AWS kullanarak müşteri duyarlılığının gerçek zamanlı analizi

Çevrimiçi ürün veya hizmet satan şirketlerin, bir ürün satın aldıktan sonra web sitelerinde bırakılan müşteri yorumlarını sürekli olarak izlemesi gerekir. Şirketin pazarlama ve müşteri hizmetleri departmanları, müşteri duyarlılığını anlamak için bu incelemeleri analiz eder. Örneğin pazarlama, farklı müşteri segmentlerini hedefleyen kampanyalar oluşturmak için bu verileri kullanabilir. Müşteri hizmetleri departmanları, müşteri memnuniyetsizliğini tespit etmek ve düzeltici önlem almak için bu verileri kullanabilir.

Geleneksel olarak, bu veriler bir toplu işlem yoluyla toplanır ve depolama, analiz ve raporlama için bir veri ambarına gönderilir ve günler değilse bile birkaç saat sonra karar vericilerin kullanımına sunulur. Bu veriler anında analiz edilebilirse, şirketlerin müşteri duyarlılığına hızlı tepki vermesi için fırsatlar sağlayabilir.

Bu yazıda, neredeyse gerçek zamanlı (birkaç dakika) müşteri geri bildiriminin genel duyarlılığını analiz etmek için bir yaklaşım açıklıyoruz. Metindeki belirli varlıklarla (şirket, ürün, kişi veya marka gibi) ilişkili farklı duyguları doğrudan API'den nasıl anlayacağımızı da gösteriyoruz.

Gerçek zamanlı duyarlılık analizi için kullanım örnekleri

Gerçek zamanlı duyarlılık analizi, ürünleri ve hizmetleri hakkında anında müşteri geri bildirimi almakla ilgilenen şirketler için çok yararlıdır, örneğin:

• Restoranlar
• Çeşitli ürün veya hizmetler satan perakende veya B2C şirketleri
• Çevrimiçi filmler (OTT platformları), canlı konserler veya spor etkinlikleri yayınlayan şirketler
• Finansal Kurumlar

Genel olarak, müşteri temas noktalarına sahip olan ve gerçek zamanlı kararlar alması gereken tüm işletmeler, müşterilerden gelen gerçek zamanlı geri bildirimlerden yararlanabilir.

Duyarlılığa gerçek zamanlı bir yaklaşım uygulamak, aşağıdaki kullanım durumlarında yararlı olabilir:

• Pazarlama departmanları, müşteri segmentlerini daha iyi hedeflemek veya kampanyalarını belirli müşteri segmentlerine göre ayarlamak için verileri kullanabilir.
• Müşteri hizmetleri departmanları, memnun olmayan müşterilere anında ulaşabilir ve sorunları çözmeye çalışarak müşteri kaybını önleyebilir.
• Bir ürünle ilgili olumlu veya olumsuz görüş, çeşitli yerlerde ürün talebinin yararlı bir göstergesi olabilir. Örneğin, hızlı hareket eden bir ürün için şirketler, belirli bölgelerde aşırı stok veya stok tükenmesini önlemek amacıyla depolardaki stok seviyelerini ayarlamak için gerçek zamanlı verileri kullanabilir.

Aşağıdaki kullanım durumlarında olduğu gibi, ayrıntılı bir duygu anlayışına sahip olmak da yararlıdır:

• Bir işletme, çalışan/müşteri deneyiminin keyifli olan kısımlarını ve geliştirilebilecek kısımlarını belirleyebilir.
• İletişim merkezleri ve müşteri hizmetleri ekipleri, temsilci eğitiminin etkililiğini ve bir müşteriden gelen belirli tepkiler ve bu yanıtı ortaya çıkarmak için kullanılan tümceler veya sözcükler gibi konuşma ayrıntılarını belirlemek için çağrı dökümlerini veya sohbet günlüklerini analiz edebilir.
• Ürün sahipleri ve UI/UX geliştiricileri, ürünlerinin kullanıcıların beğendiği özelliklerini ve iyileştirilmesi gereken kısımlarını belirleyebilir. Bu, ürün yol haritası tartışmalarını ve önceliklendirmelerini destekleyebilir.

Çözüme genel bakış

Şirketlerin, web sitelerine girilen incelemelerden müşteri duyarlılığını (hem tam hem de hedeflenmiş) neredeyse gerçek zamanlı (genellikle birkaç dakika içinde) analiz etmelerine yardımcı olabilecek bir çözüm sunuyoruz. Özünde, dayanır Amazon Kavramak hem tam hem de hedeflenen duygu analizi yapmak için.

Amazon Comprehend duyarlılık API'si, bir metin belgesi için genel yaklaşımı tanımlar. Ekim 2022 itibarıyla, metin belgelerinde bahsedilen belirli varlıklarla ilişkili yaklaşımı belirlemek için hedeflenen yaklaşımı kullanabilirsiniz. Örneğin, "Burgeri sevdim ama servis yavaştı" diyen bir restoran incelemesinde hedeflenen duygu, "burger" için olumlu, "hizmet" için olumsuz düşünceyi belirleyecektir.

Bizim kullanım durumumuz için, Kuzey Amerika'daki büyük bir restoran zinciri, müşterilerinin web sitelerinde ve bir mobil uygulama aracılığıyla yaptıkları yorumları analiz etmek istiyor. Restoran, müşterilerinin menüdeki çeşitli öğeler, şubelerinde sunulan hizmet ve deneyimleriyle ilgili genel görüş hakkındaki geri bildirimlerini analiz etmek istiyor.

Örneğin, bir müşteri şu yorumu yazabilir: “New York'ta bulunan restoranınızdaki yemekler çok iyiydi. Makarna lezzetliydi. Ancak hizmet çok zayıftı!” Bu inceleme için restoranın konumu New York'tur. Genel duygu karışık - "yiyecek" ve "makarna" için duygu olumlu, ancak hizmet için duygu olumsuz.

Restoran, müşteri segmentlerindeki eğilimleri belirlemek için yaş ve cinsiyet gibi müşteri profiline göre değerlendirmeleri analiz etmek istiyor (bu veriler, şirketin web ve mobil uygulamaları tarafından yakalanıp arka uç sistemine gönderilebilir). Müşteri hizmetleri departmanları, bu verileri, aracıları bir alt CRM sisteminde bir müşteri bileti oluşturarak sorunu takip etmeleri konusunda bilgilendirmek için kullanmak istiyor. Operasyonlar, belirli bir günde hangi öğelerin hızlı hareket ettiğini anlamak istiyor, böylece bu öğeler için hazırlık süresini kısaltabiliyor.

Şu anda tüm analizler, 2-3 gün süren bir toplu işlem aracılığıyla e-postayla rapor olarak gönderiliyor. Restoranın BT departmanı, böyle bir çözüm oluşturmak için gelişmiş veri analitiği, akış veya yapay zeka ve makine öğrenimi (ML) yeteneklerinden yoksundur.

Aşağıdaki mimari diyagram, iş akışının ilk adımlarını göstermektedir.

Tüm çözüm, bir müşteri web sitesinin veya bir mobil uygulamanın arkasına bağlanabilir.

Amazon API Ağ Geçidi iki uç nokta ortaya çıkarır:

• Müşteri yorumlarının girildiği bir müşteri uç noktası
• Bir servis departmanının herhangi bir özel incelemeye bakabileceği ve bir servis bileti oluşturabileceği bir servis uç noktası

İş akışı aşağıdaki adımları içerir:

1. Bir müşteri (örneğin, web sitesinden) bir inceleme girdiğinde, bu inceleme bir ağa bağlı bir API Ağ Geçidine gönderilir. Amazon Basit Kuyruk Hizmeti (Amazon SQS) kuyruğu. Sıra, incelemeleri girildikçe depolamak için bir arabellek görevi görür.
2. SQS kuyruğu bir AWS Lambda işlev. Birkaç yeniden deneme denemesinden sonra mesaj Lambda işlevine teslim edilmezse, ileride incelenmek üzere atılacak mektup kuyruğuna alınır.
3. Lambda işlevi şunu çağırır: AWS Basamak İşlevleri durum makinesi ve mesajı kuyruktan iletir.

Aşağıdaki şema, Adım İşlevleri iş akışını göstermektedir.

Step Functions, aşağıdaki adımları paralel olarak gerçekleştirir.

1. Step Functions, Amazon Comprehend'in Detect_sentiment API'sini çağırarak mesajın tüm yaklaşımını analiz eder.
2. Aşağıdaki adımları çağırır:
   1. Sonuçları yazar Amazon DinamoDB tablo.
   2. Duygu negatif veya karışıksa, aşağıdaki eylemleri gerçekleştirir:
      • Şuraya bir bildirim gönderir: Amazon Basit Bildirim Servisi (Amazon SNS), bir veya daha fazla e-posta adresi (Müşteri Hizmetleri Direktörü, Pazarlama Direktörü vb.) tarafından abone olunur.
      • Şuraya bir etkinlik gönderir: Amazon EventBridge, alınan incelemeye göre hareket etmek için başka bir aşağı akış sistemine aktarılır. Örnekte, EventBridge olayı bir Amazon Bulut İzleme kayıt. Gerçek bir senaryoda, olayı AWS içindeki veya dışındaki bir aşağı akış sistemine (envanter yönetim sistemi veya planlama sistemi gibi) göndermek için bir Lambda işlevini çağırabilir.
3. çağırarak mesajın hedeflenen duyarlılığını analiz eder. detect_targeted_sentiment Amazon Comprehend'den API.
4. Harita işlevini (paralel olarak, mesajda tanımlanan her varlık için bir tane) kullanarak sonuçları bir DynamoDB tablosuna yazar.

Aşağıdaki diyagram, Step Functions'tan aşağı akış sistemlerine iş akışını göstermektedir.

1. DynamoDB tablolarının kullandığı Amazon DynamoDB Akışları değişiklik verisi yakalama (CDC) gerçekleştirmek için. Tablolara eklenen veriler, Amazon Kinesis Veri Akışları için Amazon Kinesis Veri İtfaiyesi neredeyse gerçek zamanlı olarak (60 saniyeye ayarlı).
2. Kinesis Data Firehose, verileri bir Amazon Basit Depolama Hizmeti (Amazon S3) kovası.
3. Amazon QuickSight S3 grubundaki verileri analiz eder. Sonuçlar, satış, pazarlama veya müşteri hizmetleri ekipleri (dahili kullanıcılar) tarafından görüntülenebilen çeşitli panolarda sunulur. QuickSight ayrıca gösterge tablosunu bir programa göre yenileyebilir (bu örnek için 60 dakikaya ayarlanmış).

The AWS CloudFormation çözüm mimarisini oluşturmaya yönelik şablonlar şu adreste mevcuttur: GitHub. Şablonların QuickSight panolarını içermediğini, ancak README.md dosyasında bunların nasıl oluşturulacağına ilişkin yönergeler sağladığını unutmayın. Aşağıdaki bölümde bazı örnek panolar sunuyoruz.

QuickSight panoları

Panolar, pazarlama ve müşteri hizmetleri departmanlarının ürün veya hizmetlerinin temel iş ölçümlerinde nasıl performans gösterdiğini görsel olarak analiz etmesi için kullanışlıdır. Bu bölümde, restoran için hayali veriler kullanılarak QuickSight'ta geliştirilen bazı örnek raporları sunuyoruz. Bu raporlar, karar vericilere yaklaşık 60 dakikada (yenileme döngümüze göre) sunulur. Aşağıdaki gibi soruların yanıtlanmasına yardımcı olabilirler:

• Müşteriler işletmeyi bir bütün olarak nasıl algılıyor?
• Müşterilerin beğendiği veya beğenmediği hizmetin belirli yönleri (hizmetin teslim edilmesi için geçen süre, bir müşteri şikayeti üzerine sağlanan çözüm gibi) var mı?
• Müşteriler yeni tanıtılan belirli bir ürünü (menüdeki bir öğe gibi) nasıl seviyor? Müşterilerin beğendiği veya beğenmediği belirli ürünler var mı?
• Yaş gruplarına, cinsiyete veya konumlara göre (günümüzde çeşitli yerlerde hangi gıda maddelerinin popüler olduğu gibi) müşteri duyarlılığında gözlemlenebilir modeller var mı?

Tam duygu

Aşağıdaki şekiller tam duyarlılık analizi örneklerini göstermektedir.

İlk grafik genel duygudur.

Bir sonraki grafik, yaş grupları arasındaki duyarlılığı göstermektedir.

Aşağıdaki grafik, cinsiyete göre duyarlılığı göstermektedir.

Son grafik, restoran konumlarındaki duyarlılığı gösterir.

Hedeflenen duygu

Aşağıdaki şekiller, hedeflenen duyarlılık analizi örneklerini göstermektedir.

İlk grafik, duyarlılığı varlığa göre gösterir (hizmet, restoran, yemek türleri vb.).

Aşağıda, varlığa göre yaş gruplarındaki duyarlılık gösterilmektedir.

Bir sonraki grafik, varlığa göre konumlardaki duyarlılığı gösterir.

Aşağıdaki ekran görüntüsü, müşteri duyarlılığının daha ayrıntılı analizi için kullanılabilecek bir CRM biletleme sisteminden alınmıştır. Örneğin, bizim kullanım durumumuzda, müşteri hizmetleri departmanını olumsuz duygularla ilgili e-posta bildirimleri alacak şekilde ayarladık. E-postadan gelen bilgilerle (müşteri duyarlılığının inceleme kimliği), bir hizmet temsilcisi duyarlılığın daha ayrıntılı ayrıntılarına inebilir.

Özet

Bu gönderide, Amazon Comprehend ve diğer AWS hizmetlerini kullanan gerçek zamanlı yaklaşım analizi için bir mimari açıklanmaktadır. Çözümümüz aşağıdaki avantajları sağlar:

• Müşteriye yönelik uygulamaların veya mobil uygulamaların arkasında devreye alınabilen bir API Ağ Geçidine sahip bir CloudFormation şablonu olarak sunulur.
• Çözümü, yapay zeka, makine öğrenimi veya doğal dil işleme hakkında özel bilgi sahibi olmadan Amazon Comprehend'i kullanarak oluşturabilirsiniz.
• Özel bir SQL bilgisi olmadan QuickSight'ı kullanarak raporlar oluşturabilirsiniz.
• Esnek ölçeklendirme sağlayan ve kaynakları yalnızca ihtiyaç duyulduğunda tüketen tamamen sunucusuz olabilir.

Gerçek zamanlı duyarlılık analizi, hizmetleri hakkında anında müşteri geri bildirimi almak isteyen şirketler için çok yararlı olabilir. Şirketin pazarlama, satış ve müşteri hizmetleri departmanlarının müşteri geri bildirimlerini anında gözden geçirmesine ve düzeltici önlemler almasına yardımcı olabilir.

Müşteri duygularını neredeyse gerçek zamanlı olarak algılamak ve bunlara tepki vermek için şirketinizde bu çözümü kullanın.

Hakkında daha fazla bilgi için bu blogda açıklanan temel hizmetler, aşağıdaki bağlantıları ziyaret edin

Amazon Kavramak
AWS Basamak İşlevleri
Amazon DynamoDB Akışları
Amazon Kinesis Veri Akışları
Amazon Kinesis Veri İtfaiyesi
Amazon EventBridge
Amazon QuickSight

---

Yazar Hakkında

Varad G Varadarajan Amazon Web Services'ta ABD Kuzey Doğu'daki müşterileri destekleyen Kıdemli Çözüm Mimarıdır (SA). Varad, Dijital Yerli İşletmeler için Güvenilir Danışman ve Saha CTO'su olarak hareket ederek AWS'yi kullanarak geniş ölçekte yenilikçi çözümler oluşturmalarına yardımcı olur. Varad'ın ilgi alanları BT Strateji Danışmanlığı, Mimari ve Ürün Yönetimidir. Varad, iş dışında yaratıcı yazılar yazmaktan, aile ve arkadaşlarla film izlemekten ve seyahat etmekten hoşlanıyor.