Analiză în timp real a sentimentului clienților folosind AWS

Companiile care vând produse sau servicii online trebuie să monitorizeze constant recenziile clienților lăsate pe site-ul lor după achiziționarea unui produs. Departamentele de marketing și de servicii pentru clienți ale companiei analizează aceste recenzii pentru a înțelege sentimentul clienților. De exemplu, marketingul ar putea folosi aceste date pentru a crea campanii care vizează diferite segmente de clienți. Departamentele de servicii pentru clienți ar putea folosi aceste date pentru a identifica nemulțumirea clienților și pentru a lua măsuri corective.

În mod tradițional, aceste date sunt colectate printr-un proces de lot și trimise la un depozit de date pentru stocare, analiză și raportare și sunt puse la dispoziția factorilor de decizie după câteva ore, dacă nu zile. Dacă aceste date pot fi analizate imediat, pot oferi companiilor oportunități de a reacționa rapid la sentimentul clienților.

În această postare, descriem o abordare pentru analizarea sentimentului general al feedback-ului clienților în timp aproape real (câteva minute). De asemenea, demonstrăm cum să înțelegem diferitele sentimente asociate cu anumite entități din text (cum ar fi compania, produsul, persoana sau marca) direct din API.

Cazuri de utilizare pentru analiza sentimentelor în timp real

Analiza sentimentelor în timp real este foarte utilă pentru companiile interesate să obțină feedback instantaneu al clienților cu privire la produsele și serviciile lor, cum ar fi:

• restaurante
• Companii de vânzare cu amănuntul sau B2C care vând diverse produse sau servicii
• Companiile streaming filme online (platforme OTT), concerte live sau evenimente sportive
• Institutii financiare

În general, orice companie care are puncte de contact cu clienții și trebuie să ia decizii în timp real poate beneficia de feedback în timp real din partea clienților.

Implementarea unei abordări în timp real a sentimentului poate fi utilă în următoarele cazuri de utilizare:

• Departamentele de marketing pot folosi datele pentru a viza mai bine segmentele de clienți sau pentru a-și ajusta campaniile la anumite segmente de clienți.
• Departamentele de servicii pentru clienți pot contacta imediat clienții nemulțumiți și pot încerca să rezolve problemele, prevenind retragerea clienților.
• Sentimentul pozitiv sau negativ asupra unui produs se poate dovedi ca un indicator util al cererii de produs în diferite locații. De exemplu, pentru un produs cu mișcare rapidă, companiile pot folosi datele în timp real pentru a-și ajusta nivelurile stocurilor din depozite, pentru a evita stocul în exces sau epuizarea stocurilor în anumite regiuni.

De asemenea, este util să aveți o înțelegere granulară a sentimentelor, ca în următoarele cazuri de utilizare:

• O afacere poate identifica părți ale experienței angajat/client care sunt plăcute și părți care pot fi îmbunătățite.
• Centrele de contact și echipele de asistență pentru clienți pot analiza transcripțiile la apel sau jurnalele de chat pentru a identifica eficiența instruirii agenților și detaliile conversației, cum ar fi reacțiile specifice ale unui client și frazele sau cuvintele care au fost folosite pentru a obține acel răspuns.
• Proprietarii de produse și dezvoltatorii UI/UX pot identifica caracteristicile produsului lor de care se bucură utilizatorii și părțile care necesită îmbunătățiri. Acest lucru poate sprijini discuțiile despre foile de parcurs și prioritizările produselor.

Prezentare generală a soluțiilor

Vă prezentăm o soluție care poate ajuta companiile să analizeze sentimentul clienților (atât complet, cât și direcționat) în timp aproape real (de obicei în câteva minute) din recenziile introduse pe site-ul lor. În esență, se bazează pe Amazon Comprehend pentru a efectua atât o analiză completă, cât și o analiză țintită a sentimentelor.

API-ul Amazon Comprehend sentiment identifică sentimentul general pentru un document text. Din octombrie 2022, puteți utiliza sentimentul direcționat pentru a identifica sentimentul asociat cu anumite entități menționate în documentele text. De exemplu, într-o recenzie a unui restaurant care spune: „Mi-a plăcut burgerul, dar serviciul a fost lent”, sentimentul vizat va identifica sentimentul pozitiv pentru „burger” și sentimentul negativ pentru „serviciu”.

Pentru cazul nostru de utilizare, un mare lanț de restaurante din America de Nord dorește să analizeze recenziile făcute de clienții lor pe site-ul lor și printr-o aplicație mobilă. Restaurantul dorește să analizeze feedback-ul clienților lor cu privire la diferitele articole din meniu, serviciul oferit la filialele lor și sentimentul general asupra experienței lor.

De exemplu, un client ar putea scrie următoarea recenzie: „Mâncarea de la restaurantul tău situat în New York a fost foarte bună. Pastele au fost delicioase. Cu toate acestea, serviciul a fost foarte slab!” Pentru această recenzie, locația restaurantului este New York. Sentimentul general este mixt – sentimentul pentru „mâncare” și „paste” este pozitiv, dar sentimentul pentru serviciu este negativ.

Restaurantul dorește să analizeze recenziile după profilul clientului, cum ar fi vârsta și sexul, pentru a identifica orice tendințe pe segmentele de clienți (aceste date ar putea fi capturate de aplicațiile lor web și mobile și trimise la sistemul backend). Departamentul lor de servicii pentru clienți dorește să folosească aceste date pentru a notifica agenții să urmărească problema prin crearea unui bilet pentru clienți într-un sistem CRM din aval. Operations vrea să înțeleagă ce articole se mișcă rapid într-o anumită zi, astfel încât să poată reduce timpul de pregătire pentru acele articole.

În prezent, toate analizele sunt livrate ca rapoarte prin e-mail printr-un proces de lot care durează 2-3 zile. Departamentului IT al restaurantului îi lipsesc capabilități sofisticate de analiză a datelor, streaming sau AI și machine learning (ML) pentru a construi o astfel de soluție.

Următoarea diagramă de arhitectură ilustrează primii pași ai fluxului de lucru.

Întreaga soluție poate fi conectată la spatele site-ului web al unui client sau a unei aplicații mobile.

Gateway API Amazon expune două puncte finale:

• Un punct final al clienților în care sunt introduse recenziile clienților
• Un punct final de serviciu în care un departament de service poate analiza orice recenzie specială și poate crea un bilet de serviciu

Fluxul de lucru include următorii pași:

1. Când un client introduce o recenzie (de exemplu, de pe site), aceasta este trimisă la un gateway API care este conectat la un Serviciul de coadă simplă Amazon coadă (Amazon SQS). Coada acționează ca un buffer pentru a stoca recenziile pe măsură ce sunt introduse.
2. Coada SQS declanșează un AWS Lambdas funcţie. Dacă mesajul nu este livrat la funcția Lambda după câteva încercări de reîncercare, acesta este plasat în coada de mesaje neînregistrate pentru o inspecție ulterioară.
3. Funcția Lambda invocă Funcții pas AWS mașină de stare și transmite mesajul din coadă.

Următoarea diagramă ilustrează fluxul de lucru Step Functions.

Step Functions face următorii pași în paralel.

1. Step Functions analizează sentimentul complet al mesajului invocând API-ul detect_sentiment de la Amazon Comprehend.
2. Ea invocă următorii pași:
   1. Acesta scrie rezultatele într-un Amazon DynamoDB tabel.
   2. Dacă sentimentul este negativ sau mixt, efectuează următoarele acțiuni:
      • Trimite o notificare către Serviciul de notificare simplă Amazon (Amazon SNS), care este abonat de una sau mai multe adrese de e-mail (cum ar fi directorul serviciului pentru clienți, directorul de marketing și așa mai departe).
      • Trimite un eveniment către Amazon EventBridge, care este transmis către alte sisteme din aval pentru a acționa asupra revizuirii primite. În exemplu, evenimentul EventBridge este scris într-un Amazon CloudWatch Buturuga. Într-un scenariu real, ar putea invoca o funcție Lambda pentru a trimite evenimentul către un sistem din aval din interiorul sau din exteriorul AWS (cum ar fi un sistem de gestionare a inventarului sau un sistem de programare).
3. Acesta analizează sentimentul vizat al mesajului prin invocarea detect_targeted_sentiment API de la Amazon Comprehend.
4. Acesta scrie rezultatele într-un tabel DynamoDB folosind funcția Map (în paralel, câte unul pentru fiecare entitate identificată în mesaj).

Următoarea diagramă ilustrează fluxul de lucru de la Step Functions la sistemele din aval.

1. Tabelele DynamoDB folosesc Fluxuri Amazon DynamoDB pentru a efectua captarea datelor de modificare (CDC). Datele inserate în tabele sunt transmise prin flux Fluxuri de date Amazon Kinesis la Firehose Amazon Kinesis Data în timp aproape real (setat la 60 de secunde).
2. Kinesis Data Firehose depune datele într-un Serviciul Amazon de stocare simplă Găleată (Amazon S3)
3. Amazon QuickSight analizează datele din compartimentul S3. Rezultatele sunt prezentate în diferite tablouri de bord care pot fi vizualizate de echipele de vânzări, marketing sau de servicii pentru clienți (utilizatori interni). De asemenea, QuickSight poate reîmprospăta tabloul de bord într-un program (setat la 60 de minute pentru acest exemplu).

Formarea AWS Cloud sunt disponibile șabloane pentru a crea arhitectura soluției GitHub. Rețineți că șabloanele nu includ tablourile de bord QuickSight, dar oferă instrucțiuni despre cum să le creați în fișierul README.md. Vă oferim câteva exemple de tablouri de bord în secțiunea următoare.

Tablouri de bord QuickSight

Tablourile de bord sunt utile pentru departamentele de marketing și de servicii pentru clienți pentru a analiza vizual modul în care produsul sau serviciul lor se descurcă în funcție de valorile cheie ale afacerii. În această secțiune, prezentăm câteva exemple de rapoarte care au fost dezvoltate în QuickSight, folosind date fictive pentru restaurant. Aceste rapoarte sunt disponibile pentru factorii de decizie în aproximativ 60 de minute (conform ciclului nostru de reîmprospătare). Ei pot ajuta să răspundă la întrebări precum următoarele:

• Cum percep clienții afacerea în ansamblu?
• Există anumite aspecte specifice ale serviciului (cum ar fi timpul necesar pentru furnizarea serviciului, soluționarea oferită la o reclamație a unui client) pe care clienții le plac sau nu?
• Cum le place clienților un anumit produs nou introdus (cum ar fi un articol din meniu)? Există produse specifice care le plac sau nu clienților?
• Există modele observabile în sentimentul clienților pe grupe de vârstă, sex sau locații (cum ar fi produsele alimentare populare în diferite locații astăzi)?

Sentiment deplin

Următoarele figuri prezintă exemple de analiză completă a sentimentelor.

Primul grafic este al sentimentului general.

Următorul grafic arată sentimentul pe grupuri de vârstă.

Următorul grafic arată sentimentele pe sexe.

Graficul final arată sentimentul în locațiile restaurantelor.

Sentiment țintit

Următoarele figuri prezintă exemple de analiză a sentimentelor vizate.

Primul grafic arată sentimentul în funcție de entitate (serviciu, restaurant, tipuri de masă și așa mai departe).

Următoarele arată sentimentul pe grupele de vârstă în funcție de entitate.

Următorul grafic arată sentimentul în locații în funcție de entitate.

Următoarea captură de ecran este dintr-un sistem de ticketing CRM care ar putea fi folosit pentru o analiză mai granulară a sentimentului clienților. De exemplu, în cazul nostru de utilizare, am înființat departamentul de asistență pentru clienți pentru a primi notificări prin e-mail de sentimente negative. Cu informațiile din e-mail (ID-ul revizuirii sentimentului clientului), un reprezentant al serviciului poate detalia detalii mai detaliate ale sentimentului.

Rezumat

Această postare a descris o arhitectură pentru analiza sentimentelor în timp real folosind Amazon Comprehend și alte servicii AWS. Soluția noastră oferă următoarele beneficii:

• Este livrat ca șablon CloudFormation cu un gateway API care poate fi implementat în spatele aplicațiilor destinate clienților sau aplicațiilor mobile
• Puteți construi soluția folosind Amazon Comprehend, fără cunoștințe speciale despre AI, ML sau procesarea limbajului natural
• Puteți crea rapoarte folosind QuickSight fără cunoștințe speciale de SQL
• Poate fi complet fără server, ceea ce oferă scalare elastică și consumă resurse doar atunci când este necesar

Analiza sentimentelor în timp real poate fi foarte utilă pentru companiile interesate să obțină feedback instantaneu al clienților cu privire la serviciile lor. Acesta poate ajuta departamentele de marketing, vânzări și servicii pentru clienți ale companiei să revizuiască instantaneu feedbackul clienților și să ia măsuri corective.

Utilizați această soluție în compania dvs. pentru a detecta și a reacționa la sentimentele clienților în timp aproape real.

Pentru a afla mai multe despre servicii cheie descrise în acest blog, accesați linkurile de mai jos

Amazon Comprehend
Funcții pas AWS
Fluxuri Amazon DynamoDB
Fluxuri de date Amazon Kinesis
Firehose Amazon Kinesis Data
Amazon EventBridge
Amazon QuickSight

---

Despre autor

Varad G Varadarajan este Senior Solutions Architect (SA) la Amazon Web Services, care sprijină clienții din nord-estul SUA. Varad acționează ca consilier de încredere și CTO de teren pentru afacerile native digitale, ajutându-le să construiască soluții inovatoare la scară, folosind AWS. Domeniile de interes ale Varad sunt Consultanta in Strategie IT, Arhitectura si Managementul Produselor. În afara serviciului, lui Varad îi place scrierea creativă, vizionarea de filme cu familia și prietenii și călătoriile.