Asiakkaiden tunteiden reaaliaikainen analyysi AWS:n avulla

Verkossa tuotteita tai palveluita myyvien yritysten on jatkuvasti seurattava verkkosivuilleen jätettyjä asiakasarvosteluja tuotteen ostamisen jälkeen. Yrityksen markkinointi- ja asiakaspalveluosastot analysoivat nämä arvostelut ymmärtääkseen asiakkaiden mielipiteitä. Esimerkiksi markkinointi voisi käyttää näitä tietoja eri asiakassegmentteihin kohdistettujen kampanjoiden luomiseen. Asiakaspalveluosastot voivat käyttää näitä tietoja havaitakseen asiakkaiden tyytymättömyyden ja ryhtyäkseen korjaaviin toimiin.

Perinteisesti nämä tiedot kerätään eräprosessilla ja lähetetään tietovarastoon varastointia, analysointia ja raportointia varten, ja ne ovat päättäjien saatavilla useiden tuntien, ellei päivien kuluttua. Jos nämä tiedot voidaan analysoida välittömästi, se voi tarjota yrityksille mahdollisuuden reagoida nopeasti asiakkaiden mielipiteisiin.

Tässä viestissä kuvaamme lähestymistapaa asiakaspalautteen yleisen tunteen analysoimiseen lähes reaaliajassa (muutamassa minuutissa). Osoitamme myös, kuinka ymmärtää tekstin tiettyihin kokonaisuuksiin (kuten yritys, tuote, henkilö tai brändi) liittyvät erilaiset tunteet suoraan API:sta.

Käytä tapauksia reaaliaikaiseen tunneanalyysiin

Reaaliaikainen mielialaanalyysi on erittäin hyödyllinen yrityksille, jotka haluavat saada välitöntä asiakaspalautetta tuotteistaan ​​ja palveluistaan, kuten:

• Ravintolat
• Vähittäis- tai B2C-yritykset, jotka myyvät erilaisia ​​tuotteita tai palveluita
• Yritykset, jotka suoratoistavat online-elokuvia (OTT-alustat), live-konsertteja tai urheilutapahtumia
• Rahoituslaitokset

Yleisesti ottaen kaikki yritykset, joilla on asiakaskontaktipisteitä ja joiden on tehtävä reaaliaikaisia ​​päätöksiä, voivat hyötyä reaaliaikaisesta palautteesta asiakkailta.

Reaaliaikainen lähestymistapa tunteisiin voi olla hyödyllistä seuraavissa käyttötapauksissa:

• Markkinointiosastot voivat käyttää tietoja kohdistaakseen paremmin asiakassegmentteihin tai mukauttaakseen kampanjoitaan tiettyjen asiakassegmenttien mukaan.
• Asiakaspalveluosastot voivat ottaa välittömästi yhteyttä tyytymättömiin asiakkaisiin ja yrittää ratkaista ongelmat ja estää asiakkaiden vaihtuvuuden.
• Positiivinen tai negatiivinen mielipide tuotteesta voi osoittautua hyödylliseksi indikaattoriksi tuotteen kysynnästä eri paikoissa. Esimerkiksi nopeasti liikkuvan tuotteen kohdalla yritykset voivat käyttää reaaliaikaisia ​​tietoja varastojen varastojen säätämiseen välttääkseen ylimääräisen varaston tai varastot tietyillä alueilla.

On myös hyödyllistä ymmärtää tunteet tarkasti, kuten seuraavissa käyttötapauksissa:

• Yritys voi tunnistaa työntekijän/asiakaskokemuksen osia, jotka ovat nautinnollisia, ja osia, joita voidaan parantaa.
• Yhteyskeskukset ja asiakaspalvelutiimit voivat analysoida päivystyksen transkriptioita tai chat-lokeja tunnistaakseen agenttien koulutuksen tehokkuuden ja keskustelun yksityiskohdat, kuten asiakkaan erityisreaktiot ja vastauksen saamiseen käytetyt lauseet tai sanat.
• Tuotteiden omistajat ja UI/UX-kehittäjät voivat tunnistaa tuotteensa ominaisuuksia, joista käyttäjät nauttivat, ja osat, jotka vaativat parannusta. Tämä voi tukea tuotesuunnitelmakeskusteluja ja priorisointia.

Ratkaisun yleiskatsaus

Esittelemme ratkaisun, jonka avulla yritykset voivat analysoida asiakkaiden mielipiteitä (sekä täydellisiä että kohdistettuja) lähes reaaliajassa (yleensä muutamassa minuutissa) verkkosivuillaan syötetyistä arvosteluista. Pohjimmiltaan se luottaa siihen Amazonin käsitys suorittaa sekä täydellisen että kohdistetun tunneanalyysin.

Amazon Comprehend sentiment API tunnistaa tekstidokumentin yleisen tunteen. Lokakuusta 2022 alkaen voit käyttää kohdistettuja tunteita tunnistaaksesi tunteita, jotka liittyvät tiettyihin tekstidokumenteissa mainittuihin entiteeteihin. Esimerkiksi ravintola-arvostelussa, jossa sanotaan "Pidin hampurilaista, mutta palvelu oli hidasta", kohdistettu mielipide tunnistaa positiivisen tunteen "hampurilaiselle" ja negatiiviselle "palvelulle".

Meidän käyttötapauksessamme suuri pohjoisamerikkalainen ravintolaketju haluaa analysoida asiakkaidensa verkkosivuillaan ja mobiilisovelluksen kautta tekemiä arvosteluja. Ravintola haluaa analysoida asiakkaidensa palautetta ruokalistan eri tuotteista, konttoreissa tarjottavasta palvelusta ja yleisestä kokemuksesta.

Asiakas voisi esimerkiksi kirjoittaa seuraavan arvostelun: ”New Yorkissa sijaitsevan ravintolasi ruoka oli erittäin hyvää. Pasta oli herkullista. Palvelu oli kuitenkin erittäin huonoa!” Tässä arvostelussa ravintolan sijainti on New York. Yleinen fiilis on sekalainen – mielipide "ruoasta" ja "pastasta" on myönteinen, mutta palvelusta negatiivinen.

Ravintola haluaa analysoida arvostelut asiakasprofiilien, kuten iän ja sukupuolen mukaan, tunnistaakseen kaikki asiakassegmenttien väliset trendit (nämä tiedot voidaan kaapata heidän verkko- ja mobiilisovelluksilla ja lähettää taustajärjestelmään). Heidän asiakaspalveluosastonsa haluaa käyttää näitä tietoja ilmoittaakseen agenteille, että he seuraavat ongelmaa luomalla asiakaslipun loppupään CRM-järjestelmään. Operations haluaa ymmärtää, mitkä tuotteet liikkuvat nopeasti tiettynä päivänä, jotta he voivat lyhentää näiden kohteiden valmisteluaikaa.

Tällä hetkellä kaikki analyysit toimitetaan raportteina sähköpostitse 2–3 päivää kestävänä eräprosessina. Ravintolan IT-osastolta puuttuu kehittyneitä data-analytiikkaa, suoratoistoa tai tekoäly- ja koneoppimiskykyä (ML) tällaisen ratkaisun rakentamiseen.

Seuraava arkkitehtuurikaavio havainnollistaa työnkulun ensimmäiset vaiheet.

Koko ratkaisu voidaan kiinnittää asiakkaan verkkosivuston tai mobiilisovelluksen takaosaan.

Amazon API -yhdyskäytävä paljastaa kaksi päätepistettä:

• Asiakkaan päätepiste, johon asiakasarvostelut syötetään
• Palvelun päätepiste, jossa palveluosasto voi tarkastella mitä tahansa tiettyä arvostelua ja luoda palvelulipun

Työnkulku sisältää seuraavat vaiheet:

1. Kun asiakas kirjoittaa arvostelun (esimerkiksi verkkosivustolta), se lähetetään API-yhdyskäytävälle, joka on yhdistetty Amazonin yksinkertainen jonopalvelu (Amazon SQS) -jonossa. Jono toimii puskurina arvostelujen tallentamiseen niitä syötettäessä.
2. SQS-jono laukaisee an AWS Lambda toiminto. Jos viestiä ei toimiteta Lambda-funktiolle muutaman uudelleenyrityksen jälkeen, se sijoitetaan kuolleiden kirjainten jonoon tulevaa tarkastusta varten.
3. Lambda-funktio kutsuu AWS-vaihetoiminnot tilakoneeseen ja välittää viestin jonosta.

Seuraava kaavio havainnollistaa Step Functions -työnkulkua.

Step Functions suorittaa seuraavat vaiheet rinnakkain.

1. Step Functions analysoi viestin koko tunteen kutsumalla Amazon Comprehendin detect_sentiment API:n.
2. Se kutsuu seuraavat vaiheet:
   1. Se kirjoittaa tulokset an Amazon DynamoDB pöytä.
   2. Jos tunne on negatiivinen tai sekalainen, se suorittaa seuraavat toimet:
      • Se lähettää ilmoituksen osoitteeseen Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS), joka on tilattu yhdellä tai useammalla sähköpostiosoitteella (kuten asiakaspalvelujohtaja, markkinointijohtaja ja niin edelleen).
      • Se lähettää tapahtuman osoitteeseen Amazon EventBridge, joka siirretään toiseen loppupään järjestelmään toimimaan vastaanotetun arvion perusteella. Esimerkissä EventBridge-tapahtuma kirjoitetaan an amazonin pilvikello Hirsi. Todellisessa skenaariossa se voisi kutsua Lambda-funktion lähettääkseen tapahtuman loppupään järjestelmään AWS:n sisällä tai sen ulkopuolella (kuten varastonhallintajärjestelmä tai aikataulujärjestelmä).
3. Se analysoi viestin kohdistetun tunnelman kutsumalla detect_targeted_sentiment API Amazon Comprehendilta.
4. Se kirjoittaa tulokset DynamoDB-taulukkoon Map-funktiolla (samanaikaisesti yksi kullekin viestissä tunnistetulle entiteetille).

Seuraava kaavio havainnollistaa työnkulkua Step Functionsista loppupään järjestelmiin.

1. DynamoDB-taulukot käyttävät Amazon DynamoDB-virrat suorittaa muutostietojen kaappauksen (CDC). Taulukoihin lisätyt tiedot striimataan kautta Amazon Kinesis -tietovirrat että Amazon Kinesis Data Firehose lähes reaaliajassa (asetettu 60 sekuntiin).
2. Kinesis Data Firehose tallentaa tiedot Amazonin yksinkertainen tallennuspalvelu (Amazon S3)-kauha.
3. Amazon QuickSight analysoi S3-alueen tiedot. Tulokset esitetään erilaisissa dashboardeissa, joita myynti-, markkinointi- tai asiakaspalvelutiimit (sisäiset käyttäjät) voivat tarkastella. QuickSight voi myös päivittää kojelaudan aikataulun mukaan (asetettu 60 minuuttiin tässä esimerkissä).

- AWS-pilven muodostuminen mallit ratkaisuarkkitehtuurin luomiseksi ovat saatavilla GitHub. Huomaa, että mallit eivät sisällä QuickSight-koontinäyttöjä, mutta sisältävät ohjeet niiden luomiseen README.md-tiedostossa. Tarjoamme joitain esimerkkejä kojelaudoista seuraavassa osiossa.

QuickSight-hallintapaneelit

Hallintapaneelit ovat hyödyllisiä markkinointi- ja asiakaspalveluosastoille, jotka voivat analysoida visuaalisesti, kuinka heidän tuotteensa tai palvelunsa menestyy keskeisten liiketoimintamittareiden välillä. Tässä osiossa esittelemme esimerkkiraportteja, jotka on kehitetty QuickSightissa käyttämällä fiktiivisiä ravintolan tietoja. Nämä raportit ovat päättäjien saatavilla noin 60 minuutissa (päivitysjaksomme mukaisesti). He voivat auttaa vastaamaan seuraaviin kysymyksiin:

• Miten asiakkaat näkevät yrityksen kokonaisuutena?
• Onko palvelussa tiettyjä näkökohtia (kuten palvelun toimittamiseen käytetty aika, asiakasvalituksen ratkaisu), joista asiakkaat pitävät tai eivät pidä?
• Miten asiakkaat pitävät tietystä uudesta tuotteesta (kuten ruokalistalla olevasta tuotteesta)? Onko olemassa tiettyjä tuotteita, joista asiakkaat pitävät tai eivät pidä?
• Onko asiakkaiden mielipiteissä havaittavia malleja ikäryhmien, sukupuolten tai paikkojen välillä (kuten mitkä ruokatuotteet ovat suosittuja eri paikoissa nykyään)?

Täysi tunne

Seuraavat kuvat näyttävät esimerkkejä täydellisestä mielialan analyysistä.

Ensimmäinen kaavio on yleistunnelmasta.

Seuraava kaavio näyttää tunteet eri ikäryhmissä.

Seuraava kaavio näyttää tunteet sukupuolten välillä.

Lopullinen kaavio näyttää mielipiteitä ravintoloiden sijainneista.

Kohdennettu tunne

Seuraavissa kuvissa on esimerkkejä kohdistetusta mielialan analysoinnista.

Ensimmäinen kaavio näyttää tunteen kokonaisuuden mukaan (palvelu, ravintola, ateriatyypit ja niin edelleen).

Seuraavassa näkyvät ikäryhmien tunteet kokonaisuuden mukaan.

Seuraavassa kaaviossa näkyy mieliala eri paikoissa entiteettien mukaan.

Seuraava kuvakaappaus on CRM-lippujärjestelmästä, jota voitaisiin käyttää asiakkaiden mielipiteiden tarkempaan analysointiin. Esimerkiksi käyttötapauksessamme asetamme asiakaspalveluosaston vastaanottamaan sähköposti-ilmoituksia negatiivisista tunteista. Sähköpostin tietojen (asiakasmielipiteen arvostelutunnus) avulla palvelun edustaja voi perehtyä mielipiteen tarkempiin yksityiskohtiin.

Yhteenveto

Tämä viesti kuvasi arkkitehtuuria reaaliaikaiseen tunneanalyysiin käyttämällä Amazon Comprehendia ja muita AWS-palveluita. Ratkaisumme tarjoaa seuraavat edut:

• Se toimitetaan CloudFormation-mallina, jossa on API-yhdyskäytävä, joka voidaan ottaa käyttöön asiakkaille suunnattujen sovellusten tai mobiilisovellusten taakse.
• Voit rakentaa ratkaisun Amazon Comprehendillä ilman erityistä tietämystä tekoälystä, ML:stä tai luonnollisen kielen käsittelystä
• Voit luoda raportteja QuickSightin avulla ilman erityistä SQL-tietoa
• Se voi olla täysin palvelimeton, mikä tarjoaa joustavan skaalauksen ja kuluttaa resursseja vain tarvittaessa

Reaaliaikainen mielialaanalyysi voi olla erittäin hyödyllinen yrityksille, jotka ovat kiinnostuneita saamaan välitöntä asiakaspalautetta palveluistaan. Se voi auttaa yrityksen markkinointi-, myynti- ja asiakaspalveluosastoja tarkistamaan välittömästi asiakaspalautteen ja ryhtymään korjaaviin toimenpiteisiin.

Käytä tätä ratkaisua yrityksessäsi asiakkaiden tunteiden havaitsemiseen ja niihin reagoimiseen lähes reaaliajassa.

Saat lisätietoja tässä blogissa kuvatut tärkeimmät palvelut, käy alla olevissa linkeissä

Amazonin käsitys
AWS-vaihetoiminnot
Amazon DynamoDB-virrat
Amazon Kinesis -tietovirrat
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

kirjailijasta

Varad G Varadarajan on vanhempi ratkaisuarkkitehti (SA) Amazon Web Services -palvelussa, joka tukee asiakkaita Yhdysvaltojen koillisosassa. Varad toimii luotettuna neuvonantajana ja alan teknologiajohtajana digitaalisille syntyperäisille yrityksille ja auttaa niitä rakentamaan innovatiivisia ratkaisuja laajassa mittakaavassa AWS:n avulla. Varadin kiinnostusalueita ovat IT-strategiakonsultointi, arkkitehtuuri ja tuotehallinta. Työn ulkopuolella Varad nauttii luovasta kirjoittamisesta, elokuvien katselusta perheen ja ystävien kanssa sekä matkustamisesta.