使用 AI 函数分析客户评价

重要

此功能目前以公共预览版提供。

本文演示如何使用内置的 AI 函数查看客户评价并确定是否需要生成回复。 此示例中使用的 AI 函数是内置的 Databricks SQL 函数，由 Databricks Foundation 模型 API 提供的生成式 AI 模型提供支持。 请参阅 Azure Databricks 上的 AI Functions。

此示例使用 AI 函数对名为 reviews 的测试数据集执行以下操作：

• 确定评价的情绪。
• 对于负面评价，请从评价中提取信息以对原因进行分类。
• 标识是否需要回复客户。
• 生成回复，在其中提到可能会让客户满意的替代产品。

要求

• Foundation 模型 API 支持按令牌付费的区域中的工作区。
• 这些函数在 Azure Databricks SQL Classic 上不可用。
• 在预览期间，这些函数对其性能有限制。 如果需要更高的用例配额，请联系 Databricks 帐户团队。

分析评价的情绪

可使用 ai_analyze_sentiment() 帮助你从客户的评价中了解他们的感受。 在以下示例中，情绪可以是正面的、负面的、中立的或混合的。

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

从以下结果中，可看到该函数返回每个评价的情绪，而没有任何提示工程或分析结果。

对评价进行分类

在此示例中，识别负面评价后，可使用 ai_classify() 深入了解客户评价，例如负面评价是由于不畅、产品质量差还是其他因素造成的。

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"

在这种情况下，ai_classify() 能够根据自定义标签正确对负面评价进行分类，以便进行进一步分析。

从评价中提取信息

你可能希望根据客户给出负面评价的原因改进产品说明。 可使用 ai_extract() 从文本 blob 中找到关键信息。 以下示例提取信息并对负面评价是否基于产品的尺寸问题进行分类：

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

下面是结果示例：

采纳建议，生成回复

查看客户回复后，可使用 ai_gen() 函数根据客户的投诉生成对客户的回复，并通过及时回复客户反馈来加强客户关系。

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"

下面是结果示例：

其他资源

• Azure Databricks 上的 AI 函数
• Databricks 基础模型 API