使用 Amazon Bedrock 分析客户评价

关键要点

客户评价提供了宝贵的产品反馈，有助于提高客户体验和减少流失。利用生成式人工智能AI能够高效分析大量评论，提取情感和关键见解。本文探讨了如何使用大型语言模型LLMs和 Amazon Bedrock 进行自动化客户评价分析的应用。

客户评价可以揭示客户对产品的体验，并为产品团队提供宝贵的信息来源。通过持续监测这些评价，企业能够识别出客户 perceptions 的变化以及改进的领域。分析这些评价并提取可执行的见解，能够让企业做出数据驱动的决策，从而提升客户体验并减少流失。然而，面对来自多个渠道的大量评论，快速提炼出其核心内容成为一项重大挑战。这个过程通常消耗大量资源，需要耗费相当多的时间和人力，同时仍然容易出现人为错误，造成识别关键见解、重复主题及改进机会的延误。因此，客户的痛点可能被忽视，问题可能进一步升级。最新的生成式人工智能技术允许我们使用全新的自动化方法有效分析大量客户反馈，提炼出主要主题和重点。

本文探讨了一种创新的应用，即利用大型语言模型LLMs自动化客户评价分析的过程。LLMs 是一种在大量文本数据上预训练的基础模型FM。本文讨论了如何通过 Amazon Bedrock 访问 LLMs，构建一个生成式 AI 解决方案，能够自动总结关键的信息、识别客户情感，并从客户评价中生成可操作的洞见。这种方法在节省人类分析师时间的同时，产生高质量的结果。我们将详细审视这一方法，提供示例，突显关键的优势和局限，并讨论通过生成式 AI 进一步增强产品评论摘要的未来机会。

本文使用 Anthropic Claude 在 Amazon Bedrock 上分析一组关于服装的客户评价。Amazon Bedrock 是一项全托管的服务，通过单一 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能 FM 的选择，并具备构建生成式 AI 应用所需的广泛能力，确保安全、隐私和负责任的 AI。

成果展望

本文描述了如何通过生成式 AI 助力的客户评价分析实现以下成果：

成果描述评价摘要分析大量 internal 和 external 来源的评论，通过提炼和浓缩相关信息形成简明的摘要。情感分析评估评论的情感倾向积极、消极或中立，并为所给的情感分配信心评分。行动项提取自动提取潜在的产品改进建议列表，基于评价中的趋势和常见主题。可视化生成商业智能BI仪表板，显示关键指标和图表。

商业价值

企业使用生成式 AI 分析其评论可以获得以下好处：

改善产品和服务质量：生成式 AI FM 能够生成高质量的摘要、情感及行动项，这些可以用于提高产品和服务质量，增强品牌价值。可以随着时间追踪这些指标，以便持续监测和改进客户体验。

提升客户体验：通过此解决方案生成的评论摘要可以在面向客户的前端应用中展示，帮助客户更快地做出更明智的购买决策，从而提升客户体验。此外，及时识别和解决客户问题将对客户体验产生积极影响。

规模与速度：在短时间内分析大量评价，使企业能够及时解决客户关切。定期应用此解决方案可以提升内部工作效率，实现成本节约。

深入洞察：企业能够全面分析整套评论数据，而不是仅仅依赖有限的样本，从而实现更稳健的见解。

监控市场卖家表现：利用市场评论的自动化情感分析，系统地监控卖家的表现，并快速发现问题。

解决方案概述

在详细介绍技术实施细节之前，我们来看一个针对服装产品评论集的客户评价分析示例。该分析是使用 Anthropic Claude 3 Sonnet 在 Amazon Bedrock 上完成的。您还可以在 Amazon Bedrock 游乐场环境中尝试其他可用的 LLMs，并选择适合您用例的模型。请确保您已获得所用模型的 访问权限。

我们提供一组评论作为上下文，并创建一个提示以生成包含简明摘要、总体情感、情感的信心评分及输入评论中提取的行动项的输出。我们的示例提示请求 FM 以 JSON 格式生成响应。您可以应用稳健的 提示工程 技术，指导模型执行指定操作，以最小化响应中可能出现的偏差或幻觉，并获得所需特定格式的输出。

您可以调整 Anthropic Claude 模型参数如温度、top P、top K、最大长度来控制模型生成输出时的随机性和探索性：

温度：注入到响应中的随机性程度，默认为1，范围为01。Top P：采用核采样，Anthropic Claude 会计算每个后续 token 的选项累计分布，并在达到指定的 top P 概率时剪切。这两个参数应当只调整一个，而不是同时改变。Top K：只从每个后续 token 的前 K 个选项中进行采样，使用 top K 可以去除低概率的长尾响应。最大长度：生成的最大 token 数量。

以下截图显示了在 AWS 管理控制台 的 Amazon Bedrock 游乐场中获取的 示例请求提示。

该提示生成的输出为一个 JSON 字符串，包括以下属性：

reviewssummary：从输入产品评论生成的摘要。overallsentiment：基于输入客户评论的整体情感。sentimentconfidence：overallsentiment 的信心评分，范围为 01如提示中所示。reviewspositive reviewsnegative 和 reviewsneutral：积极、消极和中立评论的百分比。actionitems：从输入评论中识别出的行动项列表。

以下是上述截图中示例提示的 JSON 输出：

json{ reviewssummary 这些评论表明 Hanes 的运动裤通常舒适、做工良好，并且性价比高。然而，尺码不一致似乎是一个主要问题，许多顾客发现裤子要么太大要么太小。缺乏口袋和褪色问题也被提及。总体来说，情感偏向正面，但提高尺码准确性和产品特征可以提升客户满意度。 overallsentiment positive sentimentconfidence 08 reviewspositive 60 reviewsneutral 20 reviewsnegative 20 actionitems [ 提供详细的尺码表以提高尺码准确性 考虑在运动裤设计中加入口袋 调查并解决面料褪色问题 ]}

Amazon Bedrock 的游乐场功能快速运行提示以方便测试和实验，无需设置。然而，在构建可扩展的评论分析解决方案时，企业能够通过自动化评论分析工作流获得更大的价值。以下参考架构展示了一个自动化评论分析解决方案的运作方式。

免费永久加速器苹果版

该架构执行以下步骤：

客户评论可以作为 JSON 对象导入到 Amazon Simple Storage ServiceAmazon S3存储桶中。该存储桶将启用事件通知，以调用 AWS Lambda 函数，处理所创建或更新的对象。Lambda 函数运行业务逻辑，处理输入 JSON 文件中的客户评论。这些评论随后作为上下文包含在预定义的提示模板中，作为输入传给 FM。该提示包含 FM 生成包含摘要、情感和行动项的 JSON 输出时需遵循的详细指令。该函数然后在 Amazon Bedrock 上调用所选的 FM。Amazon Bedrock 调用 FM，并根据输入提示返回生成的输出。Lambda 函数解析 Amazon Bedrock 的输出，并将必要的数据评论摘要、整体情感和行动项目持久化到 Amazon DynamoDB。存储在 DynamoDB 中的评论摘要可以选择性地在网站上展示，帮助客户做出购买决策，而无需浏览冗长的客户评价列表。Amazon EventBridge Scheduler 每天调用一次 Lambda 函数，生成过去 24 小时内更新过的产品摘要和情感的报告。Lambda 函数生成一个 CSV 文件，其中包含(product reviewsummary sentimentscore 和 actionitem) 的变化，并将 CSV 持久化到 Amazon S3。Amazon S3 事件通知在 CSV 报告上传后立即调用 Amazon Simple Notification ServiceAmazon SNS。Amazon SNS 向商品和其他相关团队发送电子邮件，他们可以查看报告并解决任何行动项。可选择性地，存储在 DynamoDB 中的数据可用于构建商业仪表板，以便监控产品或服务的客户情感随时间的变化。参考架构使用 AWS BI 服务 Amazon QuickSight 来 可视化 DynamoDB 中的数据洞察。

包含参考实现架构的代码包可在 AWS Samples GitHub 仓库 找到。

关键注意事项

在实施此解决方案时的一些重要考虑事项：

定义一个业务流程，以审查在评论中持久负面情感的产品和服务的情感分数和行动项，采取措施解决客户关切，提高产品和服务质量。您可以使用 Amazon Augmented AIAmazon A2I所提供的人类审核能力，确保情感分数的准确性。

定义一个机制，以衡量 FM 推荐的行动项已解决的产品和服务的情感。

审查最终用户许可协议并请求所需 FM 的 模型访问权限。

查看 Amazon Bedrock 定价 并识别适合您用例的定价模型和 FM。

选择 FM 时应考虑以下建议：

尝试使用 Amazon Bedrock 支持的不同文本生成模型。利用 Amazon Bedrock 模型评估 功能来评估支持的模型。你可以使用 Amazon SageMaker Ground Truth 来标注您想用于 Amazon Bedrock 的模型评估的样本数据集。

查看 各提供商的模型定价 和 Amazon Bedrock 服务配额。

确定您希望从客户评论中得出的见解，并完善模型提示和参数以满足您的需求。

优化提示模板并应用适当的 提示工程 技术，以基于您的业务需求生成所需格式的模型输出。

考虑模型的吞吐量和上下文窗口大小限制，以便扩展解决方案以满足数据量和频率需求。

选择生成摘要和情感时可能要考虑的评论持续时间例如，排除超过 X 年的客户评论，等等。

决定是每次更新产品评论时分析所有评论，还是仅分析新评论即，每次更新产品评论时同时使用新评论和 DynamoDB 中的现有评论摘要。

仅在当天有新评论添加时分析产品或服务的客户评论：

仅当该产品有新评论时，将客户评论 JSON 文件导入到 S3 存储桶。

每次分析产品的客户评价时，在 DynamoDB 中保持描述元数据，以识别在最新数据流中出现的增量评论。

某些产品或服务的评论数量可能非常庞大，其总体大小可能远远超出您选择用于推理的模型的上下文窗口大小。应用替代技术来分析此类评论：

例如，将某个产品或服务的客户评论分成多个组，在第一轮中分别分析每组，然后将第一轮的结果作为输入上下文生成最终输出即，最终输出的评论摘要将是第一轮所有评论摘要的总结。这可能需要多次迭代，具体取决于评论量。

分批分析产品以限制并发 Lambda 调用的数量，如果产品或服务的数量较高。可能需要一个事件调度器来调用 Lambda 函数，而不是当前的 Amazon S3 事件通知，每个产品 JSON 调用一次 Lambda 函数。请检查 Lambda 配额 和函数超时，以进行批量创建。您亦可以考虑替代服务，如 AWS Step Functions 或 AWS Batch。

如果客户评论数据中包含任何客户信息，请相应分类用于存储的 S3 存储桶，并应用必要的安全边界以限制对该数据集的访问。此外，请确保在提示 FM 时不包含任何客户信息。考虑使用 Amazon Macie，帮助您大规模发现和保护 S3 存储桶中的敏感数据。

结论

使用生成式 AI 基础模型为企业从客户评论中获取价值开启了新可能性。通过使用这些先进模型总结评论、确定情感并生成建议行动，公司能够获得战略性的洞察，以引导产品改进、营销活动和客户服务计划。

采用知情、负责任的方法，企业能够从 AI 分析的客户评论中解锁巨大价值，更好地了解客户并满足他们的需求。人类智能与 AI 之间的协同关系的未来令人鼓舞，使数据驱动的决策达到新的规模。

资源

如需进一步阅读，请参考以下链接：

技术领导者如何为生成式 AI 做好准备生成式 AI 对零售的积极影响生成式 AI：彻底改变实体零售的催化剂构建 Amazon Bedrock 工作坊使用 Amazon Bedrock 自动生成产品描述

文章作者简介

Rajesh Sripathi 是来自伦敦的亚马逊网络服务 (AWS) 高级解决方案架构师。他与英国的零售客户密切合作，帮助他们在 AWS 云中构建创新解决方案。Rajesh 是 AI 爱好者，积极参与 AWS