Server side implementace Adobe Experience Cloud
PŘEČÍST ČLÁNEK
V dnešní době digitální komunikace a sociálních médií nabízí analýza sentimentu zákazníků pomocí pokročilých nástrojů zpracování přirozeného jazyka (NLP) mocný nástroj k pochopení potřeb a názorů 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”
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.
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.
In today’s world, digital communication and social media afford analysis of customer sentiment using advanced natural language processing (NLP) tools, a powerful instrument for understanding customer needs and opinions.
NLP tools allow companies to analyse large volumes of unstructured text data, such as product reviews, comments on social networks and e-mails from customer support, or transcripts of telephone calls to the call centre, and extract valuable customer feedback information from them.
Not only do these tools identify the basic sentiment of the content (positive, negative, neutral), they are also capable of detecting and analysing specific feedback topics and aspects, possibly customer recommendations on how to resolve a specific problem.
Analysis of sentiment and extraction of key words affords a deeper understanding of the customers’ emotions and opinions, which allows companies to better understand and react to their needs and expectations, acquire a deeper sense of the customer experience and adapt their strategies to improve the product, services and overall customer satisfaction.
Use of NLP in analysis of customer feedback also brings challenges, such as the need to interpret language nuances and irony precisely, which requires constant development and improvement of NLP models. Although technology continues to advance, implementation of NLP solutions already allows essentially fully-fledged analysis of the processed text and, in this regard, LLM output is essentially on the level of processing and interpretation by a human.
MMLU (Massive Multitask Language Understanding) results of the Gemini (google) model test and comparison with the GPT-4 (OpenAI/Microsoft) model below.
“Gemini is the first model to outperform human experts on MMLU (Massive Multitask Language Understanding), one of the most popular methods for testing the knowledge and problem solving abilities of AI models”
Last year we registered repeated inquiries for a tool that would be capable of detecting both customer sentiment and compiling clusters of topics or specifically defined topics across a large volume of data from reviews or customer comments.
Our Etnetera Semantic Analyzer solution is capable of processing various data inputs, either directly in text form, or by transcription of speech into text, or even obtaining text using OCR methods. The preliminary stage to this step is API integration, which allows connection to the customer’s existing systems (e.g. a product e-shop page with reviews, social networks, discussion forums,…) from which it subsequently mines the obtained data into the form of text, which is subsequently processed using a language model.
We used the data processed in this manner to do the following for example:
The data mined in this manner can be used to compose reports or prepare aggregations for reports in the systems that the client works with.
Within the terms of the solution for processing customer satisfaction, tools of this type are an elegant solution for analysing customer feedback and a supporting tool for improving the quality of services.
.png)
.jpg)
