บริษัทที่ขายสินค้าหรือบริการออนไลน์จำเป็นต้องติดตามรีวิวของลูกค้าที่ทิ้งไว้บนเว็บไซต์ของตนอย่างต่อเนื่องหลังจากซื้อผลิตภัณฑ์ ฝ่ายการตลาดและการบริการลูกค้าของบริษัทจะวิเคราะห์บทวิจารณ์เหล่านี้เพื่อทำความเข้าใจความรู้สึกของลูกค้า ตัวอย่างเช่น การตลาดสามารถใช้ข้อมูลนี้เพื่อสร้างแคมเปญที่กำหนดเป้าหมายกลุ่มลูกค้าต่างๆ ฝ่ายบริการลูกค้าสามารถใช้ข้อมูลนี้เพื่อระบุความไม่พึงพอใจของลูกค้าและดำเนินการแก้ไข
ตามเนื้อผ้า ข้อมูลนี้จะถูกรวบรวมผ่านกระบวนการแบทช์ และส่งไปยังคลังข้อมูลเพื่อจัดเก็บ วิเคราะห์ และรายงาน และพร้อมให้ผู้มีอำนาจตัดสินใจหลังจากผ่านไปหลายชั่วโมง หากไม่ใช่วัน หากสามารถวิเคราะห์ข้อมูลนี้ได้ทันที ก็จะเปิดโอกาสให้บริษัทต่างๆ ตอบสนองต่อความรู้สึกของลูกค้าได้อย่างรวดเร็ว
ในโพสต์นี้ เราจะอธิบายวิธีการวิเคราะห์ความคิดเห็นโดยรวมของลูกค้าในเวลาใกล้เคียงเรียลไทม์ (ไม่กี่นาที) นอกจากนี้ เรายังแสดงวิธีทำความเข้าใจความรู้สึกต่างๆ ที่เกี่ยวข้องกับเอนทิตีเฉพาะในข้อความ (เช่น บริษัท ผลิตภัณฑ์ บุคคล หรือแบรนด์) โดยตรงจาก API
ใช้กรณีสำหรับการวิเคราะห์ความรู้สึกตามเวลาจริง
การวิเคราะห์ความรู้สึกตามเวลาจริงมีประโยชน์มากสำหรับบริษัทที่สนใจรับความคิดเห็นของลูกค้าเกี่ยวกับผลิตภัณฑ์และบริการของตน เช่น:
- ร้านอาหาร
- บริษัทค้าปลีกหรือ B2C ที่ขายสินค้าหรือบริการต่างๆ
- บริษัทที่สตรีมภาพยนตร์ออนไลน์ (แพลตฟอร์ม OTT) คอนเสิร์ตสด หรือการแข่งขันกีฬา
- สถาบันการเงิน
โดยทั่วไปแล้ว ธุรกิจใดก็ตามที่มีจุดสัมผัสลูกค้าและจำเป็นต้องทำการตัดสินใจแบบเรียลไทม์จะได้รับประโยชน์จากคำติชมแบบเรียลไทม์จากลูกค้า
การปรับใช้แนวทางตามเวลาจริงกับความรู้สึกอาจมีประโยชน์ในกรณีการใช้งานต่อไปนี้:
- ฝ่ายการตลาดสามารถใช้ข้อมูลเพื่อกำหนดเป้าหมายกลุ่มลูกค้าได้ดีขึ้น หรือปรับแคมเปญให้เหมาะกับกลุ่มลูกค้าเฉพาะ
- ฝ่ายบริการลูกค้าสามารถติดต่อลูกค้าที่ไม่พอใจได้ทันทีและพยายามแก้ไขปัญหา ป้องกันไม่ให้ลูกค้าเปลี่ยนใจ
- ความรู้สึกเชิงบวกหรือเชิงลบต่อผลิตภัณฑ์สามารถพิสูจน์ได้ว่าเป็นตัวบ่งชี้ที่มีประโยชน์ของความต้องการผลิตภัณฑ์ในสถานที่ต่างๆ ตัวอย่างเช่น สำหรับผลิตภัณฑ์ที่เคลื่อนไหวอย่างรวดเร็ว บริษัทต่างๆ สามารถใช้ข้อมูลตามเวลาจริงเพื่อปรับระดับสต็อกในคลังสินค้า เพื่อหลีกเลี่ยงสินค้าคงคลังส่วนเกินหรือสินค้าหมดในบางภูมิภาค
การมีความเข้าใจแบบละเอียดของความรู้สึกก็มีประโยชน์เช่นกัน ดังเช่นในกรณีการใช้งานต่อไปนี้:
- ธุรกิจสามารถระบุส่วนต่างๆ ของประสบการณ์ของพนักงาน/ลูกค้าที่น่าพึงพอใจและส่วนที่อาจได้รับการปรับปรุง
- ศูนย์ติดต่อและทีมบริการลูกค้าสามารถวิเคราะห์การถอดเสียงขณะโทรหรือบันทึกการสนทนาเพื่อระบุประสิทธิภาพการฝึกอบรมเจ้าหน้าที่ และรายละเอียดการสนทนา เช่น ปฏิกิริยาเฉพาะจากลูกค้าและวลีหรือคำที่ใช้ในการกระตุ้นการตอบสนองนั้น
- เจ้าของผลิตภัณฑ์และนักพัฒนา UI/UX สามารถระบุคุณลักษณะของผลิตภัณฑ์ที่ผู้ใช้ชอบและส่วนที่ต้องปรับปรุง สิ่งนี้สามารถสนับสนุนการอภิปรายแผนงานผลิตภัณฑ์และการจัดลำดับความสำคัญ
ภาพรวมโซลูชัน
เรานำเสนอโซลูชันที่สามารถช่วยให้บริษัทต่างๆ วิเคราะห์ความคิดเห็นของลูกค้า (ทั้งแบบสมบูรณ์และตรงเป้าหมาย) ได้ในเวลาใกล้เคียงจริง (โดยปกติจะใช้เวลาไม่กี่นาที) จากบทวิจารณ์ที่ป้อนลงในเว็บไซต์ของพวกเขา โดยพื้นฐานแล้ว มันขึ้นอยู่กับ เข้าใจ Amazon เพื่อทำการวิเคราะห์ความรู้สึกทั้งแบบสมบูรณ์และแบบตรงเป้าหมาย
API ความคิดเห็นของ Amazon Comprehend จะระบุความคิดเห็นโดยรวมสำหรับเอกสารข้อความ ตั้งแต่เดือนตุลาคม 2022 คุณสามารถใช้ความคิดเห็นที่เป็นเป้าหมายเพื่อระบุความคิดเห็นที่เกี่ยวข้องกับเอนทิตีเฉพาะที่กล่าวถึงในเอกสารข้อความ ตัวอย่างเช่น ในบทวิจารณ์ร้านอาหารที่กล่าวว่า “ฉันชอบเบอร์เกอร์แต่บริการช้า” ความคิดเห็นที่เป็นเป้าหมายจะระบุความรู้สึกเชิงบวกสำหรับ “เบอร์เกอร์” และความรู้สึกเชิงลบสำหรับ “บริการ”
สำหรับกรณีการใช้งานของเรา เชนร้านอาหารขนาดใหญ่ในอเมริกาเหนือต้องการวิเคราะห์รีวิวที่ลูกค้าทำบนเว็บไซต์และผ่านแอปบนอุปกรณ์เคลื่อนที่ ร้านอาหารต้องการวิเคราะห์ความคิดเห็นของลูกค้าเกี่ยวกับรายการต่างๆ ในเมนู บริการที่สาขาของตน และความรู้สึกโดยรวมเกี่ยวกับประสบการณ์ที่ได้รับ
ตัวอย่างเช่น ลูกค้าสามารถเขียนรีวิวต่อไปนี้: “อาหารที่ร้านอาหารของคุณในนิวยอร์กนั้นอร่อยมาก พาสต้าอร่อยมาก อย่างไรก็ตามบริการแย่มาก!” สำหรับรีวิวนี้พิกัดร้านอยู่ที่นิวยอร์ค ความรู้สึกโดยรวมเป็นแบบผสม - ความรู้สึกที่มีต่อ "อาหาร" และ "พาสต้า" เป็นบวก แต่ความรู้สึกต่อบริการเป็นลบ
ร้านอาหารต้องการวิเคราะห์รีวิวตามโปรไฟล์ลูกค้า เช่น อายุและเพศ เพื่อระบุแนวโน้มใดๆ ก็ตามในกลุ่มลูกค้า (ข้อมูลนี้อาจถูกบันทึกโดยเว็บและแอปบนอุปกรณ์เคลื่อนที่และส่งไปยังระบบแบ็กเอนด์) ฝ่ายบริการลูกค้าของพวกเขาต้องการใช้ข้อมูลนี้เพื่อแจ้งให้ตัวแทนติดตามปัญหาโดยการสร้างตั๋วลูกค้าในระบบ CRM ดาวน์สตรีม ฝ่ายปฏิบัติการต้องการทราบว่ารายการใดมีการเคลื่อนไหวอย่างรวดเร็วในวันที่กำหนด เพื่อให้สามารถลดเวลาการเตรียมการสำหรับรายการเหล่านั้นได้
ปัจจุบัน การวิเคราะห์ทั้งหมดจะถูกส่งเป็นรายงานทางอีเมลผ่านกระบวนการแบทช์ที่ใช้เวลา 2-3 วัน แผนกไอทีของร้านอาหารขาดความสามารถในการวิเคราะห์ข้อมูล การสตรีม หรือ AI และการเรียนรู้ของเครื่อง (ML) ที่ซับซ้อนเพื่อสร้างโซลูชันดังกล่าว
แผนภาพสถาปัตยกรรมต่อไปนี้แสดงขั้นตอนแรกของเวิร์กโฟลว์
โซลูชันทั้งหมดสามารถเชื่อมต่อกับด้านหลังเว็บไซต์ของลูกค้าหรือแอปบนอุปกรณ์เคลื่อนที่ได้
Amazon API Gateway Amazon เปิดเผยจุดสิ้นสุดสองจุด:
- จุดสิ้นสุดของลูกค้าที่มีการป้อนบทวิจารณ์ของลูกค้า
- จุดสิ้นสุดการบริการที่แผนกบริการสามารถดูการตรวจทานใดๆ และสร้างตั๋วบริการได้
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- เมื่อลูกค้าเข้าสู่บทวิจารณ์ (เช่น จากเว็บไซต์) บทวิจารณ์นั้นจะถูกส่งไปยังเกตเวย์ API ที่เชื่อมต่อกับ บริการ Amazon Simple Queue (Amazon SQS) คิว คิวทำหน้าที่เป็นบัฟเฟอร์เพื่อจัดเก็บบทวิจารณ์เมื่อป้อน
- คิว SQS ทริกเกอร์ AWS แลมบ์ดา การทำงาน. หากข้อความไม่ถูกส่งไปยังฟังก์ชัน Lambda หลังจากลองใหม่สองสามครั้ง ข้อความนั้นจะถูกจัดอยู่ในคิวจดหมายที่ส่งไม่ได้สำหรับการตรวจสอบในอนาคต
- ฟังก์ชัน Lambda เรียกใช้ ฟังก์ชันขั้นตอนของ AWS เครื่องสถานะและส่งข้อความจากคิว
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ของ Step Functions
Step Functions ทำขั้นตอนต่อไปนี้ควบคู่กันไป
- Step Functions วิเคราะห์ความรู้สึกทั้งหมดของข้อความโดยเรียกใช้ Detect_sentiment API จาก Amazon Comprehend
- มันเรียกใช้ขั้นตอนต่อไปนี้:
- มันเขียนผลลัพธ์ไปยัง อเมซอน ไดนาโมดีบี ตาราง
- หากความเชื่อมั่นเป็นลบหรือผสมกัน จะดำเนินการต่อไปนี้:
- มันส่งการแจ้งเตือนไปที่ บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) ซึ่งสมัครโดยที่อยู่อีเมลตั้งแต่หนึ่งรายการขึ้นไป (เช่น ผู้อำนวยการฝ่ายบริการลูกค้า ผู้อำนวยการฝ่ายการตลาด และอื่นๆ)
- มันส่งเหตุการณ์ไปที่ อเมซอน EventBridgeซึ่งส่งต่อไปยังระบบดาวน์สตรีมอื่นเพื่อดำเนินการกับบทวิจารณ์ที่ได้รับ ในตัวอย่าง เหตุการณ์ EventBridge ถูกเขียนไปยัง อเมซอน คลาวด์วอตช์ บันทึก. ในสถานการณ์จริง มันสามารถเรียกใช้ฟังก์ชัน Lambda เพื่อส่งเหตุการณ์ไปยังระบบดาวน์สตรีมภายในหรือภายนอก AWS (เช่น ระบบการจัดการสินค้าคงคลังหรือระบบการกำหนดเวลา)
- โดยจะวิเคราะห์ความรู้สึกที่เป็นเป้าหมายของข้อความโดยการเรียกใช้
detect_targeted_sentiment
API จาก Amazon Comprehend - โดยจะเขียนผลลัพธ์ลงในตาราง DynamoDB โดยใช้ฟังก์ชันแผนที่ (ในแบบคู่ขนาน หนึ่งรายการสำหรับแต่ละเอนทิตีที่ระบุในข้อความ)
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ตั้งแต่ Step Functions ไปจนถึงระบบดาวน์สตรีม
- ตาราง DynamoDB ใช้ สตรีม Amazon DynamoDB เพื่อดำเนินการจับข้อมูลการเปลี่ยนแปลง (CDC) ข้อมูลที่แทรกลงในตารางจะถูกส่งผ่าน สตรีมข้อมูล Amazon Kinesis ไปยัง สายไฟ Amazon Kinesis Data ในเวลาใกล้เคียงจริง (ตั้งค่าเป็น 60 วินาที)
- Kinesis Data Firehose จะฝากข้อมูลไว้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
- อเมซอน QuickSight วิเคราะห์ข้อมูลในบัคเก็ต S3 ผลลัพธ์จะแสดงในแดชบอร์ดต่างๆ ที่ฝ่ายขาย ฝ่ายการตลาด หรือฝ่ายบริการลูกค้าสามารถดูได้ (ผู้ใช้ภายใน) QuickSight ยังสามารถรีเฟรชแดชบอร์ดตามกำหนดเวลา (ตั้งค่าเป็น 60 นาทีสำหรับตัวอย่างนี้)
พื้นที่ การก่อตัวของ AWS Cloud มีเทมเพลตสำหรับสร้างสถาปัตยกรรมโซลูชัน GitHub. โปรดทราบว่าเทมเพลตไม่มีแดชบอร์ด QuickSight แต่ให้คำแนะนำเกี่ยวกับวิธีการสร้างในไฟล์ README.md เรามีแดชบอร์ดตัวอย่างบางส่วนในส่วนต่อไปนี้
แดชบอร์ด QuickSight
แดชบอร์ดมีประโยชน์สำหรับฝ่ายการตลาดและฝ่ายบริการลูกค้าในการวิเคราะห์ด้วยภาพว่าผลิตภัณฑ์หรือบริการของพวกเขาดำเนินการอย่างไรผ่านเมตริกทางธุรกิจที่สำคัญ ในส่วนนี้ เรานำเสนอรายงานตัวอย่างบางส่วนที่พัฒนาขึ้นใน QuickSight โดยใช้ข้อมูลสมมติสำหรับร้านอาหาร รายงานเหล่านี้จะพร้อมใช้งานสำหรับผู้มีอำนาจตัดสินใจในเวลาประมาณ 60 นาที (ตามรอบการรีเฟรชของเรา) พวกเขาสามารถช่วยตอบคำถามดังต่อไปนี้:
- ลูกค้ามีมุมมองต่อธุรกิจโดยรวมอย่างไร?
- มีแง่มุมใดของบริการที่เฉพาะเจาะจง (เช่น เวลาที่ใช้ในการให้บริการ การแก้ไขข้อร้องเรียนของลูกค้า) ที่ลูกค้าชอบหรือไม่ชอบหรือไม่
- ลูกค้าชอบผลิตภัณฑ์ที่เพิ่งเปิดตัว (เช่น รายการในเมนู) อย่างไร มีผลิตภัณฑ์ใดที่ลูกค้าชอบหรือไม่ชอบเป็นพิเศษหรือไม่?
- มีรูปแบบใดที่สังเกตได้ในความรู้สึกของลูกค้าตามกลุ่มอายุ เพศ หรือสถานที่ (เช่น รายการอาหารที่เป็นที่นิยมในสถานที่ต่างๆ ในปัจจุบัน) หรือไม่
เต็มอารมณ์
ตัวเลขต่อไปนี้แสดงตัวอย่างการวิเคราะห์ความรู้สึกทั้งหมด
กราฟแรกคือความรู้สึกโดยรวม
กราฟถัดไปแสดงความรู้สึกตามกลุ่มอายุ
กราฟต่อไปนี้แสดงความรู้สึกข้ามเพศ
กราฟสุดท้ายแสดงความเชื่อมั่นของสถานที่ตั้งร้านอาหาร
ความรู้สึกเป้าหมาย
ตัวเลขต่อไปนี้แสดงตัวอย่างการวิเคราะห์ความคิดเห็นที่เป็นเป้าหมาย
กราฟแรกแสดงความรู้สึกตามเอนทิตี (บริการ ร้านอาหาร ประเภทของอาหาร และอื่นๆ)
ข้อมูลต่อไปนี้แสดงความรู้สึกในกลุ่มอายุตามเอนทิตี
กราฟถัดไปแสดงความรู้สึกในสถานที่ต่างๆ ตามเอนทิตี
ภาพหน้าจอต่อไปนี้มาจากระบบตั๋ว CRM ที่สามารถใช้สำหรับการวิเคราะห์ความคิดเห็นของลูกค้าที่ละเอียดยิ่งขึ้น ตัวอย่างเช่น ในกรณีการใช้งานของเรา เราตั้งค่าแผนกบริการลูกค้าเพื่อรับการแจ้งเตือนทางอีเมลเกี่ยวกับความคิดเห็นเชิงลบ ด้วยข้อมูลจากอีเมล (รหัสการตรวจสอบความคิดเห็นของลูกค้า) ตัวแทนบริการสามารถเจาะลึกรายละเอียดความคิดเห็นที่ละเอียดยิ่งขึ้น
สรุป
โพสต์นี้อธิบายสถาปัตยกรรมสำหรับการวิเคราะห์ความรู้สึกแบบเรียลไทม์โดยใช้ Amazon Comprehend และบริการอื่นๆ ของ AWS โซลูชันของเราให้ประโยชน์ดังต่อไปนี้:
- จัดส่งเป็นเทมเพลต CloudFormation พร้อมเกตเวย์ API ที่สามารถปรับใช้หลังแอปที่ติดต่อกับลูกค้าหรือแอปบนอุปกรณ์เคลื่อนที่
- คุณสามารถสร้างโซลูชันโดยใช้ Amazon Comprehend โดยไม่ต้องมีความรู้พิเศษเกี่ยวกับ AI, ML หรือการประมวลผลภาษาธรรมชาติ
- คุณสามารถสร้างรายงานโดยใช้ QuickSight โดยไม่ต้องมีความรู้พิเศษเกี่ยวกับ SQL
- สามารถเป็นแบบไร้เซิร์ฟเวอร์ได้อย่างสมบูรณ์ ซึ่งให้การปรับขนาดที่ยืดหยุ่นและใช้ทรัพยากรเมื่อจำเป็นเท่านั้น
การวิเคราะห์ความรู้สึกตามเวลาจริงจะมีประโยชน์มากสำหรับบริษัทที่สนใจรับความคิดเห็นของลูกค้าเกี่ยวกับบริการของพวกเขาในทันที สามารถช่วยให้ฝ่ายการตลาด ฝ่ายขาย และฝ่ายบริการลูกค้าของบริษัทตรวจสอบความคิดเห็นของลูกค้าได้ทันทีและดำเนินการแก้ไข
ใช้โซลูชันนี้ในบริษัทของคุณเพื่อตรวจจับและตอบสนองต่อความรู้สึกของลูกค้าในแบบเรียลไทม์
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ บริการหลักที่อธิบายไว้ในบล็อกนี้เยี่ยมชมลิงค์ด้านล่าง
เข้าใจ Amazon
ฟังก์ชันขั้นตอนของ AWS
สตรีม Amazon DynamoDB
สตรีมข้อมูล Amazon Kinesis
สายไฟ Amazon Kinesis Data
อเมซอน EventBridge
อเมซอน QuickSight
เกี่ยวกับผู้เขียน
วาราด จี วาดาราราชัน เป็นสถาปนิกโซลูชันอาวุโส (SA) ที่ Amazon Web Services ซึ่งสนับสนุนลูกค้าในสหรัฐอเมริกาทางตะวันออกเฉียงเหนือ Varad ทำหน้าที่เป็นที่ปรึกษาที่เชื่อถือได้และ CTO ภาคสนามสำหรับธุรกิจเจ้าของภาษาดิจิทัล โดยช่วยสร้างโซลูชันนวัตกรรมในระดับต่างๆ โดยใช้ AWS ความสนใจของ Varad คือการให้คำปรึกษาด้านกลยุทธ์ด้านไอที สถาปัตยกรรม และการจัดการผลิตภัณฑ์ นอกเวลางาน Varad ชอบงานเขียนเชิงสร้างสรรค์ ดูภาพยนตร์กับครอบครัวและเพื่อนๆ และท่องเที่ยว
- ขั้นสูง (300)
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- เข้าใจ Amazon
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- โซลูชั่นสำหรับลูกค้า
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- ระดับกลาง (200)
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล