Klientide sentimentide reaalajas analüüs AWS-i abil

Internetis tooteid või teenuseid müüvad ettevõtted peavad pärast toote ostmist pidevalt jälgima nende veebisaidile jäetud klientide arvustusi. Ettevõtte turundus- ja klienditeenindusosakonnad analüüsivad neid ülevaateid, et mõista klientide sentimenti. Näiteks võib turundus neid andmeid kasutada erinevatele kliendisegmentidele suunatud kampaaniate loomiseks. Klienditeenindusosakonnad võivad neid andmeid kasutada klientide rahulolematuse tuvastamiseks ja parandusmeetmete võtmiseks.

Traditsiooniliselt kogutakse neid andmeid pakkprotsessi kaudu ja saadetakse andmelattu salvestamiseks, analüüsimiseks ja aruandluseks ning tehakse otsustajatele kättesaadavaks mitme tunni, kui mitte päeva pärast. Kui neid andmeid saab kohe analüüsida, võib see anda ettevõtetele võimalusi klientide meeleoludele kiiresti reageerida.

Selles postituses kirjeldame lähenemisviisi, kuidas analüüsida klientide tagasisidet peaaegu reaalajas (mõne minutiga). Samuti demonstreerime, kuidas mõista teksti konkreetsete üksustega (nt ettevõte, toode, isik või bränd) seotud erinevaid tundeid otse API kaudu.

Kasutage reaalajas sentimentianalüüsi juhtumeid

Reaalajas sentimentianalüüs on väga kasulik ettevõtetele, kes soovivad saada klientidelt kiiret tagasisidet oma toodete ja teenuste kohta, näiteks:

• restoranid
• Jaemüügi- või B2C-ettevõtted, mis müüvad erinevaid tooteid või teenuseid
• Ettevõtted, mis voogesitavad veebis filme (OTT platvormid), kontserte või spordiüritusi
• Finants institutsioonid

Üldiselt saab klientidelt saadavast reaalajas tagasisidest kasu iga ettevõte, millel on klientide kontaktpunktid ja mis peab tegema reaalajas otsuseid.

Reaalajas sentimentaalse lähenemise juurutamine võib olla kasulik järgmistel kasutusjuhtudel.

• Turundusosakonnad saavad kasutada andmeid kliendisegmentide paremaks sihtimiseks või kohandada oma kampaaniaid konkreetsetele kliendisegmentidele.
• Klienditeenindusosakonnad saavad rahulolematute klientidega viivitamatult ühendust võtta ja püüda probleeme lahendada, vältides klientide katkemist.
• Positiivne või negatiivne suhtumine tootesse võib osutuda kasulikuks tootenõudluse indikaatoriks erinevates kohtades. Näiteks kiiresti liikuva toote puhul saavad ettevõtted kasutada reaalajas saadud andmeid laoseisude reguleerimiseks ladudes, et vältida üleliigseid laovarusid või laosid teatud piirkondades.

Samuti on kasulik omada üksikasjalikku arusaama meeleolust, nagu järgmistel kasutusjuhtudel.

• Ettevõte saab tuvastada töötaja/kliendi kogemuse osad, mis on nauditavad, ja osad, mida saab täiustada.
• Kontaktkeskused ja klienditeenindusmeeskonnad saavad analüüsida valveülesannete transkriptsioone või vestlusloge, et tuvastada agentide koolituse tõhusust, ja vestluste üksikasju, nagu kliendi konkreetsed reaktsioonid ja fraasid või sõnad, mida selle vastuse esilekutsumiseks kasutati.
• Tooteomanikud ja kasutajaliidese/UX-i arendajad saavad tuvastada oma toote funktsioonid, mis kasutajatele meeldivad, ja täiustamist vajavad osad. See võib toetada toote tegevuskava arutelusid ja prioriteetide seadmist.

Lahenduse ülevaade

Tutvustame lahendust, mis aitab ettevõtetel analüüsida klientide sentimenti (nii täielikku kui ka sihipärast) peaaegu reaalajas (tavaliselt mõne minuti jooksul) nende veebisaidile sisestatud arvustuste põhjal. Oma tuumas tugineb see Amazoni mõistmine teostada nii täielikku kui ka suunatud sentimentanalüüsi.

Amazon Comprehendi sentiment API tuvastab tekstidokumendi üldise meeleolu. Alates 2022. aasta oktoobrist saate sihitud sentimenti kasutada tekstidokumentides mainitud konkreetsete üksustega seotud tunde tuvastamiseks. Näiteks restorani arvustuses, mis ütleb: "Mulle meeldis burger, kuid teenindus oli aeglane", tuvastab sihitud sentiment positiivse suhtumise "burgeri" ja negatiivse suhtumise "teenindusse".

Meie kasutusjuhtumi puhul soovib Põhja-Ameerika suur restoranikett analüüsida klientide arvustusi oma veebisaidil ja mobiilirakenduse kaudu. Restoran soovib analüüsida oma klientide tagasisidet erinevatele menüüpunktidele, esindustes pakutavale teenusele ning üldist suhtumist kogemustesse.

Näiteks võib klient kirjutada järgmise arvustuse: „Teie New Yorgis asuva restorani toit oli väga hea. Pasta oli maitsev. Teenindus oli aga väga kehv!” Selle ülevaate jaoks on restorani asukoht New York. Üldine suhtumine on segane – suhtumine "toidu" ja "pasta" suhtes on positiivne, kuid suhtumine teenusesse on negatiivne.

Restoran soovib analüüsida arvustusi kliendiprofiilide, näiteks vanuse ja soo järgi, et tuvastada kõik kliendisegmentide suundumused (need andmed võivad jäädvustada nende veebi- ja mobiilirakendustega ning saata taustasüsteemi). Nende klienditeenindusosakond soovib neid andmeid kasutada selleks, et teavitada agente, et nad saaksid probleemiga tegeleda, luues kliendipileti allavoolu CRM-süsteemis. Operations soovib aru saada, millised üksused konkreetsel päeval kiiresti liiguvad, et vähendada nende üksuste ettevalmistamiseks kuluvat aega.

Praegu edastatakse kõik analüüsid aruannetena e-posti teel pakettprotsessiga, mis võtab aega 2–3 päeva. Restorani IT-osakonnal puudub sellise lahenduse loomiseks keerukas andmeanalüütika, voogedastus või AI ja masinõppe (ML) võimalused.

Järgmine arhitektuuriskeem illustreerib töövoo esimesi samme.

Kogu lahenduse saab haakida kliendi veebisaidi või mobiilirakenduse tagaküljele.

Amazon API värav paljastab kaks lõpp-punkti:

• Kliendi lõpp-punkt, kuhu sisestatakse klientide arvustused
• Teenuse lõpp-punkt, kus teenindusosakond saab vaadata mis tahes konkreetset ülevaadet ja luua teeninduspileti

Töövoog sisaldab järgmisi samme:

1. Kui klient sisestab arvustuse (näiteks veebisaidilt), saadetakse see API-lüüsile, mis on ühendatud Amazoni lihtsa järjekorra teenus (Amazon SQS) järjekord. Järjekord toimib puhvrina arvustuste salvestamiseks nende sisestamisel.
2. SQS-i järjekord käivitab an AWS Lambda funktsiooni. Kui teadet ei edastata Lambda-funktsioonile pärast mõnda korduskatset, asetatakse see edaspidiseks kontrollimiseks surnud kirjade järjekorda.
3. Lambda funktsioon kutsub esile AWS-i astmefunktsioonid olekumasin ja edastab teate järjekorrast.

Järgmine diagramm illustreerib sammufunktsioonide töövoogu.

Step Functions teeb järgmisi samme paralleelselt.

1. Step Functions analüüsib sõnumi täielikku sentimenti, kutsudes esile Amazon Comprehendi detekteerimis-aPI API.
2. See kutsub esile järgmised sammud:
   1. See kirjutab tulemused an Amazon DynamoDB tabelis.
   2. Kui sentiment on negatiivne või segane, teeb see järgmisi toiminguid:
      • See saadab teate aadressile Amazoni lihtne teavitusteenus (Amazon SNS), mis on tellitud ühe või mitme e-posti aadressiga (nt klienditeeninduse direktor, turundusdirektor jne).
      • See saadab sündmuse aadressile Amazon EventBridge, mis edastatakse saadud ülevaate alusel tegutsemiseks teistele allavoolusüsteemidele. Näites kirjutatakse EventBridge'i sündmus an Amazon CloudWatch logi. Reaalses stsenaariumis võib see käivitada Lambda funktsiooni, et saata sündmus AWS-i sees või väljaspool asuvasse allavoolusüsteemi (nt laohaldussüsteem või ajastamissüsteem).
3. See analüüsib sõnumi sihipärast sentimenti, kutsudes esile detect_targeted_sentiment API Amazon Comprehendist.
4. See kirjutab tulemused DynamoDB tabelisse, kasutades funktsiooni Map (paralleelselt üks iga sõnumis tuvastatud olemi kohta).

Järgmine diagramm illustreerib töövoogu astmefunktsioonidest allavoolusüsteemideni.

1. DynamoDB tabelid kasutavad Amazon DynamoDB Streams muudatuste andmete hõivamiseks (CDC). Tabelitesse sisestatud andmed voogesitatakse Amazon Kinesise andmevood et Amazon Kinesis Data Firehose peaaegu reaalajas (määratud 60 sekundile).
2. Kinesis Data Firehose salvestab andmed an Amazoni lihtne salvestusteenus (Amazon S3) kopp.
3. Amazon QuickSight analüüsib S3 ämbris olevaid andmeid. Tulemused esitatakse erinevatel armatuurlaudadel, mida saavad vaadata müügi-, turundus- või klienditeenindusmeeskonnad (sisekasutajad). QuickSight saab armatuurlauda ajakava alusel värskendada (selle näite puhul on määratud 60 minutiks).

. AWS CloudFormation mallid lahenduse arhitektuuri loomiseks on saadaval aadressil GitHub. Pange tähele, et mallid ei sisalda QuickSighti armatuurlaudu, kuid annavad juhiseid nende loomiseks failis README.md. Järgmises jaotises pakume mõned näidisarmatuurlauad.

QuickSighti armatuurlauad

Armatuurlauad on kasulikud turundus- ja klienditeenindusosakondadele, et visuaalselt analüüsida, kuidas nende tootel või teenusel läheb peamiste ärimõõdikute lõikes. Selles jaotises tutvustame mõningaid näidisaruandeid, mis töötati välja QuickSightis, kasutades restorani fiktiivseid andmeid. Need aruanded on otsustajatele kättesaadavad umbes 60 minuti pärast (vastavalt meie värskendustsüklile). Nad võivad aidata vastata järgmistele küsimustele:

• Kuidas kliendid ettevõtet tervikuna tajuvad?
• Kas teenusel on mingeid konkreetseid aspekte (nt teenuse osutamiseks kuluv aeg, kliendi kaebuse lahendamine), mis klientidele meeldivad või ei meeldi?
• Kuidas meeldib klientidele konkreetne äsja kasutusele võetud toode (näiteks mõni artikkel menüüs)? Kas on mingeid konkreetseid tooteid, mis klientidele meeldivad või ei meeldi?
• Kas klientide suhtumises on täheldatavaid mustreid vanuserühmade, soo või asukohtade lõikes (nt millised toiduained on tänapäeval erinevates kohtades populaarsed)?

Täielik sentiment

Järgmised joonised näitavad täieliku sentimentianalüüsi näiteid.

Esimene graafik on üldisest meeleolust.

Järgmine graafik näitab sentimenti vanuserühmade lõikes.

Järgmine graafik näitab sentimenti sugude lõikes.

Viimane graafik näitab suhtumist restoranide asukohtadesse.

Sihitud sentiment

Järgmistel joonistel on näiteid suunatud meeleoluanalüüsist.

Esimene graafik näitab sentimenti üksuste kaupa (teenus, restoran, söögitüübid jne).

Järgnev näitab suhtumist vanuserühmade lõikes üksuste kaupa.

Järgmine graafik näitab seisukohti asukohtade lõikes üksuste kaupa.

Järgmine ekraanipilt pärineb CRM-i piletimüügisüsteemist, mida saab kasutada klientide meeleolu üksikasjalikumaks analüüsiks. Näiteks seadistame oma kasutusjuhtumil klienditeeninduse osakonna negatiivsete tunnete kohta e-posti teel teavituste saamiseks. Meilisõnumi teabe (kliendi arvamuse ülevaatuse ID) abil saab teenindusesindaja tutvuda arvamuse üksikasjalikumate üksikasjadega.

kokkuvõte

See postitus kirjeldas Amazon Comprehendi ja muude AWS-teenuste abil reaalajas sentimentaalanalüüsi arhitektuuri. Meie lahendus pakub järgmisi eeliseid:

• See tarnitakse CloudFormationi mallina koos API lüüsiga, mida saab juurutada klientidele suunatud rakenduste või mobiilirakenduste taha
• Saate luua lahenduse Amazon Comprehendi abil, ilma eriteadmisteta AI, ML või loomuliku keele töötlemisest
• QuickSighti abil saate koostada aruandeid ilma SQL-i eriteadmisteta
• See võib olla täiesti serverita, mis tagab elastse skaleerimise ja kulutab ressursse ainult vajaduse korral

Reaalajas sentimentianalüüs võib olla väga kasulik ettevõtetele, kes on huvitatud oma teenuste kohta klientide vahetu tagasiside saamisest. See võib aidata ettevõtte turundus-, müügi- ja klienditeenindusosakondadel klientide tagasisidet koheselt üle vaadata ja parandusmeetmeid võtta.

Kasutage seda lahendust oma ettevõttes klientide arvamuste tuvastamiseks ja neile reageerimiseks peaaegu reaalajas.

Et rohkem teada selles ajaveebis kirjeldatud põhiteenused, külastage allolevaid linke

Amazoni mõistmine
AWS-i astmefunktsioonid
Amazon DynamoDB Streams
Amazon Kinesise andmevood
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

Teave Autor

Varad G Varadarajan on Amazon Web Servicesi vanemlahenduste arhitekt (SA), kes toetab kliente USA kirdeosas. Varad tegutseb digitaalsete põlisettevõtete usaldusväärse nõustaja ja valdkonna CTO-na, aidates neil AWS-i abil luua ulatuslikke uuenduslikke lahendusi. Varadi huvivaldkonnad on IT-strateegia nõustamine, arhitektuur ja tootejuhtimine. Väljaspool tööd naudib Varad loomingulist kirjutamist, pere ja sõpradega filmide vaatamist ning reisimist.