亚马逊AWS官方博客

基于 Bedrock Claude2 构建电商 VOC 场景中的标签分类方案

在互联网高度发达的今天,社交媒体或电商平台上的一则负面评论可能会阻止潜在的新客户进行购买,对品牌声誉产生巨大的负面影响。因此,我们必须坚持客户为中心的原则,为客户提供优质的体验。为了能够及时收集反馈并做出响应,客户之声(VoC)的概念应运而生。

VoC 是电商领域的一种研究方法,主要对品牌产品和服务的反馈进行分析,包括评论、期望、偏好等各方面。通过收集和分析客户反馈数据,品牌可以在各个接触点和整个客户旅程中了解客户对品牌、产品和服务的感知和交互情况,从而发现并解决问题,为客户提供更好的体验。VoC 的真正价值在于,它能使整个品牌组织架构以客户为中心,帮助品牌获取数据以驱动内部行动,并根据客户表达的意图和需求采取行动,以在各个环节为客户提供最佳体验。因此,一个良好的 VoC 分析系统可以快速地帮助企业收集、分析、解读和理解用户的表达和未表达的需求,从而帮助品牌快速调整产品形态,服务和触达方式,提升客户对品牌的满意度和忠诚度。

然而,真实的 VoC 方案通常复杂且庞大,本文将重点讲解如何在 VoC 售后的一类细分场景中:消费者流失原因分析,使用亚马逊云科技的 Amazon Bedrock 服务来实现的标签分类模型,帮助快速分类流失原因,从而提升客服的服务质量。

VoC 中的标签分类

图:经典的 VOC 系统功能框架图:标签分类是 VoC 中的核心功能

在 VoC 中,标签分类是指导模型进行细粒度情感分析的数据集合。在大语言模型出现之前,通常业界会采用 NLP 模型和标签来对输入的字符串进行 ABSA(Aspect-Based Sentiment Analysis)分析,以生成符合业务需求的四维数据集合。因此,需要对来自大量不同渠道的沟通数据进行标签分类,形成标签化的数据是后续进一步处理的基础。在形成标签分类后,标签化的数据可以通过 BI 分析工具形成各种图表,供管理者和决策者使用。

传统的 VOC 标签分类系统是如何设计的,下图展示了一个标准的标签分类框架:

图:来自合作伙伴语亿科技

然而,传统的 VOC 标签分类系统存在一些问题。首先,由于行业和场景的差异较大,导致标签体系复杂,且标签体系并不是一成不变的,会根据实际需求进行调整。一旦发生变动,可能需要重新训练 NLP 模型。客户的差异和产品的差异都需要维护各自的 NLP 模型,这不仅增加了维护成本,还延长了产品交付周期。其次,传统的 NLP 模型很难进行深度语义分析,因此在深度挖掘客户在各个平台上留下的声音数据时会面临困难。

因此,在传统模型的时代,VoC 标签分类需要大量的训练样本和手工步骤来完成领域小模型的定制。而现在,我们可以利用大语言模型(LLM),快速构建符合客户不同需求的 VoC。并且,利用亚马逊云科技新推出的 Amazon Bedrock 这项完全托管服务,我们可以方便、高效地使用来自 AI21 Labs、Anthropic、Cohere、Meta 和 Amazon 等领先人工智能公司的高性能基础模型(FM)和其他应用构建功能,在保护隐私和安全的同时完成 VoC 模型的开发。

解决方案

随着大模型的逐步成熟,其语义分析和分类能力已经能满足很多场景的需求。其中,Amazon Bedrock 集成的 Anthropic Claude2 是其中的佼佼者。本方案就是利用 Claude 来替代传统 NLP 小模型的方式来满足 VoC 场景的标签分类需求。

本方案使用的样例数据包含包含一系列渠道沟通数据,例如:

(客户):洗地机拖完地,还是有毛毛

(客服):麻烦拍一下使用的视频呢

(客户):滤芯多久换一下?

设计的标签分类系统需根据以上对话,进行多层分类,例如:

“流失原因”:”商品相关”,

“流失原因 1″:”商品性能”,

“流失原因 2″:”咨询清洁效果”,

“流失原因 3″:”客户咨询毛发清洁效果”,

本方案分为两部分:构建知识库和标签分类。

1、构建知识库

1 )标签作为上下文和知识体系的一部分需要通过一定的手段向量化后入库。后期调整过程中也需要更新知识库。

2) 前期在数据积累过程中,需要人工参与审核,形成一定的人工标记数据,进行人工增强,一但构建了稳定的知识库体系后,就可以减少人工参与。

2、标签分类

1) 通过向量相似度匹配,确定对话或评论的标签范围。

2 )基于标签和对话内容,构建提示词 Prompt。

3 )利用大模型进行标签分类输出。

该方案的优点如下:

1 )除了前期需要人工审核外,整个流程完全自动化。

2 )能够适应整个标签体系的变化,而不影响整个系统。

3 )无需构建和维护成百上千的 NLP 小模型,极大的降低人力和开发成本。

4 )无需不断的根据变化重新训练小模型,运营效率极大的得到提升。

5 )系统实施和交付的效率得到极大的提升,并且后期运维成本降低不少。

基于 AWS 的解决方案架构

基于 AWS 的解决方案架构充分利用了云原生服务,提供了高可用的架构,节省了构建成本和后期运营成本,极大的提高了系统的可靠性和安全性。

合作伙伴介绍

合作伙伴语忆科技成立于 2016 年 10 月,专注于用人工智能技术为商业赋能,致力于将高度工程化的自然语言处理技术应用于企业销售效率的快速提升与客户服务全流程管理体系的完善,整合全场景沟通数据,通过 AI 和产品沉淀,赋能销售、服务、运营全流程,是国内领先的 VOC 系统提供者。

该方案经过 Partner 语忆科技在某智能家电客户流失分析场景下进行了 POC 验证,最终的效果明显,标签识别的准确率上升了 30%,估算可有效节省上线时间 50%。标签变动后可自动更新知识库,并适应新的场景,有效的节省了重新训练模型的时间,其运维效率上升 60%。

附录:

  • 消费者对话样例:
  • 可能的流失原因示例:

3、归因结果

归因扇形图


*前述特定亚马逊云科技生成式人工智能相关的服务仅在亚马逊云科技海外区域可用,亚马逊云科技中国仅为帮助您了解行业前沿技术和发展海外业务选择推介该服务。

本篇作者

黄海波

亚马逊云科技高级架构师。负责亚马逊云科技合作伙伴相关解决方案的建设以及合作伙伴生态合作。与合作伙伴一起,根据客户需求,分析其在技术架构层面所遇到的挑战和未来的方向,设计和落地基于亚马逊云科技平台和合作伙伴产品的架构方案。曾在知名外企任职高级系统架构师,高级研发工程师,有丰富的系统设计和研发经验。

王舟童

亚马逊云科技资深行业解决方案架构师,负责 AI 在行业侧的解决方案设计和构建,拥有多年计算机视觉在零售行业的方案设计及落地经验。

迟丰

语忆科技 AI 负责人,多伦多大学学士、硕士,美国南加州大学硕士,AcuityAds Inc 数据科学家及算法工程师,所研发算法成功帮助超过 1000 家企业获得 top 5% ROI。

石阳

AWS 零售行业解决方案架构师,负责面向国内零售行业以及国内企业出海的行业解决方案设计,以及基于行业解决方案的行业生态赋能及客户项目支持。