Información general
La solución Descubrir temas polémicos con machine learning identifica los temas más dominantes asociados a sus productos, políticas, eventos y marcas. Esto le ayuda a reaccionar rápidamente a las nuevas oportunidades de crecimiento, a hacer frente a las asociaciones negativas de la marca y a ofrecer un mayor nivel de satisfacción a los clientes de su empresa. Además de ayudarle a entender lo que sus clientes dicen de su marca, esta solución le ofrece información sobre temas relevantes para su negocio.
Esta solución implementa una plantilla de AWS CloudFormation para automatizar la ingesta de datos desde estas fuentes:
- Fuentes de noticias RSS
- Comentarios de YouTube vinculados a los videos
- Reddit (comentarios de subreddits de interés)
- Datos personalizados en formato JSON o XLSX
Beneficios
Brinde una implementación segura con un solo clic gracias a la plantilla de AWS CloudFormation, desarrollada con las metodologías del AWS Well-Architected Framework.
Incorpore datos de streaming que contengan texto e imágenes, y analícelos prácticamente en tiempo real. Ejecute el modelado de temas para detectar los que son relevantes e identifique los términos que, juntos, conforman un tema dentro de los comentarios de los clientes.
Utilice Amazon Translate para incorporar datos en múltiples idiomas. Identifique las opiniones de lo que los clientes están diciendo y use búsquedas semánticas contextuales para comprender la naturaleza de los debates en línea.
Lance el panel de Amazon QuickSight preintegrado para visualizar los análisis de cliente a gran escala. Identifique información casi en tiempo real para comprender mejor contextos, amenazas y oportunidades casi instantáneamente.
Detalles técnicos
La plantilla de AWS CloudFormation implementa de forma automática funciones de AWS Lambda, buckets de Amazon Simple Storage Service (Amazon S3), Amazon Kinesis Data Streams, colas de mensajes fallidos (DLQ) de Amazon Simple Queue Service (Amazon SQS), Amazon Kinesis Data Firehose, flujos de trabajo de AWS Step Functions, tablas de AWS Glue y recursos de Amazon QuickSight en su cuenta.
Estos componentes se crean mediante el Marco de AWS Well-Architected y los pilares de AWS Well-Architected de excelencia operativa, seguridad, fiabilidad, eficiencia de rendimiento y optimización de costos, que garantizan una infraestructura segura, de alto rendimiento, resistente y eficiente.
Estos componentes se crean mediante el Marco de AWS Well-Architected y los pilares de AWS Well-Architected de excelencia operativa, seguridad, fiabilidad, eficiencia de rendimiento y optimización de costos, que garantizan una infraestructura segura, de alto rendimiento, resistente y eficiente.
Paso 1: Incorporación
Las funciones de Lambda, Amazon DynamoDB y Amazon EventBridge proporcionan incorporación, gestión de redes sociales y fuente RSS. Para obtener diagramas de arquitectura de referencia detallados para Twitter, los comentarios de YouTube, las fuentes de noticias RSS y la ingestión personalizada mediante un bucket de Amazon S3, consulte la guía de implementación.
Paso 2: Flujo de datos
Los datos se almacenan a través de Amazon Kinesis Data Streams para proporcionar resiliencia y acelerar las solicitudes entrantes. Las secuencias de datos tienen una DLQ configurada para detectar cualquier error en el procesamiento de las alimentaciones.
Paso 3: Flujo de trabajo
El consumidor (función de Lambda) de Kinesis Data Streams inicia un flujo de trabajo de Step Functions que orquesta las capacidades de Amazon Machine Learning, que incluye Amazon Translate, Amazon Comprehend y Amazon Rekognition.
Paso 4: Integración
Los datos de inferencia se integran con los componentes de almacenamiento a través de una arquitectura basada en eventos mediante Amazon EventBridge. EventBridge permite una mayor personalización para agregar objetivos adicionales mediante la configuración de reglas.
Paso 5: Almacenamiento y visualización
Una combinación de Kinesis Data Firehose, buckets de Simple Storage Service (Amazon S3), tablas de AWS Glue, Amazon Athena y Amazon QuickSight.
Paso 1: Incorporación
Las funciones de Lambda, Amazon DynamoDB y Amazon EventBridge proporcionan incorporación, gestión de redes sociales y fuente RSS. Para obtener diagramas de arquitectura de referencia detallados para Twitter, los comentarios de YouTube, las fuentes de noticias RSS y la ingestión personalizada mediante un bucket de Amazon S3, consulte la guía de implementación.
Paso 2: Flujo de datos
Los datos se almacenan a través de Amazon Kinesis Data Streams para proporcionar resiliencia y acelerar las solicitudes entrantes. Las secuencias de datos tienen una DLQ configurada para detectar cualquier error en el procesamiento de las alimentaciones.
Paso 3: Flujo de trabajo
El consumidor (función de Lambda) de Kinesis Data Streams inicia un flujo de trabajo de Step Functions que orquesta las capacidades de Amazon Machine Learning, que incluye Amazon Translate, Amazon Comprehend y Amazon Rekognition.
Paso 4: Integración
Los datos de inferencia se integran con los componentes de almacenamiento a través de una arquitectura basada en eventos mediante Amazon EventBridge. EventBridge permite una mayor personalización para agregar objetivos adicionales mediante la configuración de reglas.
Paso 5: Almacenamiento y visualización
Una combinación de Kinesis Data Firehose, buckets de Simple Storage Service (Amazon S3), tablas de AWS Glue, Amazon Athena y Amazon QuickSight.
Contenido relacionado
En esta entrada del blog se enseña a los lectores a utilizar la solución Descubrir temas polémicos con machine learning para obtener información de las redes sociales para aprovechar las oportunidades de crecimiento que surgen rápidamente, hacer frente a un sentimiento negativo y mejorar la satisfacción de los clientes. Como ejemplo, repasamos un caso de uso empresarial en el sector de los medios de comunicación y el entretenimiento.