Dela via

Analysera kundrecensioner med ai-funktioner

  • Artikel

Viktigt!

Den här funktionen finns som allmänt tillgänglig förhandsversion.

Den här artikeln visar hur du använder AI Functions för att undersöka kundgranskningar och avgöra om ett svar behöver genereras. AI Functions som används i det här exemplet är inbyggda Databricks SQL-funktioner som drivs av generativa AI-modeller som görs tillgängliga av Databricks Foundation Model-API:er. Se AI Functions på Azure Databricks.

Det här exemplet utför följande på en testdatauppsättning med namnet reviews med ai-funktioner:

  • Avgör attityden för en granskning.
  • För negativa granskningar extraherar information från granskningen för att klassificera orsaken.
  • Identifierar om ett svar krävs tillbaka till kunden.
  • Genererar ett svar som nämner alternativa produkter som kan tillfredsställa kunden.

Behov

  • En arbetsyta i en FOUNDATION Model-API:er betalar per token som stöds.
  • Dessa funktioner är inte tillgängliga i Azure Databricks SQL Classic.
  • Under förhandsversionen har dessa funktioner begränsningar för deras prestanda. Kontakta ditt Databricks-kontoteam om du behöver en högre kvot för dina användningsfall.

Analysera sentiment för granskningar

Du kan använda ai_analyze_sentiment() för att hjälpa dig att förstå hur kunderna känner från sina recensioner. I följande exempel kan sentimentet vara positivt, negativt, neutralt eller blandat.

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

Från följande resultat ser du att funktionen returnerar sentimentet för varje granskning utan någon fråga om att skapa eller parsa resultat.

Results for ai_sentiment function

Klassificera recensioner

I det här exemplet kan du använda ai_classify() när du har identifierat negativa recensioner för att få mer insikter om kundrecensioner, till exempel om den negativa granskningen beror på dålig logistik, produktkvalitet eller andra faktorer.

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"

I det här fallet ai_classify() kan du kategorisera de negativa granskningarna korrekt baserat på anpassade etiketter för att möjliggöra ytterligare analys.

Results for ai_classify function

Extrahera information från granskningar

Du kanske vill förbättra produktbeskrivningen baserat på orsakerna till att kunderna hade för sina negativa recensioner. Du hittar viktig information från en textblob med hjälp av ai_extract(). I följande exempel extraheras information och klassificeras om den negativa granskningen baserades på storleksproblem med produkten:

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

Följande är ett exempel på resultat:

Results for ai_extract function

Generera svar med rekommendationer

När du har granskat kundsvaren kan du använda funktionen ai_gen() för att generera ett svar till en kund baserat på deras klagomål och stärka kundrelationerna med snabba svar på deras 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"

Följande är ett exempel på resultat:

Results for ai_gen_results function

Ytterligare resurser