Analisis sentimen pelanggan secara real-time menggunakan AWS

Perusahaan yang menjual produk atau layanan secara online perlu terus memantau ulasan pelanggan yang tertinggal di situs web mereka setelah membeli suatu produk. Departemen pemasaran dan layanan pelanggan perusahaan menganalisis ulasan ini untuk memahami sentimen pelanggan. Misalnya, pemasaran dapat menggunakan data ini untuk membuat kampanye yang menargetkan berbagai segmen pelanggan. Departemen layanan pelanggan dapat menggunakan data ini untuk menemukan ketidakpuasan pelanggan dan mengambil tindakan korektif.

Secara tradisional, data ini dikumpulkan melalui proses batch dan dikirim ke gudang data untuk penyimpanan, analisis, dan pelaporan, dan tersedia bagi pembuat keputusan setelah beberapa jam, jika tidak berhari-hari. Jika data ini dapat segera dianalisis, maka dapat memberikan peluang bagi perusahaan untuk bereaksi cepat terhadap sentimen pelanggan.

Dalam postingan ini, kami menjelaskan pendekatan untuk menganalisis keseluruhan sentimen umpan balik pelanggan dalam waktu hampir nyata (beberapa menit). Kami juga mendemonstrasikan cara memahami berbagai sentimen yang terkait dengan entitas tertentu dalam teks (seperti perusahaan, produk, orang, atau merek) langsung dari API.

Gunakan kasus untuk analisis sentimen waktu nyata

Analisis sentimen waktu nyata sangat berguna bagi perusahaan yang tertarik untuk mendapatkan umpan balik instan dari pelanggan atas produk dan layanan mereka, seperti:

• restoran
• Perusahaan ritel atau B2C yang menjual berbagai produk atau layanan
• Perusahaan streaming film online (platform OTT), konser langsung, atau acara olahraga
• Lembaga keuangan

Secara umum, bisnis apa pun yang memiliki titik kontak pelanggan dan perlu membuat keputusan waktu nyata dapat memperoleh manfaat dari umpan balik waktu nyata dari pelanggan.

Menerapkan pendekatan real-time terhadap sentimen dapat bermanfaat dalam kasus penggunaan berikut:

• Departemen pemasaran dapat menggunakan data tersebut untuk menargetkan segmen pelanggan dengan lebih baik, atau menyesuaikan kampanye mereka ke segmen pelanggan tertentu.
• Departemen layanan pelanggan dapat segera menghubungi pelanggan yang tidak puas dan mencoba menyelesaikan masalah, mencegah churn pelanggan.
• Sentimen positif atau negatif pada suatu produk dapat terbukti sebagai indikator permintaan produk yang berguna di berbagai lokasi. Misalnya, untuk produk yang bergerak cepat, perusahaan dapat menggunakan data real-time untuk menyesuaikan tingkat stok mereka di gudang, untuk menghindari kelebihan persediaan atau kehabisan stok di wilayah tertentu.

Memiliki pemahaman terperinci tentang sentimen juga berguna, seperti dalam kasus penggunaan berikut:

• Sebuah bisnis dapat mengidentifikasi bagian dari pengalaman karyawan/pelanggan yang menyenangkan dan bagian yang dapat ditingkatkan.
• Pusat kontak dan tim layanan pelanggan dapat menganalisis transkripsi panggilan atau log obrolan untuk mengidentifikasi keefektifan pelatihan agen, dan detail percakapan seperti reaksi spesifik dari pelanggan dan frasa atau kata yang digunakan untuk mendapatkan respons tersebut.
• Pemilik produk dan pengembang UI/UX dapat mengidentifikasi fitur produk mereka yang dinikmati pengguna dan bagian yang memerlukan perbaikan. Ini dapat mendukung diskusi dan prioritas peta jalan produk.

Ikhtisar solusi

Kami menghadirkan solusi yang dapat membantu perusahaan menganalisis sentimen pelanggan (baik penuh maupun tertarget) hampir secara real time (biasanya dalam beberapa menit) dari ulasan yang dimasukkan di situs web mereka. Pada intinya, itu bergantung pada Amazon Comprehend untuk melakukan analisis sentimen penuh dan tertarget.

API sentimen Amazon Comprehend mengidentifikasi keseluruhan sentimen untuk dokumen teks. Mulai Oktober 2022, Anda dapat menggunakan sentimen yang ditargetkan untuk mengidentifikasi sentimen yang terkait dengan entitas tertentu yang disebutkan dalam dokumen teks. Misalnya, dalam ulasan restoran yang mengatakan, "Saya suka burgernya tetapi layanannya lambat", sentimen yang ditargetkan akan mengidentifikasi sentimen positif untuk "burger" dan sentimen negatif untuk "layanan".

Untuk kasus penggunaan kami, jaringan restoran besar di Amerika Utara ingin menganalisis ulasan yang dibuat oleh pelanggan mereka di situs web mereka dan melalui aplikasi seluler. Restoran ingin menganalisis umpan balik pelanggan mereka tentang berbagai item dalam menu, layanan yang disediakan di cabang mereka, dan sentimen keseluruhan tentang pengalaman mereka.

Misalnya, pelanggan dapat menulis ulasan berikut: “Makanan di restoran Anda yang terletak di New York sangat enak. Pastanya enak. Namun, layanannya sangat buruk!” Untuk ulasan ini, lokasi restorannya adalah New York. Sentimen keseluruhan beragam—sentimen untuk “makanan” dan “pasta” positif, tetapi sentimen untuk layanan negatif.

Restoran ingin menganalisis ulasan berdasarkan profil pelanggan, seperti usia dan jenis kelamin, untuk mengidentifikasi tren apa pun di seluruh segmen pelanggan (data ini dapat ditangkap oleh aplikasi web dan seluler mereka dan dikirim ke sistem backend). Departemen layanan pelanggan mereka ingin menggunakan data ini untuk memberi tahu agen agar menindaklanjuti masalah tersebut dengan membuat tiket pelanggan di sistem CRM hilir. Operasi ingin memahami item mana yang bergerak cepat pada hari tertentu, sehingga mereka dapat mengurangi waktu persiapan untuk item tersebut.

Saat ini, semua analisis dikirimkan sebagai laporan melalui email melalui proses batch yang memakan waktu 2–3 hari. Departemen TI restoran tidak memiliki analitik data, streaming, atau AI yang canggih, dan kemampuan pembelajaran mesin (ML) untuk membangun solusi semacam itu.

Diagram arsitektur berikut mengilustrasikan langkah pertama dari alur kerja.

Seluruh solusi dapat dihubungkan ke bagian belakang situs web pelanggan atau aplikasi seluler.

Gerbang API Amazon memperlihatkan dua titik akhir:

• Titik akhir pelanggan tempat ulasan pelanggan dimasukkan
• Titik akhir layanan tempat departemen layanan dapat melihat ulasan tertentu dan membuat tiket layanan

Alur kerja meliputi langkah-langkah berikut:

1. Saat pelanggan memasukkan ulasan (misalnya, dari situs web), ulasan dikirim ke API Gateway yang terhubung ke Layanan Antrian Sederhana Amazon (Amazon SQS) antrian. Antrean bertindak sebagai penyangga untuk menyimpan ulasan saat dimasukkan.
2. Antrean SQS memicu sebuah AWS Lambda fungsi. Jika pesan tidak terkirim ke fungsi Lambda setelah mencoba ulang beberapa kali, pesan akan ditempatkan dalam antrean mati untuk pemeriksaan di masa mendatang.
3. Fungsi Lambda memanggil Fungsi Langkah AWS mesin negara dan meneruskan pesan dari antrian.

Diagram berikut mengilustrasikan alur kerja Step Functions.

Step Functions melakukan langkah-langkah berikut secara paralel.

1. Step Functions menganalisis sentimen penuh pesan dengan mengaktifkan API detect_sentiment dari Amazon Comprehend.
2. Itu memanggil langkah-langkah berikut:
   1. Itu menulis hasil ke Amazon DynamoDB tabel.
   2. Jika sentimennya negatif atau campuran, ia melakukan tindakan berikut:
      • Ini mengirimkan pemberitahuan ke Layanan Pemberitahuan Sederhana Amazon (Amazon SNS), yang berlangganan satu atau lebih alamat email (seperti Direktur Layanan Pelanggan, Direktur Pemasaran, dan sebagainya).
      • Ini mengirimkan acara ke Jembatan Acara Amazon, yang diteruskan ke sistem hilir lainnya untuk menindaklanjuti tinjauan yang diterima. Dalam contoh, event EventBridge ditulis ke an amazoncloudwatch catatan. Dalam skenario nyata, fungsi Lambda dapat dipanggil untuk mengirim kejadian ke sistem downstream di dalam atau di luar AWS (seperti sistem manajemen inventaris atau sistem penjadwalan).
3. Ini menganalisis sentimen yang ditargetkan dari pesan dengan menggunakan detect_targeted_sentiment API dari Amazon Memahami.
4. Itu menulis hasilnya ke tabel DynamoDB menggunakan fungsi Peta (secara paralel, satu untuk setiap entitas yang diidentifikasi dalam pesan).

Diagram berikut mengilustrasikan alur kerja dari Step Functions ke sistem hilir.

1. Penggunaan tabel DynamoDB Aliran Amazon DynamoDB untuk melakukan perubahan data capture (CDC). Data yang dimasukkan ke dalam tabel dialirkan melalui Aliran Data Amazon Kinesis untuk Firehose Data Amazon Kinesis dalam waktu hampir nyata (diatur ke 60 detik).
2. Kinesis Data Firehose menyimpan data ke dalam Layanan Penyimpanan Sederhana Amazon (Amazon S3).
3. Amazon QuickSight menganalisis data dalam bucket S3. Hasilnya disajikan dalam berbagai dashboard yang dapat dilihat oleh tim sales, marketing, atau customer service (pengguna internal). QuickSight juga dapat menyegarkan dasbor sesuai jadwal (diatur ke 60 menit untuk contoh ini).

Grafik Formasi AWS Cloud templat untuk membuat arsitektur solusi tersedia di GitHub. Perhatikan bahwa template tidak menyertakan dasbor QuickSight, tetapi memberikan instruksi tentang cara membuatnya di file README.md. Kami menyediakan beberapa contoh dasbor di bagian berikut.

Dasbor QuickSight

Dasbor berguna bagi departemen pemasaran dan layanan pelanggan untuk menganalisis kinerja produk atau layanan mereka secara visual di seluruh metrik bisnis utama. Di bagian ini, kami menyajikan beberapa contoh laporan yang dikembangkan di QuickSight, menggunakan data fiktif untuk restoran tersebut. Laporan ini tersedia untuk pembuat keputusan dalam waktu sekitar 60 menit (sesuai siklus penyegaran kami). Mereka dapat membantu menjawab pertanyaan seperti berikut:

• Bagaimana pelanggan memandang bisnis secara keseluruhan?
• Apakah ada aspek tertentu dari layanan (seperti waktu yang dibutuhkan untuk memberikan layanan, penyelesaian yang diberikan atas keluhan pelanggan) yang disukai atau tidak disukai pelanggan?
• Bagaimana pelanggan menyukai produk tertentu yang baru diperkenalkan (seperti item pada menu)? Apakah ada produk tertentu yang disukai atau tidak disukai pelanggan?
• Apakah ada pola yang dapat diamati dalam sentimen pelanggan di seluruh kelompok usia, jenis kelamin, atau lokasi (seperti makanan apa yang populer di berbagai lokasi saat ini)?

Sentimen penuh

Gambar berikut menunjukkan contoh analisis sentimen penuh.

Grafik pertama adalah sentimen keseluruhan.

Grafik berikutnya menunjukkan sentimen lintas kelompok umur.

Grafik berikut menunjukkan sentimen lintas jenis kelamin.

Grafik terakhir menunjukkan sentimen di seluruh lokasi restoran.

Sentimen yang ditargetkan

Gambar berikut menunjukkan contoh analisis sentimen yang ditargetkan.

Grafik pertama menunjukkan sentimen berdasarkan entitas (jasa, restoran, jenis makanan, dan sebagainya).

Berikut ini menunjukkan sentimen di seluruh kelompok usia berdasarkan entitas.

Grafik berikutnya menunjukkan sentimen di seluruh lokasi berdasarkan entitas.

Tangkapan layar berikut berasal dari sistem tiket CRM yang dapat digunakan untuk analisis sentimen pelanggan yang lebih terperinci. Misalnya, dalam kasus penggunaan kami, kami menyiapkan departemen layanan pelanggan untuk menerima pemberitahuan email tentang sentimen negatif. Dengan informasi dari email (ID ulasan dari sentimen pelanggan), perwakilan layanan dapat menelusuri detail sentimen yang lebih terperinci.

Kesimpulan

Posting ini menjelaskan arsitektur untuk analisis sentimen waktu nyata menggunakan Amazon Comprehend dan layanan AWS lainnya. Solusi kami memberikan manfaat sebagai berikut:

• Ini dikirimkan sebagai template CloudFormation dengan API Gateway yang dapat diterapkan di belakang aplikasi atau aplikasi seluler yang menghadap pelanggan
• Anda dapat membuat solusi menggunakan Amazon Comprehend, tanpa pengetahuan khusus tentang AI, ML, atau pemrosesan bahasa alami
• Anda dapat membuat laporan menggunakan QuickSight tanpa pengetahuan khusus tentang SQL
• Itu bisa sepenuhnya tanpa server, yang menyediakan penskalaan elastis dan menghabiskan sumber daya hanya saat dibutuhkan

Analisis sentimen waktu nyata dapat sangat berguna bagi perusahaan yang tertarik untuk mendapatkan umpan balik instan dari pelanggan atas layanan mereka. Ini dapat membantu departemen pemasaran, penjualan, dan layanan pelanggan perusahaan secara instan meninjau umpan balik pelanggan dan mengambil tindakan korektif.

Gunakan solusi ini di perusahaan Anda untuk mendeteksi dan bereaksi terhadap sentimen pelanggan hampir secara real time.

Untuk mempelajari lebih lanjut tentang layanan utama yang dijelaskan di blog ini, kunjungi tautan di bawah ini

Amazon Comprehend
Fungsi Langkah AWS
Aliran Amazon DynamoDB
Aliran Data Amazon Kinesis
Firehose Data Amazon Kinesis
Jembatan Acara Amazon
Amazon QuickSight

---

tentang Penulis

Varad G Varadarajan adalah Arsitek Solusi Senior (SA) di Amazon Web Services, mendukung pelanggan di AS Timur Laut. Varad bertindak sebagai Penasihat Tepercaya dan CTO Lapangan untuk Bisnis Asli Digital, membantu mereka membangun solusi inovatif dalam skala besar, menggunakan AWS. Bidang minat Varad adalah Konsultasi Strategi TI, Arsitektur dan Manajemen Produk. Di luar pekerjaan, Varad menikmati menulis kreatif, menonton film bersama keluarga dan teman, dan bepergian.