مشاركة عبر

تحليل مراجعات العملاء باستخدام الذكاء الاصطناعي Functions

هام

هذه الميزة في المعاينة العامة.

توضح هذه المقالة كيفية استخدام الذكاء الاصطناعي Functions لفحص مراجعات العملاء وتحديد ما إذا كان يجب إنشاء استجابة. الدالات الذكاء الاصطناعي المستخدمة في هذا المثال هي وظائف Databricks SQL المضمنة، مدعومة بنماذج الذكاء الاصطناعي التوليدية التي توفرها واجهات برمجة تطبيقات نموذج Databricks Foundation. راجع الذكاء الاصطناعي Functions على Azure Databricks.

ينفذ هذا المثال ما يلي على مجموعة بيانات اختبار تسمى reviews باستخدام الذكاء الاصطناعي Functions:

  • تحديد توجه المراجعة.
  • للمراجعات السلبية، يستخرج المعلومات من المراجعة لتصنيف السبب.
  • تحديد ما إذا كانت الاستجابة مطلوبة مرة أخرى إلى العميل.
  • إنشاء استجابة تشير إلى المنتجات البديلة التي قد ترضي العميل.

المتطلبات

  • مساحة عمل في منطقة مدعومة بالدفع لكل رمز مميز لواجهات برمجة تطبيقات نموذج الأساس.
  • هذه الدالات غير متوفرة على Azure Databricks SQL Classic.
  • أثناء المعاينة، تحتوي هذه الوظائف على قيود على أدائها. تواصل مع فريق حساب Databricks الخاص بك إذا كنت تحتاج إلى حصة أعلى لحالات الاستخدام الخاصة بك.

تحليل توجه المراجعات

يمكنك استخدام ai_analyze_sentiment() لمساعدتك على فهم شعور العملاء من مراجعاتهم. في المثال التالي، يمكن أن يكون التوجه إيجابيا أو سلبيا أو محايدا أو مختلطا.

SELECT
  review,
  ai_analyze_sentiment(review) AS sentiment
FROM
  product_reviews;

من النتائج التالية، ترى أن الدالة ترجع التوجه لكل مراجعة دون أي نتائج هندسية أو تحليلية فورية.

Results for ai_sentiment function

تصنيف المراجعات

في هذا المثال، بعد تحديد المراجعات السلبية، يمكنك استخدام ai_classify() للحصول على مزيد من الرؤى حول مراجعات العملاء، مثل ما إذا كانت المراجعة السلبية بسبب سوء الخدمات اللوجستية أو جودة المنتج أو عوامل أخرى.

SELECT
  review,
  ai_classify(
    review,
    ARRAY(
      "Arrives too late",
      "Wrong size",
      "Wrong color",
      "Dislike the style"
    )
  ) AS reason
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

في هذه الحالة، ai_classify() قادر على تصنيف المراجعات السلبية بشكل صحيح استنادا إلى تسميات مخصصة للسماح بمزيد من التحليل.

Results for ai_classify function

استخراج المعلومات من المراجعات

قد ترغب في تحسين وصف المنتج الخاص بك استنادا إلى الأسباب التي كان لدى العملاء لمراجعاتهم السلبية. يمكنك العثور على معلومات أساسية من كائن ثنائي كبير الحجم للنص باستخدام ai_extract(). يستخرج المثال التالي المعلومات ويصنف ما إذا كانت المراجعة السلبية تستند إلى مشكلات تغيير الحجم مع المنتج:

SELECT
  review,
  ai_extract(review, array("usual size")) AS usual_size,
  ai_classify(review, array("Size is wrong", "Size is right")) AS fit
FROM
  product_reviews

فيما يلي عينة من النتائج:

Results for ai_extract function

إنشاء استجابات مع توصيات

بعد مراجعة استجابات العملاء، يمكنك استخدام الدالة ai_gen() لإنشاء استجابة للعميل استنادا إلى شكواه وتعزيز علاقات العملاء مع الردود الفورية على ملاحظاته.

SELECT
  review,
  ai_gen(
    "Generate a reply in 60 words to address the customer's review.
    Mention their opinions are valued and a 30% discount coupon code has been sent to their email.
    Customer's review: " || review
  ) AS reply
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

فيما يلي عينة من النتائج:

Results for ai_gen_results function

الموارد الإضافية

  • Last updated on