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 Transformace nestrukturovaných 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

• Transformace nestrukturovaných dat pomocí AI funkcí
• Rozhraní API modelu Databricks Foundation