Realtidsanalys av kundsentiment med AWS

Företag som säljer produkter eller tjänster online måste ständigt övervaka kundrecensioner som lämnas på deras webbplats efter att ha köpt en produkt. Företagets marknadsförings- och kundtjänstavdelningar analyserar dessa recensioner för att förstå kundernas sentiment. Marknadsföring kan till exempel använda denna data för att skapa kampanjer som riktar sig till olika kundsegment. Kundtjänstavdelningar kan använda dessa uppgifter för att upptäcka missnöje hos kunder och vidta korrigerande åtgärder.

Traditionellt samlas denna data in via en batchprocess och skickas till ett datalager för lagring, analys och rapportering, och görs tillgänglig för beslutsfattare efter flera timmar, om inte dagar. Om denna data kan analyseras omedelbart kan den ge möjligheter för företag att reagera snabbt på kundernas sentiment.

I det här inlägget beskriver vi ett tillvägagångssätt för att analysera den övergripande känslan av kundfeedback i nästan realtid (några minuter). Vi visar också hur man förstår de olika känslorna associerade med specifika enheter i texten (som företag, produkt, person eller varumärke) direkt från API:et.

Använd fall för sentimentanalys i realtid

Sentimentanalys i realtid är mycket användbar för företag som är intresserade av att få omedelbar kundfeedback om sina produkter och tjänster, som:

• restauranger
• Detaljhandels- eller B2C-företag som säljer olika produkter eller tjänster
• Företag som streamar onlinefilmer (OTT-plattformar), livekonserter eller sportevenemang
• Finansiella institut

I allmänhet kan alla företag som har kundkontaktpunkter och behöver fatta beslut i realtid dra nytta av feedback i realtid från kunder.

Att implementera en realtidsstrategi för sentiment kan vara användbar i följande användningsfall:

• Marknadsavdelningar kan använda data för att rikta in sig på kundsegment bättre, eller anpassa sina kampanjer till specifika kundsegment.
• Kundtjänstavdelningar kan nå ut till missnöjda kunder omedelbart och försöka lösa problemen och förhindra kundförlust.
• Positiva eller negativa känslor för en produkt kan visa sig vara en användbar indikator på produktefterfrågan på olika platser. Till exempel, för en snabbrörlig produkt kan företag använda realtidsdata för att justera sina lagernivåer i lager, för att undvika överskottslager eller lageruttag i specifika regioner.

Det är också användbart att ha en detaljerad förståelse av sentiment, som i följande användningsfall:

• Ett företag kan identifiera delar av medarbetarens/kundens upplevelse som är njutbara och delar som kan förbättras.
• Kontaktcenter och kundtjänstteam kan analysera jourtransskriptioner eller chattloggar för att identifiera agentutbildningens effektivitet och konversationsdetaljer som specifika reaktioner från en kund och fraser eller ord som användes för att få fram det svaret.
• Produktägare och UI/UX-utvecklare kan identifiera funktioner i sin produkt som användarna gillar och delar som behöver förbättras. Detta kan stödja diskussioner och prioriteringar för produktfärdplanen.

Lösningsöversikt

Vi presenterar en lösning som kan hjälpa företag att analysera kundsentiment (både fullständigt och riktat) i nästan realtid (vanligtvis på några minuter) från recensioner som lagts in på deras webbplats. I sin kärna förlitar den sig på Amazon Comprehend att utföra både fullständig och riktad sentimentanalys.

Amazon Comprehend sentiment API identifierar den övergripande känslan för ett textdokument. Från och med oktober 2022 kan du använda riktade känslor för att identifiera de känslor som är kopplade till specifika enheter som nämns i textdokument. Till exempel, i en restaurangrecension som säger "Jag älskade hamburgaren men servicen var långsam", kommer det riktade sentimentet att identifiera positiva känslor för "burgare" och negativa känslor för "service".

För vårt användningsfall vill en stor restaurangkedja i Nordamerika analysera recensioner gjorda av sina kunder på deras hemsida och via en mobilapp. Restaurangen vill analysera sina kunders feedback på olika artiklar i menyn, servicen på deras filialer och den övergripande känslan av deras upplevelse.

En kund kan till exempel skriva följande recension: “Maten på din restaurang i New York var mycket bra. Pastan var utsökt. Men servicen var väldigt dålig!” För denna recension är platsen för restaurangen New York. Den övergripande känslan är blandad - känslan för "mat" och "pasta" är positiv, men känslan för tjänsten är negativ.

Restaurangen vill analysera recensionerna efter kundprofil, såsom ålder och kön, för att identifiera eventuella trender över kundsegment (detta data kan fångas upp av deras webb- och mobilappar och skickas till backend-systemet). Deras kundtjänstavdelning vill använda dessa uppgifter för att meddela agenter att de ska följa upp problemet genom att skapa en kundbiljett i ett nedströms CRM-system. Operations vill förstå vilka föremål som rör sig snabbt en viss dag, så att de kan minska förberedelsetiden för dessa föremål.

För närvarande levereras alla analyser som rapporter via e-post via en batchprocess som tar 2–3 dagar. Restaurangens IT-avdelning saknar sofistikerad dataanalys, streaming eller AI och maskininlärning (ML) för att bygga en sådan lösning.

Följande arkitekturdiagram illustrerar de första stegen i arbetsflödet.

Hela lösningen kan hakas på baksidan av en kundwebbplats eller en mobilapp.

Amazon API Gateway avslöjar två slutpunkter:

• En kundslutpunkt där kundrecensioner läggs in
• En serviceslutpunkt där en serviceavdelning kan titta på en viss recension och skapa en servicebiljett

Arbetsflödet innehåller följande steg:

1. När en kund skriver in en recension (till exempel från webbplatsen) skickas den till en API-gateway som är ansluten till en Amazon enkel kötjänst (Amazon SQS) kö. Kön fungerar som en buffert för att lagra recensionerna när de läggs in.
2. SQS-kön utlöser en AWS Lambda fungera. Om meddelandet inte levereras till Lambdafunktionen efter några försök, placeras det i dödbokstavskön för framtida inspektion.
3. Lambdafunktionen anropar AWS stegfunktioner tillståndsmaskin och skickar meddelandet från kön.

Följande diagram illustrerar arbetsflödet Step Functions.

Step Functions utför följande steg parallellt.

1. Step Functions analyserar hela känslan av meddelandet genom att anropa detect_sentiment API från Amazon Comprehend.
2. Den åberopar följande steg:
   1. Den skriver resultaten till en Amazon DynamoDB tabell.
   2. Om känslan är negativ eller blandad utför den följande åtgärder:
      • Den skickar ett meddelande till Amazon enkel meddelandetjänst (Amazon SNS), som prenumereras av en eller flera e-postadresser (som direktören för kundtjänst, marknadschefen och så vidare).
      • Det skickar en händelse till Amazon EventBridge, som skickas vidare till ett annat nedströmssystem för att agera på den mottagna recensionen. I exemplet skrivs EventBridge-händelsen till en amazoncloudwatch logga. I ett verkligt scenario kan det anropa en Lambda-funktion för att skicka händelsen till ett nedströmssystem inom eller utanför AWS (som ett lagerhanteringssystem eller schemaläggningssystem).
3. Den analyserar den riktade känslan av meddelandet genom att åberopa detect_targeted_sentiment API från Amazon Comprehend.
4. Den skriver resultaten till en DynamoDB-tabell med hjälp av kartfunktionen (parallellt en för varje enhet som identifieras i meddelandet).

Följande diagram illustrerar arbetsflödet från stegfunktioner till nedströmssystem.

1. DynamoDB-tabellerna använder Amazon DynamoDB-strömmar för att utföra ändringsdatainsamling (CDC). Data som infogas i tabellerna streamas via Amazon Kinesis dataströmmar till Amazon Kinesis Data Firehose i nästan realtid (inställd på 60 sekunder).
2. Kinesis Data Firehose deponerar data i en Amazon enkel lagringstjänst (Amazon S3) hink.
3. Amazon QuickSight analyserar data i S3-skopan. Resultaten presenteras i olika instrumentpaneler som kan ses av försäljnings-, marknadsförings- eller kundtjänstteam (interna användare). QuickSight kan också uppdatera instrumentpanelen enligt ett schema (inställt på 60 minuter för det här exemplet).

Smakämnen AWS molnformation mallar för att skapa lösningsarkitekturen finns tillgängliga på GitHub. Observera att mallarna inte inkluderar QuickSight-instrumentpanelerna, men ger instruktioner om hur du skapar dem i filen README.md. Vi tillhandahåller några exempel på instrumentpaneler i följande avsnitt.

QuickSight instrumentpaneler

Dashboards är användbara för marknadsförings- och kundtjänstavdelningar för att visuellt analysera hur deras produkt eller tjänst går över viktiga affärsmått. I det här avsnittet presenterar vi några exempelrapporter som utvecklats i QuickSight, med hjälp av fiktiv data för restaurangen. Dessa rapporter är tillgängliga för beslutsfattare på cirka 60 minuter (enligt vår uppdateringscykel). De kan hjälpa till att svara på frågor som följande:

• Hur uppfattar kunderna verksamheten som helhet?
• Finns det några specifika aspekter av tjänsten (som tid det tar att leverera tjänsten, lösning som tillhandahålls på ett kundklagomål) som kunderna gillar eller inte gillar?
• Hur tycker kunderna om en specifik nyintroducerad produkt (som ett objekt på menyn)? Finns det några specifika produkter som kunderna gillar eller inte gillar?
• Finns det några observerbara mönster i kundernas känslor över åldersgrupper, kön eller platser (som vilka livsmedel som är populära på olika platser idag)?

Full känsla

Följande figurer visar exempel på fullständig sentimentanalys.

Den första grafen visar det övergripande sentimentet.

Nästa graf visar sentimentet mellan åldersgrupperna.

Följande graf visar känslor över kön.

Den sista grafen visar känslor över restaurangplatser.

Riktat sentiment

Följande figurer visar exempel på riktad sentimentanalys.

Den första grafen visar sentiment per enhet (service, restaurang, typer av måltid, och så vidare).

Följande visar känslor över åldersgrupper efter enhet.

Nästa graf visar sentiment över platser per enhet.

Följande skärmdump är från ett CRM-biljettsystem som skulle kunna användas för mer detaljerad analys av kundsentiment. Till exempel, i vårt användningsfall ställer vi in ​​kundtjänstavdelningen för att ta emot e-postmeddelanden om negativa känslor. Med informationen från e-postmeddelandet (recensions-ID för kundkänslan) kan en servicerepresentant gå ner i mer detaljerade detaljer om känslan.

Sammanfattning

Det här inlägget beskrev en arkitektur för sentimentanalys i realtid med Amazon Comprehend och andra AWS-tjänster. Vår lösning ger följande fördelar:

• Den levereras som en CloudFormation-mall med en API-gateway som kan distribueras bakom kundinriktade appar eller mobilappar
• Du kan bygga lösningen med Amazon Comprehend, utan speciella kunskaper om AI, ML eller naturlig språkbehandling
• Du kan skapa rapporter med QuickSight utan speciell kunskap om SQL
• Det kan vara helt serverlöst, vilket ger elastisk skalning och förbrukar resurser endast när det behövs

Sentimentanalys i realtid kan vara mycket användbar för företag som är intresserade av att få omedelbar kundfeedback på sina tjänster. Det kan hjälpa företagets marknadsförings-, försäljnings- och kundtjänstavdelningar att omedelbart granska kundfeedback och vidta korrigerande åtgärder.

Använd den här lösningen i ditt företag för att upptäcka och reagera på kundernas känslor i nästan realtid.

Om du vill veta mer om det nyckeltjänster som beskrivs i den här bloggen, besök länkarna nedan

Amazon Comprehend
AWS stegfunktioner
Amazon DynamoDB-strömmar
Amazon Kinesis dataströmmar
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

Om författaren

Varad G Varadarajan är Senior Solutions Architect (SA) på Amazon Web Services, som stödjer kunder i nordöstra USA. Varad fungerar som Trusted Advisor och Field CTO för Digital Native Businesses, och hjälper dem att bygga innovativa lösningar i stor skala med hjälp av AWS. Varads intresseområden är IT Strategirådgivning, Arkitektur och Produktledning. Utanför jobbet tycker Varad om att skriva kreativt, titta på film med familj och vänner och att resa.