تجزیه و تحلیل لحظه ای احساسات مشتری با استفاده از AWS

شرکت هایی که محصولات یا خدماتی را به صورت آنلاین می فروشند، باید دائماً نظرات مشتریان را که پس از خرید محصول در وب سایت خود باقی می ماند، زیر نظر داشته باشند. بخش بازاریابی و خدمات مشتری شرکت این بررسی ها را برای درک احساسات مشتری تجزیه و تحلیل می کند. به عنوان مثال، بازاریابی می تواند از این داده ها برای ایجاد کمپین هایی با هدف قرار دادن بخش های مختلف مشتریان استفاده کند. بخش خدمات مشتری می تواند از این داده ها برای تشخیص نارضایتی مشتری و انجام اقدامات اصلاحی استفاده کند.

به‌طور سنتی، این داده‌ها از طریق یک فرآیند دسته‌ای جمع‌آوری می‌شوند و برای ذخیره، تجزیه و تحلیل و گزارش‌دهی به انبار داده ارسال می‌شوند و پس از چند ساعت، اگر نه روز، در دسترس تصمیم‌گیرندگان قرار می‌گیرند. اگر بتوان این داده ها را فورا تجزیه و تحلیل کرد، می تواند فرصت هایی را برای شرکت ها فراهم کند تا به احساسات مشتری واکنش سریع نشان دهند.

در این پست، رویکردی را برای تجزیه و تحلیل احساسات کلی بازخورد مشتری در زمان تقریباً واقعی (چند دقیقه) شرح می دهیم. همچنین نشان می‌دهیم که چگونه می‌توان احساسات مختلف مرتبط با نهادهای خاص در متن (مانند شرکت، محصول، شخص یا نام تجاری) را مستقیماً از API درک کرد.

از موارد برای تجزیه و تحلیل احساسات در زمان واقعی استفاده کنید

تجزیه و تحلیل احساسات در زمان واقعی برای شرکت هایی که علاقه مند به دریافت بازخورد فوری مشتریان در مورد محصولات و خدمات خود هستند بسیار مفید است، مانند:

• رستوران ها
• شرکت های خرده فروشی یا B2C که محصولات یا خدمات مختلف را می فروشند
• شرکت‌هایی که فیلم‌های آنلاین (سکوهای OTT)، کنسرت‌های زنده یا رویدادهای ورزشی را پخش می‌کنند
• موسسات مالی

به طور کلی، هر کسب و کاری که دارای نقاط تماس مشتری است و نیاز به تصمیم گیری در زمان واقعی دارد، می تواند از بازخورد بلادرنگ مشتریان بهره مند شود.

استقرار یک رویکرد زمان واقعی برای احساسات می تواند در موارد استفاده زیر مفید باشد:

• بخش‌های بازاریابی می‌توانند از داده‌ها برای هدف‌گیری بهتر بخش‌های مشتریان استفاده کنند یا کمپین‌های خود را با بخش‌های خاص مشتری تنظیم کنند.
• بخش خدمات مشتری می تواند بلافاصله با مشتریان ناراضی تماس گرفته و سعی کند مشکلات را حل کند و از ریزش مشتری جلوگیری کند.
• احساسات مثبت یا منفی در مورد یک محصول می تواند به عنوان یک شاخص مفید برای تقاضای محصول در مکان های مختلف ثابت شود. به عنوان مثال، برای یک محصول سریع، شرکت ها می توانند از داده های زمان واقعی برای تنظیم سطح موجودی خود در انبارها استفاده کنند تا از موجودی اضافی یا موجودی در مناطق خاص جلوگیری کنند.

همچنین مفید است که درک دقیقی از احساسات داشته باشید، مانند موارد استفاده زیر:

• یک کسب‌وکار می‌تواند بخش‌هایی از تجربه کارمند/مشتری را که لذت‌بخش است و بخش‌هایی را که ممکن است بهبود یابد، شناسایی کند.
• مراکز تماس و تیم‌های خدمات مشتری می‌توانند رونویسی‌های حین تماس یا گزارش‌های چت را برای شناسایی اثربخشی آموزش نماینده و جزئیات مکالمه مانند واکنش‌های خاص مشتری و عبارات یا کلماتی که برای برانگیختن آن پاسخ استفاده شده‌اند، تجزیه و تحلیل کنند.
• صاحبان محصول و توسعه دهندگان UI/UX می توانند ویژگی های محصول خود را که کاربران از آن لذت می برند و بخش هایی که نیاز به بهبود دارند را شناسایی کنند. این می تواند از بحث های نقشه راه محصول و اولویت بندی ها پشتیبانی کند.

بررسی اجمالی راه حل

ما راه‌حلی ارائه می‌کنیم که می‌تواند به شرکت‌ها کمک کند احساسات مشتری (هم به طور کامل و هم هدفمند) را در زمان واقعی (معمولاً در چند دقیقه) از نظرات وارد شده در وب‌سایت خود تجزیه و تحلیل کنند. در هسته خود متکی است درک آمازون برای انجام تحلیل احساسات کامل و هدفمند.

Amazon Comprehend sentiment API احساسات کلی را برای یک سند متنی شناسایی می کند. از اکتبر 2022، می‌توانید از احساسات هدفمند برای شناسایی احساسات مرتبط با نهادهای خاص ذکر شده در اسناد متنی استفاده کنید. به عنوان مثال، در یک بررسی رستوران که می گوید: «من عاشق همبرگر بودم اما خدمات آهسته بود»، احساسات هدفمند احساسات مثبت را برای «برگر» و احساسات منفی را برای «خدمت» مشخص می کند.

برای مورد استفاده ما، یک رستوران زنجیره ای بزرگ در آمریکای شمالی می خواهد نظرات مشتریان خود را در وب سایت خود و از طریق یک برنامه تلفن همراه تجزیه و تحلیل کند. این رستوران می خواهد بازخورد مشتریان خود را در مورد آیتم های مختلف در منو، خدمات ارائه شده در شعبه ها و احساسات کلی در مورد تجربه آنها تجزیه و تحلیل کند.

به عنوان مثال، یک مشتری می تواند نظر زیر را بنویسد: "غذا در رستوران شما واقع در نیویورک بسیار خوب بود. پاستا خوشمزه بود با این حال، خدمات بسیار ضعیف بود!» برای این بررسی، مکان رستوران نیویورک است. احساسات کلی ترکیبی است - احساسات برای "غذا" و "ماکارونی" مثبت است، اما احساسات برای خدمات منفی است.

این رستوران می‌خواهد نظرات را بر اساس نمایه مشتری، مانند سن و جنسیت، تجزیه و تحلیل کند تا گرایش‌ها را در بخش‌های مشتریان شناسایی کند (این داده‌ها می‌توانند توسط وب و برنامه‌های تلفن همراه آن‌ها جمع‌آوری شده و به سیستم پشتیبان ارسال شوند). بخش خدمات مشتریان آنها می‌خواهد از این داده‌ها برای اطلاع نمایندگان برای پیگیری موضوع با ایجاد یک بلیط مشتری در یک سیستم CRM پایین دستی استفاده کند. Operations می خواهد بفهمد کدام اقلام در یک روز معین به سرعت در حال حرکت هستند، بنابراین می توانند زمان آماده سازی آن موارد را کاهش دهند.

در حال حاضر، تمام تجزیه و تحلیل ها به صورت گزارش از طریق ایمیل از طریق یک فرآیند دسته ای که 2 تا 3 روز طول می کشد، تحویل داده می شود. بخش فناوری اطلاعات رستوران فاقد تجزیه و تحلیل پیچیده داده، جریان، یا هوش مصنوعی و قابلیت‌های یادگیری ماشینی (ML) برای ساخت چنین راه‌حلی است.

نمودار معماری زیر اولین مراحل گردش کار را نشان می دهد.

کل راه حل را می توان به پشت وب سایت مشتری یا یک برنامه تلفن همراه متصل کرد.

دروازه API آمازون دو نقطه پایانی را نشان می دهد:

• نقطه پایانی مشتری که در آن نظرات مشتری وارد می شود
• یک نقطه پایانی خدمات که در آن یک بخش خدمات می تواند هر بررسی خاص را بررسی کند و یک بلیط خدمات ایجاد کند

گردش کار شامل مراحل زیر است:

1. هنگامی که یک مشتری نظری را وارد می کند (به عنوان مثال، از وب سایت)، به یک دروازه API ارسال می شود که به یک سرویس صف ساده آمازون صف (Amazon SQS). صف به عنوان یک بافر عمل می کند تا نظرات را در هنگام ورود ذخیره کند.
2. صف SQS یک را راه اندازی می کند AWS لامبدا عملکرد. اگر پس از چند بار تلاش مجدد، پیام به تابع لامبدا تحویل داده نشد، برای بازرسی بعدی در صف حرف مرده قرار می گیرد.
3. تابع Lambda فراخوانی می کند توابع مرحله AWS ماشین حالت و پیام را از صف ارسال می کند.

نمودار زیر گردش کار توابع مرحله را نشان می دهد.

Step Function مراحل زیر را به صورت موازی انجام می دهد.

1. Step Functions احساسات کامل پیام را با فراخوانی detect_sentiment API از Amazon Comprehend تجزیه و تحلیل می کند.
2. مراحل زیر را فراخوانی می کند:
   1. نتایج را در یک می نویسد آمازون DynamoDB جدول.
   2. اگر احساس منفی یا مختلط باشد، اقدامات زیر را انجام می دهد:
      • یک اعلان می فرستد به سرویس اطلاع رسانی ساده آمازون (Amazon SNS)، که توسط یک یا چند آدرس ایمیل (مانند مدیر خدمات مشتری، مدیر بازاریابی و غیره) مشترک است.
      • یک رویداد را به پل رویداد آمازون، که به سیستم های پایین دستی دیگر منتقل می شود تا بر اساس بررسی دریافتی عمل کنند. در مثال، رویداد EventBridge به یک نوشته شده است CloudWatch آمازون ورود به سیستم در یک سناریوی واقعی، می‌تواند یک تابع Lambda را فراخوانی کند تا رویداد را به یک سیستم پایین‌دستی در داخل یا خارج از AWS (مانند یک سیستم مدیریت موجودی یا سیستم زمان‌بندی) ارسال کند.
3. این احساس هدفمند پیام را با استناد به آن تجزیه و تحلیل می کند detect_targeted_sentiment API از Amazon Comprehend.
4. نتایج را با استفاده از تابع Map (به طور موازی، یکی برای هر موجودیت مشخص شده در پیام) روی یک جدول DynamoDB می‌نویسد.

نمودار زیر گردش کار از توابع مرحله به سیستم های پایین دست را نشان می دهد.

1. جداول DynamoDB استفاده می کنند آمازون DynamoDB Streams برای انجام تغییر ضبط داده (CDC). داده های درج شده در جداول از طریق جریان می یابد آمازون کینزیس جریان داده به Amazon Kinesis Data Firehose در زمان تقریباً واقعی (تنظیم روی 60 ثانیه).
2. Kinesis Data Firehose داده ها را در یک ذخیره می کند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3).
3. آمازون QuickSight داده های موجود در سطل S3 را تجزیه و تحلیل می کند. نتایج در داشبوردهای مختلفی ارائه می شود که می تواند توسط تیم های فروش، بازاریابی یا خدمات مشتری (کاربران داخلی) مشاهده شود. QuickSight همچنین می‌تواند داشبورد را بر اساس یک برنامه (برای این مثال روی 60 دقیقه تنظیم کنید) تازه‌سازی کند.

La AWS CloudFormation الگوهایی برای ایجاد معماری راه حل در دسترس هستند GitHub. توجه داشته باشید که الگوها شامل داشبوردهای QuickSight نیستند، اما دستورالعمل‌هایی در مورد نحوه ایجاد آنها در فایل README.md ارائه می‌دهند. نمونه داشبورد را در بخش زیر ارائه می دهیم.

داشبوردهای QuickSight

داشبوردها برای بخش های بازاریابی و خدمات مشتری مفید هستند تا به صورت بصری نحوه عملکرد محصول یا خدماتشان را در معیارهای کلیدی کسب و کار تجزیه و تحلیل کنند. در این بخش، نمونه‌هایی از گزارش‌ها را ارائه می‌کنیم که در QuickSight با استفاده از داده‌های ساختگی برای رستوران تهیه شده‌اند. این گزارش‌ها در حدود 60 دقیقه (طبق چرخه به‌روزرسانی) در دسترس تصمیم‌گیرندگان قرار می‌گیرند. آنها می توانند به سوالاتی مانند زیر کمک کنند:

• مشتریان چگونه کسب و کار را به عنوان یک کل درک می کنند؟
• آیا جنبه های خاصی از خدمات (مانند زمان صرف شده برای ارائه خدمات، راهکار ارائه شده در مورد شکایت مشتری) وجود دارد که مشتریان آن را دوست دارند یا نمی پسندند؟
• چگونه مشتریان یک محصول خاص تازه معرفی شده (مانند یک آیتم در منو) را دوست دارند؟ آیا محصولات خاصی وجود دارد که مشتریان آن را دوست دارند یا نمی پسندند؟
• آیا الگوهای قابل مشاهده ای در احساسات مشتری در گروه های سنی، جنسیت، یا مکان ها وجود دارد (مثل اینکه چه اقلام غذایی امروزه در مکان های مختلف محبوب هستند)؟

احساسات کامل

شکل های زیر نمونه هایی از تحلیل احساسات کامل را نشان می دهد.

نمودار اول احساسات کلی است.

نمودار بعدی احساسات بین گروه های سنی را نشان می دهد.

نمودار زیر احساسات جنسیتی را نشان می دهد.

نمودار نهایی احساسات را در مکان های رستوران نشان می دهد.

احساسات هدفمند

شکل های زیر نمونه هایی از تحلیل احساسات هدفمند را نشان می دهد.

نمودار اول احساسات را بر اساس نهاد (خدمات، رستوران، انواع غذا و غیره) نشان می دهد.

موارد زیر احساسات را در گروه‌های سنی بر اساس نهاد نشان می‌دهد.

نمودار بعدی احساسات را در بین مکان‌ها بر اساس نهاد نشان می‌دهد.

اسکرین شات زیر مربوط به یک سیستم فروش بلیط CRM است که می تواند برای تجزیه و تحلیل دقیق تر از احساسات مشتری استفاده شود. به عنوان مثال، در مورد استفاده ما، بخش خدمات مشتری را برای دریافت اعلان‌های ایمیلی درباره احساسات منفی راه‌اندازی می‌کنیم. با اطلاعات ایمیل (شناسه بازبینی احساسات مشتری)، یک نماینده خدمات می‌تواند جزئیات دقیق‌تری از احساسات را بررسی کند.

خلاصه

این پست یک معماری را برای تجزیه و تحلیل احساسات در زمان واقعی با استفاده از Amazon Comprehend و سایر خدمات AWS توضیح داد. راه حل ما مزایای زیر را ارائه می دهد:

• این به عنوان یک الگوی CloudFormation با یک دروازه API ارائه می شود که می تواند در پشت برنامه های مشتری یا برنامه های تلفن همراه مستقر شود.
• شما می توانید راه حل را با استفاده از Amazon Comprehend، بدون دانش خاصی از AI، ML، یا پردازش زبان طبیعی بسازید.
• شما می توانید با استفاده از QuickSight بدون دانش خاصی از SQL گزارش بسازید
• این می تواند کاملاً بدون سرور باشد که مقیاس بندی الاستیک را فراهم می کند و فقط در صورت نیاز منابع را مصرف می کند

تجزیه و تحلیل احساسات در زمان واقعی می تواند برای شرکت هایی که علاقه مند به دریافت بازخورد فوری مشتریان در مورد خدمات خود هستند بسیار مفید باشد. این می تواند به بخش های بازاریابی، فروش و خدمات مشتری شرکت کمک کند تا بازخورد مشتری را فورا بررسی کرده و اقدامات اصلاحی انجام دهند.

از این راه حل در شرکت خود برای شناسایی و واکنش به احساسات مشتری در زمان تقریباً واقعی استفاده کنید.

برای کسب اطلاعات بیشتر در مورد خدمات کلیدی شرح داده شده در این وبلاگ، به لینک های زیر مراجعه کنید

درک آمازون
توابع مرحله AWS
آمازون DynamoDB Streams
آمازون کینزیس جریان داده
Amazon Kinesis Data Firehose
پل رویداد آمازون
آمازون QuickSight

---

درباره نویسنده

Varad G Varadarajan یک معمار ارشد راه حل (SA) در خدمات وب آمازون است که از مشتریان در شمال شرق ایالات متحده پشتیبانی می کند. Varad به عنوان یک مشاور مورد اعتماد و مدیر ارشد فناوری برای کسب‌وکارهای بومی دیجیتال عمل می‌کند و به آنها کمک می‌کند تا با استفاده از AWS راه‌حل‌های نوآورانه را در مقیاس بسازند. حوزه های مورد علاقه Varad عبارتند از مشاوره استراتژی فناوری اطلاعات، معماری و مدیریت محصول. خارج از محل کار، واراد از نوشتن خلاقانه، تماشای فیلم با خانواده و دوستان و سفر لذت می برد.