Analise as avaliações dos clientes usando as funções de IA

Importante

Esta funcionalidade está em Pré-visualização Pública.

Este artigo ilustra como usar as funções de IA para examinar avaliações de clientes e determinar se uma resposta precisa ser gerada. As funções de IA usadas neste exemplo são funções SQL do Databricks integradas, alimentadas por modelos de IA generativos disponibilizados pelas APIs do Databricks Foundation Model. Consulte Funções de IA no Azure Databricks.

Este exemplo executa o seguinte em um conjunto de dados de teste chamado reviews usando AI Functions:

• Determina o sentimento de uma avaliação.
• Para avaliações negativas, extrai informações da avaliação para classificar a causa.
• Identifica se uma resposta é necessária de volta ao cliente.
• Gera uma resposta mencionando produtos alternativos que possam satisfazer o cliente.

Requisitos

• Um espaço de trabalho em uma região suportada por pagamento por token de APIs do Modelo de Base.
• Essas funções não estão disponíveis no Azure Databricks SQL Classic.
• Durante a pré-visualização, estas funções têm restrições no seu desempenho. Entre em contato com sua equipe de conta Databricks se precisar de uma cota maior para seus casos de uso.

Analise o sentimento das avaliações

Você pode usar o ai_analyze_sentiment() para entender como os clientes se sentem com as avaliações. No exemplo a seguir, o sentimento pode ser positivo, negativo, neutro ou misto.

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

A partir dos resultados a seguir, você verá que a função retorna o sentimento de cada avaliação sem qualquer engenharia imediata ou resultados de análise.

Classificar avaliações

Neste exemplo, depois de identificar avaliações negativas, você pode usar ai_classify() para obter mais informações sobre as avaliações dos clientes, como se a avaliação negativa se deve a uma logística deficiente, à qualidade do produto ou a outros fatores.

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"

Neste caso, ai_classify() é capaz de categorizar corretamente as avaliações negativas com base em rótulos personalizados para permitir uma análise mais aprofundada.

Extrair informações das avaliações

Talvez você queira melhorar a descrição do produto com base nos motivos que os clientes tiveram para as avaliações negativas. Você pode encontrar informações importantes de um blob de texto usando ai_extract(). O exemplo a seguir extrai informações e classifica se a avaliação negativa foi baseada em problemas de dimensionamento com o produto:

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

Segue-se uma amostra de resultados:

Gerar respostas com recomendações

Depois de analisar as respostas do cliente, você pode usar a função ai_gen() para gerar uma resposta a um cliente com base em sua reclamação e fortalecer o relacionamento com o cliente com respostas rápidas aos seus comentários.

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"

Segue-se uma amostra de resultados:

Recursos adicionais

• Funções de IA no Azure Databricks
• APIs do Modelo de Base do Databricks