AI Functionsを活用した顧客レビューの分析

プレビュー

この記事では、 AI Functionsを使用して顧客レビューを調査し、応答を生成する必要があるかどうかを判断する方法を説明します。この例で使用されるAI Functions 、Databricks 基盤APIsによって利用可能な生成 AI モデルを利用した、組み込みの Databricks SQL 関数です。「Databricks の AI 関数」を参照してください。

この例では、 AI Functionsを使用して、reviews というテストデータセットに対して次の処理を実行します。

レビューのセンチメントを決定します。
否定的なレビューの場合、レビューから情報を抽出して原因を分類します。
顧客に返答する必要があるかどうかを識別します。
顧客を満足させる可能性のある代替製品について言及する応答を生成します。

要件

プラットフォームAPIs ペイパートークンがサポートされているリージョン内のワークスペース。
これらの関数は、Databricks SQL Classic では使用できません。
プレビュー期間中は、これらの関数のパフォーマンスに制限があります。ユースケースにより高い割り当てが必要な場合は、Databricks アカウントチームにお問い合わせください。

レビューのセンチメントを分析する

ai_analyze_sentiment()を使用すると、顧客がレビューからどう感じているかを理解することができます。次の例では、センチメントは肯定的、否定的、中立、または混合にすることができます。

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

次の結果から、この関数は、結果を迅速にエンジニアリングしたり解析したりすることなく、各レビューのセンチメントを返していることがわかります。

レビューを分類する

この例では、否定的なレビューを特定した後、 ai_classifyを使用して、否定的なレビューの原因が物流、製品品質、またはその他の要因であるかどうかなど、顧客レビューについてさらに多くの情報を得ることができます。

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"

この場合、 ai_classify() はカスタムラベルに基づいて否定的なレビューを正しく分類し、さらなる分析を可能にします。

レビューから情報を抽出する

顧客が否定的なレビューをした理由に基づいて、製品の説明を改善することができます。 ai_extract()を使用すると、テキストの塊から重要な情報を見つけることができます。次の例では、情報を抽出し、否定的なレビューが製品のサイズ設定の問題に基づいているかどうかを分類します。

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

次に、結果の例を示します。

レコメンデーションによる応答の生成

顧客の応答を確認した後、ai_gen()関数を使用して苦情に基づいて顧客への応答を生成し、フィードバックに対する迅速な返答で顧客との関係を強化できます。

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"