Ifølge en PWC-rapport32 % af detailkunderne churner efter én negativ oplevelse, og 73 % af kunderne siger, at kundeoplevelsen påvirker deres købsbeslutninger. I den globale detailhandel er support før og efter salg begge vigtige aspekter af kundepleje. Adskillige metoder, herunder e-mail, live chat, bots og telefonopkald, bruges til at yde kundeservice. Siden konversations-AI er blevet forbedret i de seneste år, har mange virksomheder taget avancerede teknologier som AI-drevne chatbots og AI-drevet agentsupport til at forbedre kundeservicen og samtidig øge produktiviteten og sænke omkostningerne.
Amazon Comprehend er en fuldt administreret og kontinuerligt trænet NLP-tjeneste (natural language processing), der kan udtrække indsigt om indholdet af et dokument eller en tekst. I dette indlæg undersøger vi, hvordan AWS-kunden Pro360 brugte Amazon Comprehend brugerdefineret klassificering API, som gør dig i stand til nemt at bygge brugerdefinerede tekstklassificeringsmodeller ved hjælp af dine virksomhedsspecifikke etiketter uden at kræve, at du skal lære maskinlæring (ML), for at forbedre kundeoplevelsen og reducere driftsomkostningerne.
Pro360: Opdag nøjagtigt kundeindsigelser i chatbots
Pro360 er en markedsplads, der har til formål at forbinde specialister med branchespecifikke talenter med potentielle kunder, så de kan finde nye muligheder og udvide deres professionelle netværk. Det giver kunderne mulighed for at kommunikere direkte med eksperter og forhandle en tilpasset pris for deres tjenester baseret på deres individuelle behov. Pro360 opkræver kunder, når der opstår succesfulde matches mellem specialister og kunder.
Pro360 skulle håndtere et problem relateret til upålidelige afgifter, der førte til forbrugerklager og nedsat tillid til mærket. Problemet var, at det var svært at forstå kundens mål under indviklede samtaler fyldt med flere formål, høflige benægtelser og indirekte kommunikation. Sådanne samtaler førte til fejlagtige gebyrer, der reducerede kundetilfredsheden. Som et eksempel kan en kunde starte en samtale og stoppe med det samme, eller afslutte samtalen ved høfligt at afvise ved at sige "Jeg har travlt" eller "Lad mig tygge på det." På grund af kulturelle forskelle er nogle kunder måske ikke vant til at udtrykke deres hensigter klart, især når de vil sige "nej". Dette gjorde det endnu mere udfordrende.
For at løse dette problem tilføjede Pro360 oprindeligt muligheder og valgmuligheder for kunden, såsom "Jeg vil gerne have mere information" eller "Nej, jeg har andre muligheder." I stedet for at skrive sit eget spørgsmål eller forespørgsel, vælger kunden blot de tilbudte muligheder. Ikke desto mindre var problemet stadig ikke løst, fordi kunderne foretrak at tale tydeligt og på deres eget naturlige sprog, mens de interagerede med systemet. Pro360 identificerede, at problemet var et resultat af regelbaserede systemer, og at flytning til en NLP-baseret løsning ville resultere i en bedre forståelse af kundens hensigt og føre til bedre kundetilfredshed.
Brugerdefineret klassificering er en funktion i Amazon Comprehend, som giver dig mulighed for udvikle dine egne klassifikatorer ved hjælp af små datasæt. Pro360 brugte denne funktion til at bygge en model med 99.2% nøjagtighed ved at træne på 800 datapunkter og teste på 300 datapunkter. De fulgte en tre-trins tilgang til at bygge og iterere modellen for at opnå deres ønskede niveau af nøjagtighed fra 82 % til 99.3 %. For det første definerede Pro360 to klasser, reject og non-reject, som de ønskede at bruge til klassificering. For det andet fjernede de irrelevante emojis og symboler som f.eks ~
, ...
og identificerede negative emojis for at forbedre modellens nøjagtighed. Til sidst definerede de tre yderligere indholdsklassifikationer for at forbedre fejlidentifikationsfrekvensen, herunder small talk, tvetydigt svar og afvisning med en grund, for yderligere at iterere modellen.
I dette indlæg deler vi, hvordan Pro360 brugte Amazon Comprehend til at spore forbrugerindvendinger under diskussioner og brugte en human-in-the-loop (HITL) mekanisme til at inkorporere kundefeedback i modellens forbedring og nøjagtighed, hvilket demonstrerer brugervenligheden og effektiviteten af Amazon Comprehend.
"I starten troede jeg på, at implementering af kunstig intelligens ville være dyrt. Opdagelsen af Amazon Comprehend gør os imidlertid i stand til effektivt og økonomisk at bringe en NLP-model fra idé til implementering på blot 1.5 måned. Vi er taknemmelige for støtten fra AWS-kontoteamet, løsningsarkitekturteamet og ML-eksperter fra SSO- og serviceteamet."
– LC Lee, grundlægger og administrerende direktør for Pro360.
Løsningsoversigt
Følgende diagram illustrerer løsningsarkitekturen, der dækker inferens i realtid, feedback-workflow og menneskelig gennemgang, og hvordan disse komponenter bidrager til Amazon Comprehend-træningsworkflowet.
I de følgende afsnit fører vi dig gennem hvert trin i arbejdsgangen.
Tekstklassificering i realtid
At bruge Amazon Comprehend brugerdefineret klassificering i realtid, skal du implementere en API som indgangspunkt og kalde en Amazon Comprehend-model for at udføre tekstklassificering i realtid. Trinene er som følger:
- Kundesiden ringer Amazon API Gateway som indgangspunkt for at levere en klientmeddelelse som input.
- API Gateway sender anmodningen til AWS Lambda og kalder API'et fra Amazon DynamoDB og Amazon Comprehend i trin 3 og 4.
- Lambda tjekker den aktuelle version af Amazon Comprehend-slutpunktet, der gemmer data i DynamoDB, og kalder en Amazon Comprehend-endepunkt for at få slutninger i realtid.
- Lambda, med en indbygget regel, kontrollerer scoren for at afgøre, om den er under tærsklen eller ej. Den gemmer derefter disse data i DynamoDB og venter på menneskelig godkendelse for at bekræfte evalueringsresultatet.
Feedback arbejdsgang
Når slutpunktet returnerer klassificeringsresultatet til klientsiden, beder applikationen slutbrugeren med et tip om at få deres feedback, og gemmer dataene i databasen til næste runde (træningsarbejdsgangen). Trinene til feedback-workflowet er som følger:
- Klientsiden sender brugerfeedback ved at kalde API Gateway.
- API Gateway omgår anmodningen til Lambda. Lambda tjekker formatet og gemmer det i DynamoDB.
- Brugerfeedbacken fra Lambda gemmes i DynamoDB og vil blive brugt til næste træningsproces.
Arbejdsgang for menneskelig gennemgang
Den menneskelige gennemgangsprocessen hjælper os med at afklare data med en konfidensscore under tærsklen. Disse data er værdifulde til at forbedre Amazon Comprehend-modellen og føjes til den næste iteration af genoptræning. Vi brugte Elastisk belastningsbalancering som indgangspunktet for at udføre denne proces, fordi Pro360-systemet er bygget på Amazon Elastic Complute Cloud (Amazon EC2). Trinene for denne arbejdsgang er som følger:
- Vi bruger en eksisterende API på Elastic Load Balancer som indgangspunkt.
- Vi bruger Amazon EC2 som beregningsressource til at bygge et frontend-dashboard, så anmelderen kan mærke inputdataene med lavere konfidensscore.
- Efter at anmelderen har identificeret indsigelsen fra inputdataene, gemmer vi resultatet i en DynamoDB-tabel.
Amazon Comprehend trænings workflow
For at starte uddannelsen af Amazon Comprehend-modellen skal vi forberede træningsdataene. Følgende trin viser dig, hvordan du træner modellen:
- Vi anvender AWS Lim at udføre udtrække, transformere og indlæse (ETL) jobs og flette data fra to forskellige DynamoDB-tabeller og gemme dem i Amazon Simple Storage Service (Amazon S3).
- Når Amazon S3 træningsdata er klar, kan vi trigge AWS-trinfunktioner som orkestreringsværktøj til at køre træningsjobbet, og vi passerer S3-stien ind i Step Functions-tilstandsmaskinen.
- Vi aktiverer en Lambda-funktion for at validere, at træningsdatastien findes, og udløser derefter et Amazon Comprehend-træningsjob.
- Efter træningsjobbet starter, bruger vi en anden Lambda-funktion til at kontrollere træningsjobstatus. Hvis træningsopgaven er fuldført, får vi modelmetrikken og gemmer den i DynamoDB til yderligere evaluering.
- Vi kontrollerer den aktuelle models ydeevne med en Lambda-modelvalgsfunktion. Hvis den aktuelle versions ydeevne er bedre end den originale, implementerer vi den til Amazon Comprehend-slutpunktet.
- Derefter aktiverer vi en anden Lambda-funktion for at kontrollere slutpunktets status. Funktionen opdaterer information i DynamoDB til tekstklassificering i realtid, når endepunktet er klar.
Resumé og næste skridt
I dette indlæg viste vi, hvordan Amazon Comprehend gør det muligt for Pro360 at bygge en AI-drevet applikation uden ML-eksperter, som er i stand til at øge nøjagtigheden af registrering af kundeindsigelser. Pro360 var i stand til at bygge en skræddersyet NLP-model på kun 1.5 måneder og er nu i stand til at identificere 90 % af kundernes høflige afvisninger og registrere kundens hensigt med en samlet nøjagtighed på 99.2 %. Denne løsning forbedrer ikke kun kundeoplevelsen, øger væksten i fastholdelsesraten på 28.5 %, men forbedrer også økonomiske resultater, reducerer driftsomkostningerne med 8 % og reducerer arbejdsbyrden for kundeservicemedarbejdere.
At identificere kundeindvendinger er dog kun det første skridt i at forbedre kundeoplevelsen. Ved at fortsætte med at iterere på kundeoplevelsen og accelerere omsætningsvæksten er næste skridt at identificere årsagerne til kundernes indvendinger, såsom manglende interesse, timingproblemer eller indflydelse fra andre, og at generere den passende respons for at øge salgskonverteringen sats.
For at bruge Amazon Comprehend til at bygge brugerdefinerede tekstklassificeringsmodeller, kan du få adgang til tjenesten via AWS Management Console. For at lære mere om, hvordan du bruger Amazon Comprehend, tjek ud Amazon Forstå udviklerressourcer.
Om forfatterne
Ray Wang er Solutions Architect hos AWS. Med 8 års erfaring i it-branchen er Ray dedikeret til at bygge moderne løsninger på skyen, især inden for NoSQL, big data og machine learning. Som en sulten go-getter bestod han alle 12 AWS-certifikater for at gøre sit tekniske felt ikke kun dybt, men bredt. Han elsker at læse og se sci-fi-film i sin fritid.
Josie Cheng er en HKT AI/ML Go-To-Market hos AWS. Hendes nuværende fokus er på forretningstransformation inden for detailhandel og CPG gennem data og ML for at fremme en enorm virksomhedsvækst. Før hun kom til AWS, arbejdede Josie for Amazon Retail og andre kinesiske og amerikanske internetvirksomheder som Growth Product Manager.
Shanna Chang er Solutions Architect hos AWS. Hun fokuserer på observerbarhed i moderne arkitekturer og cloud-native overvågningsløsninger. Før hun kom til AWS, var hun softwareingeniør. I sin fritid nyder hun at vandre og se film.
Wrick Talukdar er seniorarkitekt hos Amazon Comprehend Service-teamet. Han arbejder med AWS-kunder for at hjælpe dem med at indføre maskinlæring i stor skala. Uden for arbejdet holder han af at læse og fotografere.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :har
- :er
- :ikke
- 1
- 100
- 2%
- 28
- 8
- a
- I stand
- Om
- fremskynde
- adgang
- Konto
- nøjagtighed
- præcist
- opnå
- tilføjet
- Yderligere
- vedtage
- vedtaget
- Efter
- Agent
- midler
- AI
- AI-drevne
- AI / ML
- målsætninger
- Alle
- tillade
- tillader
- også
- Amazon
- Amazon Comprehend
- Amazon EC2
- an
- ,
- En anden
- api
- Anvendelse
- tilgang
- passende
- godkendelse
- arkitektur
- ER
- AS
- aspekter
- Assistance
- At
- AWS
- AWS kunde
- swing
- baseret
- BE
- fordi
- før
- troede
- jf. nedenstående
- Bedre
- mellem
- Big
- Big data
- både
- bots
- brand
- bringe
- bygge
- Bygning
- bygget
- indbygget
- virksomhed
- Forretningstransformation
- virksomheder
- men
- by
- ringe
- ringer
- Opkald
- CAN
- hvilken
- Direktør
- certifikater
- udfordrende
- afgifter
- chatbots
- kontrollere
- Kontrol
- Kina
- valg
- klasser
- klassificering
- tydeligt
- kunde
- kunder
- Cloud
- KOM
- kommunikere
- Kommunikation
- Virksomheder
- klager
- fuldføre
- komponenter
- forstå
- Compute
- Konceptet
- Adfærd
- tillid
- Bekræfte
- Tilslut
- forbruger
- indhold
- fortsættende
- kontinuerligt
- bidrage
- Samtale
- konversation
- samtale AI
- samtaler
- Konvertering
- Koste
- Omkostninger
- dækker
- CpG
- kulturelle
- Nuværende
- skik
- kunde
- Kundeoplevelse
- Kundetilfredshed
- Kundeservice
- Kunder
- tilpassede
- banebrydende
- Banebrydende teknologier
- instrumentbræt
- data
- datapunkter
- Database
- deal
- afgørelser
- Faldende
- dedikeret
- dyb
- definerede
- demonstrerer
- indsætte
- ønskes
- Detektion
- Bestem
- Udvikler
- forskelle
- forskellige
- svært
- direkte
- opdagelse
- diskussioner
- dokumentet
- ned
- i løbet af
- hver
- brugervenlighed
- nemt
- effektivitet
- effektivt
- muliggør
- Endpoint
- ingeniør
- Forbedrer
- Enterprise
- indrejse
- især
- Ether (ETH)
- evaluering
- Endog
- eksempel
- eksisterende
- eksisterer
- Udvid
- erfaring
- ekspert
- ekspertise
- eksperter
- udforske
- ekstrakt
- Feature
- tilbagemeldinger
- felt
- fyldt
- finansielle
- Finde
- Fornavn
- Fokus
- fokuserer
- efterfulgt
- efter
- følger
- Til
- format
- grundlægger
- Stifter og CEO
- fra
- Brændstof
- fuldt ud
- funktion
- funktioner
- yderligere
- gateway
- generere
- få
- Global
- Gå-på-marked
- taknemmelig
- Vækst
- Have
- he
- hjælpe
- hjælper
- hiking
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- menneskelig
- Hungry
- i
- identificeret
- identificerer
- identificere
- identificere
- illustrerer
- straks
- implementering
- gennemføre
- vigtigt
- Forbedre
- forbedret
- forbedrer
- forbedring
- in
- Herunder
- indarbejde
- Forøg
- stigende
- individuel
- industrien
- industri-specifikke
- indflydelse
- oplysninger
- i første omgang
- indgang
- indsigt
- i stedet
- hensigt
- intentioner
- interaktion
- interesse
- Internet
- ind
- spørgsmål
- IT
- It-industrien
- iteration
- Job
- Karriere
- sammenføjning
- jpg
- lige
- Etiketter
- Mangel
- Sprog
- stor
- føre
- førende
- LÆR
- læring
- Led
- Lee
- Niveau
- ligesom
- leve
- belastning
- sænkning
- maskine
- machine learning
- lavet
- lave
- lykkedes
- ledelse
- leder
- mange
- markedsplads
- Kan..
- mekanisme
- Flet
- besked
- metoder
- metrisk
- måske
- ML
- model
- modeller
- Moderne
- overvågning
- måned
- mere
- Film
- flytning
- flere
- Natural
- Naturligt sprog
- Natural Language Processing
- Behov
- negativ
- netværk
- Ny
- næste
- NLP
- nu
- talrige
- objektiv
- of
- on
- ONE
- kun
- drift
- operationelle
- Muligheder
- Indstillinger
- or
- orkestrering
- original
- Andet
- Andre
- uden for
- samlet
- egen
- især
- passerer
- Bestået
- gennemløb
- sti
- ydeevne
- telefon
- telefonopkald
- fotografering
- plato
- Platon Data Intelligence
- PlatoData
- Punkt
- punkter
- Indlæg
- potentiale
- potentielle kunder
- foretrækkes
- Forbered
- pris
- Problem
- behandle
- forarbejdning
- Produkt
- produktchef
- produktivitet
- professionel
- give
- forudsat
- køb
- PWC
- spørgsmål
- Sats
- RAY
- Læs
- Læsning
- klar
- ægte
- realtid
- grund
- årsager
- nylige
- reducere
- Reduceret
- reducere
- relaterede
- fjernet
- anmode
- Krav
- ressource
- svar
- resultere
- detail
- detailhandel
- tilbageholdelse
- omskoling
- afkast
- indtægter
- Omsætningsvækst
- gennemgå
- rundt
- Herske
- Kør
- salg
- tilfredshed
- Scale
- sci-fi
- score
- sektioner
- valg
- senior
- tjeneste
- Tjenester
- Del
- Vis
- Simpelt
- ganske enkelt
- siden
- lille
- Software
- Software Engineer
- løsninger
- Løsninger
- SOLVE
- nogle
- tale
- specialister
- starte
- starter
- Tilstand
- Status
- Trin
- Steps
- Stadig
- Stands
- opbevaring
- butik
- opbevaret
- forhandler
- vellykket
- sådan
- support
- systemet
- Systemer
- bord
- TAG
- talenter
- Tal
- hold
- Teknisk
- Teknologier
- Test
- Tekstklassificering
- end
- at
- deres
- Them
- de
- denne
- dem
- tre
- tre-trins
- tærskel
- Gennem
- tid
- timing
- til
- værktøj
- spor
- Tog
- uddannet
- Kurser
- Transform
- Transformation
- enorm
- udløse
- Stol
- under
- forstå
- forståelse
- opdateringer
- us
- brug
- anvendte
- Bruger
- ved brug af
- udnyttet
- VALIDATE
- Værdifuld
- udgave
- ønskede
- var
- Ur
- ser
- we
- var
- hvorvidt
- som
- mens
- bred
- vilje
- med
- uden
- Arbejde
- arbejdede
- workflow
- virker
- ville
- år
- dig
- Din
- zephyrnet