Sanntidsanalyse av kundesentiment ved hjelp av AWS

Bedrifter som selger produkter eller tjenester på nettet, må hele tiden overvåke kundeanmeldelser som legges igjen på nettsiden deres etter at de har kjøpt et produkt. Selskapets markedsførings- og kundeserviceavdelinger analyserer disse anmeldelsene for å forstå kundenes sentiment. For eksempel kan markedsføring bruke disse dataene til å lage kampanjer rettet mot ulike kundesegmenter. Kundeserviceavdelinger kan bruke disse dataene til å oppdage kundemisnøye og iverksette korrigerende tiltak.

Tradisjonelt samles disse dataene inn via en batchprosess og sendes til et datavarehus for lagring, analyse og rapportering, og gjøres tilgjengelig for beslutningstakere etter flere timer, om ikke dager. Hvis disse dataene kan analyseres umiddelbart, kan det gi muligheter for bedrifter til å reagere raskt på kundesentiment.

I dette innlegget beskriver vi en tilnærming for å analysere den generelle følelsen av tilbakemeldinger fra kunder i nesten sanntid (noen få minutter). Vi viser også hvordan du forstår de forskjellige følelsene knyttet til spesifikke enheter i teksten (som selskap, produkt, person eller merkevare) direkte fra API-en.

Bruk tilfeller for sentimentanalyse i sanntid

Sanntids sentimentanalyse er svært nyttig for selskaper som er interessert i å få umiddelbar tilbakemelding fra kunder på produktene og tjenestene deres, for eksempel:

• restauranter
• Detaljhandel eller B2C-selskaper som selger ulike produkter eller tjenester
• Selskaper som strømmer online filmer (OTT-plattformer), livekonserter eller sportsbegivenheter
• Finansinstitusjoner

Generelt kan enhver virksomhet som har kundekontaktpunkter og trenger å ta sanntidsbeslutninger dra nytte av tilbakemeldinger i sanntid fra kunder.

Å implementere en sanntidstilnærming til sentiment kan være nyttig i følgende brukstilfeller:

• Markedsavdelinger kan bruke dataene til å målrette kundesegmenter bedre, eller justere kampanjene sine til bestemte kundesegmenter.
• Kundeserviceavdelinger kan nå ut til misfornøyde kunder umiddelbart og prøve å løse problemene, og forhindre kundefragang.
• Positiv eller negativ følelse på et produkt kan vise seg å være en nyttig indikator på produktetterspørsel på forskjellige steder. For et produkt i rask bevegelse kan bedrifter for eksempel bruke sanntidsdataene til å justere lagernivået i varehusene, for å unngå overflødig beholdning eller lagerbeholdninger i bestemte regioner.

Det er også nyttig å ha en detaljert forståelse av følelser, som i følgende brukstilfeller:

• En virksomhet kan identifisere deler av medarbeider-/kundeopplevelsen som er hyggelig og deler som kan forbedres.
• Kontaktsentre og kundeserviceteam kan analysere transkripsjoner eller chat-logger for å identifisere agentopplæringseffektivitet, og samtaledetaljer som spesifikke reaksjoner fra en kunde og setninger eller ord som ble brukt for å fremkalle dette svaret.
• Produkteiere og UI/UX-utviklere kan identifisere funksjoner i produktet deres som brukere liker og deler som krever forbedring. Dette kan støtte produktveikartdiskusjoner og prioriteringer.

Løsningsoversikt

Vi presenterer en løsning som kan hjelpe bedrifter med å analysere kundesentiment (både fullstendig og målrettet) i nesten sanntid (vanligvis i løpet av noen få minutter) fra anmeldelser lagt inn på nettsiden deres. I kjernen er den avhengig av Amazon Comprehend å utføre både full og målrettet sentimentanalyse.

Amazon Comprehend sentiment API identifiserer den generelle følelsen for et tekstdokument. Fra og med oktober 2022 kan du bruke målrettet sentiment for å identifisere følelsene knyttet til spesifikke enheter nevnt i tekstdokumenter. For eksempel, i en restaurantanmeldelse som sier «Jeg elsket burgeren, men tjenesten var treg», vil den målrettede følelsen identifisere positiv følelse for «burger» og negativ følelse for «service».

For vårt bruk ønsker en stor restaurantkjede i Nord-Amerika å analysere anmeldelser laget av kundene deres på nettsiden deres og via en mobilapp. Restauranten ønsker å analysere kundenes tilbakemeldinger på ulike elementer i menyen, tjenesten som tilbys på filialene deres, og den generelle følelsen av opplevelsen deres.

En kunde kan for eksempel skrive følgende anmeldelse: «Maten på restauranten din i New York var veldig bra. Pastaen var deilig. Men tjenesten var veldig dårlig!» For denne anmeldelsen er plasseringen av restauranten New York. Den generelle følelsen er blandet - følelsen for "mat" og "pasta" er positiv, men følelsen for tjenesten er negativ.

Restauranten ønsker å analysere anmeldelsene etter kundeprofil, for eksempel alder og kjønn, for å identifisere eventuelle trender på tvers av kundesegmenter (disse dataene kan fanges opp av nett- og mobilappene deres og sendes til backend-systemet). Kundeserviceavdelingen deres ønsker å bruke disse dataene til å varsle agenter om å følge opp problemet ved å opprette en kundebillett i et nedstrøms CRM-system. Operations ønsker å forstå hvilke varer som beveger seg raskt på en gitt dag, slik at de kan redusere forberedelsestiden for disse elementene.

Foreløpig leveres alle analysene som rapporter på e-post via en batchprosess som tar 2–3 dager. Restaurantens IT-avdeling mangler sofistikert dataanalyse, strømming eller AI og maskinlæring (ML) for å bygge en slik løsning.

Følgende arkitekturdiagram illustrerer de første trinnene i arbeidsflyten.

Hele løsningen kan kobles til baksiden av et kundenettsted eller en mobilapp.

Amazon API-gateway avslører to endepunkter:

• Et kundeendepunkt der kundeanmeldelser legges inn
• Et serviceendepunkt der en serviceavdeling kan se på en bestemt anmeldelse og opprette en servicebillett

Arbeidsflyten inkluderer følgende trinn:

1. Når en kunde skriver inn en anmeldelse (for eksempel fra nettstedet), sendes den til en API-gateway som er koblet til en Amazon enkel køtjeneste (Amazon SQS) kø. Køen fungerer som en buffer for å lagre anmeldelsene etter hvert som de legges inn.
2. SQS-køen utløser en AWS Lambda funksjon. Hvis meldingen ikke leveres til Lambda-funksjonen etter noen få gjentatte forsøk, plasseres den i dødbrevskøen for fremtidig inspeksjon.
3. Lambda-funksjonen påkaller AWS trinnfunksjoner tilstandsmaskin og sender meldingen fra køen.

Følgende diagram illustrerer arbeidsflyten for trinnfunksjoner.

Step Functions utfører følgende trinn parallelt.

1. Step Functions analyserer hele sentimentet til meldingen ved å påkalle detect_sentiment API fra Amazon Comprehend.
2. Den påkaller følgende trinn:
   1. Den skriver resultatene til en Amazon DynamoDB tabellen.
   2. Hvis følelsen er negativ eller blandet, utfører den følgende handlinger:
      • Den sender et varsel til Amazon enkel varslingstjeneste (Amazon SNS), som abonneres av én eller flere e-postadresser (som direktøren for kundeservice, markedsdirektøren og så videre).
      • Den sender en hendelse til Amazon EventBridge, som sendes videre til andre nedstrømssystemer for å handle på den mottatte anmeldelsen. I eksemplet skrives EventBridge-hendelsen til en Amazon CloudWatch Logg. I et reelt scenario kan det påkalle en Lambda-funksjon for å sende hendelsen til et nedstrømssystem i eller utenfor AWS (for eksempel et lagerstyringssystem eller planleggingssystem).
3. Den analyserer den målrettede følelsen av meldingen ved å påkalle detect_targeted_sentiment API fra Amazon Comprehend.
4. Den skriver resultatene til en DynamoDB-tabell ved hjelp av kartfunksjonen (parallelt én for hver enhet identifisert i meldingen).

Følgende diagram illustrerer arbeidsflyten fra trinnfunksjoner til nedstrømssystemer.

1. DynamoDB-tabellene bruker Amazon DynamoDB-strømmer for å utføre endringsdatafangst (CDC). Dataene som legges inn i tabellene streames via Amazon Kinesis datastrømmer til Amazon Kinesis Data Firehose i nesten sanntid (sett til 60 sekunder).
2. Kinesis Data Firehose deponerer dataene i en Amazon enkel lagringstjeneste (Amazon S3) bøtte.
3. Amazon QuickSight analyserer dataene i S3-bøtten. Resultatene presenteres i ulike dashboards som kan sees av salgs-, markedsførings- eller kundeserviceteam (interne brukere). QuickSight kan også oppdatere dashbordet etter en tidsplan (sett til 60 minutter for dette eksemplet).

De AWS skyformasjon maler for å lage løsningsarkitekturen er tilgjengelig på GitHub. Merk at malene ikke inkluderer QuickSight-dashboardene, men gir instruksjoner om hvordan du oppretter dem i filen README.md. Vi gir noen eksempler på dashboards i den følgende delen.

QuickSight dashbord

Dashboards er nyttige for markedsførings- og kundeserviceavdelinger for å visuelt analysere hvordan produktet eller tjenesten deres gjør det på tvers av nøkkelberegninger. I denne delen presenterer vi noen eksempelrapporter som ble utviklet i QuickSight, ved hjelp av fiktive data for restauranten. Disse rapportene er tilgjengelige for beslutningstakere på omtrent 60 minutter (i henhold til vår oppdateringssyklus). De kan hjelpe med å svare på spørsmål som følgende:

• Hvordan oppfatter kundene virksomheten som helhet?
• Er det noen spesifikke aspekter ved tjenesten (som tid det tar å levere tjenesten, løsning gitt på en kundeklage) som kundene liker eller ikke liker?
• Hvordan liker kundene et spesifikt nylig introdusert produkt (for eksempel et element på menyen)? Er det noen spesifikke produkter som kundene liker eller ikke liker?
• Er det noen observerbare mønstre i kundestemning på tvers av aldersgrupper, kjønn eller steder (for eksempel hvilke matvarer som er populære på forskjellige steder i dag)?

Full følelse

De følgende figurene viser eksempler på fullstendig sentimentanalyse.

Den første grafen viser den generelle følelsen.

Den neste grafen viser sentimentet på tvers av aldersgrupper.

Følgende graf viser følelser på tvers av kjønn.

Den endelige grafen viser følelser på tvers av restaurantsteder.

Målrettet følelse

De følgende figurene viser eksempler på målrettet sentimentanalyse.

Den første grafen viser sentiment etter enhet (tjeneste, restaurant, typer måltid og så videre).

Følgende viser følelser på tvers av aldersgrupper etter enhet.

Den neste grafen viser følelser på tvers av steder etter enhet.

Følgende skjermbilde er fra et CRM-billettsystem som kan brukes til mer detaljert analyse av kundesentiment. For eksempel, i vårt brukstilfelle, satte vi opp kundeserviceavdelingen til å motta e-postvarsler om negative følelser. Med informasjonen fra e-posten (gjennomgangs-IDen til kundefølelsen), kan en servicerepresentant se nærmere på detaljer om følelsen.

Oppsummering

Dette innlegget beskrev en arkitektur for sentimentanalyse i sanntid ved bruk av Amazon Comprehend og andre AWS-tjenester. Vår løsning gir følgende fordeler:

• Den leveres som en CloudFormation-mal med en API-gateway som kan distribueres bak kundevendte apper eller mobilapper
• Du kan bygge løsningen ved å bruke Amazon Comprehend, uten spesiell kunnskap om AI, ML eller naturlig språkbehandling
• Du kan bygge rapporter ved hjelp av QuickSight uten spesiell kunnskap om SQL
• Det kan være helt serverløst, noe som gir elastisk skalering og bruker ressurser kun når det er nødvendig

Sanntids sentimentanalyse kan være svært nyttig for selskaper som er interessert i å få umiddelbar tilbakemelding fra kunder på tjenestene deres. Det kan hjelpe selskapets markedsførings-, salgs- og kundeserviceavdelinger med å umiddelbart vurdere tilbakemeldinger fra kunder og iverksette korrigerende tiltak.

Bruk denne løsningen i bedriften din til å oppdage og reagere på kundenes følelser i nesten sanntid.

Hvis du vil vite mer om nøkkeltjenester beskrevet i denne bloggen, besøk koblingene nedenfor

Amazon Comprehend
AWS trinnfunksjoner
Amazon DynamoDB-strømmer
Amazon Kinesis datastrømmer
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

om forfatteren

Varad G Varadarajan er Senior Solutions Architect (SA) hos Amazon Web Services, og støtter kunder i USAs nordøstlige del. Varad fungerer som Trusted Advisor og Field CTO for Digital Native Businesses, og hjelper dem med å bygge innovative løsninger i stor skala ved å bruke AWS. Varads interesseområder er IT-strategirådgivning, arkitektur og produktledelse. Utenom jobben liker Varad kreativ skriving, se film med familie og venner og reise.