Dela via

Analysera kundrecensioner med ai-funktioner

  • Artikel

Viktig

Den här funktionen finns i offentlig förhandsversion.

Den här artikeln visar hur du använder AI Functions för att undersöka kundgranskningar och avgöra om ett svar behöver genereras. AI Functions som används i det här exemplet är inbyggda Databricks SQL-funktioner som drivs av generativa AI-modeller som görs tillgängliga av Databricks Foundation Model-API:er. Se AI Functions på Azure Databricks.

Det här exemplet utför följande på en testdatauppsättning med namnet reviews med AI Functions:

  • Avgör attityden för en granskning.
  • För negativa granskningar extraherar information från granskningen för att klassificera orsaken.
  • Identifierar om ett svar krävs tillbaka till kunden.
  • Genererar ett svar som nämner alternativa produkter som kan tillfredsställa kunden.

Krav

  • En arbetsyta i en Foundation Model API-region med stöd för betalning per token.
  • Dessa funktioner är inte tillgängliga i Azure Databricks SQL Classic.
  • Under förhandsversionen har dessa funktioner begränsningar för deras prestanda. Kontakta ditt Databricks-kontoteam om du behöver en högre kvot för dina användningsfall.

Analysera sentiment för recensioner

Du kan använda ai_analyze_sentiment() för att hjälpa dig att förstå hur kunderna känner från sina recensioner. I följande exempel kan sentimentet vara positivt, negativt, neutralt eller blandat.

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

Baserat på de följande resultaten kan du se att funktionen returnerar sentimentet för varje recension utan någon form av promptutformning eller resultathantering.

resultat för funktionen ai_sentiment

Klassificera recensioner

I det här exemplet kan du använda ai_classify() för att få mer insikter om kundrecensioner, till exempel om den negativa granskningen beror på dålig logistik, produktkvalitet eller andra faktorer.

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"

I det här fallet kan ai_classify() korrekt kategorisera de negativa granskningarna baserat på anpassade etiketter för att möjliggöra ytterligare analys.

resultat för ai_classify funktion

Extrahera information från granskningar

Du kanske vill förbättra produktbeskrivningen baserat på orsakerna till att kunderna hade för sina negativa recensioner. Du hittar viktig information från en blob med text med ai_extract(). I följande exempel extraheras information och klassificeras om den negativa granskningen baserades på storleksproblem med produkten:

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

Följande är ett exempel på resultat:

resultat för funktionen ai_extract

Generate svar med rekommendationer

När du har granskat kundsvaren kan du använda funktionen ai_gen() för att generate ett svar till en kund baserat på deras klagomål och stärka kundrelationerna med snabba svar på deras feedback.

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"

Följande är ett exempel på resultat:

resultat för funktionen ai_gen_results

Ytterligare resurser