Analysieren von Kundenrezensionen mithilfe von KI-Funktionen

In diesem Artikel wird veranschaulicht, wie KI-Funktionen verwendet werden, um Kundenrezensionen zu untersuchen und festzustellen, ob eine Antwort generiert werden muss. Die in diesem Beispiel verwendeten KI-Funktionen sind integrierte Databricks-SQL-Funktionen, die durch generative KI-Modelle unterstützt werden, die von Databricks Foundation Model-APIs bereitgestellt werden. Siehe Anwenden von KI auf Daten mithilfe von Azure Databricks AI Functions.

In diesem Beispiel wird Folgendes für ein Testdatenset namens reviews mithilfe von AI-Funktionen ausgeführt:

• Bestimmt die Stimmung einer Rezension.
• Bei negativen Rezensionen extrahiert sie Informationen aus der Rezension, um die Ursache zu klassifizieren.
• Gibt an, ob eine Antwort zurück an den Kunden erforderlich ist.
• Generiert eine Antwort, die alternative Produkte erwähnt, die den Kunden erfüllen können.

Anforderungen

• Ein Arbeitsbereich in einer Region, die Pay-per-Token für Foundation-Modell-APIs unterstützt.
• Diese Funktionen sind in Azure Databricks SQL Classic nicht verfügbar.
• Während der Vorschau haben diese Funktionen Einschränkungen hinsichtlich ihrer Leistung. Wenden Sie sich an Ihr Databricks-Kontoteam, wenn Sie ein höheres Kontingent für Ihre Anwendungsfälle benötigen.

Analysieren der Stimmung von Rezensionen

Sie können die ai_analyze_sentiment() verwenden, um zu verstehen, wie Kunden sich von ihren Rezensionen fühlen. Im folgenden Beispiel kann die Stimmung positiv, negativ, neutral oder gemischt sein.

SELECT
  review,
  ai_analyze_sentiment(review) AS sentiment
FROM
  product_reviews;

Aus den folgenden Ergebnissen sehen Sie, dass die Funktion die Stimmung für jede Überprüfung ohne promptes Engineering oder Analyseergebnisse zurückgibt.

Bewertungen klassifizieren

In diesem Beispiel können Sie nach der Identifizierung negativer Rezensionen ai_classify() verwenden, um mehr Einblicke in Kundenrezensionen zu erhalten, z. B. ob die negative Überprüfung auf schlechte Logistik, Produktqualität oder andere Faktoren zurückzuführen ist.

SELECT
  review,
  ai_classify(
    review,
    ARRAY(
      "Arrives too late",
      "Wrong size",
      "Wrong color",
      "Dislike the style"
    )
  ) AS reason
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

In diesem Fall ist es in der Lage, ai_classify() die negativen Rezensionen basierend auf benutzerdefinierten Bezeichnungen korrekt zu kategorisieren, um eine weitere Analyse zu ermöglichen.

Extrahieren von Informationen aus Rezensionen

Möglicherweise möchten Sie Ihre Produktbeschreibung basierend auf den Gründen verbessern, die Kunden für ihre negativen Rezensionen hatten. Sie finden wichtige Informationen aus einem Textblob mithilfe von ai_extract(). Im folgenden Beispiel werden Informationen extrahiert und klassifiziert, ob die negative Überprüfung auf Größenproblemen mit dem Produkt basiert:

SELECT
  review,
  ai_extract(review, array("usual size")) AS usual_size,
  ai_classify(review, array("Size is wrong", "Size is right")) AS fit
FROM
  product_reviews

Es folgt ein Beispiel für Ergebnisse:

Generieren von Antworten mit Empfehlungen

Nachdem Sie die Kundenantworten überprüft haben, können Sie die Funktion ai_gen() verwenden, um eine Antwort auf einen Kunden basierend auf ihrer Beschwerde zu generieren und die Kundenbeziehungen mit prompten Antworten auf ihr Feedback zu stärken.

SELECT
  review,
  ai_gen(
    "Generate a reply in 60 words to address the customer's review.
    Mention their opinions are valued and a 30% discount coupon code has been sent to their email.
    Customer's review: " || review
  ) AS reply
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

Es folgt ein Beispiel für Ergebnisse:

Weitere Ressourcen

• Anwenden von KI auf Daten mithilfe von Azure Databricks AI Functions
• Databricks Foundation Model-Schnittstellen