ऑनलाइन उत्पादों या सेवाओं को बेचने वाली कंपनियों को उत्पाद खरीदने के बाद अपनी वेबसाइट पर ग्राहकों की समीक्षाओं की लगातार निगरानी करने की आवश्यकता होती है। कंपनी के मार्केटिंग और ग्राहक सेवा विभाग ग्राहकों की भावनाओं को समझने के लिए इन समीक्षाओं का विश्लेषण करते हैं। उदाहरण के लिए, मार्केटिंग इस डेटा का उपयोग विभिन्न ग्राहक खंडों को लक्षित करने वाले अभियान बनाने के लिए कर सकती है। ग्राहक सेवा विभाग इस डेटा का उपयोग ग्राहक असंतोष का पता लगाने और सुधारात्मक कार्रवाई करने के लिए कर सकते हैं।
परंपरागत रूप से, यह डेटा एक बैच प्रक्रिया के माध्यम से एकत्र किया जाता है और भंडारण, विश्लेषण और रिपोर्टिंग के लिए डेटा वेयरहाउस में भेजा जाता है, और निर्णयकर्ताओं को कई घंटों के बाद उपलब्ध कराया जाता है, यदि दिन नहीं। यदि इस डेटा का तुरंत विश्लेषण किया जा सकता है, तो यह कंपनियों को ग्राहकों की भावनाओं पर तुरंत प्रतिक्रिया करने का अवसर प्रदान कर सकता है।
इस पोस्ट में, हम निकट-वास्तविक समय (कुछ मिनट) में ग्राहक प्रतिक्रिया की समग्र भावना का विश्लेषण करने के लिए एक दृष्टिकोण का वर्णन करते हैं। हम यह भी प्रदर्शित करते हैं कि सीधे एपीआई से पाठ में विशिष्ट संस्थाओं (जैसे कंपनी, उत्पाद, व्यक्ति या ब्रांड) से जुड़ी विभिन्न भावनाओं को कैसे समझा जाए।
रीयल-टाइम मनोभाव विश्लेषण के लिए मामलों का उपयोग करें
अपने उत्पादों और सेवाओं पर तत्काल ग्राहक प्रतिक्रिया प्राप्त करने में रुचि रखने वाली कंपनियों के लिए रीयल-टाइम भावना विश्लेषण बहुत उपयोगी है, जैसे कि:
- रेस्टोरेंट्स
- विभिन्न उत्पादों या सेवाओं की बिक्री करने वाली खुदरा या बी2सी कंपनियां
- ऑनलाइन मूवी (ओटीटी प्लेटफॉर्म), लाइव कॉन्सर्ट या स्पोर्ट्स इवेंट स्ट्रीमिंग करने वाली कंपनियां
- वित्तीय संस्थाए
सामान्य तौर पर, कोई भी व्यवसाय जिसमें ग्राहक टचपॉइंट होते हैं और जिन्हें रीयल-टाइम निर्णय लेने की आवश्यकता होती है, ग्राहकों से रीयल-टाइम फीडबैक से लाभान्वित हो सकते हैं।
भावना के लिए रीयल-टाइम दृष्टिकोण को नियोजित करना निम्नलिखित उपयोग मामलों में उपयोगी हो सकता है:
- विपणन विभाग ग्राहक खंडों को बेहतर ढंग से लक्षित करने के लिए डेटा का उपयोग कर सकते हैं, या अपने अभियानों को विशिष्ट ग्राहक खंडों में समायोजित कर सकते हैं।
- ग्राहक सेवा विभाग असंतुष्ट ग्राहकों तक तुरंत पहुंच सकते हैं और ग्राहक मंथन को रोकते हुए समस्याओं को हल करने का प्रयास कर सकते हैं।
- किसी उत्पाद पर सकारात्मक या नकारात्मक भावना विभिन्न स्थानों में उत्पाद की मांग के उपयोगी संकेतक के रूप में साबित हो सकती है। उदाहरण के लिए, तेजी से बढ़ते उत्पाद के लिए, कंपनियां गोदामों में अपने स्टॉक स्तर को समायोजित करने के लिए रीयल-टाइम डेटा का उपयोग कर सकती हैं, ताकि विशिष्ट क्षेत्रों में अतिरिक्त इन्वेंट्री या स्टॉकआउट से बचा जा सके।
भावना की बारीक समझ होना भी उपयोगी है, जैसा कि निम्नलिखित उपयोग मामलों में है:
- एक व्यवसाय कर्मचारी/ग्राहक अनुभव के उन हिस्सों की पहचान कर सकता है जो आनंददायक हैं और जिन हिस्सों में सुधार किया जा सकता है।
- संपर्क केंद्र और ग्राहक सेवा दल एजेंट प्रशिक्षण प्रभावशीलता की पहचान करने के लिए ऑन-कॉल ट्रांसक्रिप्शन या चैट लॉग का विश्लेषण कर सकते हैं, और वार्तालाप विवरण जैसे ग्राहक से विशिष्ट प्रतिक्रियाएं और वाक्यांश या शब्द जो उस प्रतिक्रिया को प्राप्त करने के लिए उपयोग किए गए थे।
- उत्पाद स्वामी और UI/UX डेवलपर अपने उत्पाद की उन विशेषताओं की पहचान कर सकते हैं जिनका उपयोगकर्ता आनंद लेते हैं और जिन भागों में सुधार की आवश्यकता है। यह उत्पाद रोडमैप चर्चाओं और प्राथमिकताओं का समर्थन कर सकता है।
समाधान अवलोकन
हम एक समाधान प्रस्तुत करते हैं जो कंपनियों को उनकी वेबसाइट पर दर्ज की गई समीक्षाओं से निकट-वास्तविक समय (आमतौर पर कुछ मिनटों में) में ग्राहकों की भावना (पूर्ण और लक्षित दोनों) का विश्लेषण करने में मदद कर सकता है। इसके मूल में, यह निर्भर करता है Amazon Comprehend पूर्ण और लक्षित भावना विश्लेषण दोनों करने के लिए।
अमेज़ॅन कॉम्प्रिहेंड सेंटिमेंट एपीआई एक टेक्स्ट दस्तावेज़ के लिए समग्र भावना की पहचान करता है। अक्टूबर 2022 तक, आप टेक्स्ट दस्तावेज़ों में उल्लिखित विशिष्ट निकायों से संबद्ध मनोभाव की पहचान करने के लिए लक्षित मनोभाव का उपयोग कर सकते हैं। उदाहरण के लिए, एक रेस्तरां समीक्षा में, जो कहती है, "मुझे बर्गर पसंद है लेकिन सेवा धीमी थी," लक्षित भावना "बर्गर" के लिए सकारात्मक भावना और "सेवा" के लिए नकारात्मक भावना की पहचान करेगी।
हमारे उपयोग के मामले में, उत्तरी अमेरिका में एक बड़ी रेस्तरां श्रृंखला अपने ग्राहकों द्वारा उनकी वेबसाइट पर और एक मोबाइल ऐप के माध्यम से की गई समीक्षाओं का विश्लेषण करना चाहती है। रेस्तरां मेनू में विभिन्न वस्तुओं, उनकी शाखाओं में प्रदान की जाने वाली सेवा और उनके अनुभव पर समग्र भावना पर अपने ग्राहकों की प्रतिक्रिया का विश्लेषण करना चाहता है।
उदाहरण के लिए, एक ग्राहक निम्नलिखित समीक्षा लिख सकता है: "न्यूयॉर्क में स्थित आपके रेस्तरां में खाना बहुत अच्छा था। पास्ता स्वादिष्ट था। हालाँकि, सेवा बहुत खराब थी!" इस रिव्यू के लिए रेस्टोरेंट की लोकेशन न्यूयॉर्क है। समग्र भावना मिश्रित है- "भोजन" और "पास्ता" के लिए भावना सकारात्मक है, लेकिन सेवा के लिए भावना नकारात्मक है।
रेस्तरां ग्राहक प्रोफाइल द्वारा समीक्षाओं का विश्लेषण करना चाहता है, जैसे उम्र और लिंग, ग्राहक सेगमेंट में किसी भी रुझान की पहचान करने के लिए (यह डेटा उनके वेब और मोबाइल ऐप द्वारा कैप्चर किया जा सकता है और बैकएंड सिस्टम को भेजा जा सकता है)। उनका ग्राहक सेवा विभाग डाउनस्ट्रीम सीआरएम सिस्टम में ग्राहक टिकट बनाकर इस मुद्दे पर कार्रवाई करने के लिए एजेंटों को सूचित करने के लिए इस डेटा का उपयोग करना चाहता है। ऑपरेशंस यह समझना चाहते हैं कि किसी दिए गए दिन कौन से आइटम तेजी से आगे बढ़ रहे हैं, इसलिए वे उन आइटम के लिए तैयारी का समय कम कर सकते हैं।
वर्तमान में, सभी विश्लेषणों को एक बैच प्रक्रिया के माध्यम से ईमेल द्वारा रिपोर्ट के रूप में वितरित किया जाता है जिसमें 2-3 दिन लगते हैं। रेस्तरां के आईटी विभाग के पास इस तरह का समाधान बनाने के लिए परिष्कृत डेटा एनालिटिक्स, स्ट्रीमिंग या एआई और मशीन लर्निंग (एमएल) क्षमताओं का अभाव है।
निम्नलिखित आर्किटेक्चर आरेख वर्कफ़्लो के पहले चरण दिखाता है।
संपूर्ण समाधान को ग्राहक वेबसाइट या मोबाइल ऐप के पीछे जोड़ा जा सकता है।
अमेज़ॅन एपीआई गेटवे दो समापन बिंदुओं को उजागर करता है:
- एक ग्राहक समापन बिंदु जहां ग्राहक समीक्षाएं दर्ज की जाती हैं
- एक सेवा समापन बिंदु जहां एक सेवा विभाग किसी विशेष समीक्षा को देख सकता है और सेवा टिकट बना सकता है
वर्कफ़्लो में निम्न चरण शामिल हैं:
- जब कोई ग्राहक समीक्षा दर्ज करता है (उदाहरण के लिए, वेबसाइट से), तो उसे एक एपीआई गेटवे पर भेजा जाता है जो एक से जुड़ा होता है अमेज़ॅन सरल कतार सेवा (अमेज़ॅन एसक्यूएस) कतार। जैसे ही वे दर्ज किए जाते हैं, कतार समीक्षाओं को संग्रहीत करने के लिए एक बफर के रूप में कार्य करती है।
- SQS क्यू ट्रिगर करता है a AWS लाम्बा समारोह। यदि संदेश कुछ पुन: प्रयास के बाद लैम्ब्डा फ़ंक्शन को डिलीवर नहीं किया जाता है, तो इसे भविष्य के निरीक्षण के लिए डेड-लेटर कतार में रखा जाता है।
- लैम्ब्डा फ़ंक्शन का आह्वान करता है AWS स्टेप फ़ंक्शंस राज्य मशीन और कतार से संदेश पास करता है।
निम्न आरेख स्टेप फ़ंक्शंस वर्कफ़्लो दिखाता है।
स्टेप फ़ंक्शंस निम्नलिखित चरणों को समानांतर में करता है।
- स्टेप फंक्शंस Amazon Comprehend से Detect_sentiment API को इनवॉइस करके मैसेज के पूरे सेंटिमेंट का विश्लेषण करता है।
- यह निम्नलिखित चरणों का आह्वान करता है:
- यह a को परिणाम लिखता है अमेज़ॅन डायनेमोडीबी तालिका.
- यदि भाव नकारात्मक या मिश्रित है, तो यह निम्नलिखित क्रियाएं करता है:
- को सूचना भेजता है अमेज़न सरल अधिसूचना सेवा (अमेज़ॅन एसएनएस), जिसे एक या एक से अधिक ईमेल पतों (जैसे ग्राहक सेवा निदेशक, विपणन निदेशक, और इसी तरह) द्वारा सब्सक्राइब किया गया है।
- यह एक घटना भेजता है अमेज़न EventBridge, जो प्राप्त समीक्षा पर कार्रवाई करने के लिए अन्य डाउनस्ट्रीम सिस्टम को दिया जाता है। उदाहरण में, EventBridge घटना एक को लिखी जाती है अमेज़ॅन क्लाउडवॉच लकड़ी का लट्ठा। एक वास्तविक परिदृश्य में, यह एडब्ल्यूएस के अंदर या बाहर डाउनस्ट्रीम सिस्टम (जैसे इन्वेंट्री मैनेजमेंट सिस्टम या शेड्यूलिंग सिस्टम) को ईवेंट भेजने के लिए लैम्ब्डा फ़ंक्शन को आमंत्रित कर सकता है।
- यह आह्वान करके संदेश की लक्षित भावना का विश्लेषण करता है
detect_targeted_sentiment
Amazon Comprehend से एपीआई। - यह मानचित्र फ़ंक्शन (समानांतर में, संदेश में पहचानी गई प्रत्येक इकाई के लिए एक) का उपयोग करके डायनेमोडीबी तालिका में परिणाम लिखता है।
निम्न आरेख स्टेप फ़ंक्शंस से डाउनस्ट्रीम सिस्टम के वर्कफ़्लो को दिखाता है।
- DynamoDB टेबल उपयोग करते हैं Amazon DynamoDB धाराएँ परिवर्तन डेटा कैप्चर (सीडीसी) करने के लिए। तालिकाओं में डाले गए डेटा को स्ट्रीम किया जाता है अमेज़न Kinesis डेटा स्ट्रीम सेवा मेरे अमेज़न Kinesis डेटा Firehose निकट-वास्तविक समय में (60 सेकंड पर सेट)।
- किनेसिस डेटा फ़ायरहोज़ डेटा को एक में जमा करता है अमेज़न सरल भंडारण सेवा (अमेज़न S3) बाल्टी।
- अमेज़न क्विकसाइट S3 बकेट में डेटा का विश्लेषण करता है। परिणाम विभिन्न डैशबोर्ड में प्रस्तुत किए जाते हैं जिन्हें बिक्री, विपणन या ग्राहक सेवा दल (आंतरिक उपयोगकर्ता) द्वारा देखा जा सकता है। क्विकसाइट एक शेड्यूल पर डैशबोर्ड को रीफ्रेश भी कर सकता है (इस उदाहरण के लिए 60 मिनट पर सेट)।
RSI एडब्ल्यूएस CloudFormation समाधान आर्किटेक्चर बनाने के लिए टेम्प्लेट पर उपलब्ध हैं GitHub. ध्यान दें कि टेम्प्लेट में QuickSight डैशबोर्ड शामिल नहीं है, लेकिन उन्हें README.md फ़ाइल में कैसे बनाया जाए, इस पर निर्देश प्रदान करें। हम निम्नलिखित अनुभाग में कुछ नमूना डैशबोर्ड प्रदान करते हैं।
क्विकसाइट डैशबोर्ड
डैशबोर्ड विपणन और ग्राहक सेवा विभागों के लिए उपयोगी है ताकि वे यह विश्लेषण कर सकें कि उनका उत्पाद या सेवा प्रमुख व्यावसायिक मैट्रिक्स में कैसा प्रदर्शन कर रही है। इस खंड में, हम कुछ नमूना रिपोर्ट पेश करते हैं जो क्विकसाइट में विकसित की गई थीं, जिसमें रेस्तरां के लिए काल्पनिक डेटा का उपयोग किया गया था। ये रिपोर्ट निर्णय लेने वालों के लिए लगभग 60 मिनट में उपलब्ध हैं (हमारे ताज़ा चक्र के अनुसार)। वे निम्नलिखित जैसे सवालों के जवाब देने में मदद कर सकते हैं:
- ग्राहक व्यवसाय को समग्र रूप से कैसे देख रहे हैं?
- क्या सेवा के कोई विशिष्ट पहलू हैं (जैसे सेवा प्रदान करने में लगने वाला समय, ग्राहक की शिकायत पर प्रदान किया गया समाधान) जो ग्राहक पसंद करते हैं या नापसंद करते हैं?
- ग्राहक किसी विशिष्ट नए पेश किए गए उत्पाद को कैसे पसंद करते हैं (जैसे कि मेनू पर कोई आइटम)? क्या कोई विशिष्ट उत्पाद हैं जो ग्राहक पसंद करते हैं या पसंद नहीं करते हैं?
- क्या आयु समूहों, लिंग, या स्थानों (जैसे कि आज विभिन्न स्थानों में कौन से खाद्य पदार्थ लोकप्रिय हैं) में ग्राहकों की भावनाओं में कोई देखने योग्य पैटर्न हैं?
पूर्ण भाव
निम्नलिखित आंकड़े पूर्ण मनोभाव विश्लेषण के उदाहरण दिखाते हैं।
पहला ग्राफ ओवरऑल सेंटीमेंट का है।
अगला ग्राफ़ आयु समूहों में भावना दिखाता है।
निम्नलिखित ग्राफ लिंग भर में भावना दिखाता है।
अंतिम ग्राफ़ रेस्तरां स्थानों में मनोभाव दिखाता है।
लक्षित भावना
निम्नलिखित आंकड़े लक्षित मनोभाव विश्लेषण के उदाहरण दिखाते हैं।
पहला ग्राफ़ इकाई (सेवा, रेस्तरां, भोजन के प्रकार, और इसी तरह) द्वारा मनोभाव दिखाता है।
निम्नलिखित इकाई द्वारा आयु समूहों में मनोभाव दिखाता है।
अगला ग्राफ़ इकाई द्वारा स्थानों में मनोभाव दिखाता है।
निम्नलिखित स्क्रीनशॉट एक सीआरएम टिकटिंग सिस्टम से है जिसका उपयोग ग्राहक भावना के अधिक विस्तृत विश्लेषण के लिए किया जा सकता है। उदाहरण के लिए, हमारे उपयोग के मामले में, हम नकारात्मक भावनाओं की ईमेल सूचनाएँ प्राप्त करने के लिए ग्राहक सेवा विभाग की स्थापना करते हैं। ईमेल (ग्राहक भावना की समीक्षा आईडी) की जानकारी के साथ, एक सेवा प्रतिनिधि मनोभाव के अधिक विस्तृत विवरण तक ड्रिल कर सकता है।
सारांश
इस पोस्ट में Amazon Comprehend और अन्य AWS सेवाओं का उपयोग करके रीयल-टाइम भावना विश्लेषण के लिए एक आर्किटेक्चर का वर्णन किया गया है। हमारा समाधान निम्नलिखित लाभ प्रदान करता है:
- यह एक API गेटवे के साथ CloudFormation टेम्प्लेट के रूप में डिलीवर किया जाता है जिसे ग्राहक-सामना करने वाले ऐप्स या मोबाइल ऐप्स के पीछे तैनात किया जा सकता है
- आप AI, ML, या प्राकृतिक भाषा प्रसंस्करण के विशेष ज्ञान के बिना, Amazon Comprehend का उपयोग करके समाधान बना सकते हैं
- आप SQL के विशेष ज्ञान के बिना QuickSight का उपयोग करके रिपोर्ट बना सकते हैं
- यह पूरी तरह से सर्वर रहित हो सकता है, जो इलास्टिक स्केलिंग प्रदान करता है और जरूरत पड़ने पर ही संसाधनों की खपत करता है
अपनी सेवाओं पर तत्काल ग्राहक प्रतिक्रिया प्राप्त करने में रुचि रखने वाली कंपनियों के लिए रीयल-टाइम भावना विश्लेषण बहुत उपयोगी हो सकता है। यह कंपनी के विपणन, बिक्री और ग्राहक सेवा विभागों को ग्राहकों की प्रतिक्रिया की तुरंत समीक्षा करने और सुधारात्मक कार्रवाई करने में मदद कर सकता है।
निकट-वास्तविक समय में ग्राहकों की भावनाओं का पता लगाने और प्रतिक्रिया करने के लिए अपनी कंपनी में इस समाधान का उपयोग करें।
इस बारे में और जानने के लिए इस ब्लॉग में वर्णित प्रमुख सेवाएं, नीचे दिए गए लिंक पर जाएँ
Amazon Comprehend
AWS स्टेप फ़ंक्शंस
Amazon DynamoDB धाराएँ
अमेज़न Kinesis डेटा स्ट्रीम
अमेज़न Kinesis डेटा Firehose
अमेज़न EventBridge
अमेज़न क्विकसाइट
लेखक के बारे में
वरद जी वरदराजन Amazon Web Services में सीनियर सॉल्यूशंस आर्किटेक्ट (SA) हैं, जो यूएस नॉर्थ ईस्ट में ग्राहकों की मदद करते हैं। वरद डिजिटल नेटिव व्यवसायों के लिए एक विश्वसनीय सलाहकार और फील्ड सीटीओ के रूप में कार्य करते हैं, उन्हें एडब्ल्यूएस का उपयोग करके बड़े पैमाने पर अभिनव समाधान बनाने में मदद करते हैं। वरद की रुचि के क्षेत्र आईटी रणनीति परामर्श, वास्तुकला और उत्पाद प्रबंधन हैं। काम के बाहर, वरद को रचनात्मक लेखन, परिवार और दोस्तों के साथ फिल्में देखने और यात्रा करने में आनंद आता है।
- उन्नत (300)
- AI
- ai कला
- ऐ कला जनरेटर
- ऐ रोबोट
- Amazon Comprehend
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता प्रमाणन
- बैंकिंग में आर्टिफिशियल इंटेलिजेंस
- आर्टिफिशियल इंटेलिजेंस रोबोट
- आर्टिफिशियल इंटेलिजेंस रोबोट
- कृत्रिम बुद्धि सॉफ्टवेयर
- AWS मशीन लर्निंग
- blockchain
- ब्लॉकचेन सम्मेलन एआई
- कॉइनजीनियस
- संवादी कृत्रिम बुद्धिमत्ता
- क्रिप्टो सम्मेलन एआई
- ग्राहक समाधान
- दल-ए
- ध्यान लगा के पढ़ना या सीखना
- इसे गूगल करें
- इंटरमीडिएट (200)
- यंत्र अधिगम
- प्लेटो
- प्लेटो एआई
- प्लेटो डेटा इंटेलिजेंस
- प्लेटो गेम
- प्लेटोडाटा
- प्लेटोगेमिंग
- स्केल एआई
- वाक्यविन्यास
- जेफिरनेट