Поделиться через

Анализ отзывов клиентов с помощью функций ИИ

  • Статья

Важный

Эта функция доступна в общедоступной предварительной версии.

В этой статье показано, как использовать функции ИИ для проверки отзывов клиентов и определения необходимости создания ответа. Функции искусственного интеллекта, используемые в этом примере, являются встроенными функциями Databricks SQL, основанными на созданных моделях ИИ, доступных API-интерфейсами модели Databricks Foundation. См. функции ИИ в Azure Databricks.

В этом примере выполняется следующее в тестовом наборе данных с именем reviews с помощью функций ИИ:

  • Определяет тональность отзыва.
  • Для отрицательных отзывов извлекает информацию из отзыва, чтобы классифицировать причину.
  • Определяет, требуется ли ответ обратно клиенту.
  • Создает ответ, указывающий на альтернативные продукты, которые могут удовлетворить клиента.

Требования

  • Рабочая область в API модели Foundation с оплатой за токен, поддерживаемая регионом.
  • Эти функции недоступны в Классической версии SQL Azure Databricks.
  • Во время предварительной версии эти функции имеют ограничения на их производительность. Свяжитесь с группой поддержки вашей учетной записи Databricks, если для ваших сценариев требуется более высокая квота.

Анализ тональности отзывов

Вы можете использовать ai_analyze_sentiment(), чтобы помочь вам понять, как клиенты чувствуют себя от своих отзывов. В следующем примере тональность может быть положительной, отрицательной, нейтральной или смешанной.

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

В следующих результатах вы увидите, что функция возвращает тональность для каждого отзыва без проектирования запросов и анализа результатов.

Результаты для функции ai_sentiment

Классификация проверок

В этом примере после выявления отрицательных отзывов можно использовать ai_classify() для получения дополнительных сведений о отзывах клиентов, таких как негативный обзор из-за плохой логистики, качества продукта или других факторов.

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"

В этом случае ai_classify() может правильно классифицировать отрицательные отзывы на основе пользовательских меток, чтобы обеспечить дальнейший анализ.

Результаты для функции ai_classify

Извлечение сведений из проверок

Возможно, вы хотите улучшить описание продукта на основе причин, по которым клиенты имели свои отрицательные отзывы. Ключевые сведения можно извлечь из облака текста с помощью ai_extract(). В следующем примере извлекается информация для определения, связан ли отрицательный обзор с проблемами с размером продукта.

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

Ниже приведен пример результатов.

Результаты для функции ai_extract

Создание ответов с рекомендациями

После просмотра ответов клиента вы можете использовать функцию ai_gen() для создания ответа клиенту на основе их жалобы и укрепления отношений с клиентами за счет оперативных ответов на их отзывы.

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"

Ниже приведен пример результатов.

Результаты для функции ai_gen_results

Дополнительные ресурсы