การวิเคราะห์ความรู้สึกของลูกค้าตามเวลาจริงโดยใช้ AWS

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:

1. เมื่อลูกค้าเข้าสู่บทวิจารณ์ (เช่น จากเว็บไซต์) บทวิจารณ์นั้นจะถูกส่งไปยังเกตเวย์ API ที่เชื่อมต่อกับ บริการ Amazon Simple Queue (Amazon SQS) คิว คิวทำหน้าที่เป็นบัฟเฟอร์เพื่อจัดเก็บบทวิจารณ์เมื่อป้อน
2. คิว SQS ทริกเกอร์ AWS แลมบ์ดา การทำงาน. หากข้อความไม่ถูกส่งไปยังฟังก์ชัน Lambda หลังจากลองใหม่สองสามครั้ง ข้อความนั้นจะถูกจัดอยู่ในคิวจดหมายที่ส่งไม่ได้สำหรับการตรวจสอบในอนาคต
3. ฟังก์ชัน Lambda เรียกใช้ ฟังก์ชันขั้นตอนของ AWS เครื่องสถานะและส่งข้อความจากคิว

ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ของ Step Functions

Step Functions ทำขั้นตอนต่อไปนี้ควบคู่กันไป

1. Step Functions วิเคราะห์ความรู้สึกทั้งหมดของข้อความโดยเรียกใช้ Detect_sentiment API จาก Amazon Comprehend
2. มันเรียกใช้ขั้นตอนต่อไปนี้:
   1. มันเขียนผลลัพธ์ไปยัง อเมซอน ไดนาโมดีบี ตาราง
   2. 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)
3. โดยจะวิเคราะห์ความรู้สึกที่เป็นเป้าหมายของข้อความโดยการเรียกใช้ detect_targeted_sentiment API จาก Amazon Comprehend
4. โดยจะเขียนผลลัพธ์ลงในตาราง DynamoDB โดยใช้ฟังก์ชันแผนที่ (ในแบบคู่ขนาน หนึ่งรายการสำหรับแต่ละเอนทิตีที่ระบุในข้อความ)

ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ตั้งแต่ Step Functions ไปจนถึงระบบดาวน์สตรีม

1. ตาราง DynamoDB ใช้ สตรีม Amazon DynamoDB เพื่อดำเนินการจับข้อมูลการเปลี่ยนแปลง (CDC) ข้อมูลที่แทรกลงในตารางจะถูกส่งผ่าน สตรีมข้อมูล Amazon Kinesis ไปยัง สายไฟ Amazon Kinesis Data ในเวลาใกล้เคียงจริง (ตั้งค่าเป็น 60 วินาที)
2. Kinesis Data Firehose จะฝากข้อมูลไว้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
3. 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