Wichtige Details

Verbesserte Kundenzufriedenheit durch intelligente Überwachung der Emotionsintelligenz.

Kunde

Der Kunde ist ein großes US-E-Commerce Plattform mit schnell wachsendem Online-Geschäft. Das Unternehmen arbeitet ständig daran, das Kundenerlebnis durch die Verbesserung der angebotenen Produkte und Dienstleistungen zu verbessern. Es musste ein automatisiertes System entwickeln, das die Stimmung in den Kundenrezensionen über die Produkte und Dienstleistungen erkennt. Das Unternehmen wollte Einblicke in die Kundenzufriedenheit erhalten, um prompte Marketing- und Kundenbetreuungstaktiken für schlechte Kundenzufriedenheit zu implementieren und denjenigen, die dafür empfänglich sind, Upselling anzubieten. Also beauftragte man das Team von ESSID Solutions mit der Entwicklung eines Analyse von Kundenrezensionen Lösung.

Herausforderung: Erkennung von Stimmung und emotionalem Ton in Kundenrezensionen mit ML

Die Stimmungsanalyse ist wichtig, um die Zufriedenheit der Kunden zu ermitteln und ihre Vorlieben in E-Mails, Kommentaren, Tweets usw. zu erkennen. Zur Gewinnung von Erkenntnissen entwickelte das Team von ESSID Solutions ein ML-Modell auf der Grundlage von Kundenrezensionen zu Produkten die Meinungen der Kunden zu ermitteln.

Um ein Emotion-Intelligence-Modell für die Analyse von Produktbewertungen zu erstellen, haben wir den folgenden Prozess durchlaufen:

• Einholen von Daten aus Kundenrezensionen von der Website des Unternehmens
• Vorverarbeitung
• Merkmalsextraktion
• Ausbildung und Bewertung von Modell des maschinellen Lernens

Lösung: KI-gestützte Software zur Stimmungsanalyse

Zum Aktivieren Stimmungseinordnunghaben wir ML-Modelle und tiefe neuronale Netze erstellt. Wir haben mit gearbeitet:

• Transformers-Modelle wie BERT.
• Logistische Regression, Support Vector machine (SVM) und Naïve Bayes - herkömmliche ML-Modelle für die Analyse von Dokumentenüberprüfungen und die Klassifizierung von Stimmungen.
• Tiefe neuronale Netze, die für die Stimmungsanalyse verwendet werden: Rekurrentes neuronales Netz, Langzeitgedächtnis (LSTM) und Gated Recurrent Unit (GRU).

Schauen Sie sich die erstellte Pipeline genauer an:

Für die Entwicklung der Lösung haben wir die folgenden Technologien eingesetzt:

Ergebnis: ein automatisiertes System zur Erkennung von Stimmungen in Kundenrezensionen

Durch die Automatisierung der Datenerfassung zur Kundenzufriedenheit konnten wir verwertbare Informationen über die Einstellung der Verbraucher zu den Produkten und Dienstleistungen des Kunden bei wesentlich höheren Rücklaufquoten gewinnen. Unser Sentiment-Analyse-Lösung hat dem Kunden dabei geholfen, festzustellen, ob ein bestimmtes Kundensegment stärker an das Geschäft gebunden ist oder nicht. Außerdem ist es für sie einfacher geworden, zu verfolgen, wie sich eine Produkt- oder Dienstleistungsänderung auf die Kunden auswirkt.

Die wichtigsten Vorteile der Analytik der Produktbewertung:

• Datenerhebung und Analyse der gesamten Kundenrezensionen
• Verfolgung der Markenstärke des Unternehmens
• Verfolgung der allgemeinen Kundenzufriedenheit
• Erkennung von Stimmungsänderungen beim Kunden
• Erkennung emotionaler Auslöser beim Kunden
• Vorhersage der Kundenabwanderung
• Live-Einblicke für zeitnahe Marketingtaktiken zur Unterstützung der Kundenzufriedenheitsstrategie