Analysez les avis clients en utilisant les AI Functions

info

Aperçu

Cette fonctionnalité est en aperçu public.

Cet article illustre comment utiliser les AI Functions pour examiner les avis clients et déterminer si une réponse doit être générée. Les AI Functions utilisés dans cet exemple sont des fonctions Databricks SQL intégrées, alimentées par des modèles d'IA générative mis à disposition par les Databricks Foundation Model APIs. Voir Enrichir des données à l’aide des AI Functions.

Cet exemple effectue les opérations suivantes sur un dataset de test appelé reviews à l'aide d'AI Functions :

• Détermine le sentiment d'une évaluation.
• Pour les avis négatifs, extrait des informations de l'avis afin de classifier la cause.
• Identifie si une réponse est requise pour le client.
• Génère une réponse mentionnant des produits alternatifs qui pourraient satisfaire le client.

Exigences

• Un Workspace dans une région prise en charge par le paiement au jeton pour les APIs de modèles de fondation.

• Ces fonctions ne sont pas disponibles sur Databricks SQL Classic.

• Notebooks et workflows : Serverless compute est requis. Ces fonctions ne sont pas prises en charge sur les clusters de compute classiques.

• Nécessite Databricks Runtime 18.2 ou une version ultérieure.

• Pendant la prévisualisation, ces fonctions ont des restrictions sur leurs performances. Contactez l'équipe de votre compte Databricks si vous avez besoin d'un quota plus élevé pour vos cas d'utilisation.

Analyser le sentiment des avis

Vous pouvez utiliser la fonction ai_analyze_sentiment() pour vous aider à comprendre ce que ressentent les clients à partir de leurs avis. Dans l'exemple suivant, le sentiment peut être positif, négatif, neutre ou mitigé.

SQL

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

D'après les résultats suivants, vous constatez que la fonction renvoie le sentiment pour chaque avis sans ingénierie d'invite ni analyse des résultats.

Classer les avis

Dans cet exemple, après avoir identifié les avis négatifs, vous pouvez utiliser ai_classify() pour obtenir plus d'insights sur les avis clients, par exemple si l'avis négatif est dû à une mauvaise logistique, à la qualité du produit ou à d'autres facteurs.

SQL

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

Dans ce cas, ai_classify() est capable de classer correctement les avis négatifs en fonction d'étiquettes personnalisées pour permettre une analyse plus approfondie.

Extraire des informations à partir d'avis

Vous souhaiterez peut-être améliorer votre description de produit en fonction des raisons évoquées par les clients dans leurs avis négatifs. Vous pouvez trouver des informations clés à partir d'un bloc de texte à l'aide de ai_extract(). L'exemple suivant extrait des informations et classe si l'avis négatif était basé sur des problèmes de taille avec le produit :

SQL

SELECT
  review,
  ai_extract(review, '["usual_size"]') AS usual_size,
  ai_classify(review, '["Size is wrong", "Size is right"]') AS fit
FROM
  product_reviews

Voici un échantillon de résultats :

Générer des réponses avec des recommandations

Après avoir examiné les réponses des clients, vous pouvez utiliser la fonction ai_gen() pour générer une réponse à un client en fonction de sa plainte et renforcer les relations client avec des réponses rapides à ses commentaires.

SQL

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"

Voici un échantillon de résultats :

Ressources supplémentaires

• Enrichir des données avec les AI Functions
• Databricks Foundation Model APIs