AI İşlevleri'ni kullanarak müşteri incelemelerini analiz etme

Önemli

Bu özellik Genel Önizlemesürümündedir.

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 . Yapay zeka işlevlerini kullanarak verileri zenginleştirme.

Bu örnek, AI İşlevleri'ni kullanarak reviews adlı bir test veri kümesinde aşağıdakileri gerçekleştirir:

  • Bir incelemenin duyarlılığını belirler.
  • Olumsuz incelemeler için, incelemeden ayıklanan bilgileri nedenleri sınıflandırmak için kullanır.
  • Müşteriye bir yanıt gerekip gerekmediğini tanımlar.
  • Müşteriyi memnun edecek alternatif ürünlerden bahseden bir yanıt oluşturur.

Gereksinimler

  • Temel Model API'lerinde bir çalışma alanı belirteç başına ödeme yapılan bölge.
  • 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 duygusal tonunu analiz et.

müşterilerin yorumlarından ne hissettiklerini 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 sonuçları olmadan her inceleme için duyarlılığı döndürdüğünü görürsünüz.

ai_sentiment işlevi için Sonuçlar

İncelemeleri sınıflandırma

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

SELECT
  review,
  ai_classify(
    review,
    '["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 özel etiketlere göre olumsuz incelemeleri doğru bir şekilde kategorilere ayırabilir.

ai_classify işlevi için Sonuçları

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, '["usual_size"]') AS usual_size,
  ai_classify(review, '["Size is wrong", "Size is right"]') AS fit
FROM
  product_reviews

Aşağıda bir sonuç örneği verilmişti:

ai_extract işlevi için Sonuçlar

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:

ai_gen_results işlevi için sonuçlar

Ek kaynaklar

  • Last updated on