AI nástroje pro analýzu sentimentu zákazníků

Nástroje NLP umožňují firmám analyzovat velké objemy nestrukturovaných textových dat, jako jsou recenze produktů, komentáře na sociálních sítích a e-maily ze zákaznické podpory, nebo přepisy telefonních hovorů call centra a extrahovat z nich cenné informace zákaznické zpětné vazby.

‍

Tyto nástroje nejen identifikují základní sentiment obsahu (pozitivní, negativní, neutrální), ale také jsou schopny detekovat a analyzovat konkrétní témata a aspekty zpětné vazby, případně přímo doporučení zákazníků, jak daný problém řešit.

‍

Analýza sentimentu a extrakce klíčových slov poskytují pak hlubší vhled do emocí a názorů zákazníků, což firmám umožňuje lépe pochopit a reagovat na jejich potřeby a očekávání, získat hlubší náhled do zákaznické zkušenosti a přizpůsobit své strategie pro zlepšení produktů, služeb a celkové spokojenosti zákazníků.

‍

Využití NLP v analýze zákaznické zpětné vazby přináší také výzvy, jako je nutnost přesné interpretace jazykových nuancí, ironie, která vyžaduje neustálý vývoj a vylepšování NLP modelů. Přestože se technologie neustále vyvíjí, implementace NLP řešení už umožňuje v podstatě plnohodnotnou analýzu zpracovávaného textu a výkonost LLM v tomto ohledu je v podstatě na úrovni zpracování a interpretace člověkem.

‍

Níže výsledky MMLU (Massive Multitask Language Understanding) testu modelu Gemini (google) a srovnání s modelem GPT-4 (OpenAI/Microsoft).

“Gemini is the first model to outperform human experts on MMLU (Massive Multitask Language Understanding), one of the most popular methods to test the knowledge and problem solving abilities of AI models”

TEXT

‍

Etnetera Semantic Analyzer

V loňském roce jsme zaznamenali opakující se poptávku po nástroji, který by dokázal z recenzí nebo komentářů zákazníků získávat jak sentiment zákazníka, tak i agregovat např. shluky témat nebo konkrétně definovaná témata nad velkým množství dat.

Naše řešení Etnetera Semantic Analyzer dokáže zpracovávat různé datové vstupy, buď přímo v textové podobě, nebo pomocí převodu řeči na text, případně získávat text pomocí OCR metod. Předstupeň tohoto kroku je integrační API, které umožňuje připojit se buď na stávající systémy zákazníka (např. eshop stránka produktu s recenzemi, sociální sítě, diskusní fórum, …), které následně získaná data vytěží do podoby textu, který se následně zpracovává jazykovým modelem.

Z takto zpracovaných dat získáváme např.

• naladění či sentiment zprávy (pozitivní, negativní, smíšený, neutrální)
• rozdělujeme příspěvek na části podle postoje (oddělení pozitivní, negativní a neutrální části zprávy pro snazší zpracování)
• získáváme účel zprávy (chválu, kritiku, návrhy)
• získáváme konkrétní téma zprávy (to, čeho se daná kritika, chvála, nebo návrh týká), následně použité na analýzu opakujících se témat na velkém datovém vzorku
• nebo získáváme konkrétní slova nebo témata, které si definujeme

Z takto vytěžených dat lze skládat reporty, nebo připravovat agregace pro reporty v systémech, se kterými klient pracuje.

V rámci řešení zpracovávání zákaznické spokojenosti jsou nástroje tohoto typu elegantním řešením pro analýzu zákaznické zpětné vazby a podpůrným nástrojem pro zkvalitnění služeb.

‍