Analisi in tempo reale del sentimento del cliente utilizzando AWS

Le aziende che vendono prodotti o servizi online devono monitorare costantemente le recensioni dei clienti lasciate sul proprio sito web dopo l'acquisto di un prodotto. I dipartimenti di marketing e assistenza clienti dell'azienda analizzano queste recensioni per comprendere il sentimento dei clienti. Ad esempio, il marketing potrebbe utilizzare questi dati per creare campagne mirate a diversi segmenti di clienti. I dipartimenti del servizio clienti potrebbero utilizzare questi dati per individuare l'insoddisfazione dei clienti e intraprendere azioni correttive.

Tradizionalmente, questi dati vengono raccolti tramite un processo batch e inviati a un data warehouse per l'archiviazione, l'analisi e il reporting e vengono resi disponibili ai responsabili delle decisioni dopo diverse ore, se non giorni. Se questi dati possono essere analizzati immediatamente, possono fornire opportunità alle aziende di reagire rapidamente al sentimento dei clienti.

In questo post, descriviamo un approccio per analizzare il sentimento generale del feedback dei clienti quasi in tempo reale (pochi minuti). Dimostriamo anche come comprendere i diversi sentimenti associati a entità specifiche nel testo (come azienda, prodotto, persona o marchio) direttamente dall'API.

Casi d'uso per l'analisi del sentiment in tempo reale

L'analisi del sentiment in tempo reale è molto utile per le aziende interessate a ottenere feedback immediati dai clienti sui loro prodotti e servizi, come ad esempio:

• Ristoranti
• Aziende al dettaglio o B2C che vendono vari prodotti o servizi
• Aziende che trasmettono in streaming film online (piattaforme OTT), concerti dal vivo o eventi sportivi
• Istituzioni finanziarie

In generale, qualsiasi azienda che ha punti di contatto con i clienti e ha bisogno di prendere decisioni in tempo reale può beneficiare del feedback in tempo reale dei clienti.

L'implementazione di un approccio in tempo reale al sentiment può essere utile nei seguenti casi d'uso:

• I dipartimenti di marketing possono utilizzare i dati per indirizzare meglio i segmenti di clientela o adattare le proprie campagne a segmenti di clientela specifici.
• I dipartimenti del servizio clienti possono contattare immediatamente i clienti insoddisfatti e provare a risolvere i problemi, prevenendo l'abbandono dei clienti.
• Il sentimento positivo o negativo su un prodotto può rivelarsi un utile indicatore della domanda di prodotti in varie località. Ad esempio, per un prodotto in rapido movimento, le aziende possono utilizzare i dati in tempo reale per regolare i livelli delle scorte nei magazzini, per evitare scorte in eccesso o esaurimenti in regioni specifiche.

È anche utile avere una comprensione granulare del sentimento, come nei seguenti casi d'uso:

• Un'azienda può identificare parti dell'esperienza del dipendente/cliente che sono piacevoli e parti che possono essere migliorate.
• I contact center e i team del servizio clienti possono analizzare le trascrizioni delle chiamate o i registri delle chat per identificare l'efficacia della formazione degli agenti e i dettagli della conversazione come le reazioni specifiche di un cliente e le frasi o le parole utilizzate per suscitare quella risposta.
• I proprietari di prodotti e gli sviluppatori UI/UX possono identificare le caratteristiche del loro prodotto che piacciono agli utenti e le parti che richiedono miglioramenti. Ciò può supportare le discussioni sulla roadmap del prodotto e la definizione delle priorità.

Panoramica della soluzione

Presentiamo una soluzione che può aiutare le aziende ad analizzare il sentiment dei clienti (sia completo che mirato) quasi in tempo reale (di solito in pochi minuti) dalle recensioni inserite sul loro sito web. Fondamentalmente, si basa su Amazon Comprehend per eseguire analisi del sentiment complete e mirate.

L'API del sentiment di Amazon Comprehend identifica il sentiment generale per un documento di testo. A partire da ottobre 2022, puoi utilizzare il sentiment mirato per identificare il sentiment associato a entità specifiche menzionate nei documenti di testo. Ad esempio, in una recensione di un ristorante che dice: "Ho adorato l'hamburger ma il servizio è stato lento", il sentimento mirato identificherà un sentimento positivo per "hamburger" e un sentimento negativo per "servizio".

Per il nostro caso d'uso, una grande catena di ristoranti in Nord America desidera analizzare le recensioni fatte dai propri clienti sul proprio sito Web e tramite un'app mobile. Il ristorante desidera analizzare il feedback dei propri clienti su varie voci del menu, il servizio fornito presso le proprie filiali e l'opinione generale sulla loro esperienza.

Ad esempio, un cliente potrebbe scrivere la seguente recensione: “Il cibo del tuo ristorante situato a New York era molto buono. La pasta era deliziosa. Tuttavia, il servizio era molto scadente!” Per questa recensione, la location del ristorante è New York. Il sentimento generale è misto: il sentimento per "cibo" e "pasta" è positivo, ma il sentimento per il servizio è negativo.

Il ristorante desidera analizzare le recensioni in base al profilo del cliente, ad esempio età e sesso, per identificare eventuali tendenze tra i segmenti di clienti (questi dati potrebbero essere acquisiti dalle loro app Web e mobili e inviati al sistema di back-end). Il loro dipartimento del servizio clienti desidera utilizzare questi dati per notificare agli agenti di seguire il problema creando un ticket cliente in un sistema CRM a valle. Le operazioni vogliono capire quali articoli si spostano rapidamente in un determinato giorno, in modo da poter ridurre i tempi di preparazione per tali articoli.

Attualmente, tutte le analisi vengono consegnate come report via e-mail tramite un processo batch che richiede 2-3 giorni. Il reparto IT del ristorante non dispone di sofisticate funzionalità di analisi dei dati, streaming o intelligenza artificiale e machine learning (ML) per creare una soluzione di questo tipo.

Il seguente diagramma dell'architettura illustra i primi passaggi del flusso di lavoro.

L'intera soluzione può essere agganciata alla parte posteriore del sito Web di un cliente o di un'app mobile.

Gateway API Amazon espone due endpoint:

• Un endpoint del cliente in cui vengono immesse le recensioni dei clienti
• Un endpoint di servizio in cui un reparto di assistenza può esaminare una particolare recensione e creare un ticket di servizio

Il flusso di lavoro include i seguenti passaggi:

1. Quando un cliente inserisce una recensione (ad esempio, dal sito Web), questa viene inviata a un gateway API connesso a un Servizio Amazon Simple Queue (Amazon SQS). La coda funge da buffer per memorizzare le recensioni man mano che vengono inserite.
2. La coda SQS attiva un AWS Lambda funzione. Se il messaggio non viene recapitato alla funzione Lambda dopo alcuni tentativi, viene inserito nella coda delle lettere non recapitabili per un'ispezione futura.
3. La funzione Lambda richiama il Funzioni AWS Step macchina a stati e passa il messaggio dalla coda.

Il seguente diagramma illustra il flusso di lavoro di Step Functions.

Step Functions esegue i seguenti passaggi in parallelo.

1. Step Functions analizza il sentiment completo del messaggio richiamando l'API detect_sentiment da Amazon Comprehend.
2. Richiama i seguenti passaggi:
   1. Scrive i risultati in un file Amazon DynamoDB tabella.
   2. Se il sentimento è negativo o misto, esegue le seguenti azioni:
      • Invia una notifica a Servizio di notifica semplice Amazon (Amazon SNS), che è sottoscritto da uno o più indirizzi e-mail (come il direttore del servizio clienti, il direttore del marketing e così via).
      • Invia un evento a Amazon EventBridge, che viene trasmesso ad altri sistemi a valle per agire sulla revisione ricevuta. Nell'esempio, l'evento EventBridge viene scritto in un file Amazon Cloud Watch tronco d'albero. In uno scenario reale, potrebbe invocare una funzione Lambda per inviare l'evento a un sistema a valle all'interno o all'esterno di AWS (come un sistema di gestione dell'inventario o un sistema di pianificazione).
3. Analizza il sentimento mirato del messaggio invocando il detect_targeted_sentiment API di Amazon Comprehend.
4. Scrive i risultati in una tabella DynamoDB utilizzando la funzione Map (in parallelo, una per ogni entità identificata nel messaggio).

Il seguente diagramma illustra il flusso di lavoro da Step Functions ai sistemi a valle.

1. Le tabelle DynamoDB utilizzano Stream di Amazon DynamoDB per eseguire Change Data Capture (CDC). I dati inseriti nelle tabelle vengono trasmessi tramite Flussi di dati di Amazon Kinesis a Firehose dati Amazon Kinesis quasi in tempo reale (impostato su 60 secondi).
2. Kinesis Data Firehose deposita i dati in un file Servizio di archiviazione semplice Amazon (Amazon S3) secchio.
3. Amazon QuickSight analizza i dati nel bucket S3. I risultati vengono presentati in vari dashboard che possono essere visualizzati dai team di vendita, marketing o servizio clienti (utenti interni). QuickSight può anche aggiornare il dashboard in base a una pianificazione (impostata su 60 minuti per questo esempio).

I AWS CloudFormazione i modelli per creare l'architettura della soluzione sono disponibili su GitHub. Tieni presente che i modelli non includono i dashboard QuickSight, ma forniscono istruzioni su come crearli nel file README.md. Forniamo alcuni dashboard di esempio nella sezione seguente.

Dashboard QuickSight

I dashboard sono utili per i dipartimenti di marketing e assistenza clienti per analizzare visivamente l'andamento del loro prodotto o servizio attraverso le principali metriche aziendali. In questa sezione presentiamo alcuni report di esempio sviluppati in QuickSight, utilizzando dati fittizi per il ristorante. Questi rapporti sono disponibili per i responsabili delle decisioni in circa 60 minuti (secondo il nostro ciclo di aggiornamento). Possono aiutare a rispondere a domande come le seguenti:

• In che modo i clienti percepiscono l'azienda nel suo complesso?
• Ci sono aspetti specifici del servizio (come il tempo impiegato per fornire il servizio, la risoluzione fornita su un reclamo del cliente) che i clienti apprezzano o meno?
• In che modo i clienti apprezzano uno specifico prodotto appena introdotto (come un elemento del menu)? Ci sono prodotti specifici che piacciono o non piacciono ai clienti?
• Esistono modelli osservabili nel sentimento dei clienti in base a gruppi di età, sesso o località (ad esempio quali prodotti alimentari sono popolari in varie località oggi)?

Sentimento pieno

Le figure seguenti mostrano esempi di analisi completa del sentiment.

Il primo grafico è del sentimento generale.

Il grafico successivo mostra il sentiment per gruppi di età.

Il grafico seguente mostra il sentiment in base al genere.

Il grafico finale mostra il sentiment nelle sedi dei ristoranti.

Sentimento mirato

Le figure seguenti mostrano esempi di analisi del sentiment mirate.

Il primo grafico mostra il sentiment per entità (servizio, ristorante, tipi di pasto e così via).

Quanto segue mostra il sentiment tra i gruppi di età per entità.

Il grafico successivo mostra il sentiment nelle località per entità.

Lo screenshot seguente proviene da un sistema di ticketing CRM che potrebbe essere utilizzato per un'analisi più granulare del sentimento del cliente. Ad esempio, nel nostro caso d'uso, impostiamo il servizio clienti per ricevere notifiche e-mail di sentimenti negativi. Con le informazioni dall'e-mail (l'ID recensione del sentimento del cliente), un rappresentante dell'assistenza può approfondire dettagli più granulari del sentimento.

Sommario

Questo post ha descritto un'architettura per l'analisi del sentiment in tempo reale utilizzando Amazon Comprehend e altri servizi AWS. La nostra soluzione offre i seguenti vantaggi:

• Viene fornito come modello CloudFormation con un gateway API che può essere distribuito dietro app rivolte ai clienti o app mobili
• Puoi creare la soluzione utilizzando Amazon Comprehend, senza alcuna conoscenza specifica di AI, ML o elaborazione del linguaggio naturale
• Puoi creare report utilizzando QuickSight senza una conoscenza specifica di SQL
• Può essere completamente serverless, il che fornisce una scalabilità elastica e consuma risorse solo quando necessario

L'analisi del sentiment in tempo reale può essere molto utile per le aziende interessate a ottenere un feedback immediato dei clienti sui propri servizi. Può aiutare i reparti marketing, vendite e assistenza clienti dell'azienda a esaminare immediatamente il feedback dei clienti e intraprendere azioni correttive.

Utilizza questa soluzione nella tua azienda per rilevare e reagire alle opinioni dei clienti quasi in tempo reale.

Per saperne di più sul servizi chiave descritti in questo blog, visita i link sottostanti

Amazon Comprehend
Funzioni AWS Step
Stream di Amazon DynamoDB
Flussi di dati di Amazon Kinesis
Firehose dati Amazon Kinesis
Amazon EventBridge
Amazon QuickSight

---

L'autore

Varad G. Varadarajan è Senior Solutions Architect (SA) presso Amazon Web Services e supporta i clienti nel nord-est degli Stati Uniti. Varad funge da consulente di fiducia e CTO sul campo per le aziende native digitali, aiutandole a creare soluzioni innovative su larga scala, utilizzando AWS. Le aree di interesse di Varad sono l'IT Strategy Consulting, l'Architettura e il Product Management. Al di fuori del lavoro, Varad ama scrivere in modo creativo, guardare film con la famiglia e gli amici e viaggiare.