Solution d'analytique client IA

Client

Le client est une entreprise FMCG de taille moyenne aux États-Unis visant à augmenter son résultat net en améliorant la valeur à vie de ses clients. Ils avaient besoin d'une IA d'analyse du service client sur mesure. Ainsi, l'entreprise cherchait à mettre en place une solution de traitement du langage naturel (fouille de texte) pour compiler et analyser diverses sources de données provenant de leur équipe Expérience client et utiliser ces données pour générer des enseignements afin d'améliorer le service aux clients.

Ils devaient rassembler plusieurs sources de données non structurées (textes et enregistrements vocaux) reçues de différents canaux et établir un pipeline d'analyse des donnéesen utilisant le NLPpour la fouille de texte et l'obtention d'enseignements métier.

Défi : extraction d'enseignements exploitables à partir des e-mails et de l'audio grâce au NLP

Le client avait besoin que notre équipe :

• Comprendre et évaluer les options d'analyse de données, créer le produit à forte valeur métier capable de soutenir l'entreprise dans l'atteinte des objectifs fixés
• Développer l'architecture de données
• Fusionner les données pour créer un point unique d'analyse NLP
• Nettoyer les données pour l'analyse
• Sélectionner une technologie NLP, des outils et des visualisations
• Construire des Modèles NLP
• Tester et affiner les modèles et visuels
• Passer en production

Solution : Pipeline d'analyse de données en cours pour l'extraction d'insights

Architecture AWS DÉVELOPPÉE

Étape 1. Nous nous sommes concentrés sur la construction du pipeline audio vers texte et d'autres mécanismes de dépôt de données. Plusieurs sources de données diverses étant attendues, l'infrastructure devait être prête à toutes les recevoir.

Ensuite, nous avons mis en place un contrôle de la qualité des données pour chaque type de données entrantes.

La mission principale de notre équipe était de centraliser toutes les informations entrantes dans un point unique d'analyse pour l'analytique du service client. Pour y parvenir, nous avons conçu le pipeline selon les exigences métier du client. La preuve de concept (POC) du dépôt de données et du pipeline audio vers texte était prête en deux semaines, l'infrastructure étant déployée sur le compte AWS du client.

Étape 2. Nous sommes passés à l'ingestion et au traitement. Après avoir centralisé toutes les sources en un point d'analyse, elles ont été poussées dans le pipeline pour être analysées avec Amazon Comprehend. Plusieurs langues étaient prises en charge et des modèles spécifiques étaient utilisés en fonction des exigences du client. Cela constituait l'un des avantages analytiques de la solution pour le service client.

Notre équipe a mis en œuvre des mécanismes de détection des pannes et de réessai à chaque étape du pipeline. Les données de sortie ont été stockées sur S3 et partagées avec le client. Cette tâche a été complétée en 4 semaines.

Étape 3. Pendant la phase d'Analyse et de Visualisation des données, nous avons stocké les données sur S3 sous forme de Catalogue de données AWS Glue. Toutes les informations stockées sur S3 étaient immédiatement disponibles pour être interrogées via Amazon Athena. Nous avons implémenté des modèles d'apprentissage automatique via AWS SageMaker.

Les données traitées et l'analyse ont été livrées à AWS Redshift pour la visualisation. La partie ETL du processus, nous l'avons implémentée via AWS Glue. Les données dans Redshift ont été partagées avec le client, ainsi que des tableaux de bord PowerBI construits sur ces données. Notre équipe a réalisé ce périmètre de travail en 3 semaines.

Résultat : solution NLP pour l'analyse des données e-mails et audio

En conséquence, notre équipe d'ingénieurs a fourni au client une solution robuste d'analytique textuelle pour une fouille de texte rapide et l'analyse des données. Désormais, la solution exploite les données e-mails et audio et extrait des enseignements métier précieux.

L'analytique du service client basée sur l'IA permet désormais au client de suivre en continu le sentiment des clients, d'ajuster les services en conséquence et de répondre rapidement aux défis, augmentant ainsi la satisfaction client.