Partager via

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

  • Article

Important

Cette fonctionnalité est disponible en préversion publique.

Cet article indique comment utiliser AI Functions pour examiner les avis des clients et déterminer si vous devez générer une réponse. Les fonctions AI Functions utilisées dans cet exemple sont des fonctions d’IA 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 permet d’effectuer les opérations suivantes à l’aide d’AI Functions sur un jeu de données de test appelé reviews :

  • Déterminer le sentiment d’un avis
  • Extraire des informations à partir des avis négatifs pour en classer la cause
  • Déterminer si une réponse est attendue par le client
  • Générer une réponse mentionnant d’autres produits pouvant satisfaire le client

Spécifications

  • 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 classique.
  • 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 vous appuyer sur la fonction ai_analyze_sentiment() pour comprendre les sentiments exprimés par les clients dans leurs avis. Dans l’exemple suivant, le sentiment peut être positif, négatif, neutre ou mitigé.

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.

Results for ai_sentiment function

Classifier les avis

Dans cet exemple, après avoir identifié les avis négatifs, vous pouvez utiliser ai_classify() pour obtenir plus d’informations sur les facteurs d’avis clients négatifs (problèmes logistiques, mauvaise qualité des produits, etc.).

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 avis négatifs en fonction des étiquettes personnalisées pour permettre une analyse plus approfondie.

Results for ai_classify function

Extraire des informations à partir des avis

Vous pouvez envisager d’améliorer la description de votre produit en fonction des raisons pour lesquelles les clients ont exprimé des avis négatifs. La fonction ai_extract() permet d’extraire des informations clés à partir d’un objet texte. L’exemple suivant extrait des informations et détermine si l’avis négatif concerne un problème de taille d’habillement :

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 :

Results for ai_extract function

Générer des réponses avec des recommandations

Après avoir passé en revue les demandes des clients, vous pouvez utiliser la fonction ai_gen() pour générer des réponses adaptées aux problèmes rencontrés par les clients et renforcer la relation client en envoyant des réponses rapides aux 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 :

Results for ai_gen_results function

Ressources supplémentaires