Analisar as avaliações dos clientes usando AI Functions

info

Visualização

Esse recurso está em Public Preview.

Este artigo ilustra como usar AI Functions para analisar avaliações de clientes e determinar se é necessário gerar uma resposta. As AI Functions usadas neste exemplo são funções Databricks SQL , baseadas em modelos generativos AI disponibilizados pelas APIs de modelos do Databricks Foundation. Veja enriquecer dados usando AI Functions.

Este exemplo executa o seguinte em um dataset de teste chamado reviews com o AI Functions:

• Determina o sentimento de uma revisão.
• Para avaliações negativas, extrai informações da avaliação para classificar a causa.
• Identifica se uma resposta é necessária para o cliente.
• Gera uma resposta mencionando produtos alternativos que podem satisfazer o cliente.

Requisitos

• A workspace em um modelo de fundação APIs região suportada por pay-per-tokens.
• Essas funções não estão disponíveis no Databricks SQL Classic.
• Durante a visualização, essas funções têm restrições em seu desempenho. Entre em contato com sua equipe de conta Databricks se precisar de uma cota maior para seus casos de uso.

Analise o sentimento das avaliações

O senhor pode usar a função ai_analyze_sentiment() para ajudá-lo a entender como os clientes se sentem com base em suas avaliações. No exemplo a seguir, o sentimento pode ser positivo, negativo, neutro ou misto.

SQL

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

Nos resultados a seguir, você vê que a função retorna o sentimento de cada avaliação sem nenhuma engenharia de prompt ou resultados de análise.

Classificar avaliações

Nesse exemplo, após identificar as avaliações negativas, o senhor pode ai_classify usar() para obter mais percepções sobre as avaliações dos clientes, como, por exemplo, se a avaliação negativa se deve à logística deficiente, à qualidade do produto ou a outros fatores.

SQL

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"

Nesse caso, ai_classify() é capaz de categorizar corretamente as avaliações negativas com base em rótulos personalizados para permitir uma análise mais aprofundada.

Extrair informações das avaliações

Talvez o senhor queira melhorar a descrição do produto com base nos motivos apresentados pelos clientes para suas avaliações negativas. O senhor pode encontrar informações em um bloco key ai_extract de texto usando(). O exemplo a seguir extrai informações e classifica se a avaliação negativa foi baseada em problemas de tamanho do produto:

SQL

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

A seguir, uma amostra dos resultados:

Gere respostas com recomendações

Depois de analisar as respostas dos clientes, o senhor pode usar a função ai_gen() para gerar uma resposta a um cliente com base em sua reclamação e fortalecer o relacionamento com o cliente por meio de respostas imediatas ao seu feedback.

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"

A seguir, uma amostra dos resultados:

Recurso adicional

• enriquecer dados usando AI Functions
• APIs do Foundation Model do Databricks