Ügyfélértékelések elemzése az AI Functions használatával
Fontos
Ez a funkció a nyilvános előzetes verzióban érhető el.
Ez a cikk bemutatja, hogyan használható az AI Functions az ügyfélértékelések vizsgálatára, és hogyan állapítható meg, hogy létre kell-e hozni egy választ. A példában használt AI-függvények a Databricks Foundation modell API-k által elérhetővé tett generatív AI-modellekből álló beépített Databricks SQL-függvények. Lásd: AI Functions az Azure Databricksben.
Ez a példa a következőket hajtja végre az AI Functions használatával hívott reviews
tesztadatkészleten:
- Meghatározza a véleményezés hangulatát.
- Negatív vélemények esetén a felülvizsgálatból kinyeri az információkat az ok besorolásához.
- Meghatározza, hogy szükség van-e válaszra az ügyfélnek.
- Olyan alternatív termékeket említő választ hoz létre, amelyek kielégíthetik az ügyfelet.
Követelmények
- Egy alapmodell API-kban támogatott, jogkivonatonkénti fizetéssel támogatott munkaterület.
- Ezek a függvények nem érhetők el a klasszikus Azure Databricks SQL-ben.
- Az előzetes verzióban ezek a függvények korlátozottan korlátozzák a teljesítményüket. Ha magasabb kvótára van szüksége a használati esetekhez, forduljon a Databricks-fiók csapatához.
Vélemények hangulatának elemzése
A ai_analyze_sentiment() segítségével megértheti, hogyan érzik magukat az ügyfelek a véleményükből. Az alábbi példában a hangulat lehet pozitív, negatív, semleges vagy vegyes.
SELECT
review,
ai_analyze_sentiment(review) AS sentiment
FROM
product_reviews;
Az alábbi eredményekből láthatja, hogy a függvény az egyes felülvizsgálatok hangulatát adja vissza, anélkül, hogy az eredményeket azonnal elemezni vagy elemezni szeretné.
Értékelések osztályozása
Ebben a példában a negatív értékelések azonosítása után ai_classify() használatával további betekintést nyerhet az ügyfélértékelésekbe, például azt, hogy a negatív felülvizsgálat a gyenge logisztikának, a termékminőségnek vagy más tényezőknek köszönhető-e.
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"
Ebben az esetben ai_classify()
képes megfelelően kategorizálni a negatív értékeléseket egyéni címkék alapján, hogy lehetővé tegye a további elemzést.
Információk kinyerve a véleményekből
Érdemes lehet a termékleírást javítani azon okok alapján, amelyek miatt az ügyfeleknek negatív véleményük volt. A ai_extract() használatával kulcsinformációkat talál egy szövegblobból. Az alábbi példa információkat nyer ki, és osztályozza, ha a negatív felülvizsgálat a termék méretezési problémáin alapult:
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
Az alábbiakban az eredmények mintáját mutatjuk be:
Válaszok létrehozása javaslatokkal
Az ügyfélválaszok áttekintése után a ai_gen() függvénnyel választ hozhat létre az ügyfeleknek a panaszaik alapján, és megerősítheti az ügyfélkapcsolatokat a visszajelzésekre adott gyors válaszokkal.
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"
Az alábbiakban az eredmények mintáját mutatjuk be: