AI İşlevleri'ni kullanarak müşteri incelemelerini analiz etme

Önemli

Bu özellik Genel Önizlemededir.

Bu makalede, müşteri incelemelerini incelemek ve bir yanıt oluşturulması gerekip gerekmediğini belirlemek için Yapay Zeka İşlevleri'nin nasıl kullanılacağı gösterilmektedir. Bu örnekte kullanılan AI İşlevleri, Databricks Foundation Model API'leri tarafından sağlanan üretken yapay zeka modelleri tarafından desteklenen yerleşik Databricks SQL işlevleridir. Bkz . Azure Databricks'te Yapay Zeka İşlevleri.

Bu örnek, AI İşlevleri kullanılarak çağrılan reviews bir test veri kümesinde aşağıdakileri gerçekleştirir:

• Bir incelemenin yaklaşımını belirler.
• Olumsuz incelemeler için, nedenini sınıflandırmak için incelemeden bilgileri ayıklar.
• Müşteriye bir yanıt gerekip gerekmediğini tanımlar.
• Müşteriyi memnun edecek alternatif ürünlerden bahseden bir yanıt oluşturur.

Gereksinimler

• Temel Model API'lerinde desteklenen belirteç başına ödeme bölgesinde bir çalışma alanı.
• Bu işlevler Azure Databricks SQL Classic'te kullanılamaz.
• Önizleme sırasında bu işlevlerin performansı üzerinde kısıtlamalar vardır. Kullanım örnekleriniz için daha yüksek bir kotaya ihtiyacınız varsa Databricks hesap ekibinize ulaşın.

İncelemelerin yaklaşımını analiz etme

müşterilerin incelemelerinden nasıl hissettiğini anlamanıza yardımcı olması için ai_analyze_sentiment() kullanabilirsiniz. Aşağıdaki örnekte yaklaşım pozitif, negatif, nötr veya karışık olabilir.

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

Aşağıdaki sonuçlardan, işlevin herhangi bir istem mühendisliği veya ayrıştırma sonucu olmadan her inceleme için yaklaşımı döndürdüğünü görürsünüz.

İncelemeleri sınıflandırma

Bu örnekte, olumsuz incelemeleri tanımladıktan sonra, olumsuz incelemenin düşük lojistik, ürün kalitesi veya diğer faktörlerden kaynaklanıp kaynaklanmadığı gibi müşteri incelemeleri hakkında daha fazla içgörü elde etmek için ai_classify() kullanabilirsiniz.

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"

Bu durumda, ai_classify() daha fazla analize olanak sağlamak için olumsuz incelemeleri özel etiketlere göre doğru bir şekilde kategorilere ayırabilir.

İncelemelerden bilgi ayıklama

Müşterilerin olumsuz incelemeleri için sahip oldukları nedenlere bağlı olarak ürün açıklamanızı geliştirmek isteyebilirsiniz. ai_extract() kullanarak bir metin blobundan önemli bilgileri bulabilirsiniz. Aşağıdaki örnek bilgileri ayıklar ve negatif incelemenin ürünle ilgili boyutlandırma sorunlarına dayalı olup olmadığını sınıflandırır:

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

Aşağıda bir sonuç örneği verilmişti:

Önerilerle yanıt oluşturma

Müşteri yanıtlarını gözden geçirdikten sonra ai_gen() işlevini kullanarak müşteriye şikayetine dayalı bir yanıt oluşturabilir ve geri bildirimlerine hızlı yanıtlar ve müşteri ilişkilerini güçlendirebilirsiniz.

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"

Aşağıda bir sonuç örneği verilmişti:

Ek kaynaklar

• Azure Databricks'te Yapay Zeka İşlevleri
• Databricks Foundation Model API'leri