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:
- 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.
- 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.
- 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.
- A Step Functions elemzi az üzenet teljes hangulatát az Amazon Comprehend detect_sentiment API-jának meghívásával.
- A következő lépéseket hívja meg:
- Az eredményeket kiírja an Amazon DynamoDB táblázat.
- 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).
- Elemezi az üzenet célzott hangulatát azáltal, hogy meghívja a
detect_targeted_sentiment
API az Amazon Comprehendtől. - 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.
- 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).
- A Kinesis Data Firehose az adatokat egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör.
- 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.
- Haladó (300)
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon Comprehend
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- Ügyfélmegoldások
- dall's
- mély tanulás
- google azt
- Közepes (200)
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet