Ανάλυση σε πραγματικό χρόνο του συναισθήματος των πελατών χρησιμοποιώντας AWS

Οι εταιρείες που πωλούν προϊόντα ή υπηρεσίες στο Διαδίκτυο πρέπει να παρακολουθούν συνεχώς τις κριτικές πελατών που αφήνονται στον ιστότοπό τους μετά την αγορά ενός προϊόντος. Τα τμήματα μάρκετινγκ και εξυπηρέτησης πελατών της εταιρείας αναλύουν αυτές τις κριτικές για να κατανοήσουν το συναίσθημα των πελατών. Για παράδειγμα, το μάρκετινγκ θα μπορούσε να χρησιμοποιήσει αυτά τα δεδομένα για να δημιουργήσει καμπάνιες που στοχεύουν διαφορετικά τμήματα πελατών. Τα τμήματα εξυπηρέτησης πελατών θα μπορούσαν να χρησιμοποιήσουν αυτά τα δεδομένα για να εντοπίσουν τη δυσαρέσκεια των πελατών και να λάβουν διορθωτικά μέτρα.

Παραδοσιακά, αυτά τα δεδομένα συλλέγονται μέσω μιας διαδικασίας παρτίδας και αποστέλλονται σε μια αποθήκη δεδομένων για αποθήκευση, ανάλυση και αναφορά και διατίθενται στους λήπτες αποφάσεων μετά από αρκετές ώρες, αν όχι ημέρες. Εάν αυτά τα δεδομένα μπορούν να αναλυθούν άμεσα, μπορεί να προσφέρει ευκαιρίες στις εταιρείες να αντιδράσουν γρήγορα στο συναίσθημα των πελατών.

Σε αυτήν την ανάρτηση, περιγράφουμε μια προσέγγιση για την ανάλυση του συνολικού συναισθήματος των σχολίων των πελατών σε σχεδόν πραγματικό χρόνο (λίγα λεπτά). Δείχνουμε επίσης πώς να κατανοήσετε τα διαφορετικά συναισθήματα που σχετίζονται με συγκεκριμένες οντότητες στο κείμενο (όπως εταιρεία, προϊόν, άτομο ή επωνυμία) απευθείας από το API.

Χρησιμοποιήστε περιπτώσεις για ανάλυση συναισθήματος σε πραγματικό χρόνο

Η ανάλυση συναισθήματος σε πραγματικό χρόνο είναι πολύ χρήσιμη για εταιρείες που ενδιαφέρονται να λαμβάνουν άμεσα σχόλια πελατών για τα προϊόντα και τις υπηρεσίες τους, όπως:

• Εστιατόρια
• Εταιρείες λιανικής ή B2C που πωλούν διάφορα προϊόντα ή υπηρεσίες
• Εταιρείες που μεταδίδουν διαδικτυακές ταινίες (πλατφόρμες OTT), ζωντανές συναυλίες ή αθλητικές εκδηλώσεις
• Χρηματοπιστωτικά ιδρύματα

Γενικά, κάθε επιχείρηση που έχει σημεία επαφής με τους πελάτες και χρειάζεται να λαμβάνει αποφάσεις σε πραγματικό χρόνο μπορεί να επωφεληθεί από τα σχόλια σε πραγματικό χρόνο από τους πελάτες.

Η ανάπτυξη μιας προσέγγισης σε πραγματικό χρόνο για το συναίσθημα μπορεί να είναι χρήσιμη στις ακόλουθες περιπτώσεις χρήσης:

• Τα τμήματα μάρκετινγκ μπορούν να χρησιμοποιήσουν τα δεδομένα για να στοχεύσουν καλύτερα τμήματα πελατών ή να προσαρμόσουν τις καμπάνιες τους σε συγκεκριμένα τμήματα πελατών.
• Τα τμήματα εξυπηρέτησης πελατών μπορούν να απευθυνθούν αμέσως σε δυσαρεστημένους πελάτες και να προσπαθήσουν να επιλύσουν τα προβλήματα, αποτρέποντας την ανατροπή πελατών.
• Το θετικό ή αρνητικό συναίσθημα για ένα προϊόν μπορεί να αποδειχθεί χρήσιμος δείκτης της ζήτησης προϊόντων σε διάφορες τοποθεσίες. Για παράδειγμα, για ένα προϊόν που κινείται γρήγορα, οι εταιρείες μπορούν να χρησιμοποιήσουν τα δεδομένα σε πραγματικό χρόνο για να προσαρμόσουν τα επίπεδα των αποθεμάτων τους στις αποθήκες, για να αποφύγουν τα υπερβολικά αποθέματα ή τα αποθέματα σε συγκεκριμένες περιοχές.

Είναι επίσης χρήσιμο να έχετε μια λεπτομερή κατανόηση του συναισθήματος, όπως στις ακόλουθες περιπτώσεις χρήσης:

• Μια επιχείρηση μπορεί να εντοπίσει μέρη της εμπειρίας των εργαζομένων/πελατών που είναι ευχάριστα και μέρη που μπορούν να βελτιωθούν.
• Τα κέντρα επικοινωνίας και οι ομάδες εξυπηρέτησης πελατών μπορούν να αναλύσουν τις μεταγραφές κατά την κλήση ή τα αρχεία καταγραφής συνομιλιών για να προσδιορίσουν την αποτελεσματικότητα της εκπαίδευσης του αντιπροσώπου και λεπτομέρειες συνομιλίας, όπως συγκεκριμένες αντιδράσεις από έναν πελάτη και φράσεις ή λέξεις που χρησιμοποιήθηκαν για να προκληθεί αυτή η απάντηση.
• Οι κάτοχοι προϊόντων και οι προγραμματιστές UI/UX μπορούν να εντοπίσουν χαρακτηριστικά του προϊόντος τους που απολαμβάνουν οι χρήστες και μέρη που απαιτούν βελτίωση. Αυτό μπορεί να υποστηρίξει τις συζητήσεις για τον οδικό χάρτη προϊόντων και τις προτεραιότητες.

Επισκόπηση λύσεων

Παρουσιάζουμε μια λύση που μπορεί να βοηθήσει τις εταιρείες να αναλύσουν το συναίσθημα των πελατών (τόσο πλήρες όσο και στοχευμένο) σε σχεδόν πραγματικό χρόνο (συνήθως σε λίγα λεπτά) από κριτικές που έχουν καταχωριστεί στον ιστότοπό τους. Στον πυρήνα του, στηρίζεται σε Κατανοήστε το Amazon για την εκτέλεση τόσο πλήρους όσο και στοχευμένης ανάλυσης συναισθήματος.

Το Amazon Comprehend sentiment API προσδιορίζει το συνολικό συναίσθημα για ένα έγγραφο κειμένου. Από τον Οκτώβριο του 2022, μπορείτε να χρησιμοποιήσετε το στοχευμένο συναίσθημα για να προσδιορίσετε το συναίσθημα που σχετίζεται με συγκεκριμένες οντότητες που αναφέρονται σε έγγραφα κειμένου. Για παράδειγμα, σε μια κριτική εστιατορίου που λέει: «Μου άρεσε το χάμπουργκερ, αλλά η εξυπηρέτηση ήταν αργή», το στοχευμένο συναίσθημα θα προσδιορίσει το θετικό συναίσθημα για το «μπέργκερ» και το αρνητικό συναίσθημα για το «εξυπηρέτηση».

Για την περίπτωση χρήσης μας, μια μεγάλη αλυσίδα εστιατορίων στη Βόρεια Αμερική θέλει να αναλύσει τις κριτικές των πελατών της στον ιστότοπό της και μέσω μιας εφαρμογής για κινητά. Το εστιατόριο θέλει να αναλύσει τα σχόλια των πελατών του για διάφορα είδη στο μενού, την υπηρεσία που παρέχεται στα υποκαταστήματά του και το συνολικό συναίσθημα για την εμπειρία τους.

Για παράδειγμα, ένας πελάτης θα μπορούσε να γράψει την ακόλουθη κριτική: «Το φαγητό στο εστιατόριό σας που βρίσκεται στη Νέα Υόρκη ήταν πολύ καλό. Τα ζυμαρικά ήταν νόστιμα. Ωστόσο, η εξυπηρέτηση ήταν πολύ κακή!» Για αυτήν την κριτική, η τοποθεσία του εστιατορίου είναι η Νέα Υόρκη. Το γενικό συναίσθημα είναι ανάμεικτο - το συναίσθημα για «φαγητό» και «ζυμαρικά» είναι θετικό, αλλά το συναίσθημα για την υπηρεσία είναι αρνητικό.

Το εστιατόριο θέλει να αναλύσει τις κριτικές ανά προφίλ πελατών, όπως ηλικία και φύλο, για να εντοπίσει τυχόν τάσεις στα τμήματα πελατών (αυτά τα δεδομένα θα μπορούσαν να καταγραφούν από τις εφαρμογές ιστού και για κινητά και να σταλούν στο σύστημα υποστήριξης). Το τμήμα εξυπηρέτησης πελατών της θέλει να χρησιμοποιήσει αυτά τα δεδομένα για να ειδοποιήσει τους πράκτορες να παρακολουθήσουν το ζήτημα δημιουργώντας ένα εισιτήριο πελάτη σε ένα σύστημα CRM κατάντη. Το Operations θέλει να κατανοήσει ποια στοιχεία κινούνται γρήγορα μια δεδομένη ημέρα, ώστε να μπορούν να μειώσουν τον χρόνο προετοιμασίας για αυτά τα στοιχεία.

Επί του παρόντος, όλες οι αναλύσεις παραδίδονται ως αναφορές μέσω email μέσω μιας διαδικασίας δέσμης που διαρκεί 2–3 ημέρες. Το τμήμα πληροφορικής του εστιατορίου δεν διαθέτει εξελιγμένες δυνατότητες ανάλυσης δεδομένων, ροής ή τεχνητής νοημοσύνης και μηχανικής μάθησης (ML) για την κατασκευή μιας τέτοιας λύσης.

Το παρακάτω διάγραμμα αρχιτεκτονικής απεικονίζει τα πρώτα βήματα της ροής εργασίας.

Ολόκληρη η λύση μπορεί να συνδεθεί στο πίσω μέρος ενός ιστότοπου πελάτη ή μιας εφαρμογής για κινητά.

Amazon API Gateway εκθέτει δύο τελικά σημεία:

• Ένα τελικό σημείο πελατών όπου καταχωρούνται κριτικές πελατών
• Ένα τελικό σημείο υπηρεσίας όπου ένα τμήμα εξυπηρέτησης μπορεί να εξετάσει οποιαδήποτε συγκεκριμένη κριτική και να δημιουργήσει ένα εισιτήριο εξυπηρέτησης

Η ροή εργασίας περιλαμβάνει τα ακόλουθα βήματα:

1. Όταν ένας πελάτης εισάγει μια κριτική (για παράδειγμα, από τον ιστότοπο), αυτή αποστέλλεται σε μια πύλη API που είναι συνδεδεμένη σε Υπηρεσία απλής ουράς Amazon (Amazon SQS) ουρά. Η ουρά λειτουργεί ως buffer για την αποθήκευση των κριτικών κατά την εισαγωγή τους.
2. Η ουρά SQS ενεργοποιεί ένα AWS Lambda λειτουργία. Εάν το μήνυμα δεν παραδοθεί στη συνάρτηση Lambda μετά από μερικές προσπάθειες επανάληψης, τοποθετείται στην ουρά νεκρών γραμμάτων για μελλοντική επιθεώρηση.
3. Η συνάρτηση Λάμδα καλεί το Λειτουργίες βημάτων AWS κατάσταση μηχανής και περνά το μήνυμα από την ουρά.

Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασίας Βήμα Λειτουργίες.

Το Step Functions κάνει τα ακόλουθα βήματα παράλληλα.

1. Το Step Functions αναλύει το πλήρες συναίσθημα του μηνύματος επικαλούμενος το detect_sentiment API από το Amazon Comprehend.
2. Επικαλείται τα ακόλουθα βήματα:
   1. Γράφει τα αποτελέσματα σε ένα Amazon DynamoDB πίνακα.
   2. Εάν το συναίσθημα είναι αρνητικό ή μικτό, εκτελεί τις ακόλουθες ενέργειες:
      • Στέλνει μια ειδοποίηση στο Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS), το οποίο είναι εγγεγραμμένο από μία ή περισσότερες διευθύνσεις ηλεκτρονικού ταχυδρομείου (όπως ο Διευθυντής Εξυπηρέτησης Πελατών, ο Διευθυντής Μάρκετινγκ κ.λπ.).
      • Στέλνει ένα συμβάν στο Amazon EventBridge, το οποίο μεταβιβάζεται σε άλλα μεταγενέστερα συστήματα για να ενεργήσουν βάσει της ληφθείσας επανεξέτασης. Στο παράδειγμα, το συμβάν EventBridge γράφεται σε ένα amazoncloudwatch κούτσουρο. Σε ένα πραγματικό σενάριο, θα μπορούσε να καλέσει μια συνάρτηση Lambda για να στείλει το συμβάν σε ένα σύστημα κατάντη εντός ή εκτός του AWS (όπως ένα σύστημα διαχείρισης αποθέματος ή σύστημα προγραμματισμού).
3. Αναλύει το στοχευμένο συναίσθημα του μηνύματος επικαλούμενος το detect_targeted_sentiment API από το Amazon Comprehend.
4. Γράφει τα αποτελέσματα σε έναν πίνακα DynamoDB χρησιμοποιώντας τη συνάρτηση Map (παράλληλα, ένα για κάθε οντότητα που προσδιορίζεται στο μήνυμα).

Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασιών από τις Λειτουργίες Βήματος στα κατάντη συστήματα.

1. Οι πίνακες DynamoDB χρησιμοποιούν Ροές Amazon DynamoDB για να εκτελέσετε τη σύλληψη δεδομένων αλλαγής (CDC). Τα δεδομένα που εισάγονται στους πίνακες μεταδίδονται μέσω ροής Ροές δεδομένων Amazon Kinesis προς την Firehose δεδομένων Amazon Kinesis σε σχεδόν πραγματικό χρόνο (ρυθμίστηκε στα 60 δευτερόλεπτα).
2. Το Kinesis Data Firehose καταθέτει τα δεδομένα σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος.
3. Amazon QuickSight αναλύει τα δεδομένα στον κάδο S3. Τα αποτελέσματα παρουσιάζονται σε διάφορους πίνακες εργαλείων που μπορούν να προβληθούν από ομάδες πωλήσεων, μάρκετινγκ ή εξυπηρέτησης πελατών (εσωτερικοί χρήστες). Το QuickSight μπορεί επίσης να ανανεώσει τον πίνακα εργαλείων σε ένα χρονοδιάγραμμα (ορίζεται στα 60 λεπτά για αυτό το παράδειγμα).

Η AWS CloudFormation είναι διαθέσιμα πρότυπα για τη δημιουργία της αρχιτεκτονικής λύσης GitHub. Λάβετε υπόψη ότι τα πρότυπα δεν περιλαμβάνουν τους πίνακες εργαλείων QuickSight, αλλά παρέχουν οδηγίες σχετικά με τον τρόπο δημιουργίας τους στο αρχείο README.md. Παρέχουμε μερικά δείγματα πινάκων εργαλείων στην παρακάτω ενότητα.

Πίνακες εργαλείων QuickSight

Οι πίνακες ελέγχου είναι χρήσιμοι για τα τμήματα μάρκετινγκ και εξυπηρέτησης πελατών για την οπτική ανάλυση της απόδοσης του προϊόντος ή της υπηρεσίας τους σε βασικές επιχειρηματικές μετρήσεις. Σε αυτήν την ενότητα, παρουσιάζουμε μερικά δείγματα αναφορών που αναπτύχθηκαν στο QuickSight, χρησιμοποιώντας εικονικά δεδομένα για το εστιατόριο. Αυτές οι αναφορές είναι διαθέσιμες στους υπεύθυνους λήψης αποφάσεων σε περίπου 60 λεπτά (σύμφωνα με τον κύκλο ανανέωσης). Μπορούν να βοηθήσουν να απαντήσουν σε ερωτήσεις όπως οι ακόλουθες:

• Πώς αντιλαμβάνονται οι πελάτες την επιχείρηση στο σύνολό της;
• Υπάρχουν συγκεκριμένες πτυχές της υπηρεσίας (όπως ο χρόνος που απαιτείται για την παροχή της υπηρεσίας, η επίλυση που παρέχεται σε ένα παράπονο πελάτη) που αρέσουν ή δεν αρέσουν στους πελάτες;
• Πώς αρέσει στους πελάτες ένα συγκεκριμένο προϊόν που παρουσιάστηκε πρόσφατα (όπως ένα στοιχείο στο μενού); Υπάρχουν συγκεκριμένα προϊόντα που αρέσουν ή δεν αρέσουν στους πελάτες;
• Υπάρχουν παρατηρήσιμα μοτίβα στο συναίσθημα των πελατών μεταξύ ηλικιακών ομάδων, φύλου ή τοποθεσιών (όπως ποια τρόφιμα είναι δημοφιλή σε διάφορες τοποθεσίες σήμερα);

Πλήρες συναίσθημα

Τα παρακάτω σχήματα δείχνουν παραδείγματα πλήρους ανάλυσης συναισθήματος.

Το πρώτο γράφημα είναι το συνολικό συναίσθημα.

Το επόμενο γράφημα δείχνει το συναίσθημα μεταξύ των ηλικιακών ομάδων.

Το παρακάτω γράφημα δείχνει το συναίσθημα κατά φύλο.

Το τελικό γράφημα δείχνει το συναίσθημα στις τοποθεσίες των εστιατορίων.

Στοχευμένο συναίσθημα

Τα παρακάτω σχήματα δείχνουν παραδείγματα στοχευμένης ανάλυσης συναισθημάτων.

Το πρώτο γράφημα δείχνει το συναίσθημα ανά οντότητα (υπηρεσία, εστιατόριο, είδη γευμάτων κ.λπ.).

Το παρακάτω δείχνει το συναίσθημα μεταξύ ηλικιακών ομάδων ανά οντότητα.

Το επόμενο γράφημα δείχνει συναίσθημα μεταξύ τοποθεσιών ανά οντότητα.

Το παρακάτω στιγμιότυπο οθόνης προέρχεται από ένα σύστημα έκδοσης εισιτηρίων CRM που θα μπορούσε να χρησιμοποιηθεί για πιο λεπτομερή ανάλυση του συναισθήματος των πελατών. Για παράδειγμα, στην περίπτωση χρήσης μας, δημιουργήσαμε το τμήμα εξυπηρέτησης πελατών για να λαμβάνει ειδοποιήσεις μέσω email για αρνητικά συναισθήματα. Με τις πληροφορίες από το μήνυμα ηλεκτρονικού ταχυδρομείου (το αναγνωριστικό ελέγχου του συναισθήματος του πελάτη), ένας εκπρόσωπος εξυπηρέτησης μπορεί να αναλύσει σε πιο αναλυτικές λεπτομέρειες του συναισθήματος.

Χαρακτηριστικά

Αυτή η ανάρτηση περιέγραψε μια αρχιτεκτονική για ανάλυση συναισθήματος σε πραγματικό χρόνο χρησιμοποιώντας το Amazon Comprehend και άλλες υπηρεσίες AWS. Η λύση μας παρέχει τα ακόλουθα οφέλη:

• Παραδίδεται ως πρότυπο CloudFormation με μια πύλη API που μπορεί να αναπτυχθεί πίσω από εφαρμογές που απευθύνονται σε πελάτες ή εφαρμογές για κινητά
• Μπορείτε να δημιουργήσετε τη λύση χρησιμοποιώντας το Amazon Comprehend, χωρίς ειδικές γνώσεις AI, ML ή επεξεργασίας φυσικής γλώσσας
• Μπορείτε να δημιουργήσετε αναφορές χρησιμοποιώντας το QuickSight χωρίς ειδικές γνώσεις SQL
• Μπορεί να είναι εντελώς χωρίς διακομιστή, το οποίο παρέχει ελαστική κλιμάκωση και καταναλώνει πόρους μόνο όταν χρειάζεται

Η ανάλυση συναισθήματος σε πραγματικό χρόνο μπορεί να είναι πολύ χρήσιμη για εταιρείες που ενδιαφέρονται να λάβουν άμεσα σχόλια πελατών για τις υπηρεσίες τους. Μπορεί να βοηθήσει τα τμήματα μάρκετινγκ, πωλήσεων και εξυπηρέτησης πελατών της εταιρείας να επανεξετάσουν άμεσα τα σχόλια των πελατών και να προβούν σε διορθωτικές ενέργειες.

Χρησιμοποιήστε αυτήν τη λύση στην εταιρεία σας για να εντοπίσετε και να αντιδράσετε στα συναισθήματα των πελατών σε σχεδόν πραγματικό χρόνο.

Για να μάθετε περισσότερα σχετικά με το βασικές υπηρεσίες που περιγράφονται σε αυτό το ιστολόγιο, επισκεφτείτε τους παρακάτω συνδέσμους

Κατανοήστε το Amazon
Λειτουργίες βημάτων AWS
Ροές Amazon DynamoDB
Ροές δεδομένων Amazon Kinesis
Firehose δεδομένων Amazon Kinesis
Amazon EventBridge
Amazon QuickSight

---

Σχετικά με το Συγγραφέας

Varad G Varadarajan είναι Senior Solutions Architect (SA) στην Amazon Web Services, υποστηρίζοντας πελάτες στις Βορειοανατολικές ΗΠΑ. Ο Varad ενεργεί ως Αξιόπιστος Σύμβουλος και Field CTO για ψηφιακές εγγενείς επιχειρήσεις, βοηθώντας τις να δημιουργήσουν καινοτόμες λύσεις σε κλίμακα, χρησιμοποιώντας το AWS. Οι τομείς ενδιαφέροντος της Varad είναι η Συμβουλευτική Στρατηγικής Πληροφορικής, η Αρχιτεκτονική και η Διαχείριση Προϊόντων. Εκτός δουλειάς, ο Varad απολαμβάνει τη δημιουργική γραφή, την παρακολούθηση ταινιών με την οικογένεια και τους φίλους και τα ταξίδια.