Analysieren von Kundenbewertungen mithilfe von KI-Funktionen

Wichtig

Dieses Feature befindet sich in der Public Preview.

In diesem Artikel wird erläutert, wie Sie KI-Funktionen verwenden, um Kundenbewertungen zu untersuchen und um zu bestimmen, ob eine Antwort generiert werden muss. Die in diesem Beispiel verwendeten KI-Funktionen sind integrierte Databricks-SQL-Funktionen, die durch generative KI-Modelle unterstützt werden, die von Databricks Foundation Model-APIs bereitgestellt werden. Weitere Informationen finden Sie unter KI-Funktionen in Azure Databricks.

In diesem Beispiel wird Folgendes für ein Testdatenset reviews ausgeführt, das mithilfe von KI-Funktionen aufgerufen wird:

• Bestimmt die Stimmung einer Bewertung.
• Bei negativen Bewertungen extrahiert sie Informationen aus der Bewertung, um die Ursache zu klassifizieren.
• Gibt an, ob eine Antwort zurück an den Kunden erforderlich ist.
• Generieren einer Antwort, in der alternative Produkte erwähnt werden, die den Kunden möglicherweise zufriedenstellen.

Anforderungen

• Ein Arbeitsbereich in einer unterstützten Region mit Pay-per-Token für Foundation-Modell-APIs.
• Diese Funktionen sind in Azure Databricks SQL Classic nicht verfügbar.
• Während der Vorschau haben diese Funktionen Einschränkungen hinsichtlich ihrer Leistung. Wenden Sie sich an Ihr Databricks-Kontoteam, wenn Sie ein höheres Kontingent für Ihre Anwendungsfälle benötigen.

Analysieren der Stimmung von Bewertungen

Sie können ai_analyze_sentiment() verwenden, um aus den Bewertungen zu schließen, wie Kunden sich fühlen. Im folgenden Beispiel kann die Stimmung positiv, negativ, neutral oder gemischt sein.

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

Aus den folgenden Ergebnissen sehen Sie, dass die Funktion die Stimmung für jede Bewertung ohne Prompt Engineering oder Analyseergebnisse zurückgibt.

Bewertungen klassifizieren

In diesem Beispiel können Sie nach dem Finden negativer Bewertungen ai_classify()verwenden, um einen tieferen Einblick in Kundenbewertungen zu erhalten, z. B. ob die negative Bewertung auf schlechte Logistik, Produktqualität oder andere Faktoren zurückzuführen ist.

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"

In diesem Fall kann ai_classify() die negativen Bewertungen basierend auf benutzerdefinierten Bezeichnungen korrekt kategorisieren, um eine weitere Analyse zu ermöglichen.

Informationen aus Bewertungen extrahieren

Möglicherweise möchten Sie Ihre Produktbeschreibung basierend auf Gründen verbessern, aus denen sich Kunden beschwert haben. Sie finden wichtige Informationen aus einem Textblob mithilfe von ai_extract(). Im folgenden Beispiel werden Informationen extrahiert und klassifiziert, ob die negative Bewertung auf Größenprobleme mit dem Produkt zurückzuführen ist:

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

Es folgt ein Beispiel für Ergebnisse:

Generieren von Antworten mit Empfehlungen

Nachdem Sie die Kundenantworten überprüft haben, können Sie die Funktion ai_gen() verwenden, um eine Antwort an einen Kunden basierend auf der Reklamation zu erstellen und so die Kundenbeziehung durch direkte Antworten auf ihr Feedback stärken.

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"

Es folgt ein Beispiel für Ergebnisse:

Zusätzliche Ressourcen

• KI-Funktionen in Azure Databricks
• Databricks Foundation Model-APIs