Wichtige Details

Verbesserter Kundenservice auf der Grundlage von intelligenter und schneller Erkenntnisgewinnung.

Kunde

Der Kunde ist ein mittelgroßes US-amerikanisches FMCG-Unternehmen, dessen Ziel es ist, den Gewinn durch die Steigerung des Kundenwerts zu erhöhen. Das Unternehmen benötigte eine maßgeschneiderte KI zur Analyse des Kundendienstes. Also suchte das Unternehmen nach einer Lösung für die Verarbeitung natürlicher Sprache (Text Mining) verschiedene Datenquellen aus dem Kundenerfahrungsteam zu sammeln und zu analysieren und die Daten zu nutzen, um Erkenntnisse zu gewinnen, die den Service für die Kunden verbessern.

Es galt, mehrere Quellen unstrukturierter Daten (Text- und Sprachaufzeichnungen) aus verschiedenen Kanälen zu nutzen und eine Pipeline für die Datenanalyse zu erstellen (mit NLP), Textmining zur Gewinnung von Geschäftserkenntnissen.

Herausforderung: Gewinnung verwertbarer Erkenntnisse aus E-Mails und Audiodaten mithilfe von NLP

Der Kunde benötigte unser Team für :

• Optionen für die Datenanalyse verstehen und bewerten, das für das Unternehmen wertvolle Produkt erstellen, das das Unternehmen bei der Erreichung der gesetzten Geschäftsziele unterstützen kann
• Datenarchitektur entwickeln
• Daten zusammenführen, um einen einzigen Punkt für die NLP-Analyse zu schaffen
• Daten für die Analyse bereinigen
• Wählen Sie NLP-TechnikTools und Visualisierungen
• Bauen Sie NLP-Modelle
• Testen und Verfeinern von Modellen und Visualisierungen
• Übergang zur Produktion

Lösung: Laufende Datenanalyse-Pipeline zur Gewinnung von Erkenntnissen

AWS-ARCHITEKTUR ENTWICKELT

Stufe 1. Wir konzentrierten uns auf den Aufbau der Audio-to-Text-Pipeline und anderer Mechanismen zur Datenanlieferung. Es wurden mehrere unterschiedliche Datenquellen erwartet, so dass die Infrastruktur darauf vorbereitet sein sollte, sie alle zu empfangen.

Dann richten wir die Datenqualitätsprüfung für alle eingehenden Daten getrennt ein (je nach Datentyp).

Die Hauptaufgabe für unser Team bestand darin, alle eingehenden Informationen an den zentralen Analysepunkt für die KI-Analyse des Kundendienstes zu leiten. Zu diesem Zweck haben wir die Pipeline entsprechend den Geschäftsanforderungen des Kunden entwickelt. Die komplette POC für die Datenanlandung und die Audio-zu-Text-Pipeline war in den ersten zwei Wochen fertig und die Infrastruktur wurde im AWS-Konto des Kunden bereitgestellt.

Stufe 2. Dann ging es weiter mit Ingestion und Verarbeitung. Nachdem alle Quellen an einem einzigen Analysepunkt angekommen waren, wurden sie durch die Pipeline geschleust, um mit Amazon Comprehend analysiert zu werden. Es wurden mehrere Sprachen unterstützt und aufgrund der Anforderungen des Kunden wurden spezifische Modelle verwendet. Dies war einer der Vorteile der Lösung für die Analyse des Kundendienstes.

Unser Team implementierte Fehlererkennungs- und Wiederholungsmechanismen für jeden Schritt der Pipeline. Die Ausgabedaten wurden auf S3 gespeichert und für den Kunden freigegeben. Diese Aufgabe wurde von uns in 4 Wochen abgeschlossen.

Stufe 3. In der Phase der Datenanalyse und -visualisierung haben wir die Daten auf S3 als AWS Glue Data Catalog gespeichert. Alle in S3 gespeicherten Informationen waren sofort verfügbar und konnten über Amazon Athena abgefragt werden. Wir implementiertes maschinelles Lernen Modelle durch den AWS SageMaker.

Die verarbeiteten Daten und Analysen wurden für die zukünftige Visualisierung an AWS Redshift übergeben. Den ETL-Teil des Prozesses haben wir implementiert durch AWS Kleber. Die Daten in Redshift haben wir mit dem Kunden geteilt, ebenso wie die PowerBI-Dashboards, die auf diesen Daten aufbauen. Diesen Arbeitsumfang hat unser Team in 3 Wochen abgeschlossen.

Ergebnis: analytische NLP-Lösung für die Analyse von E-Mail- und Audiodaten

Als Ergebnis hat unser Team von Ingenieuren den Kunden mit einer robusten Kundenservice-Textanalyse für schnelles Textmining und Datenanalyse und -auswertung versorgt. Jetzt wertet die Lösung die E-Mail und Audiodaten und gewinnt wertvolle Geschäftserkenntnisse.

Die Analytik des Kundendienstes KI-Lösung hilft dem Kunden nun, die Stimmung der Kunden kontinuierlich zu verfolgen, die Dienstleistungen entsprechend anzupassen und auf Herausforderungen sofort zu reagieren, was die Kundenzufriedenheit erhöht.