detailliertere Details der Meinung aufschlüsseln.

Zusammenfassung

In diesem Beitrag wurde eine Architektur für Stimmungsanalysen in Echtzeit mit Amazon Comprehend und anderen AWS-Services beschrieben. Unsere Lösung bietet folgende Vorteile:

• Es wird als CloudFormation-Vorlage mit einem API-Gateway bereitgestellt, das hinter kundenorientierten Apps oder mobilen Apps bereitgestellt werden kann
• Sie können die Lösung mit Amazon Comprehend ohne besondere Kenntnisse in KI, ML oder Verarbeitung natürlicher Sprache erstellen
• Sie können Berichte mit QuickSight ohne spezielle SQL-Kenntnisse erstellen
• Es kann vollständig serverlos sein, was eine elastische Skalierung ermöglicht und Ressourcen nur bei Bedarf verbraucht

Stimmungsanalysen in Echtzeit können für Unternehmen sehr nützlich sein, die daran interessiert sind, sofortiges Kundenfeedback zu ihren Dienstleistungen zu erhalten. Es kann den Marketing-, Vertriebs- und Kundendienstabteilungen des Unternehmens helfen, Kundenfeedback sofort zu überprüfen und Korrekturmaßnahmen zu ergreifen.

Nutzen Sie diese Lösung in Ihrem Unternehmen, um Kundenstimmungen nahezu in Echtzeit zu erkennen und darauf zu reagieren.

Um mehr über das erfahren Schlüsseldienste, die in diesem Blog beschrieben werden, besuchen Sie die unten stehenden Links

Amazon verstehen
AWS Step-Funktionen
Amazon DynamoDB-Streams
Amazon Kinesis-Datenströme
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

Über den Autor

Varad G Varadarajan ist Senior Solutions Architect (SA) bei Amazon Web Services und unterstützt Kunden im Nordosten der USA. Varad fungiert als Trusted Advisor und Field CTO für Digital Native Businesses und hilft ihnen, mithilfe von AWS innovative Lösungen in großem Maßstab zu entwickeln. Varads Interessengebiete sind IT-Strategieberatung, Architektur und Produktmanagement. Außerhalb der Arbeit schreibt Varad gerne kreativ, sieht sich Filme mit Familie und Freunden an und reist.