Análisis en tiempo real de la opinión del cliente mediante AWS

Las empresas que venden productos o servicios en línea necesitan monitorear constantemente las reseñas que los clientes dejan en su sitio web después de comprar un producto. Los departamentos de marketing y servicio al cliente de la empresa analizan estas reseñas para comprender el sentimiento del cliente. Por ejemplo, marketing podría usar estos datos para crear campañas dirigidas a diferentes segmentos de clientes. Los departamentos de servicio al cliente podrían usar estos datos para detectar la insatisfacción del cliente y tomar medidas correctivas.

Tradicionalmente, estos datos se recopilan a través de un proceso por lotes y se envían a un almacén de datos para su almacenamiento, análisis e informes, y se ponen a disposición de los responsables de la toma de decisiones después de varias horas, si no días. Si estos datos se pueden analizar de inmediato, pueden brindar oportunidades para que las empresas reaccionen rápidamente al sentimiento del cliente.

En esta publicación, describimos un enfoque para analizar el sentimiento general de los comentarios de los clientes casi en tiempo real (unos minutos). También demostramos cómo comprender los diferentes sentimientos asociados con entidades específicas en el texto (como empresa, producto, persona o marca) directamente desde la API.

Casos de uso para el análisis de sentimientos en tiempo real

El análisis de sentimientos en tiempo real es muy útil para las empresas interesadas en obtener comentarios instantáneos de los clientes sobre sus productos y servicios, como por ejemplo:

• Restaurantes
• Empresas minoristas o B2C que venden diversos productos o servicios.
• Empresas de transmisión de películas en línea (plataformas OTT), conciertos en vivo o eventos deportivos
• Instituciones financieras

En general, cualquier empresa que tenga puntos de contacto con los clientes y necesite tomar decisiones en tiempo real puede beneficiarse de los comentarios en tiempo real de los clientes.

La implementación de un enfoque en tiempo real para el sentimiento puede ser útil en los siguientes casos de uso:

• Los departamentos de marketing pueden utilizar los datos para orientar mejor los segmentos de clientes o ajustar sus campañas a segmentos de clientes específicos.
• Los departamentos de servicio al cliente pueden comunicarse con los clientes insatisfechos de inmediato y tratar de resolver los problemas, evitando la pérdida de clientes.
• El sentimiento positivo o negativo sobre un producto puede resultar un indicador útil de la demanda del producto en varios lugares. Por ejemplo, para un producto de movimiento rápido, las empresas pueden usar los datos en tiempo real para ajustar sus niveles de existencias en los almacenes, para evitar el exceso de inventario o los desabastecimientos en regiones específicas.

También es útil tener una comprensión granular del sentimiento, como en los siguientes casos de uso:

• Una empresa puede identificar partes de la experiencia del empleado/cliente que son agradables y partes que pueden mejorarse.
• Los centros de contacto y los equipos de atención al cliente pueden analizar las transcripciones de las llamadas o los registros de chat para identificar la efectividad de la capacitación de los agentes y los detalles de la conversación, como reacciones específicas de un cliente y frases o palabras que se usaron para obtener esa respuesta.
• Los propietarios de productos y los desarrolladores de UI/UX pueden identificar las características de su producto que los usuarios disfrutan y las partes que requieren mejoras. Esto puede respaldar las discusiones y priorizaciones de la hoja de ruta del producto.

Resumen de la solución

Presentamos una solución que puede ayudar a las empresas a analizar el sentimiento del cliente (tanto completo como específico) casi en tiempo real (generalmente en unos minutos) a partir de las reseñas ingresadas en su sitio web. En su esencia, se basa en Amazon Comprehend para realizar un análisis de sentimiento completo y específico.

La API de opinión de Amazon Comprehend identifica la opinión general de un documento de texto. A partir de octubre de 2022, puede usar la opinión dirigida para identificar la opinión asociada con entidades específicas mencionadas en documentos de texto. Por ejemplo, en una reseña de un restaurante que dice: "Me encantó la hamburguesa pero el servicio fue lento", el sentimiento objetivo identificará un sentimiento positivo para "hamburguesa" y un sentimiento negativo para "servicio".

Para nuestro caso de uso, una gran cadena de restaurantes en América del Norte desea analizar las reseñas realizadas por sus clientes en su sitio web y a través de una aplicación móvil. El restaurante desea analizar los comentarios de sus clientes sobre varios elementos del menú, el servicio brindado en sus sucursales y el sentimiento general sobre su experiencia.

Por ejemplo, un cliente podría escribir la siguiente reseña: “La comida en su restaurante ubicado en Nueva York fue muy buena. La pasta estaba deliciosa. Sin embargo, el servicio fue muy pobre!” Para esta revisión, la ubicación del restaurante es Nueva York. El sentimiento general es mixto: el sentimiento por "comida" y "pasta" es positivo, pero el sentimiento por el servicio es negativo.

El restaurante quiere analizar las reseñas por perfil de cliente, como edad y género, para identificar cualquier tendencia entre los segmentos de clientes (esta información podría ser capturada por sus aplicaciones web y móviles y enviada al sistema back-end). Su departamento de atención al cliente desea utilizar estos datos para notificar a los agentes que hagan un seguimiento del problema mediante la creación de un ticket de cliente en un sistema de CRM posterior. Operaciones quiere saber qué elementos se mueven rápidamente en un día determinado, de modo que puedan reducir el tiempo de preparación de esos elementos.

Actualmente, todos los análisis se entregan como informes por correo electrónico a través de un proceso por lotes que demora de 2 a 3 días. El departamento de TI del restaurante carece de capacidades sofisticadas de análisis de datos, transmisión o IA y aprendizaje automático (ML) para crear una solución de este tipo.

El siguiente diagrama de arquitectura ilustra los primeros pasos del flujo de trabajo.

La solución completa se puede conectar a la parte posterior del sitio web de un cliente o una aplicación móvil.

Puerta de enlace API de Amazon expone dos puntos finales:

• Un punto final de cliente donde se ingresan las reseñas de los clientes
• Un punto final de servicio donde un departamento de servicio puede ver cualquier revisión en particular y crear un ticket de servicio

El flujo de trabajo incluye los siguientes pasos:

1. Cuando un cliente ingresa una reseña (por ejemplo, desde el sitio web), se envía a un API Gateway que está conectado a un Servicio de cola simple de Amazon (Amazon SQS) cola. La cola actúa como un búfer para almacenar las revisiones a medida que se ingresan.
2. La cola de SQS desencadena una AWS Lambda función. Si el mensaje no se entrega a la función de Lambda después de algunos reintentos, se coloca en la cola de mensajes fallidos para una inspección futura.
3. La función Lambda invoca el Funciones de paso de AWS máquina de estado y pasa el mensaje de la cola.

El siguiente diagrama ilustra el flujo de trabajo de Step Functions.

Step Functions realiza los siguientes pasos en paralelo.

1. Step Functions analiza la opinión completa del mensaje invocando la API detect_sentiment de Amazon Comprehend.
2. Invoca los siguientes pasos:
   1. Escribe los resultados en un Amazon DynamoDB mesa.
   2. Si el sentimiento es negativo o mixto, realiza las siguientes acciones:
      • Envía una notificación a Servicio de notificación simple de Amazon (Amazon SNS), que está suscrito por una o más direcciones de correo electrónico (como el Director de Servicio al Cliente, el Director de Marketing, etc.).
      • Envía un evento a Puente de eventos de Amazon, que se transmite a otros sistemas posteriores para que actúen sobre la revisión recibida. En el ejemplo, el evento EventBridge se escribe en un Reloj en la nube de Amazon Iniciar sesión. En un escenario real, podría invocar una función Lambda para enviar el evento a un sistema descendente dentro o fuera de AWS (como un sistema de gestión de inventario o un sistema de programación).
3. Analiza el sentimiento objetivo del mensaje invocando el detect_targeted_sentiment API de Amazon Comprender.
4. Escribe los resultados en una tabla de DynamoDB utilizando la función Map (en paralelo, uno para cada entidad identificada en el mensaje).

El siguiente diagrama ilustra el flujo de trabajo desde Step Functions hasta los sistemas posteriores.

1. Las tablas de DynamoDB utilizan Secuencias de Amazon DynamoDB para realizar la captura de datos modificados (CDC). Los datos insertados en las tablas se transmiten a través de Secuencias de datos de Amazon Kinesis a Manguera de bomberos de datos de Amazon Kinesis en tiempo casi real (establecido en 60 segundos).
2. Kinesis Data Firehose deposita los datos en un Servicio de almacenamiento simple de Amazon (Amazon S3) cubo.
3. Amazon QuickSight analiza los datos en el depósito S3. Los resultados se presentan en varios paneles que pueden ver los equipos de ventas, marketing o atención al cliente (usuarios internos). QuickSight también puede actualizar el tablero en un horario (establecido en 60 minutos para este ejemplo).

El Formación en la nube de AWS Las plantillas para crear la arquitectura de la solución están disponibles en GitHub. Tenga en cuenta que las plantillas no incluyen los paneles de QuickSight, pero brindan instrucciones sobre cómo crearlos en el archivo README.md. Proporcionamos algunos paneles de muestra en la siguiente sección.

Tableros QuickSight

Los paneles son útiles para los departamentos de marketing y servicio al cliente para analizar visualmente cómo está funcionando su producto o servicio a través de métricas comerciales clave. En esta sección, presentamos algunos informes de muestra que se desarrollaron en QuickSight, utilizando datos ficticios para el restaurante. Estos informes están disponibles para los responsables de la toma de decisiones en aproximadamente 60 minutos (según nuestro ciclo de actualización). Ellos pueden ayudar a responder preguntas como las siguientes:

• ¿Cómo perciben los clientes el negocio en su conjunto?
• ¿Hay algún aspecto específico del servicio (como el tiempo que se tarda en entregar el servicio, la resolución que se brinda a una queja del cliente) que les gusta o no les gusta a los clientes?
• ¿Cómo les gusta a los clientes un producto específico recientemente introducido (como un artículo en el menú)? ¿Hay algún producto específico que a los clientes les guste o no les guste?
• ¿Existen patrones observables en la opinión de los clientes entre grupos de edad, género o ubicaciones (como qué alimentos son populares en varios lugares hoy en día)?

Sentimiento completo

Las siguientes figuras muestran ejemplos de análisis de sentimiento completo.

El primer gráfico es del sentimiento general.

El siguiente gráfico muestra el sentimiento por grupos de edad.

El siguiente gráfico muestra el sentimiento por género.

El gráfico final muestra el sentimiento en las ubicaciones de los restaurantes.

Sentimiento objetivo

Las siguientes figuras muestran ejemplos de análisis de sentimientos dirigidos.

El primer gráfico muestra el sentimiento por entidad (servicio, restaurante, tipos de comidas, etc.).

A continuación, se muestra el sentimiento de los grupos de edad por entidad.

El siguiente gráfico muestra el sentimiento en las ubicaciones por entidad.

La siguiente captura de pantalla es de un sistema de emisión de tickets de CRM que podría usarse para un análisis más granular de la opinión del cliente. Por ejemplo, en nuestro caso de uso, configuramos el departamento de servicio al cliente para recibir notificaciones por correo electrónico de opiniones negativas. Con la información del correo electrónico (el ID de revisión de la opinión del cliente), un representante de servicio puede profundizar en detalles más granulares de la opinión.

Resumen

Esta publicación describió una arquitectura para el análisis de sentimientos en tiempo real utilizando Amazon Comprehend y otros servicios de AWS. Nuestra solución proporciona los siguientes beneficios:

• Se entrega como una plantilla de CloudFormation con una API Gateway que se puede implementar detrás de aplicaciones orientadas al cliente o aplicaciones móviles.
• Puede crear la solución con Amazon Comprehend, sin conocimientos especiales de inteligencia artificial, aprendizaje automático o procesamiento de lenguaje natural.
• Puede crear informes utilizando QuickSight sin conocimientos especiales de SQL
• Puede ser completamente sin servidor, lo que proporciona un escalado elástico y consume recursos solo cuando es necesario

El análisis de sentimientos en tiempo real puede ser muy útil para las empresas interesadas en obtener comentarios instantáneos de los clientes sobre sus servicios. Puede ayudar a los departamentos de marketing, ventas y servicio al cliente de la empresa a revisar instantáneamente los comentarios de los clientes y tomar medidas correctivas.

Utilice esta solución en su empresa para detectar y reaccionar ante los sentimientos de los clientes casi en tiempo real.

Para aprender más acerca de la servicios clave descritos en este blog, visite los enlaces a continuación

Amazon Comprehend
Funciones de paso de AWS
Secuencias de Amazon DynamoDB
Secuencias de datos de Amazon Kinesis
Manguera de bomberos de datos de Amazon Kinesis
Puente de eventos de Amazon
Amazon QuickSight

---

Sobre la autora

Varad G Varadarajan es Senior Solutions Architect (SA) en Amazon Web Services, brindando soporte a clientes en el noreste de EE. UU. Varad actúa como asesor de confianza y CTO de campo para empresas nativas digitales, ayudándolas a crear soluciones innovadoras a escala mediante AWS. Las áreas de interés de Varad son la consultoría de estrategia de TI, la arquitectura y la gestión de productos. Fuera del trabajo, Varad disfruta de la escritura creativa, ver películas con familiares y amigos y viajar.