Realtime analyse van klantsentiment met behulp van AWS

Bedrijven die producten of diensten online verkopen, moeten voortdurend klantrecensies controleren die op hun website zijn achtergelaten na aankoop van een product. De marketing- en klantenserviceafdelingen van het bedrijf analyseren deze beoordelingen om inzicht te krijgen in het klantsentiment. Marketing kan deze gegevens bijvoorbeeld gebruiken om campagnes te maken die gericht zijn op verschillende klantsegmenten. Klantenserviceafdelingen kunnen deze gegevens gebruiken om ontevredenheid van klanten op te sporen en corrigerende maatregelen te nemen.

Traditioneel worden deze gegevens via een batchproces verzameld en naar een datawarehouse gestuurd voor opslag, analyse en rapportage, en na enkele uren, zo niet dagen, beschikbaar gesteld aan besluitvormers. Als deze gegevens onmiddellijk kunnen worden geanalyseerd, kan dit bedrijven kansen bieden om snel te reageren op het sentiment van klanten.

In dit bericht beschrijven we een aanpak voor het analyseren van het algehele sentiment van klantfeedback in bijna realtime (enkele minuten). We laten ook zien hoe u de verschillende sentimenten die verband houden met specifieke entiteiten in de tekst (zoals bedrijf, product, persoon of merk) rechtstreeks vanuit de API kunt begrijpen.

Gebruik cases voor real-time sentimentanalyse

Realtime sentimentanalyse is erg handig voor bedrijven die geïnteresseerd zijn in directe feedback van klanten over hun producten en diensten, zoals:

• Restaurants
• Retail- of B2C-bedrijven die verschillende producten of diensten verkopen
• Bedrijven die online films streamen (OTT-platforms), live concerten of sportevenementen
• Financiële instellingen

Over het algemeen kan elk bedrijf dat klantcontactpunten heeft en realtime beslissingen moet nemen, profiteren van realtime feedback van klanten.

Het implementeren van een real-time benadering van sentiment kan nuttig zijn in de volgende use-cases:

• Marketingafdelingen kunnen de data gebruiken om klantsegmenten beter te targeten of hun campagnes af te stemmen op specifieke klantsegmenten.
• Klantenserviceafdelingen kunnen ontevreden klanten onmiddellijk bereiken en proberen de problemen op te lossen, waardoor klantverloop wordt voorkomen.
• Positief of negatief sentiment over een product kan op verschillende locaties een nuttige indicator blijken te zijn van de productvraag. Voor een snel bewegend product kunnen bedrijven bijvoorbeeld de realtime gegevens gebruiken om hun voorraadniveaus in magazijnen aan te passen, om overtollige voorraad of stockouts in specifieke regio's te voorkomen.

Het is ook handig om een ​​gedetailleerd begrip van sentiment te hebben, zoals in de volgende use-cases:

• Een bedrijf kan delen van de werknemers-/klantervaring identificeren die plezierig zijn en delen die verbeterd kunnen worden.
• Contactcenters en klantenserviceteams kunnen on-call-transcripties of chatlogs analyseren om de effectiviteit van agenttraining te identificeren, en gespreksdetails zoals specifieke reacties van een klant en zinnen of woorden die werden gebruikt om die reactie op te wekken.
• Producteigenaren en UI/UX-ontwikkelaars kunnen functies van hun product identificeren die gebruikers leuk vinden en onderdelen die verbetering behoeven. Dit kan discussies over productroadmaps en prioritering ondersteunen.

Overzicht oplossingen

We presenteren een oplossing die bedrijven kan helpen het klantsentiment (zowel volledig als gericht) in bijna realtime (meestal binnen enkele minuten) te analyseren op basis van beoordelingen die op hun website zijn ingevoerd. In de kern vertrouwt het op Amazon begrijpt het om zowel volledige als gerichte sentimentanalyse uit te voeren.

De Amazon Comprehend sentiment API identificeert het algehele sentiment voor een tekstdocument. Vanaf oktober 2022 kunt u gericht sentiment gebruiken om het sentiment te identificeren dat is gekoppeld aan specifieke entiteiten die in tekstdocumenten worden genoemd. In een restaurantrecensie die bijvoorbeeld zegt: "Ik hield van de hamburger, maar de service was traag", identificeert het gerichte sentiment een positief sentiment voor "burger" en een negatief sentiment voor "service".

Voor onze use case wil een grote restaurantketen in Noord-Amerika beoordelingen van hun klanten op hun website en via een mobiele app analyseren. Het restaurant wil de feedback van hun klanten over verschillende items in het menu, de service in hun filialen en het algemene gevoel over hun ervaring analyseren.

Een klant kan bijvoorbeeld de volgende recensie schrijven: “Het eten in uw restaurant in New York was erg goed. De pasta was heerlijk. De service was echter zeer slecht!” Voor deze beoordeling is de locatie van het restaurant New York. Het algemene sentiment is gemengd: het sentiment voor 'eten' en 'pasta' is positief, maar het sentiment voor de service is negatief.

Het restaurant wil de beoordelingen per klantprofiel analyseren, zoals leeftijd en geslacht, om eventuele trends in klantsegmenten te identificeren (deze gegevens kunnen worden vastgelegd door hun web- en mobiele apps en naar het backend-systeem worden gestuurd). Hun klantenservice wil deze gegevens gebruiken om agenten op de hoogte te stellen om het probleem op te volgen door een klantticket aan te maken in een downstream CRM-systeem. Operations wil weten welke items snel in beweging zijn op een bepaalde dag, zodat ze de voorbereidingstijd voor die items kunnen verkorten.

Momenteel worden alle analyses als rapporten per e-mail geleverd via een batchproces dat 2 tot 3 dagen in beslag neemt. De IT-afdeling van het restaurant mist geavanceerde data-analyse, streaming of AI en machine learning (ML)-mogelijkheden om een ​​dergelijke oplossing te bouwen.

Het volgende architectuurdiagram illustreert de eerste stappen van de werkstroom.

De volledige oplossing kan worden gekoppeld aan de achterkant van een klantwebsite of een mobiele app.

Amazon API-gateway legt twee eindpunten bloot:

• Een klanteindpunt waar klantrecensies worden ingevoerd
• Een service-eindpunt waar een serviceafdeling naar een bepaalde beoordeling kan kijken en een serviceticket kan maken

De workflow omvat de volgende stappen:

1. Wanneer een klant een review invoert (bijvoorbeeld vanaf de website), wordt deze verzonden naar een API Gateway die is verbonden met een Amazon Simple Queue-service (Amazon SQS) wachtrij. De wachtrij fungeert als een buffer om de beoordelingen op te slaan terwijl ze worden ingevoerd.
2. De SQS-wachtrij activeert een AWS Lambda functie. Als het bericht na een paar pogingen niet wordt afgeleverd bij de Lambda-functie, wordt het in de dode letter-wachtrij geplaatst voor toekomstige inspectie.
3. De Lambda-functie roept de AWS Stap Functies state machine en geeft het bericht uit de wachtrij door.

Het volgende diagram illustreert de stapfuncties-workflow.

Step Functions voert de volgende stappen parallel uit.

1. Step Functions analyseert het volledige sentiment van het bericht door de detect_sentiment API van Amazon Comprehend aan te roepen.
2. Het roept de volgende stappen op:
   1. Het schrijft de resultaten naar een Amazon DynamoDB tafel.
   2. Als het sentiment negatief of gemengd is, voert het de volgende acties uit:
      • Het stuurt een melding naar Amazon eenvoudige meldingsservice (Amazon SNS), waarop is geabonneerd door een of meer e-mailadressen (zoals de directeur klantenservice, directeur marketing, enzovoort).
      • Het stuurt een gebeurtenis naar Amazon EventBridge, die wordt doorgegeven aan andere stroomafwaartse systemen om te reageren op de ontvangen beoordeling. In het voorbeeld wordt de EventBridge-gebeurtenis geschreven naar een Amazon Cloud Watch loggen. In een echt scenario zou het een Lambda-functie kunnen aanroepen om de gebeurtenis naar een stroomafwaarts systeem binnen of buiten AWS te sturen (zoals een voorraadbeheersysteem of planningssysteem).
3. Het analyseert het gerichte sentiment van het bericht door een beroep te doen op de detect_targeted_sentiment API van Amazon Comprehend.
4. Het schrijft de resultaten naar een DynamoDB-tabel met behulp van de kaartfunctie (parallel één voor elke entiteit die in het bericht wordt geïdentificeerd).

Het volgende diagram illustreert de workflow van Step Functions naar downstream-systemen.

1. De DynamoDB-tabellen gebruiken Amazon DynamoDB-streams om change data capture (CDC) uit te voeren. De gegevens die in de tabellen zijn ingevoerd, worden gestreamd via Amazon Kinesis-gegevensstromen naar Amazon Kinesis-gegevens Firehose in bijna realtime (ingesteld op 60 seconden).
2. Kinesis Data Firehose deponeert de gegevens in een Amazon eenvoudige opslagservice (Amazon S3) emmer.
3. Amazon QuickSight analyseert de gegevens in de S3-bucket. De resultaten worden gepresenteerd in verschillende dashboards die kunnen worden bekeken door verkoop-, marketing- of klantenserviceteams (interne gebruikers). QuickSight kan het dashboard ook vernieuwen volgens een schema (ingesteld op 60 minuten voor dit voorbeeld).

De AWS CloudFormatie sjablonen om de oplossingsarchitectuur te creëren zijn beschikbaar op GitHub. Merk op dat de sjablonen niet de QuickSight-dashboards bevatten, maar instructies geven voor het maken ervan in het README.md-bestand. In de volgende sectie geven we enkele voorbeelddashboards.

QuickSight-dashboards

Dashboards zijn handig voor marketing- en klantenserviceafdelingen om visueel te analyseren hoe hun product of service presteert op basis van belangrijke bedrijfsstatistieken. In deze sectie presenteren we enkele voorbeeldrapporten die zijn ontwikkeld in QuickSight, met behulp van fictieve gegevens voor het restaurant. Deze rapporten zijn in ongeveer 60 minuten beschikbaar voor besluitvormers (volgens onze vernieuwingscyclus). Ze kunnen helpen bij het beantwoorden van vragen als de volgende:

• Hoe ervaren klanten het bedrijf als geheel?
• Zijn er specifieke aspecten van de service (zoals tijd die nodig is om service te leveren, oplossing voor een klacht van een klant) die klanten wel of niet leuk vinden?
• Wat vinden klanten van een specifiek nieuw geïntroduceerd product (zoals een item op het menu)? Zijn er specifieke producten die klanten wel of niet lekker vinden?
• Zijn er waarneembare patronen in klantsentiment over leeftijdsgroepen, geslacht of locaties heen (zoals welke etenswaren tegenwoordig populair zijn op verschillende locaties)?

Vol gevoel

De volgende afbeeldingen tonen voorbeelden van volledige sentimentanalyse.

De eerste grafiek is van het algemene sentiment.

De volgende grafiek toont het sentiment over leeftijdsgroepen heen.

De volgende grafiek toont het sentiment over geslacht.

De laatste grafiek toont het sentiment over restaurantlocaties.

Gericht sentiment

De volgende figuren tonen voorbeelden van gerichte sentimentanalyse.

De eerste grafiek toont het sentiment per entiteit (service, restaurant, soorten maaltijden, enzovoort).

Het volgende toont het sentiment tussen leeftijdsgroepen per entiteit.

De volgende grafiek toont het sentiment over locaties per entiteit.

De volgende schermafbeelding is afkomstig van een CRM-ticketsysteem dat kan worden gebruikt voor een gedetailleerdere analyse van het klantsentiment. In onze use case hebben we bijvoorbeeld de klantenservice ingesteld om e-mailmeldingen van negatieve gevoelens te ontvangen. Met de informatie uit de e-mail (de beoordelings-ID van het klantsentiment) kan een servicemedewerker inzoomen op meer gedetailleerde details van het sentiment.

Samengevat

Dit bericht beschreef een architectuur voor realtime sentimentanalyse met behulp van Amazon Comprehend en andere AWS-services. Onze oplossing biedt de volgende voordelen:

• Het wordt geleverd als een CloudFormation-sjabloon met een API Gateway die kan worden geïmplementeerd achter klantgerichte apps of mobiele apps
• U kunt de oplossing bouwen met Amazon Comprehend, zonder speciale kennis van AI, ML of natuurlijke taalverwerking
• U kunt rapporten maken met QuickSight zonder speciale kennis van SQL
• Het kan volledig serverloos zijn, wat zorgt voor elastische schaling en alleen resources verbruikt wanneer dat nodig is

Real-time sentimentanalyse kan erg handig zijn voor bedrijven die geïnteresseerd zijn in directe feedback van klanten over hun diensten. Het kan de marketing-, verkoop- en klantenserviceafdelingen van het bedrijf helpen de feedback van klanten direct te beoordelen en corrigerende maatregelen te nemen.

Gebruik deze oplossing in uw bedrijf om klantsentimenten in bijna realtime te detecteren en erop te reageren.

Voor meer informatie over het leren belangrijkste services beschreven in deze blog, bezoek de onderstaande links

Amazon begrijpt het
AWS Stap Functies
Amazon DynamoDB-streams
Amazon Kinesis-gegevensstromen
Amazon Kinesis-gegevens Firehose
Amazon EventBridge
Amazon QuickSight

---

Over de auteur

Varad G Varadarajan is Senior Solutions Architect (SA) bij Amazon Web Services en ondersteunt klanten in het noordoosten van de VS. Varad treedt op als Trusted Advisor en Field CTO voor Digital Native Businesses en helpt hen innovatieve oplossingen op schaal te bouwen met behulp van AWS. Varad's interessegebieden zijn IT Strategy Consulting, Architectuur en Product Management. Buiten zijn werk houdt Varad van creatief schrijven, films kijken met familie en vrienden en reizen.