Аналіз настроїв клієнтів у реальному часі за допомогою AWS

Компанії, які продають продукти або послуги в Інтернеті, повинні постійно стежити за відгуками клієнтів, залишеними на їх веб-сайті після покупки товару. Відділи маркетингу та обслуговування клієнтів компанії аналізують ці відгуки, щоб зрозуміти настрої клієнтів. Наприклад, маркетинг може використовувати ці дані для створення кампаній, націлених на різні сегменти клієнтів. Відділи обслуговування клієнтів могли б використовувати ці дані, щоб виявити невдоволення клієнтів і вжити заходів для виправлення.

Традиційно ці дані збираються за допомогою пакетного процесу та надсилаються до сховища даних для зберігання, аналізу та звітування та стають доступними особам, які приймають рішення, через кілька годин, якщо не днів. Якщо ці дані можна проаналізувати негайно, це дасть можливість компаніям швидко реагувати на настрої клієнтів.

У цій публікації ми описуємо підхід до аналізу загального настрою відгуків клієнтів майже в реальному часі (кілька хвилин). Ми також демонструємо, як зрозуміти різні настрої, пов’язані з певними об’єктами в тексті (такими як компанія, продукт, особа або бренд) безпосередньо з API.

Варіанти використання для аналізу настроїв у реальному часі

Аналіз настроїв у режимі реального часу дуже корисний для компаній, зацікавлених у миттєвому отриманні відгуків клієнтів про їхні продукти та послуги, наприклад:

• ресторан
• Компанії роздрібної торгівлі або B2C, що продають різні товари чи послуги
• Компанії, які транслюють онлайн-фільми (платформи OTT), живі концерти або спортивні події
• Фінансові установи

Загалом, будь-яка компанія, яка має контактні точки з клієнтами та потребує прийняття рішень у реальному часі, може отримати вигоду від зворотнього зв’язку від клієнтів у реальному часі.

Розгортання підходу до настроїв у реальному часі може бути корисним у таких випадках:

• Відділи маркетингу можуть використовувати дані для кращого націлювання на сегменти клієнтів або коригувати свої кампанії під певні сегменти клієнтів.
• Відділи обслуговування клієнтів можуть негайно звернутися до незадоволених клієнтів і спробувати вирішити проблеми, запобігаючи відтоку клієнтів.
• Позитивні чи негативні настрої щодо продукту можуть виявитися корисним індикатором попиту на продукт у різних місцях. Наприклад, для продукту, який швидко обертається, компанії можуть використовувати дані в режимі реального часу, щоб скоригувати рівень своїх запасів на складах, щоб уникнути надмірних запасів або браку в певних регіонах.

Також корисно мати детальне розуміння настрою, як у таких випадках використання:

• Підприємство може визначити частини досвіду співробітників/клієнтів, які приносять задоволення, і частини, які можна покращити.
• Контакт-центри та команди обслуговування клієнтів можуть аналізувати транскрипції викликів або журнали чатів, щоб визначити ефективність навчання агентів, а також деталі розмови, такі як конкретні реакції клієнта та фрази чи слова, які використовувалися, щоб викликати цю відповідь.
• Власники продуктів і розробники UI/UX можуть визначити функції свого продукту, які подобаються користувачам, і частини, які потребують покращення. Це може підтримати обговорення дорожньої карти продукту та визначення пріоритетів.

Огляд рішення

Ми представляємо рішення, яке може допомогти компаніям проаналізувати настрої клієнтів (як повні, так і цільові) майже в реальному часі (зазвичай за кілька хвилин) на основі відгуків, введених на їхніх веб-сайтах. У своїй основі він спирається на «Амазонка» виконувати як повний, так і цілеспрямований аналіз настроїв.

API настрою Amazon Comprehend визначає загальний настрій текстового документа. Починаючи з жовтня 2022 року, ви можете використовувати націлені настрої, щоб визначити настрої, пов’язані з конкретними об’єктами, згаданими в текстових документах. Наприклад, у відгуку про ресторан, у якому сказано: «Мені сподобався гамбургер, але обслуговування було повільним», цільовий настрій визначатиме позитивні настрої щодо «бургера» та негативні настрої щодо «обслуговування».

Для нашого випадку велика мережа ресторанів у Північній Америці хоче проаналізувати відгуки своїх клієнтів на своєму веб-сайті та через мобільний додаток. Ресторан хоче проаналізувати відгуки своїх клієнтів про різні позиції в меню, послуги, що надаються в їхніх філіях, і загальні настрої щодо їх досвіду.

Наприклад, клієнт може написати такий відгук: «Їжа у вашому ресторані в Нью-Йорку була дуже хорошою. Паста була смачною. Але обслуговування було дуже поганим!» Для цього огляду місце розташування ресторану – Нью-Йорк. Загальні настрої неоднозначні: настрої щодо «їжі» та «макаронних виробів» позитивні, але настрої щодо обслуговування негативні.

Ресторан хоче проаналізувати відгуки за профілем клієнтів, наприклад за віком і статтю, щоб визначити будь-які тенденції в сегментах клієнтів (ці дані можуть бути отримані їхніми веб-програмами та мобільними додатками та надіслані до серверної системи). Їхній відділ обслуговування клієнтів хоче використовувати ці дані, щоб сповістити агентів про подальшу роботу з проблемою, створивши клієнтський квиток у системі CRM, що знаходиться нижче. Операції хочуть зрозуміти, які елементи швидко рухаються в певний день, щоб вони могли скоротити час на підготовку цих елементів.

Наразі всі аналізи надсилаються у вигляді звітів електронною поштою за допомогою пакетного процесу, який займає 2–3 дні. ІТ-відділу ресторану не вистачає складної аналітики даних, потокової передачі або можливостей ШІ та машинного навчання (ML) для створення такого рішення.

Наступна діаграма архітектури ілюструє перші кроки робочого процесу.

Все рішення можна підключити до задньої частини веб-сайту клієнта або мобільного додатку.

API -шлюз Amazon відкриває дві кінцеві точки:

• Кінцева точка клієнта, де вводяться відгуки клієнтів
• Кінцева точка обслуговування, де відділ обслуговування може переглянути будь-який конкретний огляд і створити квиток на обслуговування

Робочий процес включає наступні кроки:

1. Коли клієнт вводить відгук (наприклад, з веб-сайту), він надсилається до шлюзу API, підключеного до Служба простої черги Amazon (Amazon SQS) черга. Черга діє як буфер для зберігання відгуків після їх введення.
2. Черга SQS запускає an AWS Lambda функція. Якщо повідомлення не доставлено до функції Lambda після кількох повторних спроб, воно поміщається в чергу мертвих листів для подальшої перевірки.
3. Функція Lambda викликає Функції кроку AWS кінцевий автомат і передає повідомлення з черги.

Наступна діаграма ілюструє робочий процес крокових функцій.

Step Functions виконує наступні кроки паралельно.

1. Step Functions аналізує повний настрій повідомлення, викликаючи API detect_sentiment від Amazon Comprehend.
2. Він викликає наступні кроки:
   1. Він записує результати в an Amazon DynamoDB таблиці.
   2. Якщо настрій негативний або змішаний, він виконує такі дії:
      • Він надсилає сповіщення до Служба простих сповіщень Amazon (Amazon SNS), на яку підписані одна або кілька електронних адрес (наприклад, директор із обслуговування клієнтів, директор із маркетингу тощо).
      • Він надсилає подію до Amazon EventBridge, який передається іншим системам нижче за течією, щоб діяти на основі отриманого огляду. У прикладі подія EventBridge записується в Amazon CloudWatch журнал. У реальному сценарії він міг би викликати функцію Lambda, щоб надіслати подію в систему нижче за течією всередині або за межами AWS (наприклад, систему управління запасами або систему планування).
3. Він аналізує цільовий настрій повідомлення, викликаючи detect_targeted_sentiment API від Amazon Comprehend.
4. Він записує результати в таблицю DynamoDB за допомогою функції Map (паралельно, по одному для кожної сутності, визначеної в повідомленні).

Наступна діаграма ілюструє робочий процес від крокових функцій до наступних систем.

1. Таблиці DynamoDB використовують Потоки Amazon DynamoDB для виконання запису змінених даних (CDC). Дані, вставлені в таблиці, передаються через Потоки даних Amazon Kinesis до Amazon Kinesis Data Firehose майже в реальному часі (встановити 60 секунд).
2. Kinesis Data Firehose зберігає дані в Служба простого зберігання Amazon (Amazon S3) відро.
3. Amazon QuickSight аналізує дані в сегменті S3. Результати представлені на різних інформаційних панелях, які можуть переглядати відділи продажів, маркетингу чи обслуговування клієнтів (внутрішні користувачі). QuickSight також може оновлювати інформаційну панель за розкладом (для цього прикладу встановлено 60 хвилин).

Команда AWS CloudFormation шаблони для створення архітектури рішення доступні на GitHub. Зверніть увагу, що шаблони не містять інформаційних панелей QuickSight, але містять інструкції щодо їх створення у файлі README.md. У наступному розділі ми надаємо кілька зразків інформаційних панелей.

Інформаційні панелі QuickSight

Інформаційні панелі корисні для відділів маркетингу та обслуговування клієнтів, щоб візуально аналізувати ефективність продукту чи послуги за ключовими показниками бізнесу. У цьому розділі ми представляємо кілька зразків звітів, розроблених у QuickSight із використанням фіктивних даних для ресторану. Ці звіти доступні особам, які приймають рішення, приблизно через 60 хвилин (згідно з нашим циклом оновлення). Вони можуть допомогти відповісти на такі запитання:

• Як клієнти сприймають бізнес в цілому?
• Чи є якісь конкретні аспекти послуги (наприклад, час, витрачений на надання послуги, вирішення скарги клієнта), які подобаються або не подобаються клієнтам?
• Як клієнтам подобається конкретний нещодавно представлений продукт (наприклад, пункт у меню)? Чи є якісь конкретні продукти, які подобаються або не подобаються клієнтам?
• Чи є спостережувані закономірності в настроях клієнтів за віковими групами, статтю чи місцеположенням (наприклад, які продукти харчування сьогодні популярні в різних місцях)?

Повний сентимент

На наступних малюнках показано приклади повного аналізу настроїв.

Перший графік відображає загальні настрої.

Наступний графік показує настрої за віковими групами.

Наступний графік показує настрої за статтю.

Остаточний графік показує настрої в ресторанах.

Цілеспрямовані настрої

На наступних малюнках показано приклади цілеспрямованого аналізу настроїв.

Перший графік показує настрій за суб’єктами (обслуговування, ресторан, типи страв тощо).

Нижче показано настрої за віковими групами за суб’єктами.

Наступний графік показує настрої в локаціях за суб’єктами.

Наведений нижче знімок екрана зроблено із системи продажу квитків CRM, яку можна використовувати для детальнішого аналізу настроїв клієнтів. Наприклад, у нашому випадку використання ми створили відділ обслуговування клієнтів, щоб отримувати сповіщення електронною поштою про негативні настрої. Використовуючи інформацію з електронного листа (ідентифікатор відгуку про настрої клієнта), представник служби може детальніше ознайомитися з настроями.

Підсумки

У цьому дописі описано архітектуру для аналізу настроїв у реальному часі за допомогою Amazon Comprehend та інших сервісів AWS. Наше рішення забезпечує такі переваги:

• Він поставляється як шаблон CloudFormation зі шлюзом API, який можна розгорнути за додатками для клієнтів або мобільними додатками
• Ви можете створити рішення за допомогою Amazon Comprehend, не маючи спеціальних знань щодо AI, ML або обробки природної мови
• Ви можете створювати звіти за допомогою QuickSight без спеціальних знань SQL
• Він може бути повністю безсерверним, що забезпечує еластичне масштабування та споживає ресурси лише за потреби

Аналіз настроїв у реальному часі може бути дуже корисним для компаній, зацікавлених у миттєвому отриманні відгуків клієнтів про їхні послуги. Це може допомогти відділам маркетингу, продажів і обслуговування клієнтів компанії миттєво переглянути відгуки клієнтів і вжити заходів для виправлення.

Використовуйте це рішення у своїй компанії, щоб виявляти настрої клієнтів і реагувати на них майже в реальному часі.

Щоб дізнатися більше про основні послуги, описані в цьому блозі, перейдіть за посиланнями нижче

«Амазонка»
Функції кроку AWS
Потоки Amazon DynamoDB
Потоки даних Amazon Kinesis
Amazon Kinesis Data Firehose
Amazon EventBridge
Amazon QuickSight

---

Про автора

Варад Г Варадараджан є старшим архітектором рішень (SA) в Amazon Web Services, який підтримує клієнтів на північному сході США. Варад виступає в якості довіреного радника та технічного директора на місцях для Digital Native Businesss, допомагаючи їм створювати масштабні інноваційні рішення за допомогою AWS. Сфери інтересів Варада – консультування з питань стратегії ІТ, архітектура та управління продуктами. Поза роботою Варад любить писати, дивитися фільми з родиною та друзями та подорожувати.