Gemäß einer PWC-Bericht, 32 % der Einzelhandelskunden wandern nach einer negativen Erfahrung ab, und 73 % der Kunden geben an, dass die Kundenerfahrung ihre Kaufentscheidungen beeinflusst. In der globalen Einzelhandelsbranche sind Pre- und Post-Sales-Support wichtige Aspekte der Kundenbetreuung. Zahlreiche Methoden, einschließlich E-Mail, Live-Chat, Bots und Telefonanrufe, werden verwendet, um Kundenunterstützung zu leisten. Da sich die Konversations-KI in den letzten Jahren verbessert hat, haben viele Unternehmen Spitzentechnologien wie KI-gestützte Chatbots und KI-gestützte Agentenunterstützung eingeführt, um den Kundenservice zu verbessern und gleichzeitig die Produktivität zu steigern und die Kosten zu senken.
Amazon verstehen ist ein vollständig verwalteter und kontinuierlich trainierter Dienst zur Verarbeitung natürlicher Sprache (NLP), der Einblicke in den Inhalt eines Dokuments oder Textes gewinnen kann. In diesem Beitrag untersuchen wir, wie der AWS-Kunde Pro360 die Benutzerdefinierte Klassifizierungs-API von Amazon Comprehend, mit dem Sie mithilfe Ihrer unternehmensspezifischen Labels ganz einfach benutzerdefinierte Textklassifizierungsmodelle erstellen können, ohne dass Sie maschinelles Lernen (ML) erlernen müssen, um das Kundenerlebnis zu verbessern und die Betriebskosten zu senken.
Pro360: Kundeneinwände in Chatbots genau erkennen
Pro360 ist ein Marktplatz, der darauf abzielt, Spezialisten mit branchenspezifischen Talenten mit potenziellen Kunden zusammenzubringen, damit sie neue Möglichkeiten finden und ihr berufliches Netzwerk erweitern können. Es ermöglicht Kunden, direkt mit Experten zu kommunizieren und einen maßgeschneiderten Preis für ihre Dienstleistungen basierend auf ihren individuellen Anforderungen auszuhandeln. Pro360 berechnet Kunden, wenn erfolgreiche Matches zwischen Spezialisten und Kunden stattfinden.
Pro360 musste sich mit einem Problem im Zusammenhang mit unzuverlässigen Gebühren auseinandersetzen, das zu Verbraucherbeschwerden führte und das Vertrauen in die Marke verringerte. Das Problem bestand darin, dass es schwierig war, das Ziel des Kunden in verworrenen Gesprächen zu verstehen, die mit mehreren Zielen, höflichen Ablehnungen und indirekter Kommunikation gefüllt waren. Solche Gespräche führten zu fehlerhaften Gebühren, die die Kundenzufriedenheit verringerten. Beispielsweise kann ein Kunde ein Gespräch beginnen und sofort beenden oder das Gespräch beenden, indem er höflich ablehnt, indem er sagt: „Ich bin beschäftigt“ oder „Lass mich darauf kauen“. Aufgrund kultureller Unterschiede sind einige Kunden möglicherweise nicht daran gewöhnt, ihre Absichten klar auszudrücken, insbesondere wenn sie „nein“ sagen möchten. Dadurch wurde es noch anspruchsvoller.
Um dieses Problem zu lösen, fügte Pro360 zunächst Optionen und Auswahlmöglichkeiten für den Kunden hinzu, wie z. B. „Ich möchte mehr Informationen“ oder „Nein, ich habe andere Optionen“. Anstatt seine eigene Frage oder Abfrage einzugeben, wählt der Kunde einfach die bereitgestellten Optionen aus. Trotzdem war das Problem immer noch nicht gelöst, da die Kunden es vorzogen, Klartext und in ihrer eigenen natürlichen Sprache zu sprechen, während sie mit dem System interagierten. Pro360 stellte fest, dass das Problem auf regelbasierte Systeme zurückzuführen war und dass der Wechsel zu einer NLP-basierten Lösung zu einem besseren Verständnis der Kundenabsicht und zu einer höheren Kundenzufriedenheit führen würde.
Benutzerdefinierte Klassifizierung ist eine Funktion von Amazon Comprehend, mit der Sie dies tun können Entwickeln Sie Ihre eigenen Klassifikatoren mit kleinen Datensätzen. Pro360 nutzte diese Funktion, um ein Modell mit einer Genauigkeit von 99.2 % zu erstellen, indem es an 800 Datenpunkten trainierte und an 300 Datenpunkten testete. Sie folgten einem dreistufigen Ansatz, um das Modell zu erstellen und zu iterieren, um die gewünschte Genauigkeit von 82 % bis 99.3 % zu erreichen. Erstens definierte Pro360 zwei Klassen, Ablehnung und Nicht-Zurückweisung, die sie für die Klassifizierung verwenden wollten. Zweitens entfernten sie irrelevante Emojis und Symbole wie z ~
und ...
und identifizierte negative Emojis, um die Genauigkeit des Modells zu verbessern. Schließlich definierten sie drei zusätzliche Inhaltsklassifikationen, um die Fehlidentifikationsrate zu verbessern, einschließlich Smalltalk, mehrdeutige Antworten und Ablehnung mit einem Grund, um das Modell weiter zu iterieren.
In diesem Beitrag teilen wir mit, wie Pro360 Amazon Comprehend verwendet hat, um Verbrauchereinwände während Diskussionen aufzuspüren, und einen Human-in-the-Loop (HITL)-Mechanismus verwendet hat, um Kundenfeedback in die Verbesserung und Genauigkeit des Modells einzubeziehen und die Benutzerfreundlichkeit und Effizienz zu demonstrieren von Amazon Comprehend.
„Anfangs glaubte ich, dass die Implementierung von KI kostspielig wäre. Die Entdeckung von Amazon Comprehend ermöglicht es uns jedoch, ein NLP-Modell in nur 1.5 Monaten effizient und wirtschaftlich vom Konzept zur Implementierung zu bringen. Wir sind dankbar für die Unterstützung durch das AWS-Kontoteam, das Lösungsarchitekturteam und die ML-Experten des SSO- und Serviceteams.“
– LC Lee, Gründer und CEO von Pro360.
Lösungsüberblick
Das folgende Diagramm veranschaulicht die Lösungsarchitektur, die Echtzeit-Inferenz, Feedback-Workflow und menschlichen Review-Workflow abdeckt, und wie diese Komponenten zum Amazon Comprehend-Schulungsworkflow beitragen.
In den folgenden Abschnitten führen wir Sie durch jeden Schritt im Workflow.
Textklassifizierung in Echtzeit
So verwenden Sie Amazon Comprehend benutzerdefinierte Klassifizierung in Echtzeitmüssen Sie eine API als Einstiegspunkt bereitstellen und ein Amazon Comprehend-Modell aufrufen, um eine Textklassifizierung in Echtzeit durchzuführen. Die Schritte sind wie folgt:
- Die Clientseite ruft an Amazon API-Gateway als Einstiegspunkt, um eine Client-Nachricht als Eingabe bereitzustellen.
- API Gateway übergibt die Anfrage an AWS Lambda und ruft die API auf Amazon DynamoDB und Amazon Comprehend in den Schritten 3 und 4.
- Lambda prüft die aktuelle Version des Amazon Comprehend-Endpunkts, der Daten in DynamoDB speichert, und ruft eine Amazon Endpunkt verstehen Echtzeit-Inferenz zu erhalten.
- Lambda überprüft mit einer integrierten Regel die Punktzahl, um festzustellen, ob sie unter dem Schwellenwert liegt oder nicht. Anschließend speichert es diese Daten in DynamoDB und wartet auf die menschliche Genehmigung, um das Bewertungsergebnis zu bestätigen.
Feedback-Workflow
Wenn der Endpunkt das Klassifizierungsergebnis an die Clientseite zurücksendet, fordert die Anwendung den Endbenutzer mit einem Hinweis auf, sein Feedback einzuholen, und speichert die Daten für die nächste Runde (den Trainingsworkflow) in der Datenbank. Die Schritte für den Feedback-Workflow sind wie folgt:
- Die Clientseite sendet das Benutzerfeedback durch Aufrufen von API Gateway.
- API Gateway umgeht die Anfrage an Lambda. Lambda prüft das Format und speichert es in DynamoDB.
- Das Benutzerfeedback von Lambda wird in DynamoDB gespeichert und für den nächsten Trainingsprozess verwendet.
Workflow für die Überprüfung durch Menschen
Der menschliche Überprüfungsprozess hilft uns, Daten mit einem Konfidenzwert unter dem Schwellenwert zu klären. Diese Daten sind wertvoll für die Verbesserung des Amazon Comprehend-Modells und werden der nächsten Iteration der Neuschulung hinzugefügt. Wir verwendeten Elastischer Lastausgleich als Einstiegspunkt für die Durchführung dieses Prozesses, da das Pro360-System darauf aufbaut Amazon Elastic Compute Cloud (Amazon EC2). Die Schritte für diesen Workflow sind wie folgt:
- Als Einstiegspunkt verwenden wir eine vorhandene API auf dem Elastic Load Balancer.
- Wir verwenden Amazon EC2 als Rechenressource, um ein Front-End-Dashboard für den Prüfer zu erstellen, um die Eingabedaten mit niedrigeren Konfidenzwerten zu kennzeichnen.
- Nachdem der Prüfer den Einwand anhand der Eingabedaten identifiziert hat, speichern wir das Ergebnis in einer DynamoDB-Tabelle.
Amazon Comprehend-Schulungsworkflow
Um das Training des Amazon Comprehend-Modells zu starten, müssen wir die Trainingsdaten vorbereiten. Die folgenden Schritte zeigen Ihnen, wie Sie das Modell trainieren:
- Wir verwenden AWS-Kleber um ETL-Aufträge (Extract, Transform and Load) auszuführen und die Daten aus zwei verschiedenen DynamoDB-Tabellen zusammenzuführen und darin zu speichern Amazon Simple Storage-Service (Amazon S3).
- Wenn die Amazon S3-Trainingsdaten bereit sind, können wir triggern AWS Step-Funktionen als Orchestrierungstool zum Ausführen des Trainingsjobs, und wir übergeben den S3-Pfad an die Zustandsmaschine von Step Functions.
- Wir rufen eine Lambda-Funktion auf, um zu überprüfen, ob der Trainingsdatenpfad vorhanden ist, und lösen dann einen Amazon Comprehend-Trainingsauftrag aus.
- Nachdem der Trainingsjob gestartet wurde, verwenden wir eine andere Lambda-Funktion, um den Status des Trainingsjobs zu überprüfen. Wenn der Trainingsjob abgeschlossen ist, erhalten wir die Modellmetrik und speichern sie zur weiteren Auswertung in DynamoDB.
- Wir überprüfen die Leistung des aktuellen Modells mit einer Lambda-Modellauswahlfunktion. Wenn die Leistung der aktuellen Version besser ist als die der ursprünglichen, stellen wir sie auf dem Amazon Comprehend-Endpunkt bereit.
- Dann rufen wir eine weitere Lambda-Funktion auf, um den Endpunktstatus zu überprüfen. Die Funktion aktualisiert Informationen in DynamoDB für die Textklassifizierung in Echtzeit, wenn der Endpunkt bereit ist.
Zusammenfassung und nächste Schritte
In diesem Beitrag haben wir gezeigt, wie Amazon Comprehend es Pro360 ermöglicht, eine KI-gestützte Anwendung ohne ML-Experten zu erstellen, die die Genauigkeit der Erkennung von Kundeneinwänden erhöhen kann. Pro360 konnte in nur 1.5 Monaten ein kundenspezifisches NLP-Modell erstellen und ist nun in der Lage, 90 % der höflichen Zurückweisungen von Kunden zu identifizieren und Kundenabsichten mit einer Gesamtgenauigkeit von 99.2 % zu erkennen. Diese Lösung verbessert nicht nur das Kundenerlebnis, indem sie das Wachstum der Kundenbindungsrate um 28.5 % erhöht, sondern verbessert auch die finanziellen Ergebnisse, indem sie die Betriebskosten um 8 % senkt und die Arbeitsbelastung für Kundendienstmitarbeiter verringert.
Die Identifizierung von Kundeneinwänden ist jedoch nur der erste Schritt zur Verbesserung des Kundenerlebnisses. Indem Sie das Kundenerlebnis weiter iterieren und das Umsatzwachstum beschleunigen, besteht der nächste Schritt darin, die Gründe für Kundeneinwände wie mangelndes Interesse, Timing-Probleme oder Beeinflussung durch andere zu identifizieren und die entsprechende Reaktion zu generieren, um die Verkaufskonversion zu steigern Rate.
Um Amazon Comprehend zum Erstellen benutzerdefinierter Textklassifizierungsmodelle zu verwenden, können Sie auf den Service über zugreifen AWS-Managementkonsole. Weitere Informationen zur Verwendung von Amazon Comprehend finden Sie unter Amazon Comprehend-Entwicklerressourcen.
Über die Autoren
Ray Wang ist Lösungsarchitekt bei AWS. Mit 8 Jahren Erfahrung in der IT-Branche widmet sich Ray dem Aufbau moderner Lösungen in der Cloud, insbesondere in den Bereichen NoSQL, Big Data und maschinelles Lernen. Als hungriger Draufgänger hat er alle 12 AWS-Zertifikate bestanden, um sein technisches Feld nicht nur tief, sondern auch breit zu machen. In seiner Freizeit liest und schaut er gerne Science-Fiction-Filme.
Josie Cheng ist ein HKT AI/ML Go-To-Market bei AWS. Ihr aktueller Schwerpunkt liegt auf der Geschäftstransformation im Einzelhandel und CPG durch Daten und ML, um ein enormes Unternehmenswachstum zu fördern. Bevor sie zu AWS kam, arbeitete Josie als Growth Product Manager für Amazon Retail und andere Internetunternehmen in China und den USA.
Shanna Chang ist Lösungsarchitekt bei AWS. Sie konzentriert sich auf Observability in modernen Architekturen und Cloud-native Monitoring-Lösungen. Bevor sie zu AWS kam, war sie Softwareentwicklerin. In ihrer Freizeit wandert sie gerne und schaut sich Filme an.
Wrick Talukdar ist Senior Architect im Amazon Comprehend Service Team. Er arbeitet mit AWS-Kunden zusammen, um ihnen dabei zu helfen, maschinelles Lernen in großem Umfang einzuführen. Außerhalb der Arbeit liest und fotografiert er gerne.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :hast
- :Ist
- :nicht
- 1
- 100
- 2%
- 28
- 8
- a
- Fähig
- Über Uns
- beschleunigen
- Zugang
- Konto
- Genauigkeit
- genau
- Erreichen
- hinzugefügt
- Zusätzliche
- adoptieren
- angenommen
- Nach der
- Makler
- Agenten
- AI
- AI-powered
- AI / ML
- Ziel
- Alle
- Zulassen
- erlaubt
- ebenfalls
- Amazon
- Amazon verstehen
- Amazon EC2
- an
- und
- Ein anderer
- Bienen
- Anwendung
- Ansatz
- angemessen
- Genehmigung
- Architektur
- SIND
- AS
- Aspekte
- Hilfe
- At
- AWS
- AWS-Kunde
- Balancer
- basierend
- BE
- weil
- Bevor
- angenommen
- unten
- Besser
- zwischen
- Big
- Big Data
- beide
- Bots
- Marke
- bringen
- bauen
- Building
- erbaut
- eingebaut
- Geschäft
- Geschäftsumwandlung
- Unternehmen
- aber
- by
- rufen Sie uns an!
- Aufruf
- Aufrufe
- CAN
- österreichische Unternehmen
- CEO
- Zertifikate
- herausfordernd
- Gebühren
- Chatbots
- aus der Ferne überprüfen
- Schecks
- China
- Entscheidungen
- Unterricht
- Einstufung
- Auftraggeber
- Kunden
- Cloud
- COM
- mit uns kommunizieren,
- Kommunikation
- Unternehmen
- Beschwerden
- abschließen
- Komponenten
- begreifen
- Berechnen
- konzept
- Leiten
- Vertrauen
- Schichtannahme
- Vernetz Dich
- Verbraucher
- Inhalt
- fortgesetzt
- ständig
- beitragen
- Gespräch
- Konversations
- Konversations-KI
- Gespräche
- Umwandlung (Conversion)
- Kosten
- Kosten
- Abdeckung
- cpg
- Kultur-
- Strom
- Original
- Kunde
- Customer Experience
- Kundenzufriedenheit
- Kundenservice
- Kunden
- maßgeschneiderte
- innovativ, auf dem neuesten Stand
- Spitzentechnologien
- Armaturenbrett
- technische Daten
- Datenpunkte
- Datenbase
- Deal
- Entscheidungen
- Sinkend
- gewidmet
- tief
- definiert
- demonstrieren
- einsetzen
- erwünscht
- Entdeckung
- Bestimmen
- Entwickler:in / Unternehmen
- Unterschiede
- anders
- schwer
- Direkt
- Entdeckung
- Diskussionen
- Dokument
- nach unten
- im
- jeder
- Benutzerfreundlichkeit
- leicht
- Effizienz
- effizient
- ermöglicht
- Endpunkt
- Ingenieur
- Verbessert
- Unternehmen
- Eintrag
- insbesondere
- Äther (ETH)
- Auswertung
- Sogar
- Beispiel
- vorhandenen
- existiert
- Erweitern Sie die Funktionalität der
- ERFAHRUNGEN
- Experte
- Expertise
- Experten
- ERKUNDEN
- Extrakt
- Merkmal
- Feedback
- Feld
- gefüllt
- Revolution
- Finden Sie
- Vorname
- Setzen Sie mit Achtsamkeit
- konzentriert
- gefolgt
- Folgende
- folgt
- Aussichten für
- Format
- Gründer
- Unternehmensgründer und CEO
- für
- Treibstoff
- voll
- Funktion
- Funktionen
- weiter
- Tor
- erzeugen
- bekommen
- Global
- Zum Markt gehen
- dankbar
- Wachstum
- Haben
- he
- Hilfe
- hilft
- Wandern
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- human
- Hungrig
- i
- identifiziert
- identifiziert
- identifizieren
- Identifizierung
- zeigt
- sofort
- Implementierung
- Umsetzung
- wichtig
- zu unterstützen,
- verbessert
- Verbesserung
- verbessert
- Verbesserung
- in
- Einschließlich
- integrieren
- Erhöhung
- zunehmend
- Krankengymnastik
- Energiegewinnung
- branchenspezifisch
- beeinflussen
- Information
- anfänglich
- Varianten des Eingangssignals:
- Einblick
- beantragen müssen
- Absicht
- Absichten
- Interaktion
- Interesse
- Internet
- in
- Probleme
- IT
- IT Industrie
- Iteration
- Job
- Jobs
- Beitritt
- jpg
- nur
- Etiketten
- Mangel
- Sprache
- grosse
- führen
- führenden
- LERNEN
- lernen
- geführt
- Lee
- Niveau
- Gefällt mir
- leben
- Belastung
- Senkung
- Maschine
- Maschinelles Lernen
- gemacht
- um
- verwaltet
- Management
- Manager
- viele
- Marktplatz
- Kann..
- Mechanismus
- Merge
- Nachricht
- Methoden
- Metrisch
- könnte
- ML
- Modell
- für
- modern
- Überwachung
- Monat
- mehr
- Filme
- ziehen um
- mehrere
- Natürliche
- Natürliche Sprache
- Verarbeitung natürlicher Sprache
- Need
- Negativ
- Netzwerk
- Neu
- weiter
- Nlp
- jetzt an
- und viele
- Ziel
- of
- on
- EINEM
- einzige
- Betrieb
- Betriebs-
- Entwicklungsmöglichkeiten
- Optionen
- or
- Orchesterbearbeitung
- Original
- Andere
- Anders
- aussen
- Gesamt-
- besitzen
- besonders
- passieren
- Bestanden
- leitet
- Weg
- Leistung
- Telefon
- Anrufe
- Fotografie
- Plato
- Datenintelligenz von Plato
- PlatoData
- Points
- Punkte
- Post
- Potenzial
- potentielle Kunden
- bevorzugt
- Danach
- Preis
- Aufgabenstellung:
- Prozessdefinierung
- Verarbeitung
- Produkt
- Produkt-Manager
- PRODUKTIVITÄT
- Professionell
- die
- vorausgesetzt
- Kauf
- PWC
- Frage
- Bewerten
- RAY
- Lesen Sie mehr
- Lesebrillen
- bereit
- echt
- Echtzeit
- Grund
- Gründe
- kürzlich
- Veteran
- Reduziert
- Reduzierung
- bezogene
- Entfernt
- Anforderung
- Voraussetzungen:
- Ressourcen
- Antwort
- Folge
- Einzelhandel
- Einzelhandelsindustrie
- Beibehaltung
- Umschulung
- Rückgabe
- Einnahmen
- Umsatzwachstum
- Überprüfen
- rund
- Regel
- Führen Sie
- Vertrieb
- Zufriedenheit
- Skalieren
- Science-Fiction
- Ergebnis
- Abschnitte
- Auswahl
- Senior
- Lösungen
- Teilen
- erklären
- Einfacher
- einfach
- da
- klein
- Software
- Software IngenieurIn
- Lösung
- Lösungen
- LÖSEN
- einige
- sprechen
- Spezialisten
- Anfang
- beginnt
- Bundesstaat
- Status
- Schritt
- Shritte
- Immer noch
- Stoppen
- Lagerung
- speichern
- gelagert
- Läden
- erfolgreich
- so
- Support
- System
- Systeme und Techniken
- Tabelle
- TAG
- Talente
- Reden
- Team
- Technische
- Technologies
- Testen
- Textklassifizierung
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- nach drei
- dreistufig
- Schwelle
- Durch
- Zeit
- zeitliche Koordinierung
- zu
- Werkzeug
- verfolgen sind
- Training
- trainiert
- Ausbildung
- Transformieren
- Transformation
- enorm
- auslösen
- Vertrauen
- für
- verstehen
- Verständnis
- Updates
- us
- -
- benutzt
- Mitglied
- Verwendung von
- seit
- BESTÄTIGEN
- wertvoll
- Version
- wollte
- wurde
- Ansehen
- beobachten
- we
- waren
- ob
- welche
- während
- breit
- werden wir
- mit
- ohne
- Arbeiten
- gearbeitet
- Arbeitsablauf.
- Werk
- würde
- Jahr
- U
- Ihr
- Zephyrnet