Analyse en temps réel du sentiment des clients à l'aide d'AWS

Les entreprises qui vendent des produits ou des services en ligne doivent surveiller en permanence les avis des clients laissés sur leur site Web après l'achat d'un produit. Les départements marketing et service client de l'entreprise analysent ces avis pour comprendre le sentiment des clients. Par exemple, le marketing pourrait utiliser ces données pour créer des campagnes ciblant différents segments de clientèle. Les services clients pourraient utiliser ces données pour détecter l'insatisfaction des clients et prendre des mesures correctives.

Traditionnellement, ces données sont collectées via un traitement par lots et envoyées à un entrepôt de données pour stockage, analyse et reporting, et sont mises à la disposition des décideurs après plusieurs heures, voire plusieurs jours. Si ces données peuvent être analysées immédiatement, elles peuvent offrir aux entreprises la possibilité de réagir rapidement au sentiment des clients.

Dans cet article, nous décrivons une approche pour analyser le sentiment global des commentaires des clients en temps quasi réel (quelques minutes). Nous montrons également comment comprendre les différents sentiments associés à des entités spécifiques dans le texte (telles que l'entreprise, le produit, la personne ou la marque) directement à partir de l'API.

Cas d'utilisation pour l'analyse des sentiments en temps réel

L'analyse des sentiments en temps réel est très utile pour les entreprises qui souhaitent obtenir des commentaires instantanés des clients sur leurs produits et services, tels que :

• Restaurants
• Entreprises de vente au détail ou B2C vendant divers produits ou services
• Entreprises diffusant des films en ligne (plateformes OTT), des concerts en direct ou des événements sportifs
• Institutions financières

En général, toute entreprise qui a des points de contact avec les clients et qui doit prendre des décisions en temps réel peut bénéficier des commentaires en temps réel des clients.

Le déploiement d'une approche en temps réel des sentiments peut être utile dans les cas d'utilisation suivants :

• Les services marketing peuvent utiliser les données pour mieux cibler les segments de clientèle ou ajuster leurs campagnes à des segments de clientèle spécifiques.
• Les services clients peuvent contacter immédiatement les clients insatisfaits et essayer de résoudre les problèmes, évitant ainsi le désabonnement des clients.
• Un sentiment positif ou négatif sur un produit peut s'avérer être un indicateur utile de la demande de produits dans divers endroits. Par exemple, pour un produit à rotation rapide, les entreprises peuvent utiliser les données en temps réel pour ajuster leurs niveaux de stock dans les entrepôts, afin d'éviter les stocks excédentaires ou les ruptures de stock dans des régions spécifiques.

Il est également utile d'avoir une compréhension granulaire du sentiment, comme dans les cas d'utilisation suivants :

• Une entreprise peut identifier les parties de l'expérience employé/client qui sont agréables et celles qui peuvent être améliorées.
• Les centres de contact et les équipes de service client peuvent analyser les transcriptions d'appel ou les journaux de chat pour identifier l'efficacité de la formation des agents et les détails de la conversation tels que les réactions spécifiques d'un client et les phrases ou mots qui ont été utilisés pour susciter cette réponse.
• Les propriétaires de produits et les développeurs UI/UX peuvent identifier les fonctionnalités de leur produit que les utilisateurs apprécient et les parties qui nécessitent des améliorations. Cela peut prendre en charge les discussions sur la feuille de route du produit et les priorités.

Vue d'ensemble de la solution

Nous présentons une solution qui peut aider les entreprises à analyser le sentiment des clients (à la fois complet et ciblé) en temps quasi réel (généralement en quelques minutes) à partir des avis saisis sur leur site Web. À la base, il s'appuie sur Amazon comprendre pour effectuer une analyse complète et ciblée des sentiments.

L'API de sentiment Amazon Comprehend identifie le sentiment général d'un document texte. Depuis octobre 2022, vous pouvez utiliser le sentiment ciblé pour identifier le sentiment associé à des entités spécifiques mentionnées dans des documents texte. Par exemple, dans une critique de restaurant qui dit : « J'ai adoré le burger mais le service était lent », le sentiment ciblé identifiera le sentiment positif pour le « burger » et le sentiment négatif pour le « service ».

Pour notre cas d'utilisation, une grande chaîne de restauration en Amérique du Nord souhaite analyser les avis laissés par ses clients sur son site web et via une application mobile. Le restaurant souhaite analyser les commentaires de ses clients sur divers éléments du menu, le service fourni dans ses succursales et le sentiment général sur leur expérience.

Par exemple, un client pourrait écrire l'avis suivant : « La nourriture de votre restaurant situé à New York était très bonne. Les pâtes étaient délicieuses. Cependant, le service était très médiocre!” Pour cette critique, l'emplacement du restaurant est New York. Le sentiment général est mitigé : le sentiment pour la « nourriture » ​​et les « pâtes » est positif, mais le sentiment pour le service est négatif.

Le restaurant souhaite analyser les avis par profil client, comme l'âge et le sexe, afin d'identifier les tendances sur les segments de clientèle (ces données pourraient être capturées par leurs applications Web et mobiles et envoyées au système backend). Leur service client souhaite utiliser ces données pour informer les agents de suivre le problème en créant un ticket client dans un système CRM en aval. Les opérations veulent comprendre quels articles se déplacent rapidement un jour donné, afin de pouvoir réduire le temps de préparation de ces articles.

Actuellement, toutes les analyses sont livrées sous forme de rapports par e-mail via un processus par lots qui prend 2 à 3 jours. Le service informatique du restaurant manque de capacités sophistiquées d'analyse de données, de streaming ou d'IA et d'apprentissage automatique (ML) pour créer une telle solution.

Le schéma d'architecture suivant illustre les premières étapes du workflow.

L'ensemble de la solution peut être accroché à l'arrière d'un site Web client ou d'une application mobile.

Passerelle d'API Amazon expose deux points de terminaison :

• Un point de terminaison client où les avis des clients sont saisis
• Un point de terminaison de service où un département de service peut consulter n'importe quel avis particulier et créer un ticket de service

Le workflow comprend les étapes suivantes:

1. Lorsqu'un client saisit un avis (par exemple, à partir du site Web), celui-ci est envoyé à une passerelle API connectée à un Service Amazon Simple Queue (Amazon SQS). La file d'attente agit comme un tampon pour stocker les avis au fur et à mesure qu'ils sont saisis.
2. La file d'attente SQS déclenche une AWS Lambda fonction. Si le message n'est pas remis à la fonction Lambda après quelques tentatives, il est placé dans la file d'attente de lettres mortes pour une inspection future.
3. La fonction Lambda appelle le Fonctions d'étape AWS machine d'état et transmet le message de la file d'attente.

Le diagramme suivant illustre le workflow Step Functions.

Step Functions effectue les étapes suivantes en parallèle.

1. Step Functions analyse le sentiment complet du message en appelant l'API detect_sentiment d'Amazon Comprehend.
2. Il appelle les étapes suivantes :
   1. Il écrit les résultats dans un Amazon DynamoDB tableau.
   2. Si le sentiment est négatif ou mitigé, il effectue les actions suivantes :
      • Il envoie une notification à Service de notification simple d'Amazon (Amazon SNS), qui est abonné par une ou plusieurs adresses e-mail (telles que le directeur du service client, le directeur du marketing, etc.).
      • Il envoie un événement à Amazon Event Bridge, qui est transmis à un autre système en aval pour agir sur la révision reçue. Dans l'exemple, l'événement EventBridge est écrit dans un Amazon Cloud Watch Journal. Dans un scénario réel, il pourrait appeler une fonction Lambda pour envoyer l'événement à un système en aval à l'intérieur ou à l'extérieur d'AWS (tel qu'un système de gestion des stocks ou un système de planification).
3. Il analyse le sentiment ciblé du message en invoquant le detect_targeted_sentiment API d'Amazon Comprehend.
4. Il écrit les résultats dans une table DynamoDB à l'aide de la fonction Map (en parallèle, une pour chaque entité identifiée dans le message).

Le diagramme suivant illustre le flux de travail de Step Functions aux systèmes en aval.

1. Les tables DynamoDB utilisent Flux Amazon DynamoDB pour effectuer la capture des données modifiées (CDC). Les données insérées dans les tableaux sont diffusées via Flux de données Amazon Kinesis à Firehose de données Amazon Kinesis en temps quasi réel (réglé sur 60 secondes).
2. Kinesis Data Firehose dépose les données dans un Service de stockage simple Amazon (Amazon S3) seau.
3. Amazon QuickSight analyse les données dans le compartiment S3. Les résultats sont présentés dans différents tableaux de bord consultables par les équipes commerciales, marketing ou service client (utilisateurs internes). QuickSight peut également actualiser le tableau de bord selon un calendrier (défini sur 60 minutes pour cet exemple).

La AWS CloudFormation des modèles pour créer l'architecture de la solution sont disponibles sur GitHub. Notez que les modèles n'incluent pas les tableaux de bord QuickSight, mais fournissent des instructions sur la façon de les créer dans le fichier README.md. Nous fournissons quelques exemples de tableaux de bord dans la section suivante.

Tableaux de bord QuickSight

Les tableaux de bord sont utiles pour les départements de marketing et de service client pour analyser visuellement la performance de leur produit ou service à travers des mesures commerciales clés. Dans cette section, nous présentons quelques exemples de rapports qui ont été développés dans QuickSight, en utilisant des données fictives pour le restaurant. Ces rapports sont mis à la disposition des décideurs en 60 minutes environ (selon notre cycle d'actualisation). Ils peuvent aider à répondre à des questions telles que les suivantes :

• Comment les clients perçoivent-ils l'entreprise dans son ensemble ?
• Y a-t-il des aspects spécifiques du service (tels que le temps nécessaire pour fournir le service, la résolution fournie sur une plainte client) que les clients aiment ou n'aiment pas ?
• Comment les clients aiment-ils un nouveau produit spécifique (comme un élément du menu) ? Y a-t-il des produits spécifiques que les clients aiment ou n'aiment pas ?
• Existe-t-il des tendances observables dans le sentiment des clients selon les tranches d'âge, le sexe ou les lieux (par exemple, quels produits alimentaires sont populaires dans divers lieux aujourd'hui) ?

Sentiment complet

Les figures suivantes montrent des exemples d'analyse complète des sentiments.

Le premier graphique représente le sentiment général.

Le graphique suivant montre le sentiment à travers les groupes d'âge.

Le graphique suivant montre le sentiment selon le sexe.

Le graphique final montre le sentiment à travers les emplacements des restaurants.

Sentiment ciblé

Les figures suivantes montrent des exemples d'analyse de sentiment ciblée.

Le premier graphique montre le sentiment par entité (service, restaurant, types de repas, etc.).

Ce qui suit montre le sentiment à travers les tranches d'âge par entité.

Le graphique suivant montre le sentiment à travers les emplacements par entité.

La capture d'écran suivante provient d'un système de billetterie CRM qui pourrait être utilisé pour une analyse plus précise du sentiment des clients. Par exemple, dans notre cas d'utilisation, nous avons configuré le service client pour recevoir des notifications par e-mail de sentiments négatifs. Avec les informations de l'e-mail (l'ID de révision du sentiment du client), un représentant du service peut accéder à des détails plus granulaires du sentiment.

Résumé

Cet article décrit une architecture pour l'analyse des sentiments en temps réel à l'aide d'Amazon Comprehend et d'autres services AWS. Notre solution offre les avantages suivants :

• Il est fourni sous la forme d'un modèle CloudFormation avec une passerelle API qui peut être déployée derrière des applications destinées aux clients ou des applications mobiles.
• Vous pouvez créer la solution à l'aide d'Amazon Comprehend, sans connaissance particulière de l'IA, du ML ou du traitement du langage naturel
• Vous pouvez créer des rapports à l'aide de QuickSight sans connaissance particulière de SQL
• Il peut être complètement sans serveur, ce qui offre une mise à l'échelle élastique et ne consomme des ressources qu'en cas de besoin

L'analyse des sentiments en temps réel peut être très utile pour les entreprises qui souhaitent obtenir des commentaires instantanés des clients sur leurs services. Il peut aider les départements marketing, ventes et service client de l'entreprise à examiner instantanément les commentaires des clients et à prendre des mesures correctives.

Utilisez cette solution dans votre entreprise pour détecter et réagir aux sentiments des clients en temps quasi réel.

Pour en savoir plus sur la services clés décrits dans ce blog, visitez les liens ci-dessous

Amazon comprendre
Fonctions d'étape AWS
Flux Amazon DynamoDB
Flux de données Amazon Kinesis
Firehose de données Amazon Kinesis
Amazon Event Bridge
Amazon QuickSight

---

À propos de l’auteur

Varad G Varadarajan est architecte de solutions senior (SA) chez Amazon Web Services, prenant en charge les clients du nord-est des États-Unis. Varad agit en tant que conseiller de confiance et CTO sur le terrain pour les entreprises numériques natives, les aidant à créer des solutions innovantes à grande échelle, à l'aide d'AWS. Les domaines d'intérêt de Varad sont le conseil en stratégie informatique, l'architecture et la gestion de produits. En dehors du travail, Varad aime l'écriture créative, regarder des films avec sa famille et ses amis et voyager.