Analýza zákaznických recenzí pomocí funkcí AI

Důležitý

Tato funkce je ve verzi Public Preview.

Tento článek ukazuje, jak pomocí funkcí AI prozkoumat recenze zákazníků a určit, jestli je potřeba vygenerovat odpověď. Funkce AI používané v tomto příkladu jsou integrované funkce Sql Databricks, které využívají modely AI, které jsou dostupné rozhraními API modelu Databricks Foundation. Viz Rozšíření dat pomocí funkcí AI.

Tento příklad provede následující kroky u testovací datové sady s názvem reviews pomocí funkcí AI:

• Určuje sentiment recenze.
• V případě negativních recenzí extrahuje informace z recenze, aby klasifikovala příčinu.
• Určuje, jestli je třeba zákazníkovi odpovědět.
• Vygeneruje odpověď se zmínkou o alternativních produktech, které můžou zákazníka vyhovět.

Požadavky

• Pracovní prostor v rozhraní API základního modelu v oblasti s podporou platby za token.

• Tyto funkce nejsou k dispozici v Azure Databricks SQL Classic.

• Je vyžadováno prostředí Databricks Runtime 15.4 LTS nebo novější. Databricks Runtime 18.2 nebo novější je doporučen pro nejlepší výkon a přístup k nejnovějším funkcím.

• Ve verzi Preview mají tyto funkce omezení jejich výkonu. Pokud potřebujete vyšší kvótu pro případy použití, obraťte se na svůj tým účtu Databricks.

Analýza mínění recenzí

Pomocí ai_analyze_sentiment() můžete lépe pochopit, jak se zákazníci cítí na základě jejich recenzí. V následujícím příkladu může být mínění kladné, záporné, neutrální nebo smíšené.

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

Z následujících výsledků vidíte, že funkce vrací sentiment pro každou recenzi bez použití návrhů pro vytvoření modelu nebo zpracovávání výsledků.

Klasifikace recenzí

V tomto příkladu můžete po identifikaci negativních recenzí použít ai_classify() k získání lepšího přehledu o kontrolách zákazníků, jako je to, jestli je negativní kontrola způsobená špatnou logistikou, kvalitou produktu nebo jinými faktory.

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

V tomto případě ai_classify() dokáže správně kategorizovat negativní recenze na základě vlastních popisků, aby bylo možné provádět další analýzu.

Extrakce informací z recenzí

Možná budete chtít vylepšit popis vašeho produktu na základě důvodů, které zákazníci měli kvůli negativním recenzím. Klíčové informace z textového bloku můžete najít pomocí ai_extract(). Následující příklad extrahuje informace a klasifikuje, zda byla negativní recenze založena na problémech s velikostí produktu:

SELECT
  review,
  ai_extract(review, '["usual_size"]') AS usual_size,
  ai_classify(review, '["Size is wrong", "Size is right"]') AS fit
FROM
  product_reviews

Následuje ukázka výsledků:

Generování odpovědí s doporučeními

Po prověření odpovědí zákazníků můžete pomocí funkce ai_gen() vygenerovat odpověď zákazníkovi na základě jejich stížnosti a posílit zákaznické vztahy s rychlými odpověďmi na jejich zpětnou vazbu.

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"

Následuje ukázka výsledků:

Další zdroje informací

• Obohacení dat pomocí funkcí AI
• Rozhraní API modelu Databricks Foundation