Az ügyfelek hangulatának valós idejű elemzése az AWS segítségével

A termékeket vagy szolgáltatásokat online értékesítő cégeknek folyamatosan figyelemmel kell kísérniük a termék megvásárlása után a webhelyükön hagyott vásárlói véleményeket. A vállalat marketing- és ügyfélszolgálati osztályai elemzik ezeket a véleményeket, hogy megértsék az ügyfelek véleményét. A marketing például felhasználhatja ezeket az adatokat különböző ügyfélszegmenseket célzó kampányok létrehozására. Az ügyfélszolgálati osztályok felhasználhatják ezeket az adatokat az ügyfelek elégedetlenségének észlelésére és a korrekciós intézkedések megtételére.

Hagyományosan ezeket az adatokat kötegelt eljárással gyűjtik össze, és egy adattárházba küldik tárolásra, elemzésre és jelentéskészítésre, majd néhány óra, ha nem nap elteltével a döntéshozók rendelkezésére állnak. Ha ezek az adatok azonnal elemezhetők, az lehetőséget biztosíthat a vállalatok számára, hogy gyorsan reagáljanak a vásárlói hangulatra.

Ebben a bejegyzésben egy megközelítést ismertetünk, amellyel közel valós időben (néhány percben) elemezhetjük a vásárlói visszajelzések általános hangulatát. Azt is bemutatjuk, hogyan lehet megérteni a szövegben szereplő konkrét entitásokhoz (például vállalathoz, termékhez, személyhez vagy márkához) kapcsolódó különböző érzéseket közvetlenül az API-ból.

Használjon eseteket valós idejű hangulatelemzéshez

A valós idejű hangulatelemzés nagyon hasznos azoknak a cégeknek, akik azonnali visszajelzést szeretnének kapni termékeikről és szolgáltatásairól, például:

• Éttermek
• Különféle termékeket vagy szolgáltatásokat értékesítő kiskereskedelmi vagy B2C cégek
• Online filmeket (OTT platformok), élő koncerteket vagy sporteseményeket közvetítő vállalatok
• Pénzintézetek

Általánosságban elmondható, hogy minden olyan vállalkozás, amelynek ügyfélkapcsolati pontjai vannak, és valós idejű döntéseket kell hoznia, profitálhat az ügyfelek valós idejű visszajelzéséből.

Az érzelmek valós idejű megközelítésének alkalmazása a következő használati esetekben lehet hasznos:

• A marketing osztályok felhasználhatják az adatokat az ügyfélszegmensek pontosabb célzására, vagy kampányaikat meghatározott ügyfélszegmensekhez igazíthatják.
• Az ügyfélszolgálati osztályok azonnal megkereshetik az elégedetlen ügyfeleket, és megpróbálhatják megoldani a problémákat, megelőzve az ügyfelek lemorzsolódását.
• Egy termékkel kapcsolatos pozitív vagy negatív hangulat hasznos indikátornak bizonyulhat a termékkereslet különböző helyeken. Például egy gyorsan mozgó termék esetében a vállalatok a valós idejű adatok segítségével módosíthatják raktárkészleteik szintjét a raktárakban, hogy elkerüljék a többletkészletet vagy a készletezést bizonyos régiókban.

Hasznos az érzelmek részletes megértése is, mint a következő használati esetekben:

• A vállalkozás azonosíthatja az alkalmazotti/ügyfélélmény azon részeit, amelyek élvezetesek, és melyek azok a részek, amelyeken javítani lehet.
• A kapcsolattartó központok és az ügyfélszolgálati csapatok elemezhetik az ügyeleti átiratokat vagy csevegési naplókat, hogy azonosítsák az ügynökképzés hatékonyságát, valamint a beszélgetés részleteit, például az ügyfél konkrét reakcióit és a válasz kiváltására használt kifejezéseket vagy szavakat.
• A terméktulajdonosok és az UI/UX fejlesztők azonosíthatják termékeik azon funkcióit, amelyeket a felhasználók élveznek, és a fejlesztésre szoruló alkatrészeket. Ez támogathatja a termékterv-megbeszéléseket és a prioritások meghatározását.

Megoldás áttekintése

Bemutatunk egy megoldást, amellyel a cégek a weboldalukon beírt vélemények alapján közel valós időben (általában néhány perc alatt) elemezhetik a vásárlói hangulatot (teljes és célzottan egyaránt). Lényegében arra támaszkodik Amazon Comprehend teljes és célzott hangulatelemzés elvégzésére.

Az Amazon Comprehend hangulat API azonosítja a szöveges dokumentum általános hangulatát. 2022 októberétől a célzott érzelmek segítségével azonosíthatja a szöveges dokumentumokban említett konkrét entitásokhoz társított hangulatot. Például egy étteremismertetőben, amely így szól: „Imádom a hamburgert, de a kiszolgálás lassú volt”, a megcélzott érzés a „hamburger” pozitív, a „kiszolgálás” negatív érzéseit azonosítja.

A mi felhasználási esetünkben egy nagy észak-amerikai étteremlánc szeretné elemezni az ügyfelek által a webhelyükön és egy mobilalkalmazáson keresztül írt véleményeket. Az étterem elemezni kívánja a vásárlók visszajelzéseit az étlapon szereplő különféle tételekről, a fiókokban nyújtott szolgáltatásról, valamint a tapasztalatokról általános véleményt.

Például egy ügyfél írhatja a következő véleményt: „Az étel a New York-i éttermében nagyon jó volt. A tészta finom volt. A szolgáltatás azonban nagyon rossz volt!” Ebben az értékelésben az étterem helye New York. Az általános hangulat vegyes – az „étel” és a „tészta” iránti hangulat pozitív, de a szolgáltatással kapcsolatos hangulat negatív.

Az étterem szeretné elemezni a véleményeket ügyfélprofilok szerint, például életkor és nem szerint, hogy azonosítsa a vásárlói szegmensek közötti trendeket (ezeket az adatokat a webes és mobilalkalmazásaik rögzíthetik, és elküldhetik a háttérrendszernek). Ügyfélszolgálati részlegük ezeket az adatokat arra kívánja használni, hogy értesítse az ügynököket, hogy nyomon kövessék a problémát egy ügyféljegy létrehozásával egy downstream CRM-rendszerben. Az Operations meg akarja érteni, hogy egy adott napon mely tételek mozognak gyorsan, így csökkenthetik az ilyen tételek előkészítési idejét.

Jelenleg az összes elemzést jelentésként kézbesítjük e-mailben, kötegelt folyamaton keresztül, amely 2–3 napot vesz igénybe. Az étterem informatikai részlege nem rendelkezik kifinomult adatelemzési, streamelési vagy mesterséges intelligencia és gépi tanulási (ML) képességekkel egy ilyen megoldás felépítéséhez.

A következő architektúra diagram a munkafolyamat első lépéseit szemlélteti.

A teljes megoldás egy ügyfélwebhely vagy egy mobilalkalmazás hátuljához csatlakoztatható.

Amazon API átjáró két végpontot tesz közzé:

• Ügyfélvégpont, ahol a vásárlói vélemények bekerülnek
• Egy szolgáltatási végpont, ahol a szerviz részleg megtekinthet egy adott véleményt, és létrehozhat egy szolgáltatási jegyet

A munkafolyamat a következő lépéseket tartalmazza:

1. Amikor az ügyfél beír egy véleményt (például a webhelyről), azt egy API-átjáróhoz küldik, amely egy Amazon Simple Queue Service (Amazon SQS) sor. A várólista pufferként működik a beírt vélemények tárolására.
2. Az SQS-sor egy AWS Lambda funkció. Ha az üzenet néhány újrapróbálkozás után nem érkezik meg a Lambda funkcióhoz, akkor a későbbi ellenőrzés céljából a holtbetűs sorba kerül.
3. A Lambda függvény meghívja a AWS lépésfunkciók állapotgépet, és átadja az üzenetet a sorból.

A következő ábra a Step Functions munkafolyamatot mutatja be.

A Step Functions párhuzamosan hajtja végre a következő lépéseket.

1. A Step Functions elemzi az üzenet teljes hangulatát az Amazon Comprehend detect_sentiment API-jának meghívásával.
2. A következő lépéseket hívja meg:
   1. Az eredményeket kiírja an Amazon DynamoDB táblázat.
   2. Ha a hangulat negatív vagy vegyes, akkor a következő műveleteket hajtja végre:
      • Értesítést küld a címre Amazon Simple Notification Service (Amazon SNS), amelyre egy vagy több e-mail cím (például ügyfélszolgálati igazgató, marketingigazgató stb.) feliratkozott.
      • Eseményt küld a címre Amazon EventBridge, amelyet továbbítanak egy másik downstream rendszernek, hogy a kapott értékelés alapján cselekedjenek. A példában az EventBridge eseményt an amazonfelhőóra log. Valós forgatókönyvben meghívhat egy Lambda-függvényt, hogy elküldje az eseményt az AWS-en belüli vagy kívüli downstream rendszernek (például készletkezelő rendszernek vagy ütemezési rendszernek).
3. Elemezi az üzenet célzott hangulatát azáltal, hogy meghívja a detect_targeted_sentiment API az Amazon Comprehendtől.
4. Az eredményeket egy DynamoDB táblába írja a Map függvény segítségével (párhuzamosan minden, az üzenetben azonosított entitáshoz egyet).

A következő diagram a munkafolyamatot mutatja be a Step Functions-tól a downstream rendszerekig.

1. A DynamoDB táblák használják Amazon DynamoDB Streams változási adatrögzítés (CDC) végrehajtásához. A táblázatokba beillesztett adatok streamelése ezen keresztül történik Amazon Kinesis adatfolyamok nak nek Amazon Kinesis Data Firehose közel valós időben (60 másodpercre állítva).
2. A Kinesis Data Firehose az adatokat egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör.
3. Amazon QuickSight elemzi az S3 vödörben lévő adatokat. Az eredmények különböző irányítópultokon jelennek meg, amelyeket az értékesítési, marketing- vagy ügyfélszolgálati csapatok (belső felhasználók) tekinthetnek meg. A QuickSight ütemezetten is frissítheti az irányítópultot (ebben a példában 60 percre állítva).

A AWS felhőképződés A megoldásarchitektúra létrehozásához használható sablonok itt érhetők el GitHub. Vegye figyelembe, hogy a sablonok nem tartalmazzák a QuickSight irányítópultjait, de a README.md fájlban útmutatást adnak azok létrehozásához. A következő részben bemutatunk néhány minta irányítópultot.

QuickSight műszerfalak

Az irányítópultok hasznosak a marketing és az ügyfélszolgálati osztályok számára, hogy vizuálisan elemezzék, hogyan teljesít a termékük vagy szolgáltatásuk a legfontosabb üzleti mutatók között. Ebben a részben bemutatunk néhány olyan mintajelentést, amelyeket a QuickSightban fejlesztettek ki, az étterem fiktív adatait felhasználva. Ezek a jelentések körülbelül 60 percen belül elérhetők a döntéshozók számára (a frissítési ciklusunknak megfelelően). Segíthetnek megválaszolni a következő kérdéseket:

• Hogyan látják az ügyfelek a vállalkozás egészét?
• Vannak-e a szolgáltatásnak olyan konkrét aspektusai (például a szolgáltatás teljesítéséhez szükséges idő, ügyfélpanasz megoldása), amely tetszik vagy nem tetszik az ügyfeleknek?
• Hogyan szeretik a vásárlók egy adott újonnan bevezetett terméket (például egy tételt az étlapon)? Vannak olyan konkrét termékek, amelyeket a vásárlók szeretnek vagy nem?
• Vannak-e megfigyelhető mintázatok a vásárlói hangulatban korcsoportok, nemek vagy helyszínek szerint (például milyen élelmiszerek népszerűek ma különböző helyeken)?

Teljes érzelem

A következő ábrák a teljes hangulatelemzés példáit mutatják be.

Az első grafikon az általános hangulatot mutatja.

A következő grafikon a korcsoportok közötti hangulatot mutatja.

A következő grafikon a nemek közötti hangulatot mutatja.

Az utolsó grafikonon az éttermekben kialakult hangulat látható.

Célzott hangulat

A következő ábrák a célzott hangulatelemzés példáit mutatják be.

Az első grafikon entitásonként mutatja a hangulatot (szolgáltatás, étterem, étkezési típusok stb.).

Az alábbiakban entitásonként mutatjuk be a korcsoportok közötti hangulatot.

A következő grafikon entitásonként mutatja be a helyek közötti hangulatot.

A következő képernyőkép egy CRM jegyrendszerből származik, amely felhasználható az ügyfelek véleményének részletesebb elemzésére. Használati esetünkben például beállítjuk az ügyfélszolgálati osztályt, hogy e-mailben kapjon értesítést a negatív érzelmekről. Az e-mailben kapott információkkal (az ügyfél véleményének áttekintési azonosítója) a szerviz képviselője részletesebb részleteket tudhat meg a véleményről.

Összegzésként

Ez a bejegyzés az Amazon Comprehend és más AWS-szolgáltatások segítségével történő valós idejű hangulatelemzés architektúráját ismerteti. Megoldásunk a következő előnyöket nyújtja:

• CloudFormation-sablonként szállítjuk API-átjáróval, amely az ügyfeleknek szánt alkalmazások vagy mobilalkalmazások mögé telepíthető.
• A megoldást az Amazon Comprehend segítségével készítheti el anélkül, hogy speciális mesterséges intelligencia, ML vagy természetes nyelvi feldolgozási ismeretekkel rendelkezne
• A QuickSight segítségével jelentéseket készíthet az SQL speciális ismerete nélkül
• Teljesen szerver nélküli lehet, ami rugalmas skálázást biztosít, és csak szükség esetén fogyaszt erőforrást

A valós idejű hangulatelemzés nagyon hasznos lehet azoknak a vállalatoknak, amelyek szeretnének azonnali ügyfél-visszajelzést kapni szolgáltatásaikról. Segítségével a vállalat marketing-, értékesítési és ügyfélszolgálati osztályai azonnal áttekinthetik az ügyfelek visszajelzéseit, és megtehetik a korrekciós intézkedéseket.

Használja ezt a megoldást cégénél, hogy közel valós időben észlelje az ügyfelek érzéseit, és reagáljon rájuk.

Ha többet szeretne megtudni a ebben a blogban ismertetett legfontosabb szolgáltatások, látogassa meg az alábbi linkeket

Amazon Comprehend
AWS lépésfunkciók
Amazon DynamoDB Streams
Amazon Kinesis adatfolyamok
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

A szerzőről

Varad G Varadarajan Senior Solutions Architect (SA) az Amazon Web Servicesnél, az Egyesült Államok északkeleti részén élő ügyfelek támogatásával. Varad Megbízható Tanácsadóként és Field CTO-ként működik a digitális natív vállalkozások számára, segítve őket innovatív megoldások kidolgozásában az AWS használatával. Varad érdeklődési területei az IT-stratégiai tanácsadás, az építészet és a termékmenedzsment. A munkán kívül Varad szeret kreatív írást, filmeket nézni családjával és barátaival, valamint utazni.