使用 AI Functions 分析客戶評論

發行項
03/11/2025

重要

這項功能目前在公開預覽版。

本文說明如何使用 AI Functions 來檢查客戶評論，並判斷是否需要產生回應。此範例中使用的 AI 函式是內建的 Databricks SQL 函式，由 Databricks Foundation 模型 API 所提供的衍生式 AI 模型所提供。請參閱使用 Azure Databricks AI Functions 將 AI 應用於數據。

此範例會使用 AI Functions 在名為 reviews 的測試數據集上執行下列動作：

決定評論的情緒。
針對負面評論，從評論中擷取資訊以辨識原因。
識別是否需要回覆客戶。
產生回應，提及可能滿足客戶的替代產品。

要求

基礎模型 API 中的工作區按令牌計費區域。
Azure Databricks SQL Classic 版本無法使用這些函式。
在預覽期間，這些功能對其效能有限制。如果您需要較高的使用案例配額，請連絡 Databricks 帳戶小組。

分析客戶評論的情感

您可以使用 ai_analyze_sentiment() 來協助您從評論中了解客戶的感受。在下列範例中，情感可以是正面、負面、中性或混合。

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

從下列結果中，您會看到函式會針對每個評論傳回情感傾向，而不需要任何提示詞工程或解析結果。

ai_sentiment 函式的結果

分類評論

在此範例中，在識別負面評論之後，您可以使用 ai_classify（）來深入瞭解客戶評論，例如負面評論是由於物流不善、產品品質或其他因素造成的。

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"

在此情況下，ai_classify() 能夠根據自定義標籤正確分類負面評論，以允許進一步分析。

ai_classify 函式的結果

從評論擷取資訊

您可能會想要根據客戶對負面評論的原因來改善您的產品描述。您可以使用 ai_extract（），從文字 blob 中找到重要資訊。下列範例會擷取資訊，並判斷負面評論是否基於產品的尺寸問題：

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

以下是結果範例：

ai_extract 函式的結果

產生具有建議的回應

檢閱客戶回應之後，您可以使用 ai_gen（）函式，根據客戶投訴產生回應，並使用提示回復其意見反應加強客戶關係。

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"

以下是結果範例：

ai_gen_results 函式的結果

共用方式為