Phân tích tâm lý khách hàng theo thời gian thực bằng AWS

Các công ty bán sản phẩm hoặc dịch vụ trực tuyến cần liên tục theo dõi các đánh giá của khách hàng trên trang web của họ sau khi mua sản phẩm. Bộ phận tiếp thị và dịch vụ khách hàng của công ty phân tích những đánh giá này để hiểu được cảm nhận của khách hàng. Ví dụ: bộ phận tiếp thị có thể sử dụng dữ liệu này để tạo các chiến dịch nhắm mục tiêu đến các phân khúc khách hàng khác nhau. Bộ phận dịch vụ khách hàng có thể sử dụng dữ liệu này để phát hiện sự không hài lòng của khách hàng và thực hiện hành động khắc phục.

Theo truyền thống, dữ liệu này được thu thập thông qua quy trình hàng loạt và gửi đến kho dữ liệu để lưu trữ, phân tích và báo cáo, đồng thời được cung cấp cho những người ra quyết định sau vài giờ, nếu không muốn nói là vài ngày. Nếu dữ liệu này có thể được phân tích ngay lập tức, nó có thể tạo cơ hội cho các công ty phản ứng nhanh chóng với tâm lý của khách hàng.

Trong bài đăng này, chúng tôi mô tả một phương pháp phân tích cảm nhận chung về phản hồi của khách hàng trong thời gian gần như thực (vài phút). Chúng tôi cũng trình bày cách hiểu các cảm xúc khác nhau liên quan đến các thực thể cụ thể trong văn bản (chẳng hạn như công ty, sản phẩm, cá nhân hoặc thương hiệu) trực tiếp từ API.

Các trường hợp sử dụng để phân tích cảm tính theo thời gian thực

Phân tích cảm tính theo thời gian thực rất hữu ích cho các công ty quan tâm đến việc nhận được phản hồi tức thì của khách hàng về sản phẩm và dịch vụ của họ, chẳng hạn như:

• Nhà hàng
• Các công ty bán lẻ hoặc B2C bán các sản phẩm hoặc dịch vụ khác nhau
• Các công ty phát trực tuyến phim trực tuyến (nền tảng OTT), buổi hòa nhạc trực tiếp hoặc sự kiện thể thao
• Học viện Tài chính

Nói chung, bất kỳ doanh nghiệp nào có điểm tiếp xúc với khách hàng và cần đưa ra quyết định theo thời gian thực đều có thể hưởng lợi từ phản hồi theo thời gian thực từ khách hàng.

Việc triển khai phương pháp tiếp cận cảm tính theo thời gian thực có thể hữu ích trong các trường hợp sử dụng sau:

• Bộ phận tiếp thị có thể sử dụng dữ liệu để nhắm mục tiêu phân khúc khách hàng tốt hơn hoặc điều chỉnh chiến dịch của họ theo phân khúc khách hàng cụ thể.
• Bộ phận dịch vụ khách hàng có thể liên hệ ngay với những khách hàng không hài lòng và cố gắng giải quyết vấn đề, ngăn chặn tình trạng khách hàng rời bỏ.
• Cảm nhận tích cực hoặc tiêu cực về sản phẩm có thể được coi là một chỉ báo hữu ích về nhu cầu sản phẩm ở nhiều địa điểm khác nhau. Ví dụ: đối với một sản phẩm chuyển động nhanh, các công ty có thể sử dụng dữ liệu thời gian thực để điều chỉnh mức tồn kho trong kho, nhằm tránh tình trạng dư thừa hàng tồn kho hoặc hết hàng ở các khu vực cụ thể.

Việc hiểu rõ hơn về cảm xúc cũng rất hữu ích, như trong các trường hợp sử dụng sau:

• Doanh nghiệp có thể xác định các phần của trải nghiệm nhân viên / khách hàng là thú vị và các phần có thể được cải thiện.
• Các trung tâm liên hệ và nhóm dịch vụ khách hàng có thể phân tích bản ghi âm cuộc gọi hoặc nhật ký trò chuyện để xác định hiệu quả đào tạo nhân viên và các chi tiết cuộc trò chuyện như phản ứng cụ thể từ khách hàng và các cụm từ hoặc từ được sử dụng để gợi ra phản hồi đó.
• Chủ sở hữu sản phẩm và nhà phát triển UI / UX có thể xác định các tính năng của sản phẩm của họ mà người dùng yêu thích và các bộ phận yêu cầu cải tiến. Điều này có thể hỗ trợ các cuộc thảo luận và ưu tiên về lộ trình sản phẩm.

Tổng quan về giải pháp

Chúng tôi trình bày một giải pháp có thể giúp các công ty phân tích cảm tính của khách hàng (cả đầy đủ và nhắm mục tiêu) trong thời gian gần như thực (thường trong vài phút) từ các bài đánh giá được nhập trên trang web của họ. Về cốt lõi, nó dựa vào Amazon hiểu để thực hiện cả phân tích tình cảm đầy đủ và mục tiêu.

API cảm tính của Amazon Comprehend xác định cảm tính tổng thể cho một tài liệu văn bản. Kể từ tháng 2022 năm XNUMX, bạn có thể sử dụng cảm tính mục tiêu để xác định cảm tính liên quan đến các thực thể cụ thể được đề cập trong tài liệu văn bản. Ví dụ: trong một bài đánh giá về nhà hàng có nội dung: “Tôi thích bánh mì kẹp thịt nhưng dịch vụ chậm”, cảm tính mục tiêu sẽ xác định cảm tính tích cực đối với “bánh mì kẹp thịt” và cảm tính tiêu cực đối với “dịch vụ”.

Đối với trường hợp sử dụng của chúng tôi, một chuỗi nhà hàng lớn ở Bắc Mỹ muốn phân tích các đánh giá của khách hàng trên trang web của họ và thông qua ứng dụng di động. Nhà hàng muốn phân tích phản hồi của khách hàng về các món khác nhau trong thực đơn, dịch vụ được cung cấp tại chi nhánh và cảm nhận chung về trải nghiệm của họ.

Ví dụ: một khách hàng có thể viết đánh giá sau: “Đồ ăn ở nhà hàng của bạn ở New York rất ngon. Mì ống rất ngon. Tuy nhiên, dịch vụ rất kém!” Đối với đánh giá này, địa điểm của nhà hàng là New York. Cảm nhận chung là trái chiều—cảm xúc về “đồ ăn” và “mì ống” là tích cực, nhưng cảm xúc về dịch vụ là tiêu cực.

Nhà hàng muốn phân tích các đánh giá theo hồ sơ khách hàng, chẳng hạn như độ tuổi và giới tính, để xác định bất kỳ xu hướng nào trên các phân khúc khách hàng (dữ liệu này có thể được web và ứng dụng di động của họ thu thập và gửi đến hệ thống phụ trợ). Bộ phận dịch vụ khách hàng của họ muốn sử dụng dữ liệu này để thông báo cho các đại lý theo dõi vấn đề bằng cách tạo phiếu khách hàng trong hệ thống CRM xuôi dòng. Bộ phận vận hành muốn biết mặt hàng nào đang di chuyển nhanh vào một ngày nhất định để có thể giảm thời gian chuẩn bị cho những mặt hàng đó.

Hiện tại, tất cả các phân tích đều được gửi dưới dạng báo cáo qua email thông qua quy trình hàng loạt, mất 2–3 ngày. Bộ phận CNTT của nhà hàng thiếu khả năng phân tích dữ liệu phức tạp, phát trực tuyến hoặc AI và máy học (ML) để xây dựng giải pháp như vậy.

Sơ đồ kiến ​​trúc sau đây minh họa các bước đầu tiên của quy trình làm việc.

Toàn bộ giải pháp có thể được nối vào mặt sau của trang web khách hàng hoặc ứng dụng di động.

Cổng API Amazon phơi bày hai điểm cuối:

• Điểm cuối của khách hàng nơi nhập đánh giá của khách hàng
• Điểm cuối dịch vụ nơi bộ phận dịch vụ có thể xem xét bất kỳ đánh giá cụ thể nào và tạo phiếu dịch vụ

Quy trình làm việc bao gồm các bước sau:

1. Khi khách hàng nhập đánh giá (ví dụ: từ trang web), đánh giá đó sẽ được gửi đến Cổng API được kết nối với Dịch vụ xếp hàng đơn giản trên Amazon (Amazon SQS) hàng đợi. Hàng đợi hoạt động như một bộ đệm để lưu trữ các đánh giá khi chúng được nhập.
2. Hàng đợi SQS kích hoạt một AWS Lambda chức năng. Nếu thông báo không được gửi tới hàm Lambda sau một vài lần thử lại, thì thông báo đó sẽ được đưa vào hàng đợi thư chết để kiểm tra trong tương lai.
3. Hàm Lambda gọi Chức năng bước AWS máy trạng thái và chuyển thông điệp từ hàng đợi.

Sơ đồ sau đây minh họa quy trình làm việc của Step Functions.

Step Functions thực hiện song song các bước sau.

1. Step Functions phân tích toàn bộ cảm xúc của tin nhắn bằng cách gọi API detect_sentiment từ Amazon Comprehend.
2. Nó gọi các bước sau:
   1. Nó ghi kết quả vào một Máy phát điện Amazon bảng.
   2. Nếu cảm xúc tiêu cực hoặc lẫn lộn, nó sẽ thực hiện các hành động sau:
      • Nó gửi thông báo tới Dịch vụ thông báo đơn giản của Amazon (Amazon SNS), được đăng ký bởi một hoặc nhiều địa chỉ email (chẳng hạn như Giám đốc Dịch vụ Khách hàng, Giám đốc Tiếp thị, v.v.).
      • Nó gửi một sự kiện tới Sự kiện Amazon, được chuyển đến một hệ thống hạ nguồn khác để xử lý đánh giá nhận được. Trong ví dụ này, sự kiện EventBridge được ghi vào một amazoncloudwatch nhật ký. Trong tình huống thực tế, nó có thể gọi hàm Lambda để gửi sự kiện đến hệ thống hạ nguồn bên trong hoặc bên ngoài AWS (chẳng hạn như hệ thống quản lý hàng tồn kho hoặc hệ thống lập lịch).
3. Nó phân tích tình cảm mục tiêu của tin nhắn bằng cách gọi detect_targeted_sentiment API từ Amazon Hiểu.
4. Nó ghi kết quả vào bảng DynamoDB bằng hàm Map (song song, một kết quả cho mỗi thực thể được xác định trong thông báo).

Sơ đồ sau đây minh họa quy trình làm việc từ Step Functions đến các hệ thống hạ nguồn.

1. Các bảng DynamoDB sử dụng Luồng Amazon DynamoDB để thực hiện thu thập dữ liệu thay đổi (CDC). Dữ liệu được chèn vào các bảng được truyền qua Luồng dữ liệu Amazon Kinesis đến Amazon Kinesis Dữ liệu Firehose trong thời gian gần như thực (đặt thành 60 giây).
2. Kinesis Data Firehose gửi dữ liệu vào một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) xô.
3. Amazon QuickSight phân tích dữ liệu trong nhóm S3. Các kết quả được trình bày trong các trang tổng quan khác nhau mà các nhóm bán hàng, tiếp thị hoặc dịch vụ khách hàng (người dùng nội bộ) có thể xem được. QuickSight cũng có thể làm mới trang tổng quan theo lịch trình (ví dụ này được đặt thành 60 phút).

Sản phẩm Hình thành đám mây AWS các mẫu để tạo kiến ​​trúc giải pháp có sẵn trên GitHub. Lưu ý rằng các mẫu không bao gồm bảng thông tin QuickSight nhưng cung cấp hướng dẫn về cách tạo chúng trong tệp README.md. Chúng tôi cung cấp một số bảng thông tin mẫu trong phần sau.

Bảng điều khiển QuickSight

Bảng thông tin rất hữu ích cho bộ phận tiếp thị và dịch vụ khách hàng để phân tích trực quan cách sản phẩm hoặc dịch vụ của họ hoạt động dựa trên các số liệu kinh doanh chính. Trong phần này, chúng tôi trình bày một số báo cáo mẫu được phát triển trong QuickSight, sử dụng dữ liệu hư cấu cho nhà hàng. Những báo cáo này sẽ được cung cấp cho những người ra quyết định trong khoảng 60 phút (theo chu kỳ làm mới của chúng tôi). Họ có thể giúp trả lời các câu hỏi như sau:

• Khách hàng nhìn nhận tổng thể doanh nghiệp như thế nào?
• Có khía cạnh cụ thể nào của dịch vụ (chẳng hạn như thời gian thực hiện để cung cấp dịch vụ, cách giải quyết khiếu nại của khách hàng) mà khách hàng thích hoặc không thích?
• Làm thế nào để khách hàng thích một sản phẩm cụ thể mới được giới thiệu (chẳng hạn như một món trong thực đơn)? Có sản phẩm cụ thể nào mà khách hàng thích hoặc không thích không?
• Có bất kỳ mô hình nào có thể quan sát được trong cảm tính của khách hàng ở các nhóm tuổi, giới tính hoặc địa điểm (chẳng hạn như mặt hàng thực phẩm nào phổ biến ở các địa điểm khác nhau hiện nay) không?

Tình cảm trọn vẹn

Các số liệu sau đây cho thấy các ví dụ về phân tích tình cảm đầy đủ.

Biểu đồ đầu tiên là tâm lý chung.

Biểu đồ tiếp theo thể hiện cảm tính của các nhóm tuổi.

Biểu đồ sau đây thể hiện tình cảm theo giới tính.

Biểu đồ cuối cùng thể hiện cảm tính ở các vị trí nhà hàng.

Mục tiêu tình cảm

Các số liệu sau đây cho thấy các ví dụ về phân tích tình cảm mục tiêu.

Biểu đồ đầu tiên hiển thị cảm tính theo thực thể (dịch vụ, nhà hàng, loại bữa ăn, v.v.).

Phần sau đây thể hiện cảm tính giữa các nhóm tuổi theo thực thể.

Biểu đồ tiếp theo hiển thị cảm tính ở các vị trí theo thực thể.

Ảnh chụp màn hình sau đây là từ hệ thống tạo yêu cầu CRM có thể được sử dụng để phân tích chi tiết hơn về cảm tính của khách hàng. Ví dụ: trong trường hợp sử dụng của chúng tôi, chúng tôi thiết lập bộ phận dịch vụ khách hàng để nhận thông báo qua email về những cảm xúc tiêu cực. Với thông tin từ email (ID đánh giá về cảm tính của khách hàng), đại diện dịch vụ có thể đi sâu vào chi tiết hơn về cảm tính.

Tổng kết

Bài đăng này mô tả kiến ​​trúc để phân tích cảm tính theo thời gian thực bằng cách sử dụng Amazon Comprehend và các dịch vụ AWS khác. Giải pháp của chúng tôi mang lại những lợi ích sau:

• Nó được phân phối dưới dạng mẫu CloudFormation với Cổng API có thể được triển khai phía sau các ứng dụng dành cho khách hàng hoặc ứng dụng dành cho thiết bị di động
• Bạn có thể xây dựng giải pháp bằng Amazon Comprehend mà không cần có kiến ​​thức đặc biệt về AI, ML hoặc xử lý ngôn ngữ tự nhiên
• Bạn có thể tạo báo cáo bằng QuickSight mà không cần kiến ​​thức đặc biệt về SQL
• Nó có thể hoàn toàn không có máy chủ, cung cấp khả năng mở rộng linh hoạt và chỉ tiêu thụ tài nguyên khi cần thiết

Phân tích cảm tính theo thời gian thực có thể rất hữu ích cho các công ty quan tâm đến việc nhận được phản hồi tức thì của khách hàng về dịch vụ của họ. Nó có thể giúp các bộ phận tiếp thị, bán hàng và dịch vụ khách hàng của công ty xem xét ngay lập tức phản hồi của khách hàng và thực hiện các hành động khắc phục.

Hãy sử dụng giải pháp này trong công ty của bạn để phát hiện và phản ứng với cảm xúc của khách hàng trong thời gian gần như thực.

Để tìm hiểu thêm về các các dịch vụ chính được mô tả trong blog này, hãy truy cập các liên kết bên dưới

Amazon hiểu
Chức năng bước AWS
Luồng Amazon DynamoDB
Luồng dữ liệu Amazon Kinesis
Amazon Kinesis Dữ liệu Firehose
Sự kiện Amazon
Amazon QuickSight

---

Lưu ý

Varad G Varadarajan là Kiến trúc sư giải pháp cấp cao (SA) tại Amazon Web Services, hỗ trợ khách hàng ở vùng Đông Bắc Hoa Kỳ. Varad đóng vai trò là Cố vấn đáng tin cậy và CTO hiện trường cho các Doanh nghiệp bản địa kỹ thuật số, giúp họ xây dựng các giải pháp đổi mới trên quy mô lớn bằng cách sử dụng AWS. Các lĩnh vực mà Varad quan tâm là Tư vấn chiến lược CNTT, Kiến trúc và Quản lý sản phẩm. Ngoài công việc, Varad thích viết lách, xem phim cùng gia đình, bạn bè và đi du lịch.