Análise em tempo real do sentimento do cliente usando AWS

As empresas que vendem produtos ou serviços on-line precisam monitorar constantemente as avaliações dos clientes deixadas em seu site após a compra de um produto. Os departamentos de marketing e atendimento ao cliente da empresa analisam essas avaliações para entender o sentimento do cliente. Por exemplo, o marketing pode usar esses dados para criar campanhas direcionadas a diferentes segmentos de clientes. Os departamentos de atendimento ao cliente podem usar esses dados para identificar a insatisfação do cliente e tomar medidas corretivas.

Tradicionalmente, esses dados são coletados por meio de um processo em lote e enviados para um data warehouse para armazenamento, análise e geração de relatórios, e são disponibilizados aos tomadores de decisão após várias horas, se não dias. Se esses dados puderem ser analisados ​​imediatamente, eles podem fornecer oportunidades para as empresas reagirem rapidamente ao sentimento do cliente.

Nesta postagem, descrevemos uma abordagem para analisar o sentimento geral do feedback do cliente quase em tempo real (alguns minutos). Também demonstramos como entender os diferentes sentimentos associados a entidades específicas no texto (como empresa, produto, pessoa ou marca) diretamente da API.

Casos de uso para análise de sentimento em tempo real

A análise de sentimento em tempo real é muito útil para empresas interessadas em obter feedback instantâneo de clientes sobre seus produtos e serviços, como:

• Restaurantes
• Varejo ou empresas B2C que vendem vários produtos ou serviços
• Empresas que transmitem filmes online (plataformas OTT), shows ao vivo ou eventos esportivos
• Instituições financeiras

Em geral, qualquer empresa que tenha pontos de contato com o cliente e precise tomar decisões em tempo real pode se beneficiar do feedback em tempo real dos clientes.

A implantação de uma abordagem de sentimento em tempo real pode ser útil nos seguintes casos de uso:

• Os departamentos de marketing podem usar os dados para segmentar melhor os segmentos de clientes ou ajustar suas campanhas para segmentos de clientes específicos.
• Os departamentos de atendimento ao cliente podem entrar em contato com clientes insatisfeitos imediatamente e tentar resolver os problemas, evitando a rotatividade de clientes.
• O sentimento positivo ou negativo sobre um produto pode ser um indicador útil da demanda do produto em vários locais. Por exemplo, para um produto de alta rotatividade, as empresas podem usar os dados em tempo real para ajustar seus níveis de estoque em armazéns, para evitar excesso de estoque ou falta de estoque em regiões específicas.

Também é útil ter uma compreensão granular do sentimento, como nos seguintes casos de uso:

• Uma empresa pode identificar partes da experiência do funcionário/cliente que são agradáveis ​​e partes que podem ser melhoradas.
• Os centros de contato e as equipes de atendimento ao cliente podem analisar transcrições de plantão ou registros de bate-papo para identificar a eficácia do treinamento do agente e detalhes da conversa, como reações específicas de um cliente e frases ou palavras usadas para obter essa resposta.
• Proprietários de produtos e desenvolvedores de UI/UX podem identificar recursos de seus produtos que os usuários gostam e partes que precisam ser aprimoradas. Isso pode dar suporte a discussões e priorização de roteiros de produtos.

Visão geral da solução

Apresentamos uma solução que pode ajudar as empresas a analisar o sentimento do cliente (completo e direcionado) quase em tempo real (geralmente em alguns minutos) a partir das avaliações inseridas em seu site. Em sua essência, ele depende Amazon Comprehend para realizar análises de sentimento completas e direcionadas.

A API de sentimento do Amazon Comprehend identifica o sentimento geral de um documento de texto. A partir de outubro de 2022, você pode usar o sentimento direcionado para identificar o sentimento associado a entidades específicas mencionadas em documentos de texto. Por exemplo, em uma avaliação de restaurante que diz: “Adorei o hambúrguer, mas o serviço foi lento”, o sentimento direcionado identificará o sentimento positivo para “hambúrguer” e o sentimento negativo para “serviço”.

Para nosso caso de uso, uma grande rede de restaurantes na América do Norte deseja analisar as avaliações feitas por seus clientes em seu site e por meio de um aplicativo móvel. O restaurante deseja analisar o feedback de seus clientes sobre vários itens do cardápio, o serviço prestado em suas agências e o sentimento geral sobre sua experiência.

Por exemplo, um cliente poderia escrever a seguinte avaliação: “A comida do seu restaurante em Nova York era muito boa. A massa estava deliciosa. No entanto, o serviço foi muito ruim!” Para esta revisão, a localização do restaurante é Nova York. O sentimento geral é misto – o sentimento para “comida” e “massa” é positivo, mas o sentimento para o serviço é negativo.

O restaurante deseja analisar as avaliações por perfil de cliente, como idade e sexo, para identificar quaisquer tendências nos segmentos de clientes (esses dados podem ser capturados por seus aplicativos da web e móveis e enviados para o sistema de back-end). Seu departamento de atendimento ao cliente deseja usar esses dados para notificar os agentes para acompanhar o problema criando um ticket de cliente em um sistema de CRM downstream. As operações querem entender quais itens estão em movimento rápido em um determinado dia, para que possam reduzir o tempo de preparação desses itens.

Atualmente, todas as análises são entregues como relatórios por e-mail por meio de um processo em lote que leva de 2 a 3 dias. O departamento de TI do restaurante carece de recursos sofisticados de análise de dados, streaming ou IA e aprendizado de máquina (ML) para criar essa solução.

O diagrama de arquitetura a seguir ilustra as primeiras etapas do fluxo de trabalho.

Toda a solução pode ser vinculada ao site do cliente ou a um aplicativo móvel.

Gateway de API da Amazon expõe dois endpoints:

• Um endpoint do cliente onde as avaliações do cliente são inseridas
• Um terminal de serviço em que um departamento de serviço pode examinar qualquer revisão específica e criar um tíquete de serviço

O fluxo de trabalho inclui as seguintes etapas:

1. Quando um cliente insere uma avaliação (por exemplo, do site), ela é enviada para um API Gateway conectado a um Serviço de fila simples da Amazon (Amazon SQS). A fila atua como um buffer para armazenar as revisões à medida que são inseridas.
2. A fila SQS aciona um AWS Lambda função. Se a mensagem não for entregue à função do Lambda após algumas tentativas de repetição, ela será colocada na fila de devoluções para inspeção futura.
3. A função Lambda invoca o Funções de etapa da AWS máquina de estado e passa a mensagem da fila.

O diagrama a seguir ilustra o fluxo de trabalho do Step Functions.

O Step Functions executa as etapas a seguir em paralelo.

1. O Step Functions analisa o sentimento completo da mensagem invocando a API detect_sentiment do Amazon Comprehend.
2. Ele invoca as seguintes etapas:
   1. Ele escreve os resultados em um Amazon DynamoDB tabela.
   2. Se o sentimento for negativo ou misto, ele executa as seguintes ações:
      • Ele envia uma notificação para Serviço de notificação simples da Amazon (Amazon SNS), que é assinado por um ou mais endereços de e-mail (como Diretor de Atendimento ao Cliente, Diretor de Marketing e assim por diante).
      • Ele envia um evento para Amazon Event Bridge, que é repassado para outros sistemas downstream para atuar na revisão recebida. No exemplo, o evento EventBridge é gravado em um Amazon CloudWatch registro. Em um cenário real, ele poderia invocar uma função Lambda para enviar o evento para um sistema downstream dentro ou fora da AWS (como um sistema de gerenciamento de inventário ou sistema de agendamento).
3. Ele analisa o sentimento direcionado da mensagem invocando o detect_targeted_sentiment API do Amazon Comprehend.
4. Ele grava os resultados em uma tabela do DynamoDB usando a função Map (em paralelo, um para cada entidade identificada na mensagem).

O diagrama a seguir ilustra o fluxo de trabalho do Step Functions para sistemas downstream.

1. As tabelas do DynamoDB usam Streams do Amazon DynamoDB para executar a captura de dados de alteração (CDC). Os dados inseridos nas tabelas são transmitidos via Fluxos de dados do Amazon Kinesis para Mangueira de incêndio de dados do Amazon Kinesis em tempo quase real (definido para 60 segundos).
2. O Kinesis Data Firehose deposita os dados em um Serviço de armazenamento simples da Amazon (Amazon S3).
3. AmazonQuickSight analisa os dados no balde S3. Os resultados são apresentados em diversos painéis que podem ser visualizados pelas equipes de vendas, marketing ou atendimento ao cliente (usuários internos). O QuickSight também pode atualizar o painel de acordo com uma programação (definida para 60 minutos neste exemplo).

A Formação da Nuvem AWS templates para criar a arquitetura da solução estão disponíveis em GitHub. Observe que os modelos não incluem os painéis do QuickSight, mas fornecem instruções sobre como criá-los no arquivo README.md. Fornecemos alguns painéis de amostra na seção a seguir.

Painéis do QuickSight

Os painéis são úteis para os departamentos de marketing e atendimento ao cliente analisarem visualmente o desempenho de seus produtos ou serviços nas principais métricas de negócios. Nesta seção, apresentamos alguns exemplos de relatórios que foram desenvolvidos no QuickSight, utilizando dados fictícios para o restaurante. Esses relatórios ficam disponíveis para os tomadores de decisão em cerca de 60 minutos (conforme nosso ciclo de atualização). Eles podem ajudar a responder perguntas como as seguintes:

• Como os clientes estão percebendo o negócio como um todo?
• Há algum aspecto específico do serviço (como o tempo gasto para entregar o serviço, a resolução fornecida em uma reclamação do cliente) que os clientes gostem ou não?
• Como os clientes gostam de um produto específico recém-lançado (como um item no menu)? Existem produtos específicos que os clientes gostam ou não?
• Existem padrões observáveis ​​no sentimento do cliente em faixas etárias, sexo ou locais (como quais alimentos são populares em vários locais hoje)?

sentimento completo

As figuras a seguir mostram exemplos de análise de sentimento completa.

O primeiro gráfico é do sentimento geral.

O próximo gráfico mostra o sentimento entre as faixas etárias.

O gráfico a seguir mostra o sentimento entre os gêneros.

O gráfico final mostra o sentimento nas localizações dos restaurantes.

Sentimento direcionado

As figuras a seguir mostram exemplos de análise de sentimento direcionada.

O primeiro gráfico mostra o sentimento por entidade (serviço, restaurante, tipos de refeição e assim por diante).

O seguinte mostra o sentimento entre as faixas etárias por entidade.

O próximo gráfico mostra o sentimento em locais por entidade.

A captura de tela a seguir é de um sistema de tickets de CRM que pode ser usado para uma análise mais granular do sentimento do cliente. Por exemplo, em nosso caso de uso, configuramos o departamento de atendimento ao cliente para receber notificações por e-mail de sentimentos negativos. Com as informações do e-mail (o ID de revisão do sentimento do cliente), um representante de serviço pode detalhar detalhes mais granulares do sentimento.

Resumo

Esta postagem descreveu uma arquitetura para análise de sentimento em tempo real usando o Amazon Comprehend e outros serviços da AWS. Nossa solução oferece os seguintes benefícios:

• É fornecido como um modelo CloudFormation com um API Gateway que pode ser implantado por trás de aplicativos voltados para o cliente ou aplicativos móveis
• Você pode criar a solução usando o Amazon Comprehend, sem nenhum conhecimento especial de IA, ML ou processamento de linguagem natural
• Você pode criar relatórios usando o QuickSight sem nenhum conhecimento especial de SQL
• Pode ser totalmente sem servidor, o que fornece dimensionamento elástico e consome recursos somente quando necessário

A análise de sentimento em tempo real pode ser muito útil para empresas interessadas em obter feedback instantâneo dos clientes sobre seus serviços. Ele pode ajudar os departamentos de marketing, vendas e atendimento ao cliente da empresa a analisar instantaneamente o feedback do cliente e tomar ações corretivas.

Use esta solução em sua empresa para detectar e reagir aos sentimentos do cliente quase em tempo real.

Para saber mais sobre o principais serviços descritos neste blog, acesse os links abaixo

Amazon Comprehend
Funções de etapa da AWS
Streams do Amazon DynamoDB
Fluxos de dados do Amazon Kinesis
Mangueira de incêndio de dados do Amazon Kinesis
Amazon Event Bridge
AmazonQuickSight

---

Sobre o autor

Varad G Varadarajan é Arquiteto de Soluções Sênior (SA) na Amazon Web Services, dando suporte a clientes no Nordeste dos EUA. Varad atua como Trusted Advisor e Field CTO para Digital Native Businesses, ajudando-os a criar soluções inovadoras em escala, usando a AWS. As áreas de interesse de Varad são consultoria em estratégia de TI, arquitetura e gerenciamento de produtos. Fora do trabalho, Varad gosta de escrever, assistir a filmes com a família e amigos e viajar.