Analiza razpoloženja strank v realnem času z uporabo AWS

Podjetja, ki prodajajo izdelke ali storitve na spletu, morajo nenehno spremljati ocene strank, ki jih pustijo na njihovi spletni strani po nakupu izdelka. Oddelki za trženje in storitve za stranke analizirajo te ocene, da bi razumeli razpoloženje strank. Trženje bi lahko te podatke na primer uporabilo za ustvarjanje kampanj, ki ciljajo na različne segmente strank. Oddelki za pomoč strankam bi lahko uporabili te podatke, da bi opazili nezadovoljstvo strank in sprejeli korektivne ukrepe.

Tradicionalno se ti podatki zbirajo s paketnim postopkom in pošiljajo v podatkovno skladišče za shranjevanje, analizo in poročanje, odločevalcem pa so na voljo po nekaj urah, če ne celo dneh. Če je te podatke mogoče takoj analizirati, lahko podjetjem zagotovijo priložnost, da se hitro odzovejo na razpoloženje strank.

V tej objavi opisujemo pristop za analizo splošnega razpoloženja povratnih informacij strank v skoraj realnem času (nekaj minut). Prav tako pokažemo, kako razumeti različna čustva, povezana z določenimi entitetami v besedilu (kot so podjetje, izdelek, oseba ali blagovna znamka) neposredno iz API-ja.

Primeri uporabe za analizo razpoloženja v realnem času

Analiza razpoloženja v realnem času je zelo uporabna za podjetja, ki jih zanima takojšnja povratna informacija strank o njihovih izdelkih in storitvah, kot so:

• restavracije
• Maloprodajna ali B2C podjetja, ki prodajajo različne izdelke ali storitve
• Podjetja, ki pretakajo spletne filme (platforme OTT), koncerte v živo ali športne dogodke
• Finančne ustanove

Na splošno lahko vsako podjetje, ki ima stike s strankami in mora sprejemati odločitve v realnem času, koristi od povratnih informacij strank v realnem času.

Uvedba pristopa k razpoloženju v realnem času je lahko koristna v naslednjih primerih uporabe:

• Marketinški oddelki lahko podatke uporabijo za boljše ciljanje na segmente strank ali prilagodijo svoje akcije določenim segmentom strank.
• Oddelki za pomoč strankam se lahko takoj obrnejo na nezadovoljne stranke in poskušajo rešiti težave ter preprečiti odliv strank.
• Pozitivno ali negativno mnenje o izdelku se lahko izkaže kot koristen pokazatelj povpraševanja po izdelku na različnih lokacijah. Na primer, za izdelek, ki se hitro premika, lahko podjetja uporabijo podatke v realnem času, da prilagodijo svoje ravni zalog v skladiščih, da se izognejo presežnim inventarjem ali izpadom zalog v določenih regijah.

Prav tako je koristno natančno razumeti razpoloženje, kot v naslednjih primerih uporabe:

• Podjetje lahko prepozna dele izkušnje zaposlenega/stranke, ki so prijetni, in dele, ki bi jih lahko izboljšali.
• Kontaktni centri in ekipe za pomoč strankam lahko analizirajo prepise klicev ali dnevnike klepetov, da prepoznajo učinkovitost usposabljanja agentov in podrobnosti pogovora, kot so specifične reakcije stranke in fraze ali besede, ki so bile uporabljene za izvabljanje tega odgovora.
• Lastniki izdelkov in razvijalci UI/UX lahko prepoznajo funkcije svojega izdelka, ki jih uporabniki uživajo, in dele, ki jih je treba izboljšati. To lahko podpira razprave o časovnem načrtu izdelka in določanje prednostnih nalog.

Pregled rešitev

Predstavljamo rešitev, ki lahko pomaga podjetjem analizirati razpoloženje strank (tako popolno kot ciljano) v skoraj realnem času (običajno v nekaj minutah) na podlagi ocen, vnesenih na njihovo spletno stran. V svojem bistvu sloni na Amazonsko razumevanje za izvedbo popolne in ciljne analize razpoloženja.

API za razpoloženje Amazon Comprehend identificira splošno razpoloženje besedilnega dokumenta. Od oktobra 2022 lahko uporabite ciljno razpoloženje, da prepoznate razpoloženje, povezano z določenimi entitetami, omenjenimi v besedilnih dokumentih. Na primer, v oceni restavracije, ki pravi: "Všeč mi je bil burger, vendar je bila postrežba počasna," bo ciljno razpoloženje prepoznalo pozitivno razpoloženje za "hamburger" in negativno za "postrežbo".

Za naš primer uporabe želi velika veriga restavracij v Severni Ameriki analizirati ocene svojih strank na svojem spletnem mestu in prek mobilne aplikacije. Restavracija želi analizirati povratne informacije svojih strank o različnih izdelkih v meniju, storitvah v njihovih poslovalnicah in splošnem občutku glede njihove izkušnje.

Stranka bi lahko na primer napisala naslednjo oceno: »Hrana v vaši restavraciji v New Yorku je bila zelo dobra. Testenine so bile okusne. Vendar je bila postrežba zelo slaba!« Za to oceno je lokacija restavracije New York. Splošno mnenje je mešano – mnenje o »hrani« in »testeninah« je pozitivno, mnenje o storitvi pa negativno.

Restavracija želi analizirati ocene glede na profil stranke, kot sta starost in spol, da prepozna morebitne trende v segmentih strank (te podatke lahko zajamejo njihove spletne in mobilne aplikacije ter pošljejo v zaledni sistem). Njihov oddelek za pomoč strankam želi uporabiti te podatke za obveščanje agentov, da bodo ukrepali v zvezi s težavo, tako da ustvarijo vstopnico za stranke v nižjem sistemu CRM. Operacije želijo razumeti, kateri elementi se na določen dan hitro premikajo, tako da lahko skrajšajo čas priprave za te elemente.

Trenutno so vse analize dostavljene kot poročila po e-pošti prek paketnega postopka, ki traja 2–3 dni. Restavracijski oddelek za informacijsko tehnologijo nima sofisticirane podatkovne analitike, pretakanja ali zmogljivosti umetne inteligence in strojnega učenja (ML), da bi zgradil takšno rešitev.

Naslednji diagram arhitekture ponazarja prve korake poteka dela.

Celotno rešitev je mogoče priklopiti na zadnjo stran spletnega mesta stranke ali mobilne aplikacije.

Amazon API Gateway izpostavlja dve končni točki:

• Končna točka stranke, kjer se vnašajo ocene strank
• Storitvena končna točka, kjer lahko servisni oddelek pogleda kateri koli določen pregled in ustvari servisno kartico

Potek dela vključuje naslednje korake:

1. Ko stranka vnese mnenje (na primer s spletnega mesta), se to pošlje prehodu API, ki je povezan z Storitev Amazon Simple Queue Service (Amazon SQS) čakalna vrsta. Čakalna vrsta deluje kot medpomnilnik za shranjevanje ocen, ko so vnesene.
2. Čakalna vrsta SQS sproži an AWS Lambda funkcijo. Če sporočilo ni dostavljeno funkciji Lambda po nekaj ponovnih poskusih, se postavi v čakalno vrsto mrtvih pisem za prihodnji pregled.
3. Funkcija Lambda prikliče Korak funkcije AWS stanje stroj in posreduje sporočilo iz čakalne vrste.

Naslednji diagram prikazuje potek dela funkcij korakov.

Step Functions izvaja naslednje korake vzporedno.

1. Step Functions analizira celotno razpoloženje sporočila tako, da prikliče detect_sentiment API iz Amazon Comprehend.
2. Prikliče naslednje korake:
   1. Rezultate zapiše v an Amazon DynamoDB miza.
   2. Če je razpoloženje negativno ali mešano, izvede naslednja dejanja:
      • Pošlje obvestilo na Amazon Simple notification Service (Amazon SNS), ki je naročen z enim ali več e-poštnimi naslovi (kot je direktor službe za stranke, direktor marketinga itd.).
      • Pošlje dogodek na Amazon EventBridge, ki se posreduje drugim nadaljnjim sistemom, da ukrepajo na podlagi prejetega pregleda. V primeru je dogodek EventBridge zapisan v amazoncloudwatch dnevnik. V resničnem scenariju bi lahko priklical funkcijo Lambda za pošiljanje dogodka v spodnji sistem znotraj ali zunaj AWS (kot je sistem za upravljanje inventarja ali sistem za razporejanje).
3. Analizira ciljno čustvo sporočila tako, da prikliče detect_targeted_sentiment API podjetja Amazon Comprehend.
4. Rezultate zapiše v tabelo DynamoDB z uporabo funkcije Map (vzporedno, enega za vsako entiteto, identificirano v sporočilu).

Naslednji diagram ponazarja potek dela od funkcij koraka do sistemov na nižji stopnji.

1. Tabele DynamoDB uporabljajo Amazon DynamoDB Streams za izvedbo zajema podatkov o spremembah (CDC). Podatki, vstavljeni v tabele, se pretakajo prek Amazonski kinezi podatkovni tokovi do Amazon Kinesis Data Firehose v skoraj realnem času (nastavljen na 60 sekund).
2. Kinesis Data Firehose shrani podatke v Preprosta storitev shranjevanja Amazon (Amazon S3) vedro.
3. Amazon QuickSight analizira podatke v vedru S3. Rezultati so predstavljeni na različnih nadzornih ploščah, ki si jih lahko ogledajo ekipe za prodajo, trženje ali storitve za stranke (notranji uporabniki). QuickSight lahko tudi osveži nadzorno ploščo po urniku (v tem primeru nastavljen na 60 minut).

O Oblikovanje oblaka AWS predloge za ustvarjanje arhitekture rešitve so na voljo na GitHub. Upoštevajte, da predloge ne vključujejo nadzornih plošč QuickSight, vendar nudijo navodila za njihovo ustvarjanje v datoteki README.md. V naslednjem razdelku ponujamo nekaj vzorcev nadzornih plošč.

Nadzorne plošče QuickSight

Nadzorne plošče so uporabne za oddelke za trženje in storitve za stranke, da vizualno analizirajo, kako njihov izdelek ali storitev deluje glede na ključne poslovne meritve. V tem razdelku predstavljamo nekaj vzorčnih poročil, ki so bila razvita v QuickSightu z uporabo izmišljenih podatkov za restavracijo. Ta poročila so na voljo odločevalcem v približno 60 minutah (v skladu z našim ciklom osveževanja). Pomagajo lahko odgovoriti na naslednja vprašanja:

• Kako kupci dojemajo podjetje kot celoto?
• Ali obstajajo kakšni posebni vidiki storitve (kot je čas, potreben za dostavo storitve, rešitev pritožbe stranke), ki so strankam všeč ali ne?
• Kako je strankam všeč določen na novo uveden izdelek (na primer izdelek na meniju)? Ali obstajajo kakšni posebni izdelki, ki so strankam všeč ali ne?
• Ali obstajajo opazni vzorci v razpoloženju strank po starostnih skupinah, spolu ali lokacijah (na primer katera hrana je danes priljubljena na različnih lokacijah)?

Poln sentiment

Naslednje slike prikazujejo primere popolne analize razpoloženja.

Prvi graf prikazuje splošno razpoloženje.

Naslednji graf prikazuje razpoloženje po starostnih skupinah.

Naslednji graf prikazuje razpoloženje glede na spol.

Končni graf prikazuje razpoloženje po lokacijah restavracij.

Ciljno razpoloženje

Naslednje slike prikazujejo primere ciljne analize razpoloženja.

Prvi graf prikazuje razpoloženje po subjektih (storitev, restavracija, vrste obrokov itd.).

Naslednje prikazuje razpoloženje po starostnih skupinah po subjektih.

Naslednji graf prikazuje razpoloženje po lokacijah glede na subjekt.

Naslednji posnetek zaslona je iz sistema izdajanja vozovnic CRM, ki bi ga lahko uporabili za natančnejšo analizo razpoloženja strank. Na primer, v našem primeru uporabe smo nastavili oddelek za pomoč strankam, da prejema e-poštna obvestila o negativnih občutkih. Z informacijami iz e-pošte (ID ocene mnenja stranke) se lahko predstavnik storitve poglobi v natančnejše podrobnosti mnenja.

Povzetek

Ta objava opisuje arhitekturo za analizo razpoloženja v realnem času z uporabo Amazon Comprehend in drugih storitev AWS. Naša rešitev zagotavlja naslednje prednosti:

• Dostavljen je kot predloga CloudFormation s prehodom API, ki ga je mogoče namestiti za aplikacijami, namenjenimi strankam, ali mobilnimi aplikacijami
• Rešitev lahko zgradite z uporabo Amazon Comprehend, brez posebnega znanja o AI, ML ali obdelavi naravnega jezika
• S QuickSightom lahko sestavite poročila brez posebnega znanja SQL
• Lahko je popolnoma brez strežnika, kar zagotavlja elastično skaliranje in porablja vire le, ko je to potrebno

Analiza razpoloženja v realnem času je lahko zelo koristna za podjetja, ki jih zanima takojšnja povratna informacija strank o njihovih storitvah. Oddelkom za trženje, prodajo in storitve za stranke lahko pomaga takoj pregledati povratne informacije strank in sprejeti korektivne ukrepe.

Uporabite to rešitev v svojem podjetju, da zaznate občutke strank in se nanje odzovete v skoraj realnem času.

Če želite izvedeti več o tem ključne storitve, opisane v tem blogu, obiščite spodnje povezave

Amazonsko razumevanje
Korak funkcije AWS
Amazon DynamoDB Streams
Amazonski kinezi podatkovni tokovi
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

O Author

Varad G Varadarajan je višji arhitekt rešitev (SA) pri Amazon Web Services, ki podpira stranke na severovzhodu ZDA. Varad deluje kot zaupanja vreden svetovalec in tehnični direktor na terenu za domača digitalna podjetja ter jim pomaga graditi inovativne rešitve v velikem obsegu z uporabo AWS. Varadova področja zanimanja so strateško IT svetovanje, arhitektura in upravljanje izdelkov. Zunaj dela Varad uživa v kreativnem pisanju, gledanju filmov z družino in prijatelji ter potovanjih.