Анализ настроений клиентов в режиме реального времени с помощью AWS

Компании, которые продают товары или услуги в Интернете, должны постоянно отслеживать отзывы клиентов, оставленные на их веб-сайте после покупки продукта. Отделы маркетинга и обслуживания клиентов компании анализируют эти отзывы, чтобы понять настроения клиентов. Например, отдел маркетинга может использовать эти данные для создания кампаний, нацеленных на разные сегменты клиентов. Отделы обслуживания клиентов могут использовать эти данные для выявления неудовлетворенности клиентов и принятия корректирующих мер.

Традиционно эти данные собираются с помощью пакетного процесса и отправляются в хранилище данных для хранения, анализа и составления отчетов, а через несколько часов, если не дней, становятся доступными для лиц, принимающих решения. Если эти данные можно будет немедленно проанализировать, это может дать компаниям возможность быстро реагировать на настроения клиентов.

В этом посте мы описываем подход к анализу общего настроения отзывов клиентов почти в реальном времени (несколько минут). Мы также демонстрируем, как понимать различные настроения, связанные с определенными объектами в тексте (такими как компания, продукт, человек или бренд) непосредственно из API.

Варианты использования для анализа настроений в реальном времени

Анализ настроений в режиме реального времени очень полезен для компаний, заинтересованных в получении мгновенных отзывов клиентов о своих продуктах и ​​услугах, таких как:

• ресторан
• Розничные или B2C компании, продающие различные товары или услуги
• Компании, транслирующие онлайн-фильмы (OTT-платформы), живые концерты или спортивные мероприятия
• Финансовые институты

В целом любой бизнес, имеющий точки соприкосновения с клиентами и нуждающийся в принятии решений в режиме реального времени, может извлечь выгоду из обратной связи с клиентами в режиме реального времени.

Развертывание подхода к настроению в реальном времени может быть полезно в следующих случаях использования:

• Отделы маркетинга могут использовать эти данные, чтобы лучше ориентироваться на сегменты клиентов или корректировать свои кампании для конкретных сегментов клиентов.
• Отделы обслуживания клиентов могут немедленно связаться с недовольными клиентами и попытаться решить проблемы, предотвращая отток клиентов.
• Положительное или отрицательное отношение к продукту может оказаться полезным индикатором спроса на продукт в разных местах. Например, для товаров с большим спросом компании могут использовать данные в режиме реального времени для корректировки уровня запасов на складах, чтобы избежать избыточных запасов или дефицита в определенных регионах.

Также полезно иметь детальное представление о настроении, как в следующих случаях использования:

• Бизнес может определить те части опыта сотрудников/клиентов, которые приятны, и те, которые можно улучшить.
• Контакт-центры и группы обслуживания клиентов могут анализировать расшифровки разговоров по телефону или журналы чатов, чтобы определить эффективность обучения операторов, а также детали разговора, такие как конкретные реакции клиента, а также фразы или слова, которые использовались для получения этого ответа.
• Владельцы продукта и разработчики UI/UX могут определить функции своего продукта, которые нравятся пользователям, и части, требующие улучшения. Это может помочь в обсуждении дорожной карты продукта и определении приоритетов.

Обзор решения

Мы представляем решение, которое может помочь компаниям анализировать настроения клиентов (как полные, так и целевые) практически в реальном времени (обычно за несколько минут) на основе отзывов, оставленных на их веб-сайте. В своей основе он опирается на Amazon Comprehend выполнять как полный, так и целевой анализ настроений.

API тональности Amazon Comprehend определяет общую тональность текстового документа. С октября 2022 г. вы можете использовать целевую тональность для определения тональности, связанной с конкретными объектами, упомянутыми в текстовых документах. Например, в обзоре ресторана, в котором говорится: «Мне понравился гамбургер, но обслуживание было медленным», целевое настроение будет определять положительное отношение к «гамбургеру» и отрицательное отношение к «обслуживанию».

В нашем случае крупная сеть ресторанов в Северной Америке хочет проанализировать отзывы своих клиентов на своем веб-сайте и в мобильном приложении. Ресторан хочет проанализировать отзывы своих клиентов о различных позициях в меню, услугах, предоставляемых в их филиалах, и общее мнение об их опыте.

Например, клиент может написать следующий отзыв: «Еда в вашем ресторане в Нью-Йорке была очень хорошей. Паста была вкусной. Однако обслуживание было очень плохим!» В данном обзоре ресторан расположен в Нью-Йорке. Общее отношение неоднозначное: отношение к «еде» и «макаронам» положительное, а отношение к услуге — отрицательное.

Ресторан хочет анализировать отзывы по профилям клиентов, таким как возраст и пол, чтобы определить любые тенденции в сегментах клиентов (эти данные могут быть получены их веб-приложениями и мобильными приложениями и отправлены в серверную систему). Их отдел обслуживания клиентов хочет использовать эти данные, чтобы уведомить агентов о необходимости решить проблему, создав тикет клиента в нижестоящей системе CRM. Оперативному отделу нужно знать, какие товары быстро продвигаются в данный день, чтобы сократить время подготовки этих товаров.

В настоящее время все анализы доставляются в виде отчетов по электронной почте с помощью пакетного процесса, который занимает 2–3 дня. ИТ-отделу ресторана не хватает сложной аналитики данных, потоковой передачи или возможностей искусственного интеллекта и машинного обучения (ML) для создания такого решения.

Следующая диаграмма архитектуры иллюстрирует первые шаги рабочего процесса.

Все решение может быть подключено к задней части веб-сайта клиента или мобильного приложения.

Шлюз API Amazon предоставляет две конечные точки:

• Конечная точка клиента, куда вводятся отзывы клиентов
• Конечная точка службы, где отдел обслуживания может просмотреть любой конкретный отзыв и создать заявку на обслуживание.

Рабочий процесс включает в себя следующие шаги:

1. Когда клиент вводит отзыв (например, с веб-сайта), он отправляется на шлюз API, подключенный к Простой сервис очередей Amazon (Amazon SQS). Очередь действует как буфер для хранения обзоров по мере их ввода.
2. Очередь SQS запускает AWS Lambda функция. Если сообщение не доставлено функции Lambda после нескольких повторных попыток, оно помещается в очередь недоставленных сообщений для будущей проверки.
3. Лямбда-функция вызывает Шаговые функции AWS конечный автомат и передает сообщение из очереди.

Следующая диаграмма иллюстрирует рабочий процесс Step Functions.

Step Functions выполняет следующие шаги параллельно.

1. Step Functions анализирует полную тональность сообщения, вызывая API-интерфейс detect_sentiment от Amazon Comprehend.
2. Он вызывает следующие шаги:
   1. Он записывает результаты в Amazon DynamoDB таблице.
   2. Если настроение отрицательное или смешанное, он выполняет следующие действия:
      • Он отправляет уведомление на Amazon Простая служба уведомлений (Amazon SNS), на который подписан один или несколько адресов электронной почты (например, директор по обслуживанию клиентов, директор по маркетингу и т. д.).
      • Он отправляет событие в Amazon EventBridge, который передается другим нижестоящим системам для обработки полученного обзора. В примере событие EventBridge записывается в Amazon CloudWatch журнал. В реальном сценарии он может вызвать функцию Lambda для отправки события в нижестоящую систему внутри или за пределами AWS (например, в систему управления запасами или систему планирования).
3. Он анализирует целевое настроение сообщения, вызывая detect_targeted_sentiment API от Amazon Comprehend.
4. Он записывает результаты в таблицу DynamoDB с помощью функции Map (параллельно, по одной для каждого объекта, указанного в сообщении).

Следующая диаграмма иллюстрирует рабочий процесс от Step Functions до последующих систем.

1. Таблицы DynamoDB используют Потоки Amazon DynamoDB для сбора измененных данных (CDC). Данные, вставленные в таблицы, передаются через Потоки данных Amazon Kinesis в Пожарный шланг данных Amazon Kinesis почти в реальном времени (установлено на 60 секунд).
2. Kinesis Data Firehose помещает данные в Простой сервис хранения Amazon (Amazon S3) ведро.
3. Amazon QuickSight анализирует данные в корзине S3. Результаты представлены на различных информационных панелях, которые могут просматривать группы продаж, маркетинга или обслуживания клиентов (внутренние пользователи). QuickSight также может обновлять панель мониторинга по расписанию (в данном примере установлено значение 60 минут).

Ассоциация AWS CloudFormation шаблоны для создания архитектуры решения доступны на GitHub. Обратите внимание, что шаблоны не включают панели мониторинга QuickSight, но содержат инструкции по их созданию в файле README.md. В следующем разделе мы приводим несколько примеров панелей мониторинга.

Информационные панели QuickSight

Информационные панели полезны для отделов маркетинга и обслуживания клиентов, чтобы визуально анализировать, как их продукт или услуга работают по ключевым бизнес-показателям. В этом разделе мы представляем несколько примеров отчетов, разработанных в QuickSight с использованием фиктивных данных для ресторана. Эти отчеты доступны лицам, принимающим решения, примерно через 60 минут (согласно нашему циклу обновления). Они могут помочь ответить на следующие вопросы:

• Как клиенты воспринимают бизнес в целом?
• Есть ли какие-либо конкретные аспекты услуги (например, время, необходимое для оказания услуги, решение проблемы с жалобой клиента), которые нравятся или не нравятся клиентам?
• Как клиентам нравится конкретный недавно представленный продукт (например, пункт меню)? Есть ли какие-то конкретные продукты, которые нравятся или не нравятся покупателям?
• Существуют ли какие-либо наблюдаемые закономерности в настроениях клиентов в зависимости от возрастных групп, пола или местоположения (например, какие продукты питания сегодня популярны в разных местах)?

Полное настроение

На следующих рисунках показаны примеры полного анализа настроений.

Первый график показывает общее настроение.

На следующем графике показаны настроения по возрастным группам.

На следующем графике показаны настроения в зависимости от пола.

Окончательный график показывает настроения в ресторанах.

Целевое настроение

На следующих рисунках показаны примеры целевого анализа настроений.

На первом графике показаны настроения по объектам (обслуживание, ресторан, типы блюд и т. д.).

Ниже показаны настроения в разных возрастных группах по организациям.

На следующем графике показаны настроения в разных местах по объектам.

На следующем снимке экрана представлена ​​система продажи билетов CRM, которую можно использовать для более детального анализа настроений клиентов. Например, в нашем случае использования мы настроили отдел обслуживания клиентов для получения уведомлений по электронной почте о негативных настроениях. Используя информацию из электронного письма (идентификатор отзыва о настроении клиента), представитель службы может перейти к более подробным сведениям о настроении.

Обзор

В этом посте описана архитектура для анализа настроений в реальном времени с использованием Amazon Comprehend и других сервисов AWS. Наше решение обеспечивает следующие преимущества:

• Он поставляется в виде шаблона CloudFormation со шлюзом API, который можно развернуть за клиентскими приложениями или мобильными приложениями.
• Вы можете создать решение с помощью Amazon Comprehend, не обладая специальными знаниями в области искусственного интеллекта, машинного обучения или обработки естественного языка.
• Вы можете строить отчеты с помощью QuickSight без специальных знаний SQL.
• Он может быть полностью бессерверным, что обеспечивает гибкое масштабирование и потребление ресурсов только при необходимости.

Анализ настроений в режиме реального времени может быть очень полезен для компаний, заинтересованных в получении мгновенных отзывов клиентов о своих услугах. Это может помочь отделам маркетинга, продаж и обслуживания клиентов мгновенно просматривать отзывы клиентов и предпринимать корректирующие действия.

Используйте это решение в своей компании, чтобы определять настроения клиентов и реагировать на них практически в режиме реального времени.

Чтобы узнать больше о ключевые услуги, описанные в этом блоге, перейдите по ссылкам ниже

Amazon Comprehend
Шаговые функции AWS
Потоки Amazon DynamoDB
Потоки данных Amazon Kinesis
Пожарный шланг данных Amazon Kinesis
Amazon EventBridge
Amazon QuickSight

---

Об авторе

Варад Г Варадараджан является старшим архитектором решений (SA) в Amazon Web Services, поддерживающим клиентов на северо-востоке США. Варад выступает в качестве доверенного консультанта и полевого технического директора для компаний, занимающихся цифровыми технологиями, помогая им создавать инновационные решения в масштабе с использованием AWS. Областью интересов Варада являются ИТ-консалтинг, архитектура и управление продуктами. Вне работы Варад любит писать, смотреть фильмы с семьей и друзьями и путешествовать.