Enligt en PWC-rapport, 32 % av privatkunderna lämnar efter en negativ upplevelse, och 73 % av kunderna säger att kundupplevelsen påverkar deras köpbeslut. I den globala detaljhandeln är support både före och efter försäljning viktiga aspekter av kundvård. Många metoder, inklusive e-post, livechatt, bots och telefonsamtal, används för att ge kundhjälp. Eftersom konversations-AI har förbättrats under de senaste åren har många företag anammat banbrytande teknologier som AI-drivna chatbots och AI-driven agentsupport för att förbättra kundservicen samtidigt som produktiviteten ökar och kostnaderna sänks.
Amazon Comprehend är en fullt hanterad och kontinuerligt utbildad NLP-tjänst (natural language processing) som kan extrahera insikter om innehållet i ett dokument eller en text. I det här inlägget utforskar vi hur AWS-kunden Pro360 använde Amazon Comprehend anpassad klassificering API, vilket gör att du enkelt kan bygga anpassade textklassificeringsmodeller med dina affärsspecifika etiketter utan att du behöver lära dig maskininlärning (ML), för att förbättra kundupplevelsen och minska driftskostnaderna.
Pro360: Upptäck kundinvändningar exakt i chatbots
Pro360 är en marknadsplats som syftar till att koppla samman specialister med branschspecifika talanger med potentiella kunder, så att de kan hitta nya möjligheter och utöka sitt professionella nätverk. Det tillåter kunder att kommunicera direkt med experter och förhandla fram ett anpassat pris för sina tjänster baserat på deras individuella behov. Pro360 debiterar kunder när framgångsrika matchningar sker mellan specialister och kunder.
Pro360 var tvungen att hantera ett problem relaterat till opålitliga avgifter som ledde till konsumentklagomål och minskat förtroende för varumärket. Problemet var att det var svårt att förstå kundens mål under invecklade samtal fyllda med flera syften, artiga förnekelser och indirekt kommunikation. Sådana samtal ledde till felaktiga avgifter som minskade kundnöjdheten. Som ett exempel kan en kund starta en konversation och sluta omedelbart, eller avsluta konversationen genom att artigt tacka nej genom att säga "Jag är upptagen" eller "Låt mig tugga på det." På grund av kulturella skillnader kanske vissa kunder inte är vana vid att uttrycka sina avsikter tydligt, särskilt när de vill säga "nej". Detta gjorde det ännu mer utmanande.
För att lösa detta problem lade Pro360 initialt till alternativ och val för kunden, som "Jag skulle vilja ha mer information" eller "Nej, jag har andra alternativ." Istället för att skriva sin egen fråga eller förfrågan väljer kunden helt enkelt de alternativ som erbjuds. Ändå var problemet fortfarande inte löst eftersom kunderna föredrog att tala tydligt och på sitt eget naturliga språk medan de interagerade med systemet. Pro360 identifierade att problemet var ett resultat av regelbaserade system, och att en övergång till en NLP-baserad lösning skulle resultera i en bättre förståelse av kundens avsikt och leda till bättre kundnöjdhet.
Anpassad klassificering är en funktion i Amazon Comprehend, som gör att du kan utveckla dina egna klassificerare med hjälp av små datamängder. Pro360 använde denna funktion för att bygga en modell med 99.2 % noggrannhet genom att träna på 800 datapunkter och testa på 300 datapunkter. De följde en metod i tre steg för att bygga och iterera modellen för att uppnå önskad noggrannhetsnivå från 82 % till 99.3 %. För det första definierade Pro360 två klasser, reject och non-reject, som de ville använda för klassificering. För det andra tog man bort irrelevanta emojis och symboler som t.ex ~
och ...
och identifierade negativa emojis för att förbättra modellens noggrannhet. Slutligen definierade de tre ytterligare innehållsklassificeringar för att förbättra felidentifieringsfrekvensen, inklusive småprat, tvetydigt svar och avvisande med en anledning, för att ytterligare iterera modellen.
I det här inlägget delar vi hur Pro360 använde Amazon Comprehend för att spåra konsumentinvändningar under diskussioner och använde en HITL-mekanism (human-in-the-loop) för att införliva kundfeedback i modellens förbättring och noggrannhet, vilket visar användarvänligheten och effektiviteten från Amazon Comprehend.
"Inledningsvis trodde jag att det skulle bli dyrt att implementera AI. Upptäckten av Amazon Comprehend gör det dock möjligt för oss att effektivt och ekonomiskt ta en NLP-modell från idé till implementering på bara 1.5 månader. Vi är tacksamma för stödet från AWS-kontoteamet, lösningsarkitekturteamet och ML-experter från SSO- och serviceteamet.”
– LC Lee, grundare och VD för Pro360.
Lösningsöversikt
Följande diagram illustrerar lösningsarkitekturen som täcker inferens i realtid, arbetsflöde för feedback och arbetsflöde för mänsklig granskning, och hur dessa komponenter bidrar till Amazon Comprehends utbildningsarbetsflöde.
I följande avsnitt går vi igenom varje steg i arbetsflödet.
Textklassificering i realtid
Att använda Amazon Förstå anpassad klassificering i realtid, måste du distribuera ett API som startpunkt och anropa en Amazon Comprehend-modell för att utföra textklassificering i realtid. Stegen är som följer:
- Kundsidan ringer Amazon API Gateway som ingångspunkt för att tillhandahålla ett klientmeddelande som indata.
- API Gateway skickar begäran till AWS Lambda och anropar API från Amazon DynamoDB och Amazon Comprehend i steg 3 och 4.
- Lambda kontrollerar den aktuella versionen av Amazon Comprehend-slutpunkten som lagrar data i DynamoDB och anropar en Amazon Comprehend-slutpunkt för att få slutledning i realtid.
- Lambda, med en inbyggd regel, kontrollerar poängen för att avgöra om den är under tröskeln eller inte. Den lagrar sedan dessa data i DynamoDB och väntar på mänskligt godkännande för att bekräfta utvärderingsresultatet.
Arbetsflöde för feedback
När slutpunkten returnerar klassificeringsresultatet till klientsidan, uppmanar applikationen slutanvändaren med en ledtråd att få deras feedback, och lagrar data i databasen för nästa omgång (utbildningsarbetsflödet). Stegen för arbetsflödet för feedback är följande:
- Klientsidan skickar feedback till användaren genom att anropa API Gateway.
- API Gateway förbigår begäran till Lambda. Lambda kontrollerar formatet och lagrar det i DynamoDB.
- Användarfeedbacken från Lambda lagras i DynamoDB och kommer att användas för nästa utbildningsprocess.
Arbetsflöde för mänsklig granskning
Processen för mänsklig granskning hjälper oss att klargöra data med ett konfidenspoäng under tröskeln. Dessa data är värdefulla för att förbättra Amazon Comprehend-modellen och läggs till i nästa iteration av omskolning. Vi använde Elastisk belastningsbalansering som startpunkt för att genomföra denna process eftersom Pro360-systemet är byggt på Amazon Elastic Complute Cloud (Amazon EC2). Stegen för detta arbetsflöde är följande:
- Vi använder ett befintligt API på Elastic Load Balancer som ingångspunkt.
- Vi använder Amazon EC2 som beräkningsresurs för att bygga en front-end dashboard för granskaren att tagga indata med lägre konfidenspoäng.
- Efter att granskaren identifierat invändningen från indata lagrar vi resultatet i en DynamoDB-tabell.
Amazon Comprehend utbildningsarbetsflöde
För att börja träna Amazon Comprehend-modellen måste vi förbereda träningsdata. Följande steg visar hur du tränar modellen:
- Vi använder AWS-lim att utföra extrahera, transformera och ladda (ETL) jobb och slå samman data från två olika DynamoDB-tabeller och lagra dem i Amazon enkel lagringstjänst (Amazon S3).
- När Amazon S3 träningsdata är klar kan vi trigga AWS stegfunktioner som orkestreringsverktyget för att köra träningsjobbet, och vi passerar S3-vägen till Step Functions-tillståndsmaskinen.
- Vi anropar en Lambda-funktion för att verifiera att utbildningsdatavägen finns och utlöser sedan ett Amazon Comprehend-utbildningsjobb.
- Efter att träningsjobbet startar använder vi en annan Lambda-funktion för att kontrollera träningsjobbets status. Om träningsjobbet är klart får vi modellmåttet och lagrar det i DynamoDB för vidare utvärdering.
- Vi kontrollerar prestandan för den aktuella modellen med en Lambda-modellvalsfunktion. Om den nuvarande versionens prestanda är bättre än den ursprungliga, distribuerar vi den till Amazon Comprehend-slutpunkten.
- Sedan anropar vi en annan Lambda-funktion för att kontrollera ändpunktsstatusen. Funktionen uppdaterar information i DynamoDB för textklassificering i realtid när slutpunkten är klar.
Sammanfattning och nästa steg
I det här inlägget visade vi hur Amazon Comprehend gör det möjligt för Pro360 att bygga en AI-driven applikation utan ML-experter, vilket kan öka noggrannheten i detektering av kundinvändningar. Pro360 kunde bygga en skräddarsydd NLP-modell på bara 1.5 månader och kan nu identifiera 90 % av kundernas artiga avslag och upptäcka kundens avsikt med 99.2 % total noggrannhet. Den här lösningen förbättrar inte bara kundupplevelsen, ökar retentionsgraden med 28.5 %, den förbättrar också ekonomiska resultat, minskar driftskostnaden med 8 % och minskar arbetsbelastningen för kundtjänstagenter.
Att identifiera kundinvändningar är dock bara det första steget för att förbättra kundupplevelsen. Genom att fortsätta att iterera på kundupplevelsen och påskynda intäktstillväxten är nästa steg att identifiera orsakerna till kundernas invändningar, såsom bristande intresse, tidsproblem eller påverkan från andra, och att generera lämplig respons för att öka försäljningskonverteringen Betygsätta.
För att använda Amazon Comprehend för att bygga anpassade textklassificeringsmodeller kan du komma åt tjänsten via AWS Management Console. För att lära dig mer om hur du använder Amazon Comprehend, kolla in Amazon Comprehend utvecklarresurser.
Om författarna
Ray Wang är lösningsarkitekt på AWS. Med 8 års erfarenhet inom IT-branschen är Ray dedikerad till att bygga moderna lösningar på molnet, särskilt inom NoSQL, big data och maskininlärning. Som en hungrig go-getter klarade han alla 12 AWS-certifikat för att göra sitt tekniska område inte bara djupt utan brett. Han älskar att läsa och se sci-fi-filmer på fritiden.
Josie Cheng är en HKT AI/ML Go-To-Market på AWS. Hennes nuvarande fokus är på affärsomvandling inom detaljhandeln och CPG genom data och ML för att driva på en enorm företagstillväxt. Innan Josie började på AWS arbetade Josie för Amazon Retail och andra kinesiska och amerikanska internetföretag som Growth Product Manager.
Shanna Chang är lösningsarkitekt på AWS. Hon fokuserar på observerbarhet i moderna arkitekturer och molnbaserade övervakningslösningar. Innan hon började på AWS var hon mjukvaruingenjör. På fritiden tycker hon om att vandra och titta på film.
Wrick Talukdar är seniorarkitekt med Amazon Comprehend Service-teamet. Han arbetar med AWS-kunder för att hjälpa dem att ta till sig maskininlärning i stor skala. Utanför jobbet tycker han om att läsa och fotografera.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : har
- :är
- :inte
- 1
- 100
- 2%
- 28
- 7
- 8
- a
- Able
- Om Oss
- accelerera
- tillgång
- Konto
- noggrannhet
- exakt
- Uppnå
- lagt till
- Annat
- anta
- antagen
- Efter
- Recensioner
- medel
- AI
- AI-powered
- AI / ML
- Syftet
- Alla
- tillåta
- tillåter
- också
- amason
- Amazon Comprehend
- Amazon EC2
- an
- och
- Annan
- api
- Ansökan
- tillvägagångssätt
- lämpligt
- godkännande
- arkitektur
- ÄR
- AS
- aspekter
- Bistånd
- At
- AWS
- AWS kund
- gunga
- baserat
- BE
- därför att
- innan
- tros
- nedan
- Bättre
- mellan
- Stor
- Stora data
- båda
- botar
- varumärke
- föra
- SLUTRESULTAT
- Byggnad
- byggt
- inbyggd
- företag
- Affärstransformation
- företag
- men
- by
- Ring
- anropande
- Samtal
- KAN
- vilken
- VD
- certifikat
- utmanande
- avgifter
- chatbots
- ta
- Kontroller
- Kina
- val
- klasser
- klassificering
- klart
- klient
- klienter
- cloud
- COM
- kommunicera
- Kommunikation
- Företag
- klagomål
- fullborda
- komponenter
- förstå
- Compute
- begrepp
- Genomför
- förtroende
- Bekräfta
- Kontakta
- Konsumenten
- innehåll
- fortsätter
- kontinuerligt
- bidra
- Konversation
- konversera
- konversations AI
- konversationer
- Konvertering
- Pris
- Kostar
- beläggning
- CpG
- kultur
- Aktuella
- beställnings
- kund
- kundupplevelse
- Kundnöjdhet
- Kundservice
- Kunder
- kundanpassad
- allra senaste
- instrumentbräda
- datum
- datapunkter
- Databas
- behandla
- beslut
- sjunkande
- dedicerad
- djup
- definierade
- demonstrera
- distribuera
- önskas
- Detektering
- Bestämma
- Utvecklare
- skillnader
- olika
- svårt
- direkt
- Upptäckten
- diskussioner
- dokumentera
- ner
- under
- varje
- enkel användning
- lätt
- effektivitet
- effektivt
- möjliggör
- Slutpunkt
- ingenjör
- Förbättrar
- Företag
- inträde
- speciellt
- utvärdering
- Även
- exempel
- befintliga
- finns
- Bygga ut
- erfarenhet
- expert
- expertis
- experter
- utforska
- extrahera
- Leverans
- återkoppling
- fält
- fyllda
- finansiella
- hitta
- Förnamn
- Fokus
- fokuserar
- följt
- efter
- följer
- För
- format
- grundare
- Grundare och VD
- från
- Bränsle
- fullständigt
- fungera
- funktioner
- ytterligare
- nätbryggan
- generera
- skaffa sig
- Välgörenhet
- Gå till marknaden
- tacksam
- Tillväxt
- Har
- he
- hjälpa
- hjälper
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- humant
- Hungrig
- i
- identifierade
- identifierar
- identifiera
- identifiera
- illustrerar
- blir omedelbart
- genomförande
- genomföra
- med Esport
- förbättra
- förbättras
- förbättring
- förbättra
- in
- Inklusive
- införliva
- Öka
- ökande
- individuellt
- industrin
- branschspecifika
- påverka
- informationen
- initialt
- ingång
- insikt
- istället
- uppsåt
- intentioner
- interagera
- intresse
- Internet
- in
- problem
- IT
- IT-branschen
- iteration
- Jobb
- Lediga jobb
- sammanfogning
- jpg
- bara
- Etiketter
- Brist
- språk
- Large
- leda
- ledande
- LÄRA SIG
- inlärning
- Led
- Lee
- Nivå
- tycka om
- lever
- läsa in
- sänkning
- Maskinen
- maskininlärning
- gjord
- göra
- förvaltade
- ledning
- chef
- många
- marknadsplats
- Maj..
- mekanism
- Sammanfoga
- meddelande
- metoder
- metriska
- kanske
- ML
- modell
- modeller
- Modern Konst
- övervakning
- månader
- mer
- Filmer
- rörliga
- multipel
- Natural
- Naturlig språkbehandling
- Behöver
- negativ
- nät
- Nya
- Nästa
- nlp
- nu
- talrik
- mål
- of
- on
- ONE
- endast
- drift
- operativa
- möjligheter
- Tillbehör
- or
- orkestrering
- ursprungliga
- Övriga
- Övrigt
- utanför
- övergripande
- egen
- särskilt
- passera
- Godkänd
- passerar
- bana
- prestanda
- telefon
- telefonsamtal
- fotografi
- plato
- Platon Data Intelligence
- PlatonData
- Punkt
- poäng
- Inlägg
- potentiell
- potentiella klienter
- föredragen
- Förbered
- pris
- Problem
- process
- bearbetning
- Produkt
- produktchef
- produktivitet
- professionell
- ge
- förutsatt
- inköp
- PWC
- fråga
- Betygsätta
- STRÅLE
- Läsa
- Läsning
- redo
- verklig
- realtid
- Anledningen
- skäl
- senaste
- minska
- Minskad
- reducerande
- relaterad
- avlägsnas
- begära
- Krav
- resurs
- respons
- resultera
- detaljhandeln
- detaljhandeln
- retentionstid
- återgår
- intäkter
- omsättningstillväxt
- översyn
- rund
- Regel
- Körning
- försäljning
- tillfredsställande
- Skala
- sci-fi
- göra
- sektioner
- Val
- senior
- service
- Tjänster
- Dela
- show
- sida
- Enkelt
- helt enkelt
- eftersom
- Small
- Mjukvara
- Programvara ingenjör
- lösning
- Lösningar
- LÖSA
- några
- tala
- specialister
- starta
- startar
- Ange
- status
- Steg
- Steg
- Fortfarande
- Sluta
- förvaring
- lagra
- lagras
- lagrar
- framgångsrik
- sådana
- stödja
- system
- System
- bord
- MÄRKA
- talanger
- Diskussion
- grupp
- Teknisk
- Tekniken
- Testning
- Textklassificering
- än
- den där
- Smakämnen
- deras
- Dem
- de
- detta
- de
- tre
- tre steg
- tröskelvärde
- Genom
- tid
- Tidpunkten
- till
- verktyg
- spår
- Tåg
- tränad
- Utbildning
- Förvandla
- Transformation
- enorm
- utlösa
- Litar
- under
- förstå
- förståelse
- Uppdateringar
- us
- användning
- Begagnade
- Användare
- med hjälp av
- utnyttjas
- BEKRÄFTA
- Värdefulla
- version
- ville
- var
- Kolla på
- tittar
- we
- były
- om
- som
- medan
- bred
- kommer
- med
- utan
- Arbete
- arbetade
- fungerar
- skulle
- år
- Om er
- Din
- zephyrnet