Beoordelingen van klanten analyseren met BEHULP van AI Functions

Belangrijk

Deze functie is beschikbaar als openbare preview.

In dit artikel wordt beschreven hoe u AI-functies gebruikt om klantbeoordelingen te onderzoeken en te bepalen of er een antwoord moet worden gegenereerd. De AI-functies die in dit voorbeeld worden gebruikt, zijn ingebouwde Databricks SQL-functies, mogelijk gemaakt door generatieve AI-modellen die beschikbaar worden gesteld door Databricks Foundation-model-API's. Zie AI-functies in Azure Databricks.

In dit voorbeeld wordt het volgende uitgevoerd op een testgegevensset met de naam reviews AI Functions:

• Bepaalt het gevoel van een beoordeling.
• Voor negatieve beoordelingen extraheert u informatie uit de beoordeling om de oorzaak te classificeren.
• Hiermee wordt aangegeven of een antwoord is vereist voor de klant.
• Hiermee wordt een antwoord gegenereerd waarin alternatieve producten worden vermeld die mogelijk voldoen aan de klant.

Vereisten

• Een werkruimte in een ondersteunde regio van een Foundation-model-API's met betalen per token.
• Deze functies zijn niet beschikbaar in Azure Databricks SQL Classic.
• Tijdens de preview hebben deze functies beperkingen voor hun prestaties. Neem contact op met uw Databricks-accountteam als u een hoger quotum nodig hebt voor uw use cases.

Sentiment van beoordelingen analyseren

U kunt de ai_analyze_sentiment() gebruiken om te begrijpen hoe klanten zich voelen vanuit hun beoordelingen. In het volgende voorbeeld kan het gevoel positief, negatief, neutraal of gemengd zijn.

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

In de volgende resultaten ziet u dat de functie het gevoel retourneert voor elke beoordeling zonder prompt engineering of resultaten te parseren.

Beoordelingen classificeren

In dit voorbeeld kunt u na het identificeren van negatieve beoordelingen ai_classify() gebruiken om meer inzicht te krijgen in klantbeoordelingen, zoals of de negatieve beoordeling wordt veroorzaakt door slechte logistiek, productkwaliteit of andere factoren.

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 dit geval ai_classify() kan de negatieve beoordelingen correct worden gecategoraliseerd op basis van aangepaste labels om verdere analyse mogelijk te maken.

Informatie extraheren uit beoordelingen

Misschien wilt u de productbeschrijving verbeteren op basis van de redenen die klanten hadden voor hun negatieve beoordelingen. U vindt belangrijke informatie uit een blob met tekst met behulp van ai_extract(). Het volgende voorbeeld extraheert informatie en classificeert of de negatieve beoordeling is gebaseerd op problemen met de grootte van het product:

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

Hieronder ziet u een voorbeeld van de resultaten:

Antwoorden genereren met aanbevelingen

Nadat u de reacties van de klant hebt bekeken, kunt u de functie ai_gen() gebruiken om een antwoord te genereren op basis van hun klacht en klantrelaties te versterken met promptantwoorden op hun feedback.

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"

Hieronder ziet u een voorbeeld van de resultaten:

Aanvullende bronnen

• AI Functions in Azure Databricks
• Databricks Foundation-model-API's