使用 AI Functions 分析客戶評論

重要

這項功能處於公開預覽狀態。

本文說明如何使用 AI Functions 來檢查客戶評論，並判斷是否需要產生回應。 此範例中使用的 AI 函式是內建的 Databricks SQL 函式，由 Databricks Foundation 模型 API 所提供的衍生式 AI 模型所提供。 請參閱 Azure Databricks 上的 AI Functions。

此範例會在使用 AI Functions 呼叫 reviews 的測試資料集上執行下列動作：

• 決定檢閱的情感。
• 針對負面評論，從檢閱擷取資訊以分類原因。
• 識別是否需要回應回客戶。
• 產生回應，提及可能滿足客戶的替代產品。

需求

• 基礎模型 API 中支援每個令牌付費區域的工作區。
• Azure Databricks SQL 傳統無法使用這些函式。
• 在預覽期間，這些函式對其效能有限制。 如果您需要較高的使用案例配額，請連絡 Databricks 帳戶小組。

分析評論的情感

您可以使用 ai_analyze_sentiment（） 來協助您了解客戶從評論中的感覺。 在下列範例中，情感可以是正面、負面、中性或混合。

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

從下列結果中，您會看到函式會針對每個檢閱傳回情感，而不需要任何提示的工程或剖析結果。

分類評論

在此範例中，在識別負面評論之後，您可以使用 ai_classify（） 來取得客戶評論的更多見解，例如負面評論是由於物流、產品品質或其他因素所造成。

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"

在此情況下， ai_classify() 能夠根據自定義標籤正確分類負面評論，以允許進一步分析。

從評論擷取資訊

您可能會想要根據客戶對負面評論的原因來改善您的產品描述。 您可以使用 ai_extract（） 從文字 Blob 中找到重要資訊。 下列範例會擷取資訊，並分類負面檢閱是否基於產品的重設大小問題：

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

以下是結果範例：

產生具有建議的回應

檢閱客戶回應之後，您可以使用 ai_gen（） 函式，根據客戶投訴產生對客戶的回應，並透過提示回復其意見反應來加強客戶關係。

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"

以下是結果範例：

其他資源

• Azure Databricks 上的 AI Functions
• Databricks Foundation 模型 API