- \n
- \nHerausforderung<\/div>\nGewinnung verwertbarer Erkenntnisse aus E-Mails und Audiodaten mithilfe von NLP<\/div>\n<\/li>\n
- \n
L\u00f6sung<\/div>\nLaufende Datenanalyse zur Gewinnung von Erkenntnissen<\/div>\n<\/li>\n- \n
Technologien und Werkzeuge<\/div>\nBI, NLP, Amazon Comprehend, S3, AWS Glue, Amazon Athena, AWS SageMaker, AWS Redshift, PowerBI<\/div>\n<\/li>\n<\/ul>\n<\/div>\nKunde<\/h2>\n
Der Kunde ist ein mittelgro\u00dfes US-amerikanisches FMCG-Unternehmen, dessen Ziel es ist, den Gewinn durch die Steigerung des Kundenwerts zu erh\u00f6hen. Das Unternehmen ben\u00f6tigte eine ma\u00dfgeschneiderte KI zur Analyse des Kundendienstes. Also suchte das Unternehmen nach einer L\u00f6sung f\u00fcr die Verarbeitung nat\u00fcrlicher Sprache (Text Mining)<\/a> verschiedene Datenquellen aus dem Kundenerfahrungsteam zu sammeln und zu analysieren und die Daten zu nutzen, um Erkenntnisse zu gewinnen, die den Service f\u00fcr die Kunden verbessern.<\/p>\n
Es galt, mehrere Quellen unstrukturierter Daten (Text- und Sprachaufzeichnungen) aus verschiedenen Kan\u00e4len zu nutzen und eine Pipeline f\u00fcr die Datenanalyse zu erstellen (mit NLP<\/a>), Textmining zur Gewinnung von Gesch\u00e4ftserkenntnissen.<\/p>\n
Herausforderung: Gewinnung verwertbarer Erkenntnisse aus E-Mails und Audiodaten mithilfe von NLP<\/h2>\n
Der Kunde ben\u00f6tigte unser Team f\u00fcr :<\/p>\n
- \n
- Optionen f\u00fcr die Datenanalyse verstehen und bewerten, das f\u00fcr das Unternehmen wertvolle Produkt erstellen, das das Unternehmen bei der Erreichung der gesetzten Gesch\u00e4ftsziele unterst\u00fctzen kann<\/li>\n
- Datenarchitektur entwickeln<\/li>\n
- Daten zusammenf\u00fchren, um einen einzigen Punkt f\u00fcr die NLP-Analyse zu schaffen<\/li>\n
- Daten f\u00fcr die Analyse bereinigen<\/li>\n
- W\u00e4hlen Sie NLP-Technik<\/a>Tools und Visualisierungen<\/li>\n
- Bauen Sie NLP-Modelle<\/a><\/li>\n
- Testen und Verfeinern von Modellen und Visualisierungen<\/li>\n
- \u00dcbergang zur Produktion<\/li>\n<\/ul>\n
L\u00f6sung: Laufende Datenanalyse-Pipeline zur Gewinnung von Erkenntnissen<\/h2>\n
AWS-ARCHITEKTUR<\/a> ENTWICKELT<\/strong><\/p>\n
![\"aws-architektur\"](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2022\/01\/aws-architecture.png\")
<\/p>\nStufe 1.<\/strong> 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.<\/p>\n
Dann richten wir die Datenqualit\u00e4tspr\u00fcfung f\u00fcr alle eingehenden Daten getrennt ein (je nach Datentyp).<\/p>\n
Die Hauptaufgabe f\u00fcr unser Team bestand darin, alle eingehenden Informationen an den zentralen Analysepunkt f\u00fcr die KI-Analyse des Kundendienstes zu leiten. Zu diesem Zweck haben wir die Pipeline entsprechend den Gesch\u00e4ftsanforderungen des Kunden entwickelt. Die komplette POC f\u00fcr 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.<\/p>\n
Stufe 2.<\/strong> 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 unterst\u00fctzt und aufgrund der Anforderungen des Kunden wurden spezifische Modelle verwendet. Dies war einer der Vorteile der L\u00f6sung f\u00fcr die Analyse des Kundendienstes.<\/p>\n
Unser Team implementierte Fehlererkennungs- und Wiederholungsmechanismen f\u00fcr jeden Schritt der Pipeline. Die Ausgabedaten wurden auf S3 gespeichert und f\u00fcr den Kunden freigegeben. Diese Aufgabe wurde von uns in 4 Wochen abgeschlossen.<\/p>\n
Stufe 3.<\/strong> 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 verf\u00fcgbar und konnten \u00fcber Amazon Athena abgefragt werden. Wir implementiertes maschinelles Lernen<\/a> Modelle durch den AWS SageMaker.<\/p>\n
Die verarbeiteten Daten und Analysen wurden f\u00fcr die zuk\u00fcnftige Visualisierung an AWS Redshift \u00fcbergeben. Den ETL-Teil des Prozesses haben wir implementiert durch AWS<\/a> 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.<\/p>\n
Ergebnis: analytische NLP-L\u00f6sung f\u00fcr die Analyse von E-Mail- und Audiodaten<\/h2>\n
Als Ergebnis hat unser Team von Ingenieuren den Kunden mit einer robusten Kundenservice-Textanalyse f\u00fcr schnelles Textmining und Datenanalyse und -auswertung versorgt. Jetzt wertet die L\u00f6sung die E-Mail und Audiodaten<\/a> und gewinnt wertvolle Gesch\u00e4ftserkenntnisse.<\/p>\n
Die Analytik des Kundendienstes KI-L\u00f6sung<\/a> hilft dem Kunden nun, die Stimmung der Kunden kontinuierlich zu verfolgen, die Dienstleistungen entsprechend anzupassen und auf Herausforderungen sofort zu reagieren, was die Kundenzufriedenheit erh\u00f6ht.<\/p>","protected":false},"excerpt":{"rendered":"
- Bauen Sie NLP-Modelle<\/a><\/li>\n
- \n