Analyser les avis des clients à l’aide d’AI Functions

Important

Cette fonctionnalité est disponible en préversion publique .

Cet article explique comment utiliser AI Functions pour examiner les avis des clients et déterminer si une réponse doit être générée. Les fonctions IA utilisées dans cet exemple sont des fonctions Databricks SQL intégrées, alimentées par des modèles IA génératifs mis à disposition par les API Databricks Foundation Model. Consultez Functions de l’IA sur Azure Databricks.

Cet exemple effectue les opérations suivantes sur un jeu de données de test appelé reviews à l’aide d’AI Functions :

• Détermine le sentiment d’une critique.
• Pour les avis négatifs, extrait des informations de l'avis afin de déterminer la raison.
• Identifie si une réponse est requise en retour au client.
• Génère une réponse mentionnant d’autres produits susceptibles de satisfaire le client.

Exigences

• Un espace de travail situé dans une région prise en charge par les API Foundation Model avec paiement par jeton.
• Ces fonctions ne sont pas disponibles sur Azure Databricks SQL Classic.
• Pendant la période de préversion, ces fonctions font l’objet de restrictions en matière de performances. Contactez votre équipe de compte Databricks si vous avez besoin d’un quota plus élevé pour vos cas d’usage.

Analyser le sentiment des avis

Vous pouvez utiliser le ai_analyze_sentiment() pour vous aider à comprendre comment les clients se sentent à partir de leurs avis. Dans l’exemple suivant, le sentiment peut être positif, négatif, neutre ou mixte.

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

Dans les résultats suivants,vous pouvez voir que la fonction renvoie le sentiment pour chaque avis, sans développement d’invite ni analyse de résultats.

Classifier les évaluations

Dans cet exemple, après avoir identifié les avis négatifs, vous pouvez utiliser ai_classify() pour obtenir plus d’informations sur les avis des clients, comme si la révision négative est due à une logistique médiocre, à une qualité de produit ou à d’autres facteurs.

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"

Dans ce cas, ai_classify() est en mesure de classer correctement les révisions négatives basées sur des étiquettes personnalisées pour permettre une analyse plus approfondie.

Extraire des informations à partir des avis

Vous pouvez améliorer la description de votre produit en fonction des raisons pour lesquelles les clients avaient pour leurs avis négatifs. Vous pouvez trouver des informations clés à partir d'un bloc de texte à l'aide de ai_extract(). L’exemple suivant extrait des informations et classe si la révision négative était basée sur des problèmes de dimensionnement avec le produit :

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

Voici un exemple de résultats :

Generate réponses avec des recommandations

Après avoir examiné les réponses des clients, vous pouvez utiliser la fonction ai_gen() pour generate une réponse à un client en fonction de sa plainte et renforcer les relations client avec des réponses rapides à ses commentaires.

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"

Voici un exemple de résultats :

Ressources additionnelles

• AI Functions sur Azure Databricks
• API Databricks Foundation Model