AWS کا استعمال کرتے ہوئے کسٹمر کے جذبات کا حقیقی وقت کا تجزیہ

وہ کمپنیاں جو مصنوعات یا خدمات کو آن لائن فروخت کرتی ہیں انہیں مصنوعات کی خریداری کے بعد اپنی ویب سائٹ پر چھوڑے گئے صارفین کے جائزوں کی مسلسل نگرانی کرنے کی ضرورت ہوتی ہے۔ کمپنی کے مارکیٹنگ اور کسٹمر سروس کے شعبے گاہک کے جذبات کو سمجھنے کے لیے ان جائزوں کا تجزیہ کرتے ہیں۔ مثال کے طور پر، مارکیٹنگ اس ڈیٹا کو صارفین کے مختلف حصوں کو نشانہ بنانے والی مہمات بنانے کے لیے استعمال کر سکتی ہے۔ کسٹمر سروس ڈپارٹمنٹ اس ڈیٹا کو صارفین کے عدم اطمینان کو تلاش کرنے اور اصلاحی کارروائی کرنے کے لیے استعمال کر سکتے ہیں۔

روایتی طور پر، یہ ڈیٹا بیچ کے عمل کے ذریعے اکٹھا کیا جاتا ہے اور اسے ذخیرہ کرنے، تجزیہ کرنے اور رپورٹنگ کے لیے ڈیٹا گودام میں بھیجا جاتا ہے، اور فیصلہ سازوں کو کئی گھنٹوں کے بعد، اگر دن نہیں تو دستیاب کر دیا جاتا ہے۔ اگر اس ڈیٹا کا فوری طور پر تجزیہ کیا جا سکتا ہے، تو یہ کمپنیوں کو صارفین کے جذبات پر فوری ردعمل ظاہر کرنے کے مواقع فراہم کر سکتا ہے۔

اس پوسٹ میں، ہم قریب قریب حقیقی وقت (چند منٹوں) میں صارفین کے تاثرات کے مجموعی جذبات کا تجزیہ کرنے کے لیے ایک نقطہ نظر بیان کرتے ہیں۔ ہم یہ بھی ظاہر کرتے ہیں کہ متن میں مخصوص ہستیوں (جیسے کمپنی، پروڈکٹ، شخص، یا برانڈ) سے منسلک مختلف جذبات کو براہ راست API سے کیسے سمجھنا ہے۔

حقیقی وقت کے جذبات کے تجزیہ کے لیے کیسز کا استعمال کریں۔

ریئل ٹائم جذباتی تجزیہ ان کمپنیوں کے لیے بہت مفید ہے جو اپنی مصنوعات اور خدمات کے بارے میں فوری کسٹمر کی رائے حاصل کرنے میں دلچسپی رکھتی ہیں، جیسے:

• ریستوران
• خوردہ یا B2C کمپنیاں جو مختلف مصنوعات یا خدمات فروخت کرتی ہیں۔
• کمپنیاں آن لائن فلمیں (OTT پلیٹ فارمز)، لائیو کنسرٹس، یا کھیلوں کی تقریبات کو اسٹریم کرتی ہیں۔
• مالیاتی ادارے

عام طور پر، کوئی بھی کاروبار جس میں کسٹمر ٹچ پوائنٹ ہوتے ہیں اور اسے حقیقی وقت میں فیصلے کرنے کی ضرورت ہوتی ہے وہ صارفین کے حقیقی وقت کے تاثرات سے فائدہ اٹھا سکتا ہے۔

جذبات کے لیے حقیقی وقت کا طریقہ استعمال کرنا درج ذیل استعمال کے معاملات میں مفید ہو سکتا ہے:

• مارکیٹنگ کے شعبے ڈیٹا کا استعمال کسٹمر سیگمنٹس کو بہتر طریقے سے ہدف بنانے کے لیے کر سکتے ہیں، یا اپنی مہمات کو مخصوص کسٹمر سیگمنٹس میں ایڈجسٹ کر سکتے ہیں۔
• کسٹمر سروس ڈپارٹمنٹ فوری طور پر غیر مطمئن صارفین تک پہنچ سکتے ہیں اور مسائل کو حل کرنے کی کوشش کر سکتے ہیں، گاہک کی منتھلی کو روکتے ہوئے۔
• کسی پروڈکٹ پر مثبت یا منفی جذبات مختلف مقامات پر پروڈکٹ کی طلب کے ایک مفید اشارے کے طور پر ثابت ہو سکتے ہیں۔ مثال کے طور پر، تیزی سے چلنے والی مصنوعات کے لیے، کمپنیاں مخصوص علاقوں میں اضافی انوینٹری یا اسٹاک آؤٹ سے بچنے کے لیے گوداموں میں اپنے اسٹاک کی سطح کو ایڈجسٹ کرنے کے لیے ریئل ٹائم ڈیٹا کا استعمال کر سکتی ہیں۔

جذبات کی دانے دار سمجھنا بھی مفید ہے، جیسا کہ درج ذیل استعمال کے معاملات میں:

• ایک کاروبار ملازم/گاہک کے تجربے کے ان حصوں کی نشاندہی کر سکتا ہے جو خوشگوار ہیں اور ایسے حصے جو بہتر ہو سکتے ہیں۔
• رابطہ مراکز اور کسٹمر سروس ٹیمیں ایجنٹ کی تربیت کی تاثیر کی نشاندہی کرنے کے لیے آن کال ٹرانسکرپشنز یا چیٹ لاگز کا تجزیہ کر سکتی ہیں، اور گفتگو کی تفصیلات جیسے کہ گاہک کے مخصوص ردعمل اور فقرے یا الفاظ جو اس ردعمل کو ظاہر کرنے کے لیے استعمال کیے گئے تھے۔
• پروڈکٹ کے مالکان اور UI/UX ڈویلپرز اپنے پروڈکٹ کی خصوصیات کی شناخت کر سکتے ہیں جن سے صارفین لطف اندوز ہوتے ہیں اور ان حصوں کی شناخت کر سکتے ہیں جن میں بہتری کی ضرورت ہوتی ہے۔ یہ پروڈکٹ روڈ میپ کے مباحثوں اور ترجیحات کی حمایت کر سکتا ہے۔

حل جائزہ

ہم ایک ایسا حل پیش کرتے ہیں جو کمپنیوں کو ان کی ویب سائٹ پر درج کردہ جائزوں سے قریب قریب حقیقی وقت میں (عام طور پر چند منٹوں میں) صارفین کے جذبات (مکمل اور ہدف دونوں) کا تجزیہ کرنے میں مدد کر سکتا ہے۔ اس کے مرکز میں، یہ انحصار کرتا ہے ایمیزون کی تعریف مکمل اور ھدف شدہ جذبات کا تجزیہ کرنے کے لیے۔

Amazon Comprehend Sentiment API ٹیکسٹ دستاویز کے لیے مجموعی جذبات کی نشاندہی کرتا ہے۔ اکتوبر 2022 تک، آپ ٹیکسٹ دستاویزات میں مذکور مخصوص اداروں سے وابستہ جذبات کی نشاندہی کرنے کے لیے ٹارگٹڈ جذبات کا استعمال کر سکتے ہیں۔ مثال کے طور پر، ایک ریستوران کے جائزے میں جو کہتا ہے، "مجھے برگر پسند تھا لیکن سروس سست تھی،" ہدف شدہ جذبات "برگر" کے لیے مثبت جذبات اور "سروس" کے لیے منفی جذبات کی نشاندہی کرے گا۔

ہمارے استعمال کے معاملے کے لیے، شمالی امریکہ میں ایک بڑی ریسٹورنٹ چین اپنی ویب سائٹ اور موبائل ایپ کے ذریعے اپنے صارفین کے جائزوں کا تجزیہ کرنا چاہتی ہے۔ ریسٹورنٹ مینو میں موجود مختلف اشیاء کے بارے میں اپنے صارفین کے تاثرات، ان کی برانچوں میں فراہم کی جانے والی سروس، اور ان کے تجربے پر مجموعی جذبات کا تجزیہ کرنا چاہتا ہے۔

مثال کے طور پر، ایک گاہک درج ذیل جائزہ لکھ سکتا ہے: "نیو یارک میں واقع آپ کے ریستوراں میں کھانا بہت اچھا تھا۔ پاستا مزیدار تھا۔ تاہم، سروس بہت خراب تھی! اس جائزے کے لیے، ریستوراں کا مقام نیویارک ہے۔ مجموعی جذبات مخلوط ہیں - "کھانے" اور "پاستا" کے جذبات مثبت ہیں، لیکن خدمت کے جذبات منفی ہیں۔

ریسٹورنٹ کسٹمر کے پروفائل، جیسے کہ عمر اور جنس کے حساب سے جائزوں کا تجزیہ کرنا چاہتا ہے تاکہ کسٹمر سیگمنٹ میں کسی بھی رجحان کی نشاندہی کی جا سکے (اس ڈیٹا کو ان کی ویب اور موبائل ایپس کے ذریعے حاصل کیا جا سکتا ہے اور بیک اینڈ سسٹم کو بھیجا جا سکتا ہے)۔ ان کا کسٹمر سروس ڈپارٹمنٹ اس ڈیٹا کو ایجنٹوں کو مطلع کرنے کے لیے استعمال کرنا چاہتا ہے تاکہ وہ ایک ڈاؤن اسٹریم CRM سسٹم میں کسٹمر ٹکٹ بنا کر اس مسئلے پر عمل کریں۔ آپریشنز یہ سمجھنا چاہتے ہیں کہ ایک مخصوص دن میں کون سی اشیاء تیزی سے چل رہی ہیں، تاکہ وہ ان اشیاء کی تیاری کا وقت کم کر سکیں۔

فی الحال، تمام تجزیے بذریعہ ای میل رپورٹ کے طور پر ایک بیچ کے عمل کے ذریعے فراہم کیے جاتے ہیں جس میں 2-3 دن لگتے ہیں۔ ریستوراں کے آئی ٹی ڈیپارٹمنٹ میں اس طرح کے حل کو تیار کرنے کے لیے جدید ترین ڈیٹا اینالیٹکس، سٹریمنگ، یا AI اور مشین لرننگ (ML) کی صلاحیتوں کا فقدان ہے۔

مندرجہ ذیل آرکیٹیکچر ڈایاگرام ورک فلو کے پہلے مراحل کی وضاحت کرتا ہے۔

پورے حل کو کسٹمر کی ویب سائٹ یا موبائل ایپ کے پیچھے لگایا جا سکتا ہے۔

ایمیزون API گیٹ وے دو اختتامی نکات کو بے نقاب کرتا ہے:

• ایک کسٹمر اینڈ پوائنٹ جہاں کسٹمر کے جائزے درج کیے جاتے ہیں۔
• ایک سروس اینڈ پوائنٹ جہاں سروس ڈیپارٹمنٹ کسی خاص جائزے کو دیکھ سکتا ہے اور سروس ٹکٹ بنا سکتا ہے۔

ورک فلو میں درج ذیل مراحل شامل ہیں:

1. جب کوئی صارف جائزہ داخل کرتا ہے (مثال کے طور پر، ویب سائٹ سے)، تو اسے API گیٹ وے پر بھیجا جاتا ہے جو کہ ایمیزون سادہ قطار سروس (ایمیزون SQS) قطار۔ قطار ایک بفر کے طور پر کام کرتی ہے تاکہ جائزے درج ہوتے ہی انہیں محفوظ کیا جا سکے۔
2. SQS قطار ایک کو متحرک کرتی ہے۔ او ڈبلیو ایس لامبڈا۔ فنکشن اگر کچھ دوبارہ کوشش کرنے کے بعد بھی پیغام Lambda فنکشن میں نہیں پہنچایا جاتا ہے، تو اسے مستقبل کے معائنے کے لیے ڈیڈ لیٹر قطار میں رکھا جاتا ہے۔
3. لیمبڈا فنکشن کی درخواست کرتا ہے۔ AWS اسٹیپ فنکشنز ریاستی مشین اور قطار سے پیغام پاس کرتی ہے۔

درج ذیل خاکہ سٹیپ فنکشنز ورک فلو کو واضح کرتا ہے۔

Step Functions متوازی طور پر درج ذیل اقدامات کرتا ہے۔

1. Step Functions Amazon Comprehend سے detect_sentiment API کو استعمال کرکے پیغام کے مکمل جذبات کا تجزیہ کرتا ہے۔
2. یہ مندرجہ ذیل اقدامات کی درخواست کرتا ہے:
   1. یہ ایک کو نتائج لکھتا ہے۔ ایمیزون ڈائنومو ڈی بی میز.
   2. اگر جذبات منفی یا مخلوط ہے، تو یہ مندرجہ ذیل اعمال انجام دیتا ہے:
      • کو ایک اطلاع بھیجتا ہے۔ ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس)، جسے ایک یا زیادہ ای میل پتوں سے سبسکرائب کیا جاتا ہے (جیسے ڈائریکٹر آف کسٹمر سروس، ڈائریکٹر آف مارکیٹنگ، وغیرہ)۔
      • کو ایک واقعہ بھیجتا ہے۔ ایمیزون ایونٹ برج، جو موصول ہونے والے جائزے پر عمل کرنے کے لیے دوسرے بہاو والے نظاموں کو منتقل کیا جاتا ہے۔ مثال میں، EventBridge واقعہ ایک پر لکھا جاتا ہے۔ ایمیزون کلاؤڈ واچ لاگ ایک حقیقی منظر نامے میں، یہ ایونٹ کو AWS کے اندر یا باہر کسی ڈاون اسٹریم سسٹم میں بھیجنے کے لیے ایک Lambda فنکشن کو طلب کر سکتا ہے (جیسے کہ انوینٹری مینجمنٹ سسٹم یا شیڈولنگ سسٹم)۔
3. یہ پیغام کے ہدف بنائے گئے جذبات کا تجزیہ کرتا ہے۔ detect_targeted_sentiment Amazon Comprehend سے API۔
4. یہ نقشہ فنکشن (متوازی طور پر، پیغام میں شناخت کی گئی ہر ایک ہستی کے لیے ایک) کا استعمال کرتے ہوئے نتائج کو DynamoDB ٹیبل پر لکھتا ہے۔

درج ذیل خاکہ اسٹیپ فنکشنز سے لے کر ڈاؤن اسٹریم سسٹم تک ورک فلو کی وضاحت کرتا ہے۔

1. DynamoDB میزیں استعمال کرتی ہیں۔ Amazon DynamoDB اسٹریمز تبدیلی ڈیٹا کیپچر (CDC) کو انجام دینے کے لیے۔ جدولوں میں داخل کردہ ڈیٹا کو بذریعہ اسٹریم کیا جاتا ہے۔ Amazon Kinesis ڈیٹا اسٹریمز کرنے کے لئے ایمیزون کائنیسس ڈیٹا فائر ہوز قریب حقیقی وقت میں (60 سیکنڈ پر سیٹ)۔
2. Kinesis Data Firehose ڈیٹا کو ایک میں جمع کرتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔
3. ایمیزون کوئیک سائٹ S3 بالٹی میں ڈیٹا کا تجزیہ کرتا ہے۔ نتائج مختلف ڈیش بورڈز میں پیش کیے جاتے ہیں جنہیں سیلز، مارکیٹنگ، یا کسٹمر سروس ٹیمیں (اندرونی صارفین) دیکھ سکتے ہیں۔ QuickSight ایک شیڈول پر ڈیش بورڈ کو بھی ریفریش کر سکتا ہے (اس مثال کے لیے 60 منٹ پر سیٹ کریں)۔

۔ AWS کلاؤڈ فارمیشن حل آرکیٹیکچر بنانے کے لیے ٹیمپلیٹس دستیاب ہیں۔ GitHub کے. نوٹ کریں کہ ٹیمپلیٹس میں QuickSight ڈیش بورڈز شامل نہیں ہیں، لیکن انہیں README.md فائل میں بنانے کے طریقے کے بارے میں ہدایات فراہم کرتے ہیں۔ ہم مندرجہ ذیل سیکشن میں کچھ نمونہ ڈیش بورڈ فراہم کرتے ہیں۔

QuickSight ڈیش بورڈز

ڈیش بورڈز مارکیٹنگ اور کسٹمر سروس کے محکموں کے لیے کارآمد ہیں تاکہ بصری طور پر یہ تجزیہ کیا جا سکے کہ ان کی مصنوعات یا سروس اہم کاروباری میٹرکس میں کیسے کام کر رہی ہے۔ اس سیکشن میں، ہم کچھ نمونے کی رپورٹس پیش کرتے ہیں جو QuickSight میں تیار کی گئی تھیں، جس میں ریسٹورنٹ کے لیے فرضی ڈیٹا کا استعمال کیا گیا تھا۔ یہ رپورٹس فیصلہ سازوں کے لیے تقریباً 60 منٹ میں دستیاب ہوتی ہیں (ہمارے ریفریش سائیکل کے مطابق)۔ وہ درج ذیل سوالات کے جوابات دینے میں مدد کر سکتے ہیں:

• صارفین مجموعی طور پر کاروبار کو کیسے سمجھ رہے ہیں؟
• کیا سروس کے کوئی خاص پہلو ہیں (جیسے سروس فراہم کرنے میں لگنے والا وقت، گاہک کی شکایت پر فراہم کردہ حل) جو گاہک پسند کرتے ہیں یا نہیں؟
• گاہک کس طرح نئے متعارف کرائے گئے پروڈکٹ کو پسند کرتے ہیں (جیسے کہ مینو میں موجود کوئی آئٹم)؟ کیا کوئی مخصوص مصنوعات ہیں جو صارفین کو پسند ہیں یا نہیں؟
• کیا عمر کے گروپوں، جنس، یا مقامات پر کسٹمر کے جذبات میں کوئی قابل مشاہدہ نمونہ موجود ہے (جیسے کہ آج کل مختلف مقامات پر کون سی کھانے کی اشیاء مقبول ہیں)؟

مکمل جذبہ

مندرجہ ذیل اعداد و شمار مکمل جذباتی تجزیہ کی مثالیں دکھاتے ہیں۔

پہلا گراف مجموعی جذبات کا ہے۔

اگلا گراف عمر کے گروپوں کے جذبات کو ظاہر کرتا ہے۔

مندرجہ ذیل گراف تمام صنف کے جذبات کو ظاہر کرتا ہے۔

آخری گراف ریستوراں کے مقامات پر جذبات کو ظاہر کرتا ہے۔

ہدف شدہ جذبات

درج ذیل اعداد و شمار ہدف شدہ جذبات کے تجزیہ کی مثالیں دکھاتے ہیں۔

پہلا گراف ہستی کے لحاظ سے جذبات کو ظاہر کرتا ہے (سروس، ریستوراں، کھانے کی اقسام، وغیرہ)۔

درج ذیل ہستی کے لحاظ سے عمر کے گروپوں کے جذبات کو ظاہر کرتا ہے۔

اگلا گراف ہستی کے لحاظ سے مقامات پر جذبات کو ظاہر کرتا ہے۔

مندرجہ ذیل اسکرین شاٹ ایک CRM ٹکٹنگ سسٹم کا ہے جسے کسٹمر کے جذبات کے مزید دانے دار تجزیہ کے لیے استعمال کیا جا سکتا ہے۔ مثال کے طور پر، ہمارے استعمال کے معاملے میں، ہم نے منفی جذبات کی ای میل اطلاعات موصول کرنے کے لیے کسٹمر سروس ڈیپارٹمنٹ قائم کیا۔ ای میل سے حاصل کردہ معلومات (گاہک کے جذبات کا جائزہ لینے والی ID) کے ساتھ، ایک خدمت کا نمائندہ جذبات کی مزید دانے دار تفصیلات تک پہنچ سکتا ہے۔

خلاصہ

اس پوسٹ میں Amazon Comprehend اور دیگر AWS سروسز کا استعمال کرتے ہوئے حقیقی وقت کے جذبات کے تجزیے کے لیے ایک فن تعمیر کو بیان کیا گیا ہے۔ ہمارا حل درج ذیل فوائد فراہم کرتا ہے:

• یہ ایک API گیٹ وے کے ساتھ CloudFormation ٹیمپلیٹ کے طور پر ڈیلیور کیا گیا ہے جسے کسٹمر کا سامنا کرنے والی ایپس یا موبائل ایپس کے پیچھے تعینات کیا جا سکتا ہے۔
• آپ AI، ML، یا قدرتی زبان کی پروسیسنگ کی کوئی خاص معلومات کے بغیر، Amazon Comprehend کا استعمال کرتے ہوئے حل تیار کر سکتے ہیں۔
• آپ QuickSight کا استعمال کرتے ہوئے رپورٹس بنا سکتے ہیں جس میں SQL کی کوئی خاص معلومات نہیں ہیں۔
• یہ مکمل طور پر سرور لیس ہوسکتا ہے، جو لچکدار پیمانہ فراہم کرتا ہے اور وسائل صرف ضرورت کے وقت استعمال کرتا ہے۔

ریئل ٹائم جذباتی تجزیہ ان کمپنیوں کے لیے بہت کارآمد ہو سکتا ہے جو اپنی خدمات پر فوری کسٹمر کی رائے حاصل کرنے میں دلچسپی رکھتی ہیں۔ اس سے کمپنی کی مارکیٹنگ، سیلز، اور کسٹمر سروس کے محکموں کو فوری طور پر کسٹمر کے تاثرات کا جائزہ لینے اور اصلاحی اقدامات کرنے میں مدد مل سکتی ہے۔

قریب قریب حقیقی وقت میں کسٹمر کے جذبات کا پتہ لگانے اور ان پر ردعمل ظاہر کرنے کے لیے اپنی کمپنی میں اس حل کا استعمال کریں۔

کے بارے میں مزید جاننے کے لئے اس بلاگ میں بیان کردہ کلیدی خدمات، نیچے دیئے گئے لنکس پر جائیں۔

ایمیزون کی تعریف
AWS اسٹیپ فنکشنز
Amazon DynamoDB اسٹریمز
Amazon Kinesis ڈیٹا اسٹریمز
ایمیزون کائنیسس ڈیٹا فائر ہوز
ایمیزون ایونٹ برج
ایمیزون کوئیک سائٹ

---

مصنف کے بارے میں

ورد جی وردراجن ایمیزون ویب سروسز میں ایک سینئر سولیوشن آرکیٹیکٹ (SA) ہے، جو یو ایس نارتھ ایسٹ میں صارفین کی مدد کرتا ہے۔ Varad ڈیجیٹل مقامی کاروبار کے لیے ایک قابل اعتماد مشیر اور فیلڈ CTO کے طور پر کام کرتا ہے، AWS کا استعمال کرتے ہوئے پیمانے پر اختراعی حل تیار کرنے میں ان کی مدد کرتا ہے۔ وراد کی دلچسپی کے شعبے آئی ٹی اسٹریٹیجی کنسلٹنگ، آرکیٹیکچر اور پروڈکٹ مینجمنٹ ہیں۔ کام سے باہر، وراد کو تخلیقی تحریر، خاندان اور دوستوں کے ساتھ فلمیں دیکھنا، اور سفر کرنا پسند ہے۔