Beoordelingen van klanten analyseren met BEHULP van AI Functions

In dit artikel wordt beschreven hoe u AI-functies gebruikt om klantbeoordelingen te onderzoeken en te bepalen of er een antwoord moet worden gegenereerd. De AI-functies die in dit voorbeeld worden gebruikt, zijn ingebouwde Databricks SQL-functies, mogelijk gemaakt door generatieve AI-modellen die beschikbaar worden gesteld door Databricks Foundation-model-API's. Zie AI toepassen op gegevens met behulp van Azure Databricks AI Functions.

In dit voorbeeld wordt het volgende uitgevoerd op een testgegevensset met de naam reviews met behulp van AI Functions:

• Bepaalt het gevoel van een beoordeling.
• Voor negatieve beoordelingen extraheert u informatie uit de beoordeling om de oorzaak te classificeren.
• Hiermee wordt vastgesteld of een reactie naar de klant teruggestuurd moet worden.
• Hiermee wordt een antwoord gegenereerd waarin alternatieve producten worden vermeld die mogelijk voldoen aan de klant.

Eisen

• Een werkruimte in een regio die Foundation Model API's ondersteunt met betaling per token.
• Deze functies zijn niet beschikbaar in Azure Databricks SQL Classic.
• Tijdens de preview hebben deze functies beperkingen voor hun prestaties. Neem contact op met uw Databricks-accountteam als u een hoger quotum nodig hebt voor uw use cases.

Sentiment van beoordelingen analyseren

U kunt de ai_analyze_sentiment() gebruiken om te begrijpen hoe klanten zich voelen vanuit hun beoordelingen. In het volgende voorbeeld kan het gevoel positief, negatief, neutraal of gemengd zijn.

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

Uit de volgende resultaten ziet u dat de functie het sentiment voor elke beoordeling retourneert zonder dat er prompt engineering of het parseren van resultaten nodig is.

Beoordelingen classificeren

In dit voorbeeld kunt u na het identificeren van negatieve beoordelingen ai_classify() gebruiken om meer inzicht te krijgen in klantbeoordelingen, zoals of de negatieve beoordeling wordt veroorzaakt door slechte logistiek, productkwaliteit of andere factoren.

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 dit geval kan ai_classify() de negatieve beoordelingen correct categoriseren op basis van aangepaste labels om verdere analyse mogelijk te maken.

Informatie extraheren uit beoordelingen

Misschien wilt u de productbeschrijving verbeteren op basis van de redenen die klanten hadden voor hun negatieve beoordelingen. U vindt belangrijke informatie uit een blob met tekst met behulp van ai_extract(). Het volgende voorbeeld extraheert informatie en classificeert of de negatieve beoordeling is gebaseerd op problemen met de grootte van het product:

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

Hieronder ziet u een voorbeeld van de resultaten:

Antwoorden genereren met aanbevelingen

Nadat u de reacties van de klant hebt bekeken, kunt u de functie ai_gen() gebruiken om een antwoord te genereren op basis van hun klacht en klantrelaties te versterken met promptantwoorden op hun feedback.

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"

Hieronder ziet u een voorbeeld van de resultaten:

Aanvullende informatiebronnen

• AI toepassen op gegevens met behulp van Azure Databricks AI Functions
• Databricks Foundation Model-API's