Share via

Ügyfélértékelések elemzése az AI Functions használatával

  • Cikk

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.

Results for ai_sentiment function

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.

Results for ai_classify function

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:

Results for ai_extract function

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:

Results for ai_gen_results function

További erőforrások