ניתוח בזמן אמת של סנטימנט הלקוחות באמצעות AWS

חברות שמוכרות מוצרים או שירותים באינטרנט צריכות לעקוב כל הזמן אחר ביקורות של לקוחות שנותרו באתר שלהן לאחר רכישת מוצר. מחלקות השיווק ושירות הלקוחות של החברה מנתחות את הביקורות הללו כדי להבין את סנטימנט הלקוחות. לדוגמה, שיווק יכול להשתמש בנתונים אלה כדי ליצור קמפיינים הממקדים לפלחי לקוחות שונים. מחלקות שירות לקוחות יכולות להשתמש בנתונים אלה כדי לזהות חוסר שביעות רצון של לקוחות ולנקוט בפעולות מתקנות.

באופן מסורתי, נתונים אלה נאספים באמצעות תהליך אצווה ונשלחים למחסן נתונים לצורך אחסון, ניתוח ודיווח, והם זמינים למקבלי ההחלטות לאחר מספר שעות, אם לא ימים. אם ניתן לנתח את הנתונים הללו באופן מיידי, הם יכולים לספק הזדמנויות לחברות להגיב במהירות לרגשות הלקוחות.

בפוסט זה, אנו מתארים גישה לניתוח הסנטימנט הכולל של משוב לקוחות בזמן כמעט אמת (כמה דקות). אנו גם מדגימים כיצד להבין את הסנטימנטים השונים הקשורים לישויות ספציפיות בטקסט (כגון חברה, מוצר, אדם או מותג) ישירות מה-API.

השתמש במקרים לניתוח סנטימנטים בזמן אמת

ניתוח סנטימנטים בזמן אמת שימושי מאוד עבור חברות המעוניינות לקבל משוב מיידי מלקוחות על המוצרים והשירותים שלהן, כגון:

• מסעדות
• חברות קמעונאיות או B2C המוכרות מוצרים או שירותים שונים
• חברות המזרימות סרטים מקוונים (פלטפורמות OTT), הופעות חיות או אירועי ספורט
• גופים פיננסיים

באופן כללי, כל עסק שיש לו נקודות מגע של לקוחות וצריך לקבל החלטות בזמן אמת יכול ליהנות ממשוב בזמן אמת מהלקוחות.

פריסת גישה בזמן אמת לסנטימנט יכולה להיות שימושית במקרים הבאים:

• מחלקות שיווק יכולות להשתמש בנתונים כדי למקד טוב יותר לפלחי לקוחות, או להתאים את הקמפיינים שלהם לפלחי לקוחות ספציפיים.
• מחלקות שירות לקוחות יכולות לפנות ללקוחות לא מרוצים באופן מיידי ולנסות לפתור את הבעיות, ולמנוע נטישה של לקוחות.
• סנטימנט חיובי או שלילי על מוצר יכול להתגלות כאינדיקטור שימושי לביקוש למוצר במקומות שונים. לדוגמה, עבור מוצר שזז במהירות, חברות יכולות להשתמש בנתונים בזמן אמת כדי להתאים את רמות המלאי שלהן במחסנים, כדי למנוע מלאי עודף או מלאי מלאי באזורים ספציפיים.

כדאי גם לקבל הבנה מפורטת של סנטימנט, כמו במקרים הבאים:

• עסק יכול לזהות חלקים בחוויית העובד/לקוח שהם מהנים וחלקים העשויים להשתפר.
• מרכזי יצירת קשר וצוותי שירות לקוחות יכולים לנתח תמלול שיחות או יומני צ'אט כדי לזהות את יעילות ההדרכה של הסוכן, ופרטי שיחה כגון תגובות ספציפיות של לקוח וביטויים או מילים ששימשו כדי לעורר את התגובה הזו.
• בעלי מוצר ומפתחי UI/UX יכולים לזהות תכונות של המוצר שלהם שהמשתמשים נהנים מהם וחלקים הדורשים שיפור. זה יכול לתמוך בדיונים ובסדרי עדיפויות של מפת הדרכים של המוצר.

סקירת פתרונות

אנו מציגים פתרון שיכול לעזור לחברות לנתח את סנטימנט הלקוחות (הן המלא והן ממוקד) בזמן כמעט אמת (בדרך כלל תוך מספר דקות) מביקורות שהוזנו באתר האינטרנט שלהן. בבסיסו, הוא מסתמך על אמזון להתבונן לבצע ניתוח סנטימנט מלא וממוקד כאחד.

ה-API של Amazon Comprehend sentiment מזהה את הסנטימנט הכולל עבור מסמך טקסט. החל מאוקטובר 2022, אתה יכול להשתמש בסנטימנט ממוקד כדי לזהות את הסנטימנט המשויך לישויות ספציפיות המוזכרות במסמכי טקסט. לדוגמה, בביקורת מסעדה שאומרת: "אהבתי את ההמבורגר אבל השירות היה איטי", הסנטימנט הממוקד יזהה סנטימנט חיובי ל"המבורגר" וסנטימנט שלילי ל"שירות".

במקרה השימוש שלנו, רשת מסעדות גדולה בצפון אמריקה רוצה לנתח ביקורות שנעשו על ידי הלקוחות שלהם באתר האינטרנט שלהם ובאמצעות אפליקציה לנייד. המסעדה מעוניינת לנתח את המשוב של הלקוחות על פריטים שונים בתפריט, השירות הניתן בסניפים והסנטימנט הכללי על החוויה שלהם.

לדוגמה, לקוח יכול לכתוב את הביקורת הבאה: "האוכל במסעדה שלך שנמצאת בניו יורק היה טוב מאוד. הפסטה הייתה טעימה. עם זאת, השירות היה גרוע מאוד!" עבור סקירה זו, המיקום של המסעדה הוא ניו יורק. הסנטימנט הכללי מעורב - הסנטימנט ל"אוכל" ול"פסטה" הוא חיובי, אבל הסנטימנט לשירות הוא שלילי.

המסעדה רוצה לנתח את הביקורות לפי פרופיל לקוח, כגון גיל ומין, כדי לזהות מגמות כלשהן בין פלחי לקוחות (נתונים אלו יכולים להיקלט על ידי אפליקציות האינטרנט והנייד שלהם ולשלוח למערכת העורפית). מחלקת שירות הלקוחות שלהם רוצה להשתמש בנתונים האלה כדי להודיע ​​לסוכנים לעקוב אחר הנושא על ידי יצירת כרטיס לקוח במערכת CRM במורד הזרם. Operations רוצה להבין אילו פריטים זזים במהירות ביום נתון, כדי שיוכלו לצמצם את זמן ההכנה לפריטים אלה.

נכון לעכשיו, כל הניתוחים מועברים כדוחות בדוא"ל באמצעות תהליך אצווה שנמשך 2-3 ימים. למחלקת ה-IT של המסעדה חסרות יכולות מתוחכמות של ניתוח נתונים, סטרימינג או AI ולמידת מכונה (ML) כדי לבנות פתרון כזה.

תרשים הארכיטקטורה הבא ממחיש את השלבים הראשונים של זרימת העבודה.

ניתן לחבר את כל הפתרון לחלק האחורי של אתר לקוח או אפליקציה לנייד.

שער API של אמזון חושף שתי נקודות קצה:

• נקודת קצה של לקוח שבה מוזנים ביקורות של לקוחות
• נקודת קצה של שירות שבה מחלקת שירות יכולה להסתכל על כל ביקורת מסוימת וליצור כרטיס שירות

זרימת העבודה כוללת את השלבים הבאים:

1. כאשר לקוח מזין ביקורת (לדוגמה, מהאתר), היא נשלחת לשער API שמחובר ל- שירות תורים פשוט של אמזון (Amazon SQS) תור. התור משמש כמאגר לאחסון הביקורות תוך כדי הזנתן.
2. תור SQS מפעיל AWS למבדה פוּנקצִיָה. אם ההודעה לא נמסרת לפונקציית Lambda לאחר מספר ניסיונות חוזרים, היא ממוקמת בתור האותיות המתות לבדיקה עתידית.
3. פונקציית Lambda מפעילה את פונקציות שלב AWS מצב מכונה ומעביר את ההודעה מהתור.

התרשים הבא ממחיש את זרימת העבודה של Step Functions.

Step Functions עושה את השלבים הבאים במקביל.

1. Step Functions מנתח את הסנטימנט המלא של ההודעה על ידי הפעלת ה-detect_sentiment API מ- Amazon Comprehend.
2. זה מפעיל את השלבים הבאים:
   1. זה כותב את התוצאות ל-an אמזון דינמו השולחן.
   2. אם הסנטימנט שלילי או מעורב, הוא מבצע את הפעולות הבאות:
      • זה שולח הודעה ל שירות התראה פשוט של אמזון (Amazon SNS), אשר מנוי על ידי כתובת מייל אחת או יותר (כגון מנהל שירות לקוחות, מנהל שיווק וכדומה).
      • זה שולח אירוע ל אמזון EventBridge, המועברת למערכות אחרות במורד הזרם לפעול על פי הביקורת שהתקבלה. בדוגמה, האירוע EventBridge נכתב ל-an אמזון CloudWatch עֵץ. בתרחיש אמיתי, זה יכול להפעיל פונקציית Lambda כדי לשלוח את האירוע למערכת במורד הזרם בתוך או מחוצה לו AWS (כגון מערכת ניהול מלאי או מערכת תזמון).
3. הוא מנתח את הסנטימנט הממוקד של ההודעה על ידי הפעלת ה detect_targeted_sentiment API מבית Amazon Comprehend.
4. הוא כותב את התוצאות לטבלת DynamoDB באמצעות פונקציית Map (במקביל, אחת עבור כל ישות שזוהתה בהודעה).

התרשים הבא ממחיש את זרימת העבודה משלב פונקציות למערכות במורד הזרם.

1. הטבלאות של DynamoDB משתמשות זרמי דינמו-די-בי אמזון כדי לבצע לכידת נתונים שינוי (CDC). הנתונים המוכנסים לטבלאות מוזרמים באמצעות זרמי נתונים של אמזון קינסי ל צינור אש נתונים של אמזון קינסי בזמן כמעט אמת (מוגדר ל-60 שניות).
2. Kinesis Data Firehose מפקיד את הנתונים לתוך שירות אחסון פשוט של אמזון (אמזון S3) דלי.
3. אמזון קוויקסייט מנתח את הנתונים בדלי S3. התוצאות מוצגות בלוחות מחוונים שונים שניתן לצפות בהם על ידי צוותי מכירות, שיווק או שירות לקוחות (משתמשים פנימיים). QuickSight יכול גם לרענן את לוח המחוונים לפי לוח זמנים (מוגדר ל-60 דקות עבור דוגמה זו).

אל האני AWS CloudFormation תבניות ליצירת ארכיטקטורת הפתרון זמינות בהן GitHub. שימו לב שהתבניות אינן כוללות את לוחות המחוונים של QuickSight, אך מספקות הוראות כיצד ליצור אותן בקובץ README.md. אנו מספקים כמה לוחות מחוונים לדוגמה בסעיף הבא.

לוחות מחוונים של QuickSight

לוחות מחוונים שימושיים עבור מחלקות שיווק ושירות לקוחות כדי לנתח חזותית את ביצועי המוצר או השירות שלהם על פני מדדים עסקיים מרכזיים. בחלק זה, אנו מציגים כמה דוחות לדוגמה שפותחו ב-QuickSight, תוך שימוש בנתונים פיקטיביים עבור המסעדה. דוחות אלו זמינים למקבלי ההחלטות תוך כ-60 דקות (לפי מחזור הרענון שלנו). הם יכולים לעזור לענות על שאלות כמו הבאות:

• איך הלקוחות תופסים את העסק כמכלול?
• האם יש היבטים ספציפיים של השירות (כגון זמן אספקת השירות, פתרון הניתן בתלונת לקוח) שלקוחות אוהבים או לא אוהבים?
• איך הלקוחות אוהבים מוצר ספציפי שהוצג לאחרונה (כגון פריט בתפריט)? האם יש מוצרים ספציפיים שלקוחות אוהבים או לא אוהבים?
• האם יש דפוסים כלשהם שניתן להבחין בסנטימנט הלקוחות בין קבוצות גיל, מגדר או מיקומים (כגון אילו פריטי מזון פופולריים במקומות שונים כיום)?

סנטימנט מלא

האיורים הבאים מציגים דוגמאות לניתוח סנטימנט מלא.

הגרף הראשון הוא של הסנטימנט הכללי.

הגרף הבא מציג את הסנטימנט בין קבוצות הגיל.

הגרף הבא מציג סנטימנט על פני מגדר.

הגרף הסופי מציג סנטימנט בין מיקומי מסעדות.

סנטימנט ממוקד

האיורים הבאים מציגים דוגמאות לניתוח סנטימנט ממוקד.

הגרף הראשון מציג סנטימנט לפי ישות (שירות, מסעדה, סוגי ארוחות וכן הלאה).

להלן סנטימנט על פני קבוצות גיל לפי ישות.

הגרף הבא מציג סנטימנט בין מיקומים לפי ישות.

צילום המסך הבא הוא ממערכת כרטוס CRM שיכולה לשמש לניתוח מפורט יותר של סנטימנט הלקוחות. לדוגמה, במקרה השימוש שלנו, הגדרנו את מחלקת שירות הלקוחות כדי לקבל הודעות דואר אלקטרוני על סנטימנטים שליליים. עם המידע מהאימייל (מזהה הביקורת של סנטימנט הלקוח), נציג שירות יכול להתעמק בפרטים מפורטים יותר של הסנטימנט.

<br> סיכום

פוסט זה תיאר ארכיטקטורה לניתוח סנטימנטים בזמן אמת באמצעות Amazon Comprehend ושירותי AWS אחרים. הפתרון שלנו מספק את היתרונות הבאים:

• זה מסופק כתבנית CloudFormation עם שער API שניתן לפרוס מאחורי אפליקציות מול לקוחות או אפליקציות ניידות
• אתה יכול לבנות את הפתרון באמצעות Amazon Comprehend, ללא ידע מיוחד ב-AI, ML או עיבוד שפה טבעית
• אתה יכול לבנות דוחות באמצעות QuickSight ללא ידע מיוחד ב-SQL
• זה יכול להיות ללא שרת לחלוטין, מה שמספק קנה מידה אלסטי וצורך משאבים רק בעת הצורך

ניתוח סנטימנטים בזמן אמת יכול להיות שימושי מאוד עבור חברות המעוניינות לקבל משוב מיידי מלקוחות על השירותים שלהן. זה יכול לעזור למחלקות השיווק, המכירות ושירות הלקוחות של החברה לבדוק באופן מיידי את משוב הלקוחות ולנקוט פעולות מתקנות.

השתמש בפתרון זה בחברה שלך כדי לזהות ולהגיב לרגשות הלקוחות בזמן כמעט אמת.

כדי ללמוד עוד על שירותי מפתח המתוארים בבלוג זה, בקר בקישורים למטה

אמזון להתבונן
פונקציות שלב AWS
זרמי דינמו-די-בי אמזון
זרמי נתונים של אמזון קינסי
צינור אש נתונים של אמזון קינסי
אמזון EventBridge
אמזון קוויקסייט

---

על המחבר

Varad G Varadarajan הוא אדריכל פתרונות בכיר (SA) בשירותי האינטרנט של אמזון, התומך בלקוחות בצפון מזרח ארה"ב. Varad משמש כיועץ מהימן ו-CTO בשטח עבור עסקים מקוריים דיגיטליים, ועוזר להם לבנות פתרונות חדשניים בקנה מידה, באמצעות AWS. תחומי העניין של ורד הם ייעוץ אסטרטגיית IT, אדריכלות וניהול מוצר. מחוץ לעבודה ורד נהנה מכתיבה יצירתית, צפייה בסרטים עם משפחה וחברים ומטיילים.