פי דו"ח PWC, 32% מהלקוחות הקמעונאיים נוטשים לאחר חוויה שלילית אחת, ו-73% מהלקוחות אומרים שחווית הלקוח משפיעה על החלטות הרכישה שלהם. בתעשיית הקמעונאות העולמית, תמיכה לפני ואחרי המכירה הם שני היבטים חשובים בטיפול בלקוחות. שיטות רבות, כולל דואר אלקטרוני, צ'אט חי, בוטים ושיחות טלפון, משמשות כדי לספק סיוע ללקוחות. מאז ש-AI בשיחות השתפרה בשנים האחרונות, עסקים רבים אימצו טכנולוגיות מתקדמות כמו צ'טבוטים המופעלים על ידי בינה מלאכותית ותמיכת סוכנים המופעלים על ידי בינה מלאכותית כדי לשפר את שירות הלקוחות תוך הגדלת הפרודוקטיביות והורדת עלויות.
אמזון להתבונן הוא שירות עיבוד שפה טבעית (NLP) מנוהל במלואו ומאומן באופן רציף שיכול להפיק תובנות לגבי התוכן של מסמך או טקסט. בפוסט זה, אנו חוקרים כיצד הלקוח Pro360 של AWS השתמש ב- Amazon Comprehend API לסיווג מותאם אישית, המאפשר לך לבנות בקלות מודלים מותאמים אישית של סיווג טקסט באמצעות התוויות הספציפיות לעסק שלך מבלי לדרוש ממך ללמוד למידת מכונה (ML), כדי לשפר את חווית הלקוח ולהפחית עלויות תפעול.
Pro360: זיהוי מדויק של התנגדויות של לקוחות בצ'אטבוטים
Pro360 הוא שוק שמטרתו לחבר מומחים עם כישרונות ספציפיים לתעשייה עם לקוחות פוטנציאליים, ולאפשר להם למצוא הזדמנויות חדשות ולהרחיב את הרשת המקצועית שלהם. זה מאפשר ללקוחות לתקשר ישירות עם מומחים ולנהל משא ומתן על מחיר מותאם אישית עבור השירותים שלהם בהתבסס על הדרישות האישיות שלהם. Pro360 מחייבת לקוחות כאשר מתרחשות התאמות מוצלחות בין מומחים ללקוחות.
Pro360 נאלץ להתמודד עם בעיה הקשורה לחיובים לא אמינים שהובילו לתלונות צרכנים ולהפחתת האמון עם המותג. הבעיה הייתה שקשה להבין את מטרת הלקוח במהלך שיחות מפותלות מלאות מטרות מרובות, הכחשות אדיבות ותקשורת עקיפה. שיחות כאלה הובילו לחיובים שגויים שהפחיתו את שביעות רצון הלקוחות. כדוגמה, לקוח יכול להתחיל שיחה ולהפסיק מיד, או לסיים את השיחה על ידי סירוב בנימוס באמירה "אני עסוק" או "תן לי ללעוס את זה". כמו כן, בשל הבדלי תרבות, ייתכן שחלק מהלקוחות לא רגילים להביע את כוונותיהם בצורה ברורה, במיוחד כאשר הם רוצים לומר "לא". זה הפך את זה לעוד יותר מאתגר.
כדי לפתור בעיה זו, Pro360 הוסיף תחילה אפשרויות ואפשרויות עבור הלקוח, כגון "אני רוצה מידע נוסף" או "לא, יש לי אפשרויות אחרות". במקום להקליד את השאלה או השאילתה שלו, הלקוח פשוט בוחר באפשרויות הניתנות. עם זאת, הבעיה עדיין לא נפתרה מכיוון שהלקוחות העדיפו לדבר בצורה ברורה ובשפתם הטבעית תוך כדי אינטראקציה עם המערכת. Pro360 זיהה שהבעיה היא תוצאה של מערכות מבוססות כללים, ושמעבר לפתרון מבוסס NLP יביא להבנה טובה יותר של כוונת הלקוח, ויוביל לשביעות רצון לקוחות טובה יותר.
סיווג מותאם אישית הוא תכונה של Amazon Comprehend, המאפשרת לך פתח מסווגים משלך באמצעות מערכי נתונים קטנים. Pro360 השתמש בתכונה זו כדי לבנות מודל עם דיוק של 99.2% על ידי אימון על 800 נקודות נתונים ובדיקה על 300 נקודות נתונים. הם עקבו אחר גישה של שלושה שלבים כדי לבנות ולחזור על המודל כדי להשיג את רמת הדיוק הרצויה להם מ-82% ל-99.3%. ראשית, Pro360 הגדיר שתי מחלקות, דחה ולא דחה, שהם רצו להשתמש בהם לסיווג. שנית, הם הסירו אימוג'ים וסמלים לא רלוונטיים כמו ~
ו ...
וזיהה אימוג'ים שליליים כדי לשפר את דיוק הדגם. לבסוף, הם הגדירו שלושה סיווגי תוכן נוספים כדי לשפר את שיעור הזיהוי השגוי, כולל שיחת חולין, תגובה מעורפלת ודחייה עם סיבה, כדי לחזור על המודל.
בפוסט זה, אנו משתפים כיצד Pro360 השתמש ב-Amazon Comprehend כדי לאתר התנגדויות צרכנים במהלך דיונים והשתמשו במנגנון אנושי בלולאה (HITL) כדי לשלב משוב מלקוחות בשיפור ובדיוק של המודל, תוך הדגמה של קלות השימוש והיעילות של Amazon Comprehend.
"בתחילה האמנתי שיישום בינה מלאכותית יהיה יקר. עם זאת, הגילוי של Amazon Comprehend מאפשר לנו להביא בצורה יעילה וחסכונית מודל NLP מהרעיון ליישום תוך 1.5 חודשים בלבד. אנו אסירי תודה על התמיכה שניתן על ידי צוות החשבונות של AWS, צוות ארכיטקטורת הפתרונות ומומחי ML מצוות ה-SSO והשירות."
– LC Lee, מייסד ומנכ"ל Pro360.
סקירת פתרונות
התרשים הבא ממחיש את ארכיטקטורת הפתרון המכסה הסקת מסקנות בזמן אמת, זרימת עבודה של משוב וזרימת עבודה של סקירה אנושית, וכיצד רכיבים אלה תורמים לזרימת העבודה של אימון ה-Amazon Comprehend.
בסעיפים הבאים, נלווה אותך בכל שלב בתהליך העבודה.
סיווג טקסט בזמן אמת
להשתמש Amazon Comprehend סיווג מותאם אישית בזמן אמת, עליך לפרוס API כנקודת הכניסה ולהתקשר למודל של Amazon Comprehend כדי לבצע סיווג טקסט בזמן אמת. השלבים הם כדלקמן:
- צד הלקוח מתקשר שער API של אמזון כנקודת הכניסה לספק הודעת לקוח כקלט.
- API Gateway מעביר את הבקשה ל AWS למבדה וקורא ל-API מ אמזון דינמו ו- Amazon Comprehend בשלבים 3 ו-4.
- Lambda בודק את הגרסה הנוכחית של נקודת הקצה Amazon Comprehend המאחסנת נתונים ב-DynamoDB, וקוראת ל- נקודת קצה של אמזון קומבנד כדי לקבל מסקנות בזמן אמת.
- Lambda, עם כלל מובנה, בודק את הציון כדי לקבוע אם הוא מתחת לסף או לא. לאחר מכן הוא מאחסן את הנתונים האלה ב-DynamoDB ומחכה לאישור אנושי כדי לאשר את תוצאת ההערכה.
זרימת עבודה של משוב
כאשר נקודת הקצה מחזירה את תוצאת הסיווג לצד הלקוח, האפליקציה מנחה את משתמש הקצה עם רמז לקבל את המשוב שלו, ומאחסנת את הנתונים במסד הנתונים לסיבוב הבא (זרימת העבודה של ההדרכה). השלבים עבור זרימת העבודה של המשוב הם כדלקמן:
- צד הלקוח שולח למשתמש משוב על ידי קריאה ל-API Gateway.
- API Gateway עוקף את הבקשה למבדה. Lambda בודק את הפורמט ומאחסן אותו ב-DynamoDB.
- משוב המשתמש מ- Lambda מאוחסן ב-DynamoDB וישמש לתהליך ההדרכה הבא.
זרימת עבודה בביקורת אנושית
תהליך הבדיקה האנושית עוזר לנו להבהיר נתונים עם ציון ביטחון מתחת לסף. נתונים אלה הם בעלי ערך לשיפור מודל Amazon Comprehend, והם מתווספים לאיטרציה הבאה של הסבה מחדש. השתמשנו איזון עומסים אלסטי כנקודת הכניסה לביצוע תהליך זה מכיוון שמערכת Pro360 בנויה עליה Amazon Elastic Compute Cloud (אמזון EC2). השלבים עבור זרימת עבודה זו הם כדלקמן:
- אנו משתמשים ב-API קיים ב- Elastic Load Balancer כנקודת הכניסה.
- אנו משתמשים ב-Amazon EC2 כמשאב המחשוב כדי לבנות לוח מחוונים קדמי עבור המבקר לתייג את נתוני הקלט עם ציוני ביטחון נמוכים יותר.
- לאחר שהסוקר מזהה את ההתנגדות מנתוני הקלט, אנו מאחסנים את התוצאה בטבלת DynamoDB.
זרימת עבודה של אימון של Amazon Comprehend
כדי להתחיל את האימון במודל Amazon Comprehend, עלינו להכין את נתוני ההדרכה. השלבים הבאים מראים לך כיצד לאמן את הדגם:
- אנו משתמשים דבק AWS לבצע עבודות חילוץ, טרנספורמציה וטעינה (ETL) ולמזג את הנתונים משתי טבלאות DynamoDB שונות ולאחסן אותם ב שירות אחסון פשוט של אמזון (אמזון S3).
- כאשר נתוני האימון של Amazon S3 יהיו מוכנים, נוכל להפעיל פונקציות שלב AWS ככלי התזמור להפעלת עבודת ההדרכה, ואנו מעבירים את נתיב S3 לתוך מכונת המצב של Step Functions.
- אנו מפעילים פונקציית Lambda כדי לאמת שנתיב נתוני האימון קיים, ולאחר מכן מפעילים עבודת אימון של Amazon Comprehend.
- לאחר תחילת עבודת ההדרכה, אנו משתמשים בפונקציית Lambda אחרת כדי לבדוק את מצב עבודת ההדרכה. אם עבודת ההדרכה הושלמה, אנו מקבלים את מדד המודל ומאחסנים אותו ב-DynamoDB להערכה נוספת.
- אנו בודקים את הביצועים של הדגם הנוכחי עם פונקציית בחירת דגם Lambda. אם הביצועים של הגרסה הנוכחית טובים יותר מהגרסה המקורית, אנו פורסים אותה לנקודת הקצה של Amazon Comprehend.
- לאחר מכן אנו מפעילים פונקציית Lambda נוספת כדי לבדוק את מצב נקודת הקצה. הפונקציה מעדכנת מידע ב-DynamoDB לסיווג טקסט בזמן אמת כאשר נקודת הקצה מוכנה.
סיכום והצעדים הבאים
בפוסט זה, הראינו כיצד Amazon Comprehend מאפשרת ל-Pro360 לבנות אפליקציה מונעת בינה מלאכותית ללא מתרגלים מומחי ML, המסוגלת להגביר את הדיוק של זיהוי התנגדויות של לקוחות. Pro360 הצליח לבנות מודל NLP מותאם אישית תוך 1.5 חודשים בלבד, וכעת הוא מסוגל לזהות 90% מהדחיות המנומסות של הלקוחות ולזהות את כוונת הלקוח עם דיוק כולל של 99.2%. פתרון זה לא רק משפר את חווית הלקוח, מגדיל את קצב השימור של 28.5%, אלא גם משפר את התוצאות הכספיות, מקטין את עלות התפעול ב-8% ומפחית את עומס העבודה עבור סוכני שירות לקוחות.
עם זאת, זיהוי התנגדויות של לקוחות הוא רק הצעד הראשון בשיפור חווית הלקוח. על ידי המשך החזרה על חווית הלקוח והאצת הצמיחה בהכנסות, השלב הבא הוא לזהות את הסיבות להתנגדויות של לקוחות, כגון חוסר עניין, בעיות תזמון או השפעה מאחרים, ולייצר את המענה המתאים להגדלת המרת המכירות. ציון.
כדי להשתמש ב- Amazon Comprehend כדי לבנות מודלים מותאמים אישית של סיווג טקסט, אתה יכול לגשת לשירות דרך קונסולת הניהול של AWS. למידע נוסף על אופן השימוש ב- Amazon Comprehend, בדוק משאבי מפתחים של Amazon Comprehend.
על הכותבים
ריי וואנג הוא אדריכל פתרונות ב-AWS. עם ניסיון של 8 שנים בתעשיית ה-IT, ריי מחויב לבניית פתרונות מודרניים על הענן, במיוחד ב-NoSQL, ביג דאטה ולמידת מכונה. כאדם רעב, הוא עבר את כל 12 תעודות ה-AWS כדי להפוך את התחום הטכני שלו לא רק עמוק אלא רחב. הוא אוהב לקרוא ולצפות בסרטי מדע בדיוני בזמנו הפנוי.
ג'וזי צ'נג הוא HKT AI/ML Go-To-Market ב-AWS. ההתמקדות הנוכחית שלה היא בטרנספורמציה עסקית בקמעונאות וב-CPG באמצעות נתונים ו-ML כדי לתדלק צמיחה ארגונית אדירה. לפני שהצטרפה ל-AWS, ג'וזי עבדה עבור Amazon Retail וחברות אינטרנט אחרות בסין ובארה"ב כמנהלת מוצר צמיחה.
שנה צ'אנג הוא אדריכל פתרונות ב-AWS. היא מתמקדת בצפייה בארכיטקטורות מודרניות ובפתרונות ניטור מקוריים בענן. לפני שהצטרפה ל-AWS, היא הייתה מהנדסת תוכנה. בזמנה הפנוי היא נהנית לטייל ולצפות בסרטים.
וריק טלוקדר הוא אדריכל בכיר בצוות Amazon Comprehend Service. הוא עובד עם לקוחות AWS כדי לעזור להם לאמץ למידת מכונה בקנה מידה גדול. מחוץ לעבודה, הוא נהנה לקרוא ולצלם.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :יש ל
- :הוא
- :לֹא
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- יכול
- אודות
- להאיץ
- גישה
- חֶשְׁבּוֹן
- דיוק
- במדויק
- להשיג
- הוסיף
- נוסף
- לְאַמֵץ
- מאומץ
- לאחר
- סוֹכֵן
- סוכנים
- AI
- מונע AI
- AI / ML
- מטרות
- תעשיות
- מאפשר
- מאפשר
- גם
- אמזון בעברית
- אמזון להתבונן
- אמזון
- an
- ו
- אחר
- API
- בקשה
- גישה
- מתאים
- הסכמה
- ארכיטקטורה
- ARE
- AS
- היבטים
- סיוע
- At
- AWS
- לקוח AWS
- איזון
- מבוסס
- BE
- כי
- לפני
- האמין
- להלן
- מוטב
- בֵּין
- גָדוֹל
- נתונים גדולים
- שניהם
- בוטים
- מותג
- להביא
- לִבנוֹת
- בִּניָן
- נבנה
- מובנה
- עסקים
- טרנספורמציה עסקית
- עסקים
- אבל
- by
- שיחה
- קוראים
- שיחות
- CAN
- אשר
- מנכ"ל
- תעודות
- אתגר
- חיובים
- chatbots
- לבדוק
- בדיקות
- סין
- בחירות
- כיתות
- מיון
- בבירור
- לקוחות
- לקוחות
- ענן
- COM
- להעביר
- תקשורת
- חברות
- תלונות
- להשלים
- רכיבים
- לִהַבִין
- לחשב
- מושג
- לנהל
- אמון
- לאשר
- לְחַבֵּר
- צרכן
- תוכן
- ממשיך
- ברציפות
- לתרום
- שיחה
- שיחה
- AI שיחה
- שיחות
- המרה
- עלות
- עלויות
- כיסוי
- cpg
- תרבותי
- נוֹכְחִי
- מנהג
- לקוח
- חווית לקוח
- שביעות רצון של לקוח
- שירות לקוחות
- לקוחות
- אישית
- שיא הטכנולוגיה
- לוח מחוונים
- נתונים
- נקודות מידע
- מסד נתונים
- עסקה
- החלטות
- בירידה
- מוקדש
- עמוק
- מוגדר
- הפגנה
- לפרוס
- רצוי
- איתור
- לקבוע
- מפתח
- ההבדלים
- אחר
- קשה
- ישירות
- תגלית
- דיונים
- מסמך
- מטה
- בְּמַהֲלָך
- כל אחד
- קלות שימוש
- בקלות
- יְעִילוּת
- יעילות
- אמייל
- מאפשר
- נקודת קצה
- מהנדס
- משפר
- מִפְעָל
- כניסה
- במיוחד
- הערכה
- אֲפִילוּ
- דוגמה
- קיימים
- קיים
- לְהַרְחִיב
- ניסיון
- מומחה
- מומחיות
- מומחים
- לחקור
- תמצית
- מאפיין
- מָשׁוֹב
- שדה
- ממולא
- כספי
- ראשון
- להתמקד
- מתמקד
- בעקבות
- הבא
- כדלקמן
- בעד
- פוּרמָט
- מייסד
- מייסד ומנכל
- החל מ-
- לתדלק
- לגמרי
- פונקציה
- פונקציות
- נוסף
- שער כניסה
- ליצור
- לקבל
- גלוֹבָּלִי
- ללכת לשוק
- אסיר תודה
- צמיחה
- יש
- he
- לעזור
- עוזר
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- רעב
- i
- מזוהה
- מזהה
- לזהות
- זיהוי
- מדגים
- מיד
- הפעלה
- יישום
- חשוב
- לשפר
- משופר
- השבחה
- שיפור
- in
- כולל
- בע"מ
- להגדיל
- גדל
- בנפרד
- תעשייה
- ספציפית לתעשייה
- להשפיע
- מידע
- בהתחלה
- קלט
- תובנה
- במקום
- כוונה
- כוונות
- אינטראקציה
- אינטרס
- אינטרנט
- אל תוך
- בעיות
- IT
- תעשיית ה- IT
- איטרציה
- עבודה
- מקומות תעסוקה
- הצטרפות
- jpg
- רק
- תוויות
- חוסר
- שפה
- גָדוֹל
- עוֹפֶרֶת
- מוביל
- לִלמוֹד
- למידה
- הוביל
- מחסה
- רמה
- כמו
- לחיות
- לִטעוֹן
- מוריד
- מכונה
- למידת מכונה
- עשוי
- לעשות
- הצליח
- ניהול
- מנהל
- רב
- שוק
- מאי..
- מנגנון
- למזג
- הודעה
- שיטות
- מטרי
- יכול
- ML
- מודל
- מודלים
- מודרני
- ניטור
- חודשים
- יותר
- סרטים
- נע
- מספר
- טבעי
- עיבוד שפה טבעית
- צורך
- שלילי
- רשת
- חדש
- הבא
- NLP
- עַכשָׁיו
- רב
- מטרה
- of
- on
- ONE
- רק
- מבצע
- מבצעי
- הזדמנויות
- אפשרויות
- or
- תזמור
- מְקוֹרִי
- אחר
- אחרים
- בחוץ
- מקיף
- שֶׁלוֹ
- במיוחד
- לעבור
- עבר
- מעברי
- נתיב
- ביצועים
- טלפון
- שיחות טלפון
- צילום
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- נקודות
- הודעה
- פוטנציאל
- לקוחות פוטנציאלים
- מועדף
- להכין
- מחיר
- בעיה
- תהליך
- תהליך
- המוצר
- מנהל מוצר
- פִּריוֹן
- מקצועי
- לספק
- ובלבד
- לִרְכּוֹשׁ
- PWC
- שאלה
- ציון
- RAY
- חומר עיוני
- קריאה
- מוכן
- ממשי
- זמן אמת
- טעם
- סיבות
- לאחרונה
- להפחית
- מופחת
- הפחתה
- קָשׁוּר
- הוסר
- לבקש
- דרישות
- משאב
- תגובה
- תוצאה
- קמעוני
- ענף הקמעונאות
- שייר
- החזרות
- הכנסה
- - גידול בהכנסות
- סקירה
- עגול
- כלל
- הפעלה
- מכירות
- שביעות רצון
- סולם
- מדע בדיוני
- ציון
- סעיפים
- מבחר
- לחצני מצוקה לפנסיונרים
- שרות
- שירותים
- שיתוף
- לְהַצִיג
- צד
- פָּשׁוּט
- בפשטות
- since
- קטן
- תוכנה
- מהנדס תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- לדבר
- מומחים
- התחלה
- התחלות
- מדינה
- מצב
- שלב
- צעדים
- עוד
- עצור
- אחסון
- חנות
- מאוחסן
- חנויות
- מוצלח
- כזה
- תמיכה
- מערכת
- מערכות
- שולחן
- תָג
- כשרונות
- לדבר
- נבחרת
- טכני
- טכנולוגיות
- בדיקות
- סיווג טקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- הֵם
- זֶה
- אלה
- שְׁלוֹשָׁה
- שלושה שלבים
- סף
- דרך
- זמן
- תזמון
- ל
- כלי
- לעקוב
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- עָצוּם
- להפעיל
- סומך
- תחת
- להבין
- הבנה
- עדכונים
- us
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- באמצעות
- מנוצל
- לְאַמֵת
- בעל ערך
- גרסה
- רציתי
- היה
- שעון
- צופה
- we
- היו
- אם
- אשר
- בזמן
- רָחָב
- יצטרך
- עם
- לְלֹא
- תיק עבודות
- עבד
- עובד
- היה
- שנים
- אתה
- זפירנט