Theo một Báo cáo PWC, 32% khách hàng bán lẻ bỏ cuộc sau một trải nghiệm tiêu cực và 73% khách hàng nói rằng trải nghiệm của khách hàng ảnh hưởng đến quyết định mua hàng của họ. Trong ngành bán lẻ toàn cầu, hỗ trợ trước và sau bán hàng đều là những khía cạnh quan trọng của chăm sóc khách hàng. Nhiều phương pháp, bao gồm email, trò chuyện trực tiếp, bot và gọi điện thoại, được sử dụng để cung cấp hỗ trợ khách hàng. Vì AI đàm thoại đã được cải thiện trong những năm gần đây, nhiều doanh nghiệp đã áp dụng các công nghệ tiên tiến như chatbot do AI cung cấp và hỗ trợ đại lý do AI cung cấp để cải thiện dịch vụ khách hàng đồng thời tăng năng suất và giảm chi phí.
Amazon hiểu là một dịch vụ xử lý ngôn ngữ tự nhiên (NLP) được đào tạo liên tục và được quản lý hoàn toàn, có thể trích xuất thông tin chi tiết về nội dung của tài liệu hoặc văn bản. Trong bài đăng này, chúng tôi khám phá cách Pro360 của khách hàng AWS đã sử dụng Amazon Hiểu API phân loại tùy chỉnh, cho phép bạn dễ dàng xây dựng các mô hình phân loại văn bản tùy chỉnh bằng cách sử dụng các nhãn dành riêng cho doanh nghiệp của mình mà không yêu cầu bạn phải học máy học (ML), để cải thiện trải nghiệm của khách hàng và giảm chi phí vận hành.
Pro360: Phát hiện chính xác phản đối của khách hàng trong chatbot
Pro360 là một thị trường nhằm mục đích kết nối các chuyên gia có tài năng trong ngành cụ thể với khách hàng tiềm năng, cho phép họ tìm cơ hội mới và mở rộng mạng lưới chuyên nghiệp của mình. Nó cho phép khách hàng giao tiếp trực tiếp với các chuyên gia và thương lượng mức giá tùy chỉnh cho các dịch vụ của họ dựa trên yêu cầu cá nhân của họ. Pro360 tính phí khách hàng khi các trận đấu thành công diễn ra giữa chuyên gia và khách hàng.
Pro360 đã phải giải quyết một vấn đề liên quan đến các khoản phí không đáng tin cậy dẫn đến khiếu nại của người tiêu dùng và giảm lòng tin với thương hiệu. Vấn đề là rất khó để hiểu mục tiêu của khách hàng trong các cuộc trò chuyện phức tạp với nhiều mục đích, từ chối lịch sự và giao tiếp gián tiếp. Những cuộc trò chuyện như vậy đã dẫn đến những khoản phí sai lầm làm giảm sự hài lòng của khách hàng. Ví dụ: một khách hàng có thể bắt đầu cuộc trò chuyện và dừng lại ngay lập tức hoặc kết thúc cuộc trò chuyện bằng cách từ chối một cách lịch sự bằng cách nói “Tôi đang bận” hoặc “Để tôi nói chuyện đã”. Ngoài ra, do sự khác biệt về văn hóa, một số khách hàng có thể không quen bày tỏ ý định của mình một cách rõ ràng, đặc biệt khi họ muốn nói “không”. Điều này làm cho nó thậm chí còn khó khăn hơn.
Để giải quyết vấn đề này, Pro360 ban đầu đã thêm các tùy chọn và lựa chọn cho khách hàng, chẳng hạn như “Tôi muốn biết thêm thông tin” hoặc “Không, tôi có các tùy chọn khác”. Thay vì nhập câu hỏi hoặc truy vấn của riêng họ, khách hàng chỉ cần chọn các tùy chọn được cung cấp. Tuy nhiên, vấn đề vẫn chưa được giải quyết vì khách hàng thích nói rõ ràng và bằng ngôn ngữ tự nhiên của họ khi tương tác với hệ thống. Pro360 đã xác định rằng sự cố là kết quả của các hệ thống dựa trên quy tắc và việc chuyển sang giải pháp dựa trên NLP sẽ giúp hiểu rõ hơn về ý định của khách hàng và dẫn đến sự hài lòng của khách hàng tốt hơn.
Phân loại tùy chỉnh là một tính năng của Amazon Comprehend, cho phép bạn phát triển bộ phân loại của riêng bạn bằng cách sử dụng bộ dữ liệu nhỏ. Pro360 đã sử dụng tính năng này để xây dựng mô hình với độ chính xác 99.2% bằng cách đào tạo trên 800 điểm dữ liệu và thử nghiệm trên 300 điểm dữ liệu. Họ đã làm theo cách tiếp cận ba bước để xây dựng và lặp lại mô hình nhằm đạt được mức độ chính xác mong muốn từ 82% đến 99.3%. Đầu tiên, Pro360 xác định hai lớp, từ chối và không từ chối, mà họ muốn sử dụng để phân loại. Thứ hai, họ đã loại bỏ các biểu tượng cảm xúc và biểu tượng không liên quan như ~
và ...
và xác định các biểu tượng cảm xúc tiêu cực để cải thiện độ chính xác của mô hình. Cuối cùng, họ đã xác định ba phân loại nội dung bổ sung để cải thiện tỷ lệ xác định sai, bao gồm nói chuyện nhỏ, phản hồi mơ hồ và từ chối có lý do, để tiếp tục lặp lại mô hình.
Trong bài đăng này, chúng tôi chia sẻ cách Pro360 sử dụng Amazon Comprehend để theo dõi sự phản đối của người tiêu dùng trong các cuộc thảo luận và sử dụng cơ chế con người trong vòng lặp (HITL) để kết hợp phản hồi của khách hàng vào cải tiến và độ chính xác của mô hình, thể hiện tính dễ sử dụng và hiệu quả của Amazon Hiểu.
“Ban đầu, tôi tin rằng việc triển khai AI sẽ rất tốn kém. Tuy nhiên, việc khám phá ra Amazon Comprehend cho phép chúng tôi đưa mô hình NLP từ ý tưởng đến triển khai một cách hiệu quả và tiết kiệm chỉ trong 1.5 tháng. Chúng tôi rất biết ơn sự hỗ trợ do nhóm tài khoản AWS, nhóm kiến trúc giải pháp và các chuyên gia ML từ SSO và nhóm dịch vụ cung cấp.”
– LC Lee, người sáng lập và CEO của Pro360.
Tổng quan về giải pháp
Sơ đồ sau đây minh họa kiến trúc giải pháp bao gồm quy trình suy luận theo thời gian thực, quy trình phản hồi và quy trình đánh giá của con người cũng như cách các thành phần đó đóng góp vào quy trình đào tạo Amazon Comprehend.
Trong các phần sau, chúng tôi sẽ hướng dẫn bạn qua từng bước trong quy trình làm việc.
Phân loại văn bản thời gian thực
sử dụng Amazon Hiểu phân loại tùy chỉnh trong thời gian thực, bạn cần triển khai API làm điểm vào và gọi mô hình Amazon Comprehend để tiến hành phân loại văn bản theo thời gian thực. Các bước thực hiện như sau:
- Phía khách hàng gọi Cổng API Amazon làm điểm vào để cung cấp thông báo khách hàng làm đầu vào.
- Cổng API chuyển yêu cầu tới AWS Lambda và gọi API từ Máy phát điện Amazon và Amazon Hiểu trong Bước 3 và 4.
- Lambda kiểm tra phiên bản hiện tại của điểm cuối Amazon Comprehend lưu trữ dữ liệu trong DynamoDB và gọi một Điểm cuối Amazon Comprehend để có được suy luận thời gian thực.
- Lambda, với quy tắc tích hợp sẵn, sẽ kiểm tra điểm số để xác định xem điểm số đó có thấp hơn ngưỡng hay không. Sau đó, nó lưu trữ dữ liệu đó trong DynamoDB và chờ sự chấp thuận của con người để xác nhận kết quả đánh giá.
quy trình phản hồi
Khi điểm cuối trả về kết quả phân loại cho phía máy khách, ứng dụng sẽ nhắc người dùng cuối bằng một gợi ý để nhận phản hồi của họ và lưu trữ dữ liệu trong cơ sở dữ liệu cho vòng tiếp theo (quy trình đào tạo). Các bước cho quy trình phản hồi như sau:
- Phía khách hàng gửi phản hồi của người dùng bằng cách gọi API Gateway.
- API Gateway bỏ qua yêu cầu tới Lambda. Lambda kiểm tra định dạng và lưu trữ nó trong DynamoDB.
- Phản hồi của người dùng từ Lambda được lưu trữ trong DynamoDB và sẽ được sử dụng cho quy trình đào tạo tiếp theo.
Quy trình đánh giá con người
Quá trình xem xét của con người giúp chúng tôi làm rõ dữ liệu với điểm tin cậy dưới ngưỡng. Dữ liệu này có giá trị để cải thiện mô hình Amazon Comprehend và được thêm vào lần đào tạo lại tiếp theo. Chúng tôi đã sử dụng Cân bằng tải đàn hồi làm điểm khởi đầu để tiến hành quy trình này vì hệ thống Pro360 được xây dựng trên Đám mây điện toán đàn hồi Amazon (Amazon EC2). Các bước cho quy trình làm việc này như sau:
- Chúng tôi sử dụng API hiện có trên Cân bằng tải đàn hồi làm điểm khởi đầu.
- Chúng tôi sử dụng Amazon EC2 làm tài nguyên điện toán để xây dựng bảng điều khiển giao diện người dùng để người đánh giá gắn thẻ dữ liệu đầu vào có điểm tin cậy thấp hơn.
- Sau khi người đánh giá xác định ý kiến phản đối từ dữ liệu đầu vào, chúng tôi lưu trữ kết quả trong bảng DynamoDB.
Quy trình đào tạo Amazon Am hiểu
Để bắt đầu đào tạo mô hình Amazon Comprehend, chúng ta cần chuẩn bị dữ liệu đào tạo. Các bước sau đây chỉ cho bạn cách đào tạo mô hình:
- Chúng tôi sử dụng Keo AWS để tiến hành các công việc trích xuất, chuyển đổi và tải (ETL) cũng như hợp nhất dữ liệu từ hai bảng DynamoDB khác nhau rồi lưu trữ vào Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
- Khi dữ liệu đào tạo Amazon S3 đã sẵn sàng, chúng tôi có thể kích hoạt Chức năng bước AWS làm công cụ điều phối để chạy tác vụ đào tạo và chúng tôi chuyển đường dẫn S3 vào máy trạng thái Step Functions.
- Chúng tôi gọi một hàm Lambda để xác thực rằng đường dẫn dữ liệu đào tạo có tồn tại, sau đó kích hoạt một công việc đào tạo Amazon Comprehend.
- Sau khi công việc đào tạo bắt đầu, chúng tôi sử dụng một hàm Lambda khác để kiểm tra trạng thái công việc đào tạo. Nếu công việc đào tạo hoàn tất, chúng tôi sẽ lấy chỉ số mô hình và lưu trữ chỉ số đó trong DynamoDB để đánh giá thêm.
- Chúng tôi kiểm tra hiệu suất của mô hình hiện tại bằng chức năng lựa chọn mô hình Lambda. Nếu hiệu suất của phiên bản hiện tại tốt hơn phiên bản gốc, chúng tôi sẽ triển khai phiên bản đó tới điểm cuối Amazon Comprehend.
- Sau đó, chúng tôi gọi một hàm Lambda khác để kiểm tra trạng thái điểm cuối. Hàm cập nhật thông tin trong DynamoDB để phân loại văn bản theo thời gian thực khi điểm cuối sẵn sàng.
Tóm tắt và các bước tiếp theo
Trong bài đăng này, chúng tôi đã chỉ ra cách Amazon Comprehend cho phép Pro360 xây dựng một ứng dụng do AI cung cấp mà không cần các chuyên gia ML, điều này có thể tăng độ chính xác của việc phát hiện phản đối của khách hàng. Pro360 có thể xây dựng mô hình NLP có mục đích tùy chỉnh chỉ trong 1.5 tháng và hiện có thể xác định 90% các lời từ chối lịch sự của khách hàng và phát hiện ý định của khách hàng với độ chính xác tổng thể là 99.2%. Giải pháp này không chỉ nâng cao trải nghiệm của khách hàng, tăng tỷ lệ duy trì tăng trưởng 28.5% mà còn cải thiện kết quả tài chính, giảm 8% chi phí vận hành và giảm khối lượng công việc cho các đại lý dịch vụ khách hàng.
Tuy nhiên, xác định sự phản đối của khách hàng chỉ là bước đầu tiên để cải thiện trải nghiệm của khách hàng. Bằng cách tiếp tục lặp lại trải nghiệm của khách hàng và đẩy nhanh tốc độ tăng trưởng doanh thu, bước tiếp theo là xác định lý do khiến khách hàng phản đối, chẳng hạn như thiếu quan tâm, vấn đề về thời gian hoặc ảnh hưởng từ người khác và đưa ra phản hồi thích hợp để tăng chuyển đổi doanh số bán hàng tỷ lệ.
Để sử dụng Amazon Comprehend nhằm xây dựng các mô hình phân loại văn bản tùy chỉnh, bạn có thể truy cập dịch vụ thông qua Bảng điều khiển quản lý AWS. Để tìm hiểu thêm về cách sử dụng Amazon Comprehend, hãy xem Tài nguyên dành cho nhà phát triển của Amazon Am hiểu.
Về các tác giả
Ray Vương là Kiến trúc sư Giải pháp tại AWS. Với 8 năm kinh nghiệm trong ngành CNTT, Ray luôn tận tâm xây dựng các giải pháp hiện đại trên đám mây, đặc biệt là về NoSQL, dữ liệu lớn và học máy. Là một người ham học hỏi, anh đã vượt qua tất cả 12 chứng chỉ AWS để biến lĩnh vực kỹ thuật của mình không chỉ sâu mà còn rộng. Anh ấy thích đọc và xem phim khoa học viễn tưởng vào thời gian rảnh rỗi.
Josie Cheng là một HKT AI / ML Go-To-Market tại AWS. Trọng tâm hiện tại của cô là chuyển đổi kinh doanh trong lĩnh vực bán lẻ và CPG thông qua dữ liệu và ML để thúc đẩy sự phát triển vượt bậc của doanh nghiệp. Trước khi gia nhập AWS, Josie đã làm việc cho Amazon Retail và các công ty internet khác của Trung Quốc và Hoa Kỳ với tư cách là Giám đốc sản phẩm tăng trưởng.
Shanna Chang là Kiến trúc sư giải pháp tại AWS. Cô ấy tập trung vào khả năng quan sát trong các kiến trúc hiện đại và các giải pháp giám sát dựa trên đám mây. Trước khi gia nhập AWS, cô ấy là một kỹ sư phần mềm. Trong thời gian rảnh rỗi, cô ấy thích đi bộ đường dài và xem phim.
Wrick Talukdar là Kiến trúc sư cấp cao của nhóm Amazon Comprehend Service. Anh ấy làm việc với các khách hàng của AWS để giúp họ áp dụng công nghệ máy học trên quy mô lớn. Ngoài công việc, anh ấy thích đọc sách và chụp ảnh.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/identify-objections-in-customer-conversations-using-amazon-comprehend-to-enhance-customer-experience-without-ml-expertise/
- : có
- :là
- :không phải
- 1
- 100
- 2%
- 28
- 8
- a
- Có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- Tài khoản
- chính xác
- chính xác
- Đạt được
- thêm
- thêm vào
- nhận nuôi
- con nuôi
- Sau
- Đại lý
- đại lý
- AI
- Hỗ trợ AI
- AI / ML
- Mục tiêu
- Tất cả
- Cho phép
- cho phép
- Ngoài ra
- đàn bà gan dạ
- Amazon hiểu
- Amazon EC2
- an
- và
- Một
- api
- Các Ứng Dụng
- phương pháp tiếp cận
- thích hợp
- phê duyệt
- kiến trúc
- LÀ
- AS
- các khía cạnh
- Hỗ trợ
- At
- AWS
- Khách hàng AWS
- cân bằng
- dựa
- BE
- bởi vì
- trước
- tin
- phía dưới
- Hơn
- giữa
- lớn
- Dữ Liệu Lớn.
- cả hai
- chương trình
- thương hiệu
- mang lại
- xây dựng
- Xây dựng
- xây dựng
- được xây dựng trong
- kinh doanh
- Chuyển đổi kinh doanh
- các doanh nghiệp
- nhưng
- by
- cuộc gọi
- gọi
- Cuộc gọi
- CAN
- mà
- giám đốc điều hành
- Giấy chứng nhận
- thách thức
- tải
- chatbot
- kiểm tra
- Séc
- Trung Quốc
- lựa chọn
- các lớp học
- phân loại
- Rõ ràng
- khách hàng
- khách hàng
- đám mây
- COM
- giao tiếp
- Giao tiếp
- Các công ty
- khiếu nại
- hoàn thành
- các thành phần
- hiểu
- Tính
- khái niệm
- Tiến hành
- sự tự tin
- Xác nhận
- Kết nối
- người tiêu dùng
- nội dung
- tiếp tục
- liên tục
- Góp phần
- Conversation
- đàm thoại
- AI đàm thoại
- cuộc hội thoại
- Chuyển đổi
- Phí Tổn
- Chi phí
- bao gồm
- cpg
- văn hóa
- Current
- khách hàng
- khách hàng
- kinh nghiệm khach hang
- Sự hài lòng của khách hàng
- Dịch Vụ CSKH
- khách hàng
- tùy chỉnh
- tiên tiến
- Công nghệ tiên tiến
- bảng điều khiển
- dữ liệu
- điểm dữ liệu
- Cơ sở dữ liệu
- nhiều
- quyết định
- Suy giảm
- dành riêng
- sâu
- xác định
- thể hiện
- triển khai
- mong muốn
- Phát hiện
- Xác định
- Nhà phát triển
- sự khác biệt
- khác nhau
- khó khăn
- trực tiếp
- phát hiện
- thảo luận
- tài liệu
- xuống
- suốt trong
- mỗi
- dễ sử dụng
- dễ dàng
- hiệu quả
- hiệu quả
- cho phép
- Điểm cuối
- ky sư
- Nâng cao
- Doanh nghiệp
- nhập
- đặc biệt
- Ether (ETH)
- đánh giá
- Ngay cả
- ví dụ
- hiện tại
- tồn tại
- Mở rộng
- kinh nghiệm
- chuyên gia
- chuyên môn
- các chuyên gia
- khám phá
- trích xuất
- Đặc tính
- thông tin phản hồi
- lĩnh vực
- đầy
- tài chính
- Tìm kiếm
- Tên
- Tập trung
- tập trung
- sau
- tiếp theo
- sau
- Trong
- định dạng
- người sáng lập
- Người sáng lập và Giám đốc điều hành
- từ
- Nhiên liệu
- đầy đủ
- chức năng
- chức năng
- xa hơn
- cửa ngõ
- tạo ra
- được
- Toàn cầu
- Đi chợ
- biết ơn
- Tăng trưởng
- Có
- he
- giúp đỡ
- giúp
- đi bộ đường dài
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- Nhân loại
- Hungry
- i
- xác định
- xác định
- xác định
- xác định
- minh họa
- ngay
- thực hiện
- thực hiện
- quan trọng
- nâng cao
- cải thiện
- cải thiện
- cải thiện
- cải thiện
- in
- Bao gồm
- kết hợp
- Tăng lên
- tăng
- hệ thống riêng biệt,
- ngành công nghiệp
- đặc thù của ngành
- ảnh hưởng
- thông tin
- ban đầu
- đầu vào
- cái nhìn sâu sắc
- thay vì
- ý định
- ý định
- tương tác
- quan tâm
- Internet
- trong
- các vấn đề
- IT
- Công nghiệp CNTT
- sự lặp lại
- Việc làm
- việc làm
- tham gia
- jpg
- chỉ
- Nhãn
- Thiếu sót
- Ngôn ngữ
- lớn
- dẫn
- hàng đầu
- LEARN
- học tập
- Led
- Lee
- Cấp
- Lượt thích
- sống
- tải
- hạ
- máy
- học máy
- thực hiện
- làm cho
- quản lý
- quản lý
- giám đốc
- nhiều
- thị trường
- Có thể..
- cơ chế
- đi
- tin nhắn
- phương pháp
- số liệu
- Might
- ML
- kiểu mẫu
- mô hình
- hiện đại
- giám sát
- tháng
- chi tiết
- Phim Điện Ảnh
- di chuyển
- nhiều
- Tự nhiên
- Ngôn ngữ tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Cần
- tiêu cực
- mạng
- Mới
- tiếp theo
- nlp
- tại
- nhiều
- Mục tiêu
- of
- on
- ONE
- có thể
- hoạt động
- hoạt động
- Cơ hội
- Các lựa chọn
- or
- dàn nhạc
- nguyên
- Nền tảng khác
- Khác
- bên ngoài
- tổng thể
- riêng
- đặc biệt
- vượt qua
- thông qua
- vượt qua
- con đường
- hiệu suất
- điện thoại
- gọi điện thoại
- nhiếp ảnh
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Điểm
- điểm
- Bài đăng
- tiềm năng
- khách hàng tiềm năng
- ưa thích
- Chuẩn bị
- giá
- Vấn đề
- quá trình
- xử lý
- Sản phẩm
- giám đốc sản xuất
- năng suất
- chuyên nghiệp
- cho
- cung cấp
- mua
- PWC
- câu hỏi
- Tỷ lệ
- RAY
- Đọc
- Reading
- sẵn sàng
- thực
- thời gian thực
- lý do
- lý do
- gần đây
- giảm
- Giảm
- giảm
- liên quan
- Đã loại bỏ
- yêu cầu
- Yêu cầu
- tài nguyên
- phản ứng
- kết quả
- bán lẻ
- ngành bán lẻ
- giữ
- đào tạo lại
- Trả về
- doanh thu
- tăng trưởng doanh thu
- xem xét
- tròn
- Quy tắc
- chạy
- bán hàng
- sự hài lòng
- Quy mô
- khoa học viễn tưởng
- Điểm số
- phần
- lựa chọn
- cao cấp
- dịch vụ
- DỊCH VỤ
- Chia sẻ
- hiển thị
- Đơn giản
- đơn giản
- kể từ khi
- nhỏ
- Phần mềm
- Kỹ sư phần mềm
- giải pháp
- Giải pháp
- động SOLVE
- một số
- nói
- chuyên gia
- Bắt đầu
- bắt đầu
- Tiểu bang
- Trạng thái
- Bước
- Các bước
- Vẫn còn
- Dừng
- là gắn
- hàng
- lưu trữ
- cửa hàng
- thành công
- như vậy
- hỗ trợ
- hệ thống
- hệ thống
- bàn
- TAG
- tài năng
- Thảo luận
- nhóm
- Kỹ thuật
- Công nghệ
- Kiểm tra
- Phân loại văn bản
- hơn
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- họ
- điều này
- những
- số ba
- ba bước
- ngưỡng
- Thông qua
- thời gian
- thời gian
- đến
- công cụ
- theo dõi
- Train
- đào tạo
- Hội thảo
- Chuyển đổi
- Chuyển đổi
- kinh hai
- kích hoạt
- NIỀM TIN
- Dưới
- hiểu
- sự hiểu biết
- Cập nhật
- us
- sử dụng
- đã sử dụng
- người sử dang
- sử dụng
- tận dụng
- HIỆU LỰC
- Quý báu
- phiên bản
- muốn
- là
- Đồng hồ đeo tay
- xem
- we
- là
- liệu
- cái nào
- trong khi
- rộng
- sẽ
- với
- không có
- Công việc
- làm việc
- quy trình làm việc
- công trinh
- sẽ
- năm
- bạn
- trên màn hình
- zephyrnet