De acuerdo a una Informe PWC, el 32 % de los clientes minoristas se dan de baja después de una experiencia negativa, y el 73 % de los clientes dice que la experiencia del cliente influye en sus decisiones de compra. En la industria minorista global, el soporte de preventa y posventa son aspectos importantes de la atención al cliente. Se utilizan numerosos métodos, incluidos el correo electrónico, el chat en vivo, los bots y las llamadas telefónicas, para brindar asistencia al cliente. Dado que la IA conversacional ha mejorado en los últimos años, muchas empresas han adoptado tecnologías de vanguardia, como chatbots con tecnología de IA y soporte de agentes con tecnología de IA, para mejorar el servicio al cliente al tiempo que aumentan la productividad y reducen los costos.
Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) completamente administrado y capacitado continuamente que puede extraer información sobre el contenido de un documento o texto. En esta publicación, exploramos cómo el cliente de AWS Pro360 usó el API de clasificación personalizada de Amazon Comprehend, que le permite crear fácilmente modelos de clasificación de texto personalizados utilizando las etiquetas específicas de su negocio sin necesidad de aprender aprendizaje automático (ML), para mejorar la experiencia del cliente y reducir los costos operativos.
Pro360: detecta con precisión las objeciones de los clientes en los chatbots
Pro360 es un mercado que tiene como objetivo conectar a especialistas con talentos específicos de la industria con clientes potenciales, permitiéndoles encontrar nuevas oportunidades y expandir su red profesional. Permite a los clientes comunicarse directamente con expertos y negociar un precio personalizado por sus servicios en función de sus requisitos individuales. Pro360 cobra a los clientes cuando se producen coincidencias exitosas entre especialistas y clientes.
Pro360 tuvo que lidiar con un problema relacionado con cargos poco confiables que generaron quejas de los consumidores y redujeron la confianza con la marca. El problema era que era difícil entender el objetivo del cliente durante conversaciones enrevesadas llenas de objetivos múltiples, negativas corteses y comunicación indirecta. Tales conversaciones conducían a cargos erróneos que reducían la satisfacción del cliente. Por ejemplo, un cliente puede iniciar una conversación y detenerse de inmediato, o terminar la conversación declinando cortésmente diciendo "Estoy ocupado" o "Déjame masticar". Además, debido a las diferencias culturales, es posible que algunos clientes no estén acostumbrados a expresar sus intenciones con claridad, especialmente cuando quieren decir "no". Esto lo hizo aún más desafiante.
Para solucionar este problema, Pro360 inicialmente agregó opciones y opciones para el cliente, como “Me gustaría más información” o “No, tengo otras opciones”. En lugar de escribir su propia pregunta o consulta, el cliente simplemente elige las opciones proporcionadas. Sin embargo, el problema seguía sin resolverse porque los clientes preferían hablar claro y en su propio lenguaje natural mientras interactuaban con el sistema. Pro360 identificó que el problema era el resultado de los sistemas basados en reglas y que pasar a una solución basada en NLP daría como resultado una mejor comprensión de la intención del cliente y conduciría a una mejor satisfacción del cliente.
La clasificación personalizada es una característica de Amazon Comprehend, que le permite desarrolle sus propios clasificadores utilizando pequeños conjuntos de datos. Pro360 utilizó esta función para crear un modelo con una precisión del 99.2 % entrenando en 800 puntos de datos y probando en 300 puntos de datos. Siguieron un enfoque de tres pasos para construir e iterar el modelo para lograr el nivel deseado de precisión del 82 % al 99.3 %. En primer lugar, Pro360 definió dos clases, rechazo y no rechazo, que querían usar para la clasificación. En segundo lugar, eliminaron emojis y símbolos irrelevantes como ~
y ...
e identificó emojis negativos para mejorar la precisión del modelo. Por último, definieron tres clasificaciones de contenido adicionales para mejorar la tasa de identificación errónea, incluida la charla trivial, la respuesta ambigua y el rechazo con una razón, para iterar aún más el modelo.
En esta publicación, compartimos cómo Pro360 utilizó Amazon Comprehend para rastrear las objeciones de los consumidores durante las discusiones y utilizó un mecanismo humano en el circuito (HITL) para incorporar los comentarios de los clientes en la mejora y precisión del modelo, demostrando la facilidad de uso y la eficiencia. de Amazon Comprender.
“Al principio, creía que implementar la IA sería costoso. Sin embargo, el descubrimiento de Amazon Comprehend nos permite llevar un modelo de PNL desde el concepto hasta la implementación de manera eficiente y económica en solo 1.5 meses. Estamos agradecidos por el apoyo brindado por el equipo de cuentas de AWS, el equipo de arquitectura de soluciones y los expertos en aprendizaje automático del equipo de servicio y SSO”.
– LC Lee, fundador y CEO de Pro360.
Resumen de la solución
El siguiente diagrama ilustra la arquitectura de la solución que cubre la inferencia en tiempo real, el flujo de trabajo de retroalimentación y el flujo de trabajo de revisión humana, y cómo esos componentes contribuyen al flujo de trabajo de capacitación de Amazon Comprehend.
En las siguientes secciones, lo guiaremos a través de cada paso del flujo de trabajo.
Clasificación de texto en tiempo real
Para utilizar Clasificación personalizada de Amazon Comprehend en tiempo real, debe implementar una API como punto de entrada y llamar a un modelo de Amazon Comprehend para realizar la clasificación de texto en tiempo real. Los pasos son los siguientes:
- El lado del cliente llama Puerta de enlace API de Amazon como punto de entrada para proporcionar un mensaje de cliente como entrada.
- API Gateway pasa la solicitud a AWS Lambda y llama a la API desde Amazon DynamoDB y Amazon Comprehend en los pasos 3 y 4.
- Lambda comprueba la versión actual del punto de enlace de Amazon Comprehend que almacena datos en DynamoDB y llama a un Punto de enlace de Amazon Comprehend para obtener inferencias en tiempo real.
- Lambda, con una regla integrada, comprueba la puntuación para determinar si está por debajo del umbral o no. Luego almacena esos datos en DynamoDB y espera la aprobación humana para confirmar el resultado de la evaluación.
Flujo de trabajo de comentarios
Cuando el punto final devuelve el resultado de la clasificación al lado del cliente, la aplicación solicita al usuario final una sugerencia para obtener sus comentarios y almacena los datos en la base de datos para la próxima ronda (el flujo de trabajo de capacitación). Los pasos para el flujo de trabajo de retroalimentación son los siguientes:
- El lado del cliente envía comentarios al usuario llamando a API Gateway.
- API Gateway omite la solicitud a Lambda. Lambda comprueba el formato y lo almacena en DynamoDB.
- Los comentarios de los usuarios de Lambda se almacenan en DynamoDB y se utilizarán para el próximo proceso de capacitación.
Flujo de trabajo de revisión humana
El proceso de revisión humana nos ayuda a aclarar los datos con una puntuación de confianza por debajo del umbral. Estos datos son valiosos para mejorar el modelo de Amazon Comprehend y se agregan a la próxima iteración de capacitación. Nosotros usamos Equilibrio de carga elástica como el punto de entrada para llevar a cabo este proceso porque el sistema Pro360 se basa en Nube informática elástica de Amazon (Amazon EC2). Los pasos para este flujo de trabajo son los siguientes:
- Utilizamos una API existente en Elastic Load Balancer como punto de entrada.
- Utilizamos Amazon EC2 como recurso informático para crear un panel frontal para que el revisor etiquete los datos de entrada con puntuaciones de confianza más bajas.
- Una vez que el revisor identifica la objeción a partir de los datos de entrada, almacenamos el resultado en una tabla de DynamoDB.
Flujo de trabajo de formación de Amazon Comprehend
Para comenzar a entrenar el modelo de Amazon Comprehend, necesitamos preparar los datos de entrenamiento. Los siguientes pasos le muestran cómo entrenar el modelo:
- Utilizamos Pegamento AWS para realizar trabajos de extracción, transformación y carga (ETL) y fusionar los datos de dos tablas diferentes de DynamoDB y almacenarlos en Servicio de almacenamiento simple de Amazon (Amazon S3).
- Cuando los datos de entrenamiento de Amazon S3 estén listos, podemos activar Funciones de paso de AWS como la herramienta de orquestación para ejecutar el trabajo de entrenamiento, y pasamos la ruta S3 a la máquina de estado de Step Functions.
- Invocamos una función de Lambda para validar que existe la ruta de datos de entrenamiento y luego activamos un trabajo de entrenamiento de Amazon Comprehend.
- Una vez que comienza el trabajo de entrenamiento, usamos otra función de Lambda para verificar el estado del trabajo de entrenamiento. Si el trabajo de entrenamiento está completo, obtenemos la métrica del modelo y la almacenamos en DynamoDB para una evaluación adicional.
- Comprobamos el rendimiento del modelo actual con una función de selección de modelo Lambda. Si el rendimiento de la versión actual es mejor que la original, la implementamos en el punto final de Amazon Comprehend.
- Luego invocamos otra función Lambda para verificar el estado del punto final. La función actualiza la información en DynamoDB para la clasificación de texto en tiempo real cuando el punto final está listo.
Resumen y próximos pasos
En esta publicación, mostramos cómo Amazon Comprehend permite que Pro360 cree una aplicación impulsada por IA sin profesionales expertos en ML, lo que puede aumentar la precisión de la detección de objeciones del cliente. Pro360 pudo crear un modelo de NLP personalizado en solo 1.5 meses y ahora puede identificar el 90 % de los rechazos educados de los clientes y detectar la intención del cliente con una precisión general del 99.2 %. Esta solución no solo mejora la experiencia del cliente, aumentando un 28.5 % el crecimiento de la tasa de retención, sino que también mejora los resultados financieros, disminuyendo el costo operativo en un 8 % y reduciendo la carga de trabajo de los agentes de atención al cliente.
Sin embargo, identificar las objeciones de los clientes es solo el primer paso para mejorar la experiencia del cliente. Al continuar iterando en la experiencia del cliente y acelerar el crecimiento de los ingresos, el siguiente paso es identificar los motivos de las objeciones de los clientes, como la falta de interés, los problemas de tiempo o la influencia de otros, y generar la respuesta adecuada para aumentar la conversión de ventas. tasa.
Para usar Amazon Comprehend para crear modelos de clasificación de texto personalizados, puede acceder al servicio a través del Consola de administración de AWS. Para obtener más información sobre cómo usar Amazon Comprehend, consulte Recursos para desarrolladores de Amazon Comprehend.
Acerca de los autores
Ray Wang es arquitecto de soluciones en AWS. Con 8 años de experiencia en la industria de TI, Ray se dedica a crear soluciones modernas en la nube, especialmente en NoSQL, big data y aprendizaje automático. Como un emprendedor hambriento, aprobó los 12 certificados de AWS para hacer que su campo técnico no solo sea profundo sino amplio. Le encanta leer y ver películas de ciencia ficción en su tiempo libre.
Josie Cheng es un Go-To-Market de HKT AI/ML en AWS. Su enfoque actual es la transformación empresarial en el comercio minorista y CPG a través de datos y ML para impulsar un tremendo crecimiento empresarial. Antes de unirse a AWS, Josie trabajó para Amazon Retail y otras empresas de Internet de China y EE. UU. como Gerente de productos de crecimiento.
shanna chang es arquitecto de soluciones en AWS. Se enfoca en la observabilidad en arquitecturas modernas y soluciones de monitoreo nativas de la nube. Antes de unirse a AWS, era ingeniera de software. En su tiempo libre, le gusta caminar y ver películas.
Wrick Talukdar es un arquitecto sénior del equipo de Amazon Comprehend Service. Trabaja con los clientes de AWS para ayudarlos a adoptar el aprendizaje automático a gran escala. Fuera del trabajo, disfruta de la lectura y la fotografía.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- :posee
- :es
- :no
- 1
- 100
- 2%
- 28
- 8
- a
- Poder
- Nuestra Empresa
- acelerar
- de la máquina
- Mi Cuenta
- la exactitud
- precisamente
- Lograr
- adicional
- Adicionales
- adoptar
- adoptado
- Después
- Agente
- agentes
- AI
- Alimentado por IA
- AI / ML
- paquete de capacitación DWoVH
- Todos
- Permitir
- permite
- también
- Amazon
- Amazon Comprehend
- Amazon EC2
- an
- y
- Otra
- abejas
- Aplicación
- enfoque
- adecuado
- aprobación
- arquitectura
- somos
- AS
- aspectos
- Ayuda
- At
- AWS
- Cliente de AWS
- equilibrador
- basado
- BE
- porque
- antes
- creído
- a continuación
- mejores
- entre
- Big
- Big Data
- ambas
- los robots
- marca
- llevar
- build
- Construir la
- construido
- incorporado
- Transformación del negocio
- negocios
- pero
- by
- llamar al
- llamar
- Calls
- PUEDEN
- servicios sociales
- ceo
- certificados
- desafiante
- cargos
- Chatbots
- comprobar
- Cheques
- China
- opciones
- privadas
- clasificación
- con claridad.
- cliente
- clientes
- Soluciones
- COM
- Comunicarse
- Comunicación
- Empresas
- quejas
- completar
- componentes
- comprender
- Calcular
- concepto
- Conducir
- confianza
- Confirmar
- Contacto
- consumidor
- contenido
- continuo
- continuamente
- contribuir
- Conversación
- conversacional
- AI conversacional
- conversaciones
- Conversión
- Cost
- Precio
- cubierta
- cpg
- cultural
- Current
- personalizado
- cliente
- experiencia del cliente
- Satisfacción del cliente
- Servicio al Cliente
- Clientes
- se adaptan
- innovador
- Tecnologías de vanguardia
- página de información de sus operaciones
- datos
- puntos de datos
- Base de datos
- acuerdo
- decisiones
- Disminución
- a dedicados
- profundo
- se define
- vas demostrando
- desplegar
- deseado
- Detección
- Determinar
- Developer
- diferencias
- una experiencia diferente
- difícil
- directamente
- descubrimiento
- discusiones
- documento
- DE INSCRIPCIÓN
- durante
- cada una
- facilidad de uso
- pasan fácilmente
- eficiencia
- eficiente.
- permite
- Punto final
- ingeniero
- Mejora
- Empresa
- entrada
- especialmente
- Éter (ETH)
- evaluación
- Incluso
- ejemplo
- existente
- existe
- Expandir
- experience
- experto
- Experiencia
- expertos
- explorar
- extraerlos
- Feature
- realimentación
- campo
- lleno
- financiero
- Encuentre
- Nombre
- Focus
- se centra
- seguido
- siguiendo
- siguiente
- formato
- fundador
- Fundador y CEO
- Desde
- Combustible
- completamente
- función
- funciones
- promover
- puerta
- generar
- obtener
- Buscar
- Ir al mercado
- agradecido
- Incremento
- Tienen
- he
- ayuda
- ayuda
- excursionismo
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- humana
- Hambriento
- i
- no haber aun identificado una solucion para el problema
- identifica
- Identifique
- identificar
- ilustra
- inmediatamente
- implementación
- implementación
- importante
- mejorar
- mejorado
- es la mejora continua
- mejora
- la mejora de
- in
- Incluye
- incorporar
- aumente
- creciente
- INSTRUMENTO individual
- energético
- específico de la industria
- influir
- información
- posiblemente
- Las opciones de entrada
- penetración
- intención
- intenciones
- interactuando
- intereses
- Internet
- dentro
- cuestiones
- IT
- Industria de TI
- iteración
- Trabajos
- Empleo
- unión
- jpg
- solo
- Etiquetas
- Falta
- idioma
- large
- Lead
- líder
- APRENDE:
- aprendizaje
- LED
- Lee
- Nivel
- como
- para vivir
- carga
- bajando
- máquina
- máquina de aprendizaje
- hecho
- para lograr
- gestionado
- Management
- gerente
- muchos
- mercado
- Puede..
- mecanismo
- ir
- mensaje
- métodos
- métrico
- podría
- ML
- modelo
- modelos
- Moderno
- monitoreo
- meses
- más,
- Películas
- emocionante
- múltiples
- Natural
- Lenguaje natural
- Procesamiento natural del lenguaje
- ¿ Necesita ayuda
- negativas
- del sistema,
- Nuevo
- Next
- nlp
- ahora
- numeroso
- objetivo
- of
- on
- ONE
- , solamente
- Inteligente
- operativos.
- Del Mañana
- Opciones
- or
- orquestación
- reconocida por
- Otro
- Otros
- afuera
- total
- EL DESARROLLADOR
- particularmente
- pass
- pasado
- pasa
- camino
- actuación
- teléfono
- llamadas telefónicas
- fotografía
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- puntos
- Publicación
- posible
- Clientes potenciales
- preferido
- Preparar
- precio
- Problema
- tratamiento
- Producto
- gerente de producto
- productividad
- Profesional
- proporcionar
- previsto
- comprar
- PWC
- pregunta
- Rate
- RAY
- Leer
- Reading
- ready
- real
- en tiempo real
- razón
- razones
- reciente
- reducir
- Reducción
- la reducción de
- relacionado
- Remoto
- solicita
- Requisitos
- Recurso
- respuesta
- resultado
- el comercio minorista
- industria minorista
- retención
- reentrenamiento
- devoluciones
- ingresos
- crecimiento de ingresos
- una estrategia SEO para aparecer en las búsquedas de Google.
- redondo
- Regla
- Ejecutar
- ventas
- satisfacción
- Escala
- de ciencia ficción
- Puntuación
- (secciones)
- selección
- mayor
- de coches
- Servicios
- Compartir
- Mostrar
- sencillos
- simplemente
- desde
- chica
- Software
- Ingeniero de Software
- a medida
- Soluciones
- RESOLVER
- algo
- De una Charla a tu equipo
- especialistas
- comienzo
- comienza
- Estado
- Estado
- paso
- pasos
- Sin embargo
- Detener
- STORAGE
- tienda
- almacenados
- tiendas
- exitosos
- tal
- SOPORTE
- te
- Todas las funciones a su disposición
- mesa
- ETIQUETA
- prendas
- escuchar
- equipo
- Técnico
- Tecnologías
- Pruebas
- Clasificación de texto
- que
- esa
- La
- su
- Les
- ellos
- así
- aquellos
- Tres
- tres pasos
- umbral
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- sincronización
- a
- del IRS
- seguir
- Entrenar
- entrenado
- Formación
- Transformar
- tremendo
- detonante
- Confía en
- bajo
- entender
- comprensión
- Actualizaciones
- us
- utilizan el
- usado
- Usuario
- usando
- utilizado
- VALIDAR
- Valioso
- versión
- deseado
- fue
- Ver ahora
- ver
- we
- tuvieron
- sean
- que
- mientras
- amplio
- seguirá
- sin
- Actividades:
- trabajado
- flujo de trabajo
- funciona
- se
- años
- Usted
- tú
- zephyrnet