Analiza nastrojów klientów w czasie rzeczywistym za pomocą AWS

Firmy, które sprzedają produkty lub usługi online, muszą stale monitorować opinie klientów pozostawione na ich stronie internetowej po zakupie produktu. Działy marketingu i obsługi klienta firmy analizują te recenzje, aby zrozumieć nastroje klientów. Na przykład dział marketingu mógłby wykorzystać te dane do tworzenia kampanii skierowanych do różnych segmentów klientów. Działy obsługi klienta mogą wykorzystać te dane do wykrycia niezadowolenia klientów i podjęcia działań naprawczych.

Tradycyjnie dane te są gromadzone w procesie wsadowym i przesyłane do hurtowni danych w celu przechowywania, analizy i raportowania, a następnie udostępniane decydentom po kilku godzinach, jeśli nie dniach. Jeśli te dane można natychmiast przeanalizować, może to zapewnić firmom możliwość szybkiego reagowania na nastroje klientów.

W tym poście opisujemy podejście do analizy ogólnego nastroju opinii klientów w czasie zbliżonym do rzeczywistego (kilka minut). Pokazujemy również, jak zrozumieć różne nastroje związane z określonymi podmiotami w tekście (takimi jak firma, produkt, osoba lub marka) bezpośrednio z interfejsu API.

Przypadki użycia do analizy nastrojów w czasie rzeczywistym

Analiza nastrojów w czasie rzeczywistym jest bardzo przydatna dla firm zainteresowanych uzyskaniem natychmiastowej opinii klientów na temat ich produktów i usług, takich jak:

• restauracji
• Firmy detaliczne lub B2C sprzedające różne produkty lub usługi
• Firmy przesyłające strumieniowo filmy online (platformy OTT), koncerty na żywo lub wydarzenia sportowe
• Instytucje finansowe

Ogólnie rzecz biorąc, każda firma, która ma punkty styku z klientami i musi podejmować decyzje w czasie rzeczywistym, może skorzystać z informacji zwrotnych od klientów w czasie rzeczywistym.

Wdrożenie podejścia do nastrojów w czasie rzeczywistym może być przydatne w następujących przypadkach użycia:

• Działy marketingu mogą wykorzystać te dane do lepszego targetowania segmentów klientów lub dostosowywania swoich kampanii do konkretnych segmentów klientów.
• Działy obsługi klienta mogą natychmiast dotrzeć do niezadowolonych klientów i spróbować rozwiązać problemy, zapobiegając odpływowi klientów.
• Pozytywny lub negatywny sentyment do produktu może okazać się użytecznym wskaźnikiem popytu na produkt w różnych lokalizacjach. Na przykład w przypadku szybko zbywalnego produktu firmy mogą wykorzystywać dane w czasie rzeczywistym do dostosowywania poziomu zapasów w magazynach, aby uniknąć nadmiernych zapasów lub braków w określonych regionach.

Przydatne jest również szczegółowe zrozumienie nastrojów, jak w następujących przypadkach użycia:

• Firma może zidentyfikować części doświadczenia pracownika/klienta, które są przyjemne, a części, które można poprawić.
• Centra kontaktowe i zespoły obsługi klienta mogą analizować transkrypcje rozmów telefonicznych lub dzienniki czatów w celu określenia skuteczności szkolenia agentów oraz szczegółów rozmów, takich jak konkretne reakcje klienta oraz frazy lub słowa użyte do wywołania tej reakcji.
• Właściciele produktów i programiści UI/UX mogą identyfikować cechy swojego produktu, które podobają się użytkownikom, oraz części, które wymagają ulepszenia. Może to wspierać dyskusje na temat planu działania produktu i ustalanie priorytetów.

Omówienie rozwiązania

Przedstawiamy rozwiązanie, które może pomóc firmom analizować nastroje klientów (zarówno pełne, jak i ukierunkowane) w czasie zbliżonym do rzeczywistego (zwykle w ciągu kilku minut) na podstawie recenzji wprowadzonych na ich stronie internetowej. W swej istocie opiera się na Amazon Comprehend przeprowadzić zarówno pełną, jak i ukierunkowaną analizę nastrojów.

Interfejs API Amazon Comprehend sentyment identyfikuje ogólny sentyment do dokumentu tekstowego. Od października 2022 r. można używać ukierunkowanych tonacji do identyfikowania tonacji powiązanych z określonymi podmiotami wymienionymi w dokumentach tekstowych. Na przykład w recenzji restauracji, która mówi: „Uwielbiałem burgera, ale obsługa była powolna”, docelowe nastawienie będzie identyfikować pozytywne nastawienie do „burgera” i negatywne nastawienie do „obsługi”.

W naszym przykładzie duża sieć restauracji w Ameryce Północnej chce przeanalizować recenzje swoich klientów na swojej stronie internetowej i za pośrednictwem aplikacji mobilnej. Restauracja chce przeanalizować opinie klientów na temat różnych pozycji w menu, usługi świadczone w ich oddziałach oraz ogólne nastawienie do ich doświadczeń.

Na przykład klient mógłby napisać następującą recenzję: „Jedzenie w Twojej restauracji w Nowym Jorku było bardzo dobre. Makaron był pyszny. Jednak obsługa była bardzo słaba!” Na potrzeby tej recenzji lokalizacja restauracji to Nowy Jork. Ogólne nastroje są mieszane – sentyment do „jedzenia” i „makaronu” jest pozytywny, ale sentyment do usługi jest negatywny.

Restauracja chce przeanalizować recenzje według profilu klienta, takiego jak wiek i płeć, aby zidentyfikować wszelkie trendy w różnych segmentach klientów (dane te mogą być przechwytywane przez ich aplikacje internetowe i mobilne i wysyłane do systemu zaplecza). Ich dział obsługi klienta chce wykorzystać te dane do powiadomienia agentów, aby podjęli działania następcze w związku z problemem, tworząc zgłoszenie klienta w podrzędnym systemie CRM. Dział operacyjny chce wiedzieć, które pozycje szybko się przemieszczają w danym dniu, aby skrócić czas przygotowania tych pozycji.

Obecnie wszystkie analizy są dostarczane jako raporty pocztą elektroniczną w ramach procesu wsadowego, który trwa 2–3 dni. Dział IT restauracji nie dysponuje zaawansowanymi możliwościami analizy danych, przesyłania strumieniowego lub sztucznej inteligencji i uczenia maszynowego (ML), aby zbudować takie rozwiązanie.

Poniższy diagram architektury ilustruje pierwsze kroki przepływu pracy.

Całe rozwiązanie można podłączyć z tyłu strony internetowej klienta lub aplikacji mobilnej.

Brama Amazon API udostępnia dwa punkty końcowe:

• Punkt końcowy klienta, w którym są wprowadzane recenzje klientów
• Punkt końcowy usługi, w którym dział serwisu może przejrzeć dowolną konkretną recenzję i utworzyć zgłoszenie serwisowe

Przepływ pracy obejmuje następujące kroki:

1. Gdy klient wprowadza recenzję (na przykład ze strony internetowej), jest ona wysyłana do bramy API połączonej z Usługa Amazon Simple Queue (Amazon SQS). Kolejka działa jak bufor do przechowywania recenzji w miarę ich wprowadzania.
2. Kolejka SQS wyzwala AWS Lambda funkcjonować. Jeśli wiadomość nie zostanie dostarczona do funkcji Lambda po kilku ponownych próbach, zostanie umieszczona w kolejce utraconych wiadomości do przyszłej kontroli.
3. Funkcja Lambda wywołuje Funkcje kroków AWS automat stanowy i przekazuje wiadomość z kolejki.

Poniższy diagram ilustruje przepływ pracy funkcji kroku.

Step Functions wykonuje następujące kroki równolegle.

1. Step Functions analizuje pełny ton wiadomości, wywołując interfejs API wykrywania_sentiment z Amazon Comprehend.
2. Wywołuje następujące kroki:
   1. Zapisuje wyniki do pliku Amazon DynamoDB tabela.
   2. Jeśli sentyment jest negatywny lub mieszany, wykonuje następujące czynności:
      • Wysyła powiadomienie do Usługa prostego powiadomienia Amazon (Amazon SNS), który jest subskrybowany przez jeden lub więcej adresów e-mail (takich jak dyrektor ds. obsługi klienta, dyrektor ds. marketingu itd.).
      • Wysyła zdarzenie do Most zdarzeń Amazona, który jest przekazywany do innych systemów niższego szczebla w celu podjęcia działań na podstawie otrzymanej recenzji. W przykładzie zdarzenie EventBridge jest zapisywane do pliku Amazon Cloud Watch dziennik. W rzeczywistym scenariuszu może wywołać funkcję Lambda, aby wysłać zdarzenie do systemu podrzędnego wewnątrz lub na zewnątrz AWS (takiego jak system zarządzania zapasami lub system planowania).
3. Analizuje ukierunkowane nastroje wiadomości, wywołując metodę detect_targeted_sentiment API z Amazon Comprehend.
4. Zapisuje wyniki do tabeli DynamoDB za pomocą funkcji Map (równolegle po jednej dla każdego podmiotu wskazanego w komunikacie).

Poniższy diagram ilustruje przepływ pracy od funkcji krokowych do systemów podrzędnych.

1. Używane są tabele DynamoDB Strumienie Amazon DynamoDB wykonać przechwytywanie zmian danych (CDC). Dane wstawione do tabel są przesyłane strumieniowo przez Strumienie danych Amazon Kinesis do Wąż strażacki Amazon Kinesis Data w czasie zbliżonym do rzeczywistego (ustawionym na 60 sekund).
2. Kinesis Data Firehose umieszcza dane w pliku Usługa Amazon Simple Storage Łyżka (Amazon S3).
3. Amazon QuickSight analizuje dane w zasobniku S3. Wyniki prezentowane są na różnych dashboardach, które mogą być przeglądane przez zespoły sprzedaży, marketingu czy obsługi klienta (użytkownicy wewnętrzni). QuickSight może również odświeżać pulpit nawigacyjny zgodnie z harmonogramem (w tym przykładzie ustawionym na 60 minut).

Połączenia Tworzenie chmury AWS dostępne są szablony do tworzenia architektury rozwiązania GitHub. Należy pamiętać, że szablony nie obejmują pulpitów nawigacyjnych QuickSight, ale zawierają instrukcje dotyczące ich tworzenia w pliku README.md. W poniższej sekcji udostępniamy przykładowe pulpity nawigacyjne.

Pulpity nawigacyjne QuickSight

Pulpity nawigacyjne są przydatne dla działów marketingu i obsługi klienta, aby wizualnie analizować, jak ich produkt lub usługa radzi sobie w zakresie kluczowych wskaźników biznesowych. W tej sekcji przedstawiamy kilka przykładowych raportów, które zostały opracowane w QuickSight, przy użyciu fikcyjnych danych dla restauracji. Raporty te są dostępne dla decydentów w ciągu około 60 minut (zgodnie z naszym cyklem odświeżania). Mogą pomóc odpowiedzieć na następujące pytania:

• Jak klienci postrzegają firmę jako całość?
• Czy są jakieś szczególne aspekty usługi (takie jak czas potrzebny na dostarczenie usługi, rozwiązanie skargi klienta), które klientom się podobają lub nie?
• Jak klientom podoba się konkretny nowo wprowadzony produkt (np. pozycja w menu)? Czy są jakieś konkretne produkty, które klienci lubią lub nie lubią?
• Czy istnieją jakieś obserwowalne wzorce nastrojów klientów w różnych grupach wiekowych, płciach lub lokalizacjach (np. jakie produkty spożywcze są obecnie popularne w różnych lokalizacjach)?

Pełny sentyment

Poniższe rysunki przedstawiają przykłady pełnej analizy nastrojów.

Pierwszy wykres przedstawia ogólne nastroje.

Następny wykres przedstawia nastroje w różnych grupach wiekowych.

Poniższy wykres przedstawia nastroje w zależności od płci.

Ostatni wykres przedstawia nastroje w różnych lokalizacjach restauracji.

Ukierunkowany sentyment

Poniższe rysunki przedstawiają przykłady ukierunkowanej analizy tonacji.

Pierwszy wykres przedstawia nastroje według jednostek (usługa, restauracja, rodzaje posiłków itd.).

Poniżej przedstawiono nastroje w różnych grupach wiekowych według podmiotu.

Następny wykres przedstawia nastroje w różnych lokalizacjach według encji.

Poniższy zrzut ekranu pochodzi z systemu biletowego CRM, którego można użyć do bardziej szczegółowej analizy nastrojów klientów. Na przykład w naszym przypadku użycia skonfigurowaliśmy dział obsługi klienta, aby otrzymywać powiadomienia e-mail o negatywnych opiniach. Dzięki informacjom z wiadomości e-mail (identyfikator przeglądu nastrojów klientów) przedstawiciel serwisu może przejść do bardziej szczegółowych informacji na temat nastrojów.

Podsumowanie

W tym poście opisano architekturę do analizy nastrojów w czasie rzeczywistym przy użyciu Amazon Comprehend i innych usług AWS. Nasze rozwiązanie zapewnia następujące korzyści:

• Jest dostarczany jako szablon CloudFormation z API Gateway, który można wdrożyć za aplikacjami skierowanymi do klientów lub aplikacjami mobilnymi
• Możesz zbudować rozwiązanie za pomocą Amazon Comprehend, bez specjalnej wiedzy na temat AI, ML lub przetwarzania języka naturalnego
• Możesz tworzyć raporty za pomocą QuickSight bez specjalnej znajomości języka SQL
• Może być całkowicie bezserwerowy, co zapewnia elastyczne skalowanie i zużywa zasoby tylko wtedy, gdy są potrzebne

Analiza nastrojów w czasie rzeczywistym może być bardzo przydatna dla firm zainteresowanych uzyskaniem natychmiastowej opinii klientów na temat ich usług. Może pomóc działom marketingu, sprzedaży i obsługi klienta firmy w natychmiastowym przeglądaniu opinii klientów i podejmowaniu działań naprawczych.

Wykorzystaj to rozwiązanie w swojej firmie do wykrywania nastrojów klientów i reagowania na nie w czasie zbliżonym do rzeczywistego.

Aby dowiedzieć się więcej na temat kluczowych usług opisanych na tym blogu, odwiedź poniższe linki

Amazon Comprehend
Funkcje kroków AWS
Strumienie Amazon DynamoDB
Strumienie danych Amazon Kinesis
Wąż strażacki Amazon Kinesis Data
Most zdarzeń Amazona
Amazon QuickSight

---

O autorze

Varad G Varadarajan jest starszym architektem rozwiązań (SA) w Amazon Web Services, wspierając klientów w północno-wschodnich Stanach Zjednoczonych. Varad działa jako Trusted Advisor i Field CTO dla Digital Native Businesses, pomagając im w tworzeniu innowacyjnych rozwiązań na dużą skalę przy użyciu AWS. Obszary zainteresowań Varada to doradztwo w zakresie strategii IT, architektura i zarządzanie produktem. Poza pracą Varad lubi kreatywne pisanie, oglądanie filmów z rodziną i przyjaciółmi oraz podróże.