온라인으로 제품이나 서비스를 판매하는 기업은 제품 구매 후 웹사이트에 남겨지는 고객 리뷰를 지속적으로 모니터링해야 합니다. 회사의 마케팅 및 고객 서비스 부서는 이러한 리뷰를 분석하여 고객 감정을 이해합니다. 예를 들어 마케팅에서는 이 데이터를 사용하여 다양한 고객 세그먼트를 대상으로 하는 캠페인을 만들 수 있습니다. 고객 서비스 부서는 이 데이터를 사용하여 고객 불만을 파악하고 시정 조치를 취할 수 있습니다.

전통적으로 이 데이터는 배치 프로세스를 통해 수집되어 저장, 분석 및 보고를 위해 데이터 웨어하우스로 전송되며 며칠은 아니더라도 몇 시간 후에 의사 결정자에게 제공됩니다. 이 데이터를 즉시 분석할 수 있다면 기업이 고객 감정에 신속하게 대응할 수 있는 기회를 제공할 수 있습니다.

이 게시물에서는 고객 피드백의 전반적인 감정을 거의 실시간(몇 분)으로 분석하는 접근 방식을 설명합니다. 또한 API에서 직접 텍스트의 특정 엔터티(예: 회사, 제품, 사람 또는 브랜드)와 관련된 다양한 감정을 이해하는 방법을 보여줍니다.

실시간 감정 분석을 위한 사용 사례

실시간 감정 분석은 다음과 같이 제품 및 서비스에 대한 즉각적인 고객 피드백을 받는 데 관심이 있는 회사에 매우 유용합니다.

• 레스토랑
• 다양한 제품 또는 서비스를 판매하는 소매 또는 B2C 회사
• 온라인 영화(OTT 플랫폼), 라이브 콘서트 또는 스포츠 이벤트를 스트리밍하는 회사
• 금융 기관

일반적으로 고객 접점이 있고 실시간 결정을 내려야 하는 모든 비즈니스는 고객의 실시간 피드백을 통해 이점을 얻을 수 있습니다.

감정에 대한 실시간 접근 방식을 배포하면 다음 사용 사례에 유용할 수 있습니다.

• 마케팅 부서는 데이터를 사용하여 고객 세그먼트를 더 잘 타겟팅하거나 캠페인을 특정 고객 세그먼트에 맞게 조정할 수 있습니다.
• 고객 서비스 부서는 불만족한 고객에게 즉시 연락하여 문제를 해결하여 고객 이탈을 방지할 수 있습니다.
• 제품에 대한 긍정적 또는 부정적인 감정은 다양한 위치에서 제품 수요를 나타내는 유용한 지표가 될 수 있습니다. 예를 들어 빠르게 움직이는 제품의 경우 회사는 실시간 데이터를 사용하여 창고의 재고 수준을 조정하여 특정 지역의 초과 재고 또는 품절을 방지할 수 있습니다.

다음 사용 사례에서와 같이 감정을 세부적으로 이해하는 것도 유용합니다.

• 기업은 직원/고객 경험의 즐거운 부분과 개선할 수 있는 부분을 식별할 수 있습니다.
• 컨택 센터와 고객 서비스 팀은 상담원 교육 효과를 파악하기 위해 통화 기록 또는 채팅 로그를 분석하고 고객의 특정 반응과 해당 응답을 유도하는 데 사용된 문구 또는 단어와 같은 대화 세부 정보를 식별할 수 있습니다.
• 제품 소유자와 UI/UX 개발자는 사용자가 즐기는 제품의 기능과 개선이 필요한 부분을 식별할 수 있습니다. 이는 제품 로드맵 논의 및 우선 순위 지정을 지원할 수 있습니다.

솔루션 개요

우리는 회사가 웹 사이트에 입력된 리뷰에서 거의 실시간으로(보통 몇 분 안에) 고객 감정(전체 및 대상)을 분석하는 데 도움이 되는 솔루션을 제시합니다. 핵심은 다음과 같습니다. 아마존 이해 전체 감정 분석과 대상 감정 분석을 모두 수행합니다.

Amazon Comprehend 감정 API는 텍스트 문서의 전반적인 감정을 식별합니다. 2022년 XNUMX월부터 대상 감정을 사용하여 텍스트 문서에 언급된 특정 엔터티와 관련된 감정을 식별할 수 있습니다. 예를 들어, "버거가 마음에 들었지만 서비스가 느렸습니다"라는 레스토랑 리뷰에서 타겟 정서는 "버거"에 대한 긍정적 정서와 "서비스"에 대한 부정적인 정서를 식별할 것입니다.

사용 사례의 경우 북미의 대형 레스토랑 체인은 웹 사이트와 모바일 앱을 통해 고객이 작성한 리뷰를 분석하려고 합니다. 레스토랑은 메뉴의 다양한 항목, 지점에서 제공되는 서비스 및 경험에 대한 전반적인 감정에 대한 고객의 피드백을 분석하려고 합니다.

예를 들어 고객이 다음과 같은 리뷰를 작성할 수 있습니다. “뉴욕에 있는 식당의 음식은 매우 좋았습니다. 파스타는 맛있었습니다. 그러나 서비스는 매우 열악했습니다!” 이 리뷰를 위해 레스토랑의 위치는 뉴욕입니다. 전반적인 정서가 혼합되어 있습니다. "음식"과 "파스타"에 대한 정서는 긍정적이지만 서비스에 대한 정서는 부정적입니다.

레스토랑은 연령 및 성별과 같은 고객 프로필별로 리뷰를 분석하여 고객 세그먼트 전반의 추세를 식별하려고 합니다(이 데이터는 웹 및 모바일 앱에서 캡처하여 백엔드 시스템으로 보낼 수 있음). 고객 서비스 부서는 이 데이터를 사용하여 다운스트림 CRM 시스템에서 고객 티켓을 생성하여 문제를 후속 조치하도록 상담원에게 알리려고 합니다. 운영팀은 특정 날짜에 어떤 품목이 빠르게 움직이는지 파악하여 해당 품목의 준비 시간을 단축할 수 있기를 원합니다.

현재 모든 분석은 2~3일이 소요되는 배치 프로세스를 통해 이메일로 보고서로 전달됩니다. 레스토랑의 IT 부서에는 이러한 솔루션을 구축하기 위한 정교한 데이터 분석, 스트리밍 또는 AI 및 기계 학습(ML) 기능이 부족합니다.

다음 아키텍처 다이어그램은 워크플로의 첫 번째 단계를 보여줍니다.

워크플로의 첫 번째 단계

전체 솔루션은 고객 웹사이트 또는 모바일 앱의 뒷면에 연결될 수 있습니다.

아마존 API 게이트웨이 두 끝점을 노출합니다.

• 고객 리뷰가 입력되는 고객 엔드포인트
• 서비스 부서가 특정 리뷰를 보고 서비스 티켓을 생성할 수 있는 서비스 엔드포인트

워크 플로우에는 다음 단계가 포함됩니다.

1. 고객이 리뷰를 입력하면(예: 웹 사이트에서) 리뷰는 API 게이트웨이에 연결된 API 게이트웨이로 전송됩니다. 아마존 단순 대기열 서비스 (Amazon SQS) 대기열. 대기열은 입력된 리뷰를 저장하는 버퍼 역할을 합니다.
2. SQS 대기열은 AWS 람다 기능. 몇 번의 재시도 후에도 메시지가 Lambda 함수로 전달되지 않으면 향후 검사를 위해 배달 못한 편지 대기열에 배치됩니다.
3. Lambda 함수는 다음을 호출합니다. AWS 단계 함수 상태 머신과 대기열에서 메시지를 전달합니다.

다음 다이어그램은 Step Functions 워크플로를 보여줍니다.

Step Functions 워크플로

Step Functions는 다음 단계를 병렬로 수행합니다.

1. Step Functions는 Amazon Comprehend에서 detect_sentiment API를 호출하여 메시지의 전체 감정을 분석합니다.
2. 다음 단계를 호출합니다.
   1. 그것은 결과를 아마존 DynamoDB 테이블.
   2. 감정이 부정적이거나 혼합된 경우 다음 작업을 수행합니다.
      • 다음으로 알림을 보냅니다. 아마존 단순 알림 서비스 (Amazon SNS) - 하나 이상의 이메일 주소(예: 고객 서비스 이사, 마케팅 이사 등)로 구독합니다.
      • 다음으로 이벤트를 보냅니다. 아마존 이벤트 브리지, 수신된 리뷰에 따라 조치를 취하기 위해 다른 다운스트림 시스템으로 전달됩니다. 예에서 EventBridge 이벤트는 아마존 클라우드 워치 통나무. 실제 시나리오에서는 Lambda 함수를 호출하여 이벤트를 AWS 내부 또는 외부의 다운스트림 시스템(예: 재고 관리 시스템 또는 일정 시스템)으로 보낼 수 있습니다.
3. 다음을 호출하여 메시지의 대상 감정을 분석합니다. detect_targeted_sentiment Amazon Comprehend의 API.
4. Map 함수를 사용하여 DynamoDB 테이블에 결과를 씁니다(병렬로, 메시지에서 식별된 각 엔터티에 대해 하나씩).

다음 다이어그램은 Step Functions에서 다운스트림 시스템까지의 워크플로우를 보여줍니다.

다운스트림 시스템에 대한 Step Functions

1. DynamoDB 테이블은 다음을 사용합니다. Amazon DynamoDB 스트림 변경 데이터 캡처(CDC)를 수행합니다. 테이블에 삽입된 데이터는 다음을 통해 스트리밍됩니다. Amazon Kinesis 데이터 스트림 에 아마존 키네 시스 데이터 파이어 호스 거의 실시간으로(60초로 설정)
2. Kinesis Data Firehose는 데이터를 아마존 단순 스토리지 서비스 (Amazon S3) 버킷.
3. 아마존 퀵 사이트 S3 버킷의 데이터를 분석합니다. 결과는 영업, 마케팅 또는 고객 서비스 팀(내부 사용자)이 볼 수 있는 다양한 대시보드에 표시됩니다. QuickSight는 일정에 따라 대시보드를 새로 고칠 수도 있습니다(이 예에서는 60분으로 설정).

XNUMXD덴탈의 AWS 클라우드 포메이션 솔루션 아키텍처를 생성하기 위한 템플릿은 다음에서 사용할 수 있습니다. GitHub의. 템플릿에는 QuickSight 대시보드가 ​​포함되어 있지 않지만 README.md 파일에서 생성하는 방법에 대한 지침을 제공합니다. 다음 섹션에서 몇 가지 샘플 대시보드를 제공합니다.

QuickSight 대시보드

대시보드는 마케팅 및 고객 서비스 부서에서 제품 또는 서비스가 주요 비즈니스 메트릭에서 수행되는 방식을 시각적으로 분석하는 데 유용합니다. 이 섹션에서는 식당에 대한 가상 데이터를 사용하여 QuickSight에서 개발한 몇 가지 샘플 보고서를 제시합니다. 이러한 보고서는 새로 고침 주기에 따라 약 60분 내에 의사 결정권자에게 제공됩니다. 그들은 다음과 같은 질문에 답하는 데 도움을 줄 수 있습니다.

• 고객은 비즈니스를 전체적으로 어떻게 인식하고 있습니까?
• 고객이 좋아하거나 싫어하는 서비스의 특정 측면(예: 서비스 제공에 소요되는 시간, 고객 불만에 대한 해결 방법)이 있습니까?
• 고객은 새로 소개된 특정 제품(예: 메뉴 항목)을 어떻게 좋아합니까? 고객이 좋아하거나 좋아하지 않는 특정 제품이 있습니까?
• 연령대, 성별 또는 위치(예: 오늘날 다양한 위치에서 인기 있는 식품 항목)에 걸쳐 고객 정서에 관찰 가능한 패턴이 있습니까?

완전한 감정

다음 그림은 전체 감정 분석의 예를 보여줍니다.

첫 번째 그래프는 전반적인 정서입니다.

완전한 감정

다음 그래프는 연령대별 정서를 보여줍니다.

연령대별 감성

다음 그래프는 성별에 따른 감정을 보여줍니다.

성별에 따른 감정

마지막 그래프는 식당 위치에 대한 감정을 보여줍니다.

여러 위치에 걸친 감정

타겟 감성

다음 그림은 대상 정서 분석의 예를 보여줍니다.

첫 번째 그래프는 엔터티(서비스, 레스토랑, 식사 유형 등)별 감정을 보여줍니다.

엔터티별 타겟 정서

다음은 엔터티별 연령대별 감정을 보여줍니다.

엔터티별 연령대별 감성

다음 그래프는 엔터티별로 여러 위치의 감정을 보여줍니다.

엔터티별 위치 전반의 감정

다음 스크린샷은 보다 세분화된 고객 감정 분석에 사용할 수 있는 CRM 발권 시스템의 스크린샷입니다. 예를 들어 사용 사례에서 부정적인 감정에 대한 이메일 알림을 받도록 고객 서비스 부서를 설정했습니다. 이메일의 정보(고객 감정의 검토 ID)를 사용하여 서비스 담당자는 감정의 보다 세부적인 세부 정보를 드릴다운할 수 있습니다.

CRM 발권 시스템

요약

이 게시물에서는 Amazon Comprehend 및 기타 AWS 서비스를 사용하여 실시간 감정 분석을 위한 아키텍처를 설명했습니다. 당사의 솔루션은 다음과 같은 이점을 제공합니다.

• 고객 대면 앱 또는 모바일 앱 뒤에 배포할 수 있는 API 게이트웨이와 함께 CloudFormation 템플릿으로 제공됩니다.
• AI, ML 또는 자연어 처리에 대한 특별한 지식 없이도 Amazon Comprehend를 사용하여 솔루션을 구축할 수 있습니다.
• SQL에 대한 특별한 지식 없이도 QuickSight를 사용하여 보고서를 작성할 수 있습니다.
• 탄력적인 확장을 제공하고 필요할 때만 리소스를 소비하는 완전히 서버리스일 수 있습니다.

실시간 감정 분석은 서비스에 대한 즉각적인 고객 피드백에 관심이 있는 회사에 매우 유용할 수 있습니다. 회사의 마케팅, 영업 및 고객 서비스 부서에서 고객 피드백을 즉시 검토하고 시정 조치를 취하는 데 도움이 될 수 있습니다.

회사에서 이 솔루션을 사용하여 거의 실시간으로 고객 감정을 감지하고 대응하십시오.

에 대한 자세한 내용을 보려면 이 블로그에 설명된 주요 서비스, 아래 링크를 방문하십시오

아마존 이해
AWS 단계 함수
Amazon DynamoDB 스트림
Amazon Kinesis 데이터 스트림
아마존 키네 시스 데이터 파이어 호스
아마존 이벤트 브리지
아마존 퀵 사이트

저자에 관하여

바라드 G 바라다라잔 미국 북동부의 고객을 지원하는 Amazon Web Services의 선임 솔루션 아키텍트(SA)입니다. Varad는 Digital Native Businesses의 신뢰할 수 있는 조언자이자 현장 CTO로 활동하여 AWS를 사용하여 대규모로 혁신적인 솔루션을 구축할 수 있도록 지원합니다. Varad의 관심 분야는 IT 전략 컨설팅, 아키텍처 및 제품 관리입니다. 업무 외에 Varad는 창의적인 글쓰기, 가족 및 친구와 함께 영화 감상, 여행을 즐깁니다.

• 코인스마트. 유럽 ​​최고의 비트코인 ​​및 암호화폐 거래소.Click Here
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/real-time-analysis-of-customer-sentiment-using-aws/