Menganalisis ulasan pelanggan menggunakan Fungsi AI

Penting

Fitur ini ada di Pratinjau Publik.

Artikel ini menggambarkan cara menggunakan Fungsi AI untuk memeriksa ulasan pelanggan dan menentukan apakah respons perlu dibuat. Fungsi AI yang digunakan dalam contoh ini adalah fungsi SQL Databricks bawaan, didukung oleh model AI generatif yang disediakan oleh API Model Databricks Foundation. Lihat Fungsi AI di Azure Databricks.

Contoh ini melakukan hal berikut pada himpunan data pengujian yang disebut reviews menggunakan Fungsi AI:

• Menentukan sentimen tinjauan.
• Untuk ulasan negatif, mengekstrak informasi dari tinjauan untuk mengklasifikasikan penyebabnya.
• Mengidentifikasi apakah respons diperlukan kembali kepada pelanggan.
• Menghasilkan respons yang menyebutkan produk alternatif yang dapat memuaskan pelanggan.

Persyaratan

• Ruang kerja di api Model Yayasan wilayah yang didukung pay-per-token.
• Fungsi-fungsi ini tidak tersedia di Azure Databricks SQL Classic.
• Selama pratinjau, fungsi-fungsi ini memiliki batasan pada performanya. Hubungi tim akun Databricks Anda jika Anda memerlukan kuota yang lebih tinggi untuk kasus penggunaan Anda.

Menganalisis sentimen ulasan

Anda dapat menggunakan ai_analyze_sentiment() untuk membantu Anda memahami bagaimana perasaan pelanggan dari ulasan mereka. Dalam contoh berikut, sentimennya bisa positif, negatif, netral, atau campuran.

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

Dari hasil berikut, Anda melihat bahwa fungsi mengembalikan sentimen untuk setiap ulasan tanpa rekayasa atau penguraian hasil yang diminta.

Mengklasifikasikan ulasan

Dalam contoh ini, setelah mengidentifikasi ulasan negatif, Anda dapat menggunakan ai_classify() untuk mendapatkan lebih banyak wawasan tentang ulasan pelanggan, seperti apakah ulasan negatif disebabkan oleh logistik yang buruk, kualitas produk, atau faktor lainnya.

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"

Dalam hal ini, ai_classify() dapat mengategorikan tinjauan negatif dengan benar berdasarkan label kustom untuk memungkinkan analisis lebih lanjut.

Mengekstrak informasi dari ulasan

Anda mungkin ingin meningkatkan deskripsi produk Anda berdasarkan alasan pelanggan memiliki ulasan negatif mereka. Anda dapat menemukan informasi utama dari blob teks menggunakan ai_extract(). Contoh berikut mengekstrak informasi dan mengklasifikasikan apakah tinjauan negatif didasarkan pada masalah ukuran dengan produk:

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

Berikut ini adalah sampel hasil:

Hasilkan respons dengan rekomendasi

Setelah meninjau respons pelanggan, Anda dapat menggunakan fungsi ai_gen() untuk menghasilkan respons kepada pelanggan berdasarkan keluhan mereka dan memperkuat hubungan pelanggan dengan balasan cepat atas umpan balik mereka.

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"

Berikut ini adalah sampel hasil:

Sumber Daya Tambahan:

• Fungsi AI di Azure Databricks
• API Model Databricks Foundation