تحلیل نظرات مشتری با هوش مصنوعی: از شکایت تا تصمیم
صدها نظر در دیجیکالا، دایرکت اینستاگرام و تیکت پشتیبانی پراکنده است. اینجا میبینیم چطور آنها را به چند موضوع مشخص و یک فهرست اقدام تبدیل کنیم.
یک فروشگاه لوازم خانگی سه هزار نظر روی دیجیکالا دارد، هفتهای صد دایرکت اینستاگرام، و صندوق تیکتی که هر روز پر میشود. مدیرش میداند مشتری ناراضی است، ولی نمیداند از چه. فاصلهی «دادهی زیاد» تا «تصمیم مشخص» همان جای گیر کار است.
خواندن دستی جواب نمیدهد؛ نه از تنبلی، از اینکه ذهن بعد از پنجاه نظر همان را میبیند که انتظار دارد و تندترین شکایت پررنگتر میماند. مدل این سوگیری را ندارد؛ سوگیریهای دیگری دارد که پایینتر میگویم.
اول داده را یکدست کنید
همهی نظرها باید در یک جدول بنشینند با چهار ستون: متن، منبع، تاریخ، و شناسهی سفارش. منبع مهم است: لحن آدمها در نظر عمومی دیجیکالا با تیکت پشتیبانی فرق دارد؛ آنجا محتاطترند و اینجا صریحتر.
از نظرسنجیها فقط سؤالهای باز را بیاورید. اگر داده در چند فایل اکسل پخش است، مسیر ادغامش در تحلیل داده و اکسل با هوش مصنوعی آمده است.
نظر مشتری اغلب شمارهی تماس و نشانی دارد. اینها را حذف یا با شناسهی بینام جایگزین کنید؛ متن نظر کافی است. مرزهایش در امنیت اطلاعات در هوش مصنوعی آمده است.
دستهبندی موضوعی، نه فقط مثبت و منفی
دستهها را خودتان از قبل تعریف کنید و نگذارید مدل هر بار برچسب تازه بسازد؛ وگرنه ماه بعد اسمها عوض شدهاند و مقایسه ممکن نیست. شش دسته کافی است و هر کدام باید مالک مشخصی در تیم داشته باشد.
| دسته | نمونهی نظر | اقدام |
|---|---|---|
| کیفیت کالا | «بعد از دو هفته لولایش لق شد» | بازبینی تأمینکننده، عکس واقعی محصول |
| ارسال و بستهبندی | «جعبه له شده رسید، کالا سالم بود» | تغییر بستهبندی، بازبینی قرارداد پیک |
| قیمت | «همین را جای دیگر ارزانتر دیدم» | مقایسهی قیمت رقبا، نه لزوماً کاهش |
| پشتیبانی | «سه بار پیام دادم، جواب ندادند» | سنجهی زمان اولین پاسخ، پیام خودکار |
| سایت و پرداخت | «موقع پرداخت پرید، پول کم شد» | بررسی لاگ درگاه، تماس پیگیری |
نظرها را سی تا پنجاهتایی بفرستید؛ بستهی بزرگتر باعث میشود مدل وسط کار سرسری شود. این پرامپت خروجی ساختاریافته میدهد:
نقش: تحلیلگر بازخورد مشتری فروشگاه اینترنتی.
برای هر نظر چهار چیز مشخص کن:
۱) دسته، فقط از این فهرست:
کیفیت / ارسال / قیمت / پشتیبانی / سایت و پرداخت / سایر
۲) لحن: مثبت، منفی یا خنثی
۳) شدت ۱ تا ۳ (۳ یعنی مشتری برنمیگردد)
۴) نقلقول کوتاه، عیناً از متن نظر
قاعدهها:
- نظر دوموضوعی، دو ردیف جدا بگیرد.
- اگر مطمئن نیستی «سایر» بگذار و از خودت چیزی نساز.
- جملهی طعنهآمیز را منفی بگذار و جلوش بنویس «طعنه».
خروجی: فقط جدول:
شناسه | دسته | لحن | شدت | نقلقول | توضیحخروجی را در اکسل بچسبانید و روی ستون دسته پیوت بگیرید. الگوی چنین پرامپتی در پرامپتنویسی فارسی آمده و همین کار را میشود در نارنگی با چسباندن فهرست نظرها انجام داد.
چرا تحلیل احساس بهتنهایی گمراه میکند
برچسب مثبت و منفی سه جور فریب میدهد. اول شدت را نشان نمیدهد: «بستهبندی میتوانست بهتر باشد» و «پول رفت و کسی جواب نداد» هر دو منفیاند و فقط دومی مشتری را میبرد. دوم موضوع را گم میکند؛ صد نظر منفی دربارهی پیک و صد تا دربارهی کیفیت، دو مسئلهاند که یک عدد قاطیشان میکند. سوم، «عالی بود ولی ده روز طول کشید» مثبت برچسب میخورد و تنها بخش قابل اقدامش دور ریخته میشود. مرزهای این روش در Sentiment analysis آمده است.
الگوی پرتکرار و شکایت کمتعداد ولی گران
دو چیز را جدا نگاه کنید. اولی الگوی پرتکرار است: دستهای که بخش بزرگی از نظرها را گرفته، مسئلهی ساختاری است نه اتفاق. دومی خطرناکتر است — شکایت کمتعداد ولی گران.
سه نفر نوشتهاند پول کم شد و سفارش ثبت نشد. سه از سه هزار در هیچ نموداری دیده نمیشود، ولی هرکدام یک شکایت رسمی است. پس از مدل بخواهید موضوعهای کمتکرار با شدت ۳ را جدا فهرست کند. منطق پشتش همان تحلیل مضمونی است که سالها دستی انجام میشد.
نقلقول مستقیم، قویترین برگ جلسه
گزارش عددی در جلسه بحث تولید میکند؛ نقلقول بحث را تمام میکند. «۱۴ درصد نظرهای ارسال منفی است» با «قرار بود سهروزه برسد، روز نهم خودم رفتم از پیک گرفتم» یک اثر ندارد. دومی صدای آدم واقعی است.
پس ستون نقلقول را نگه دارید و شرط کنید عیناً از متن باشد؛ مدل آزاد جمله را صیقل میدهد و تیزیاش میرود. چندتا را با متن اصلی مقابله کنید؛ ساختن نقلقولی که در داده نیست رفتار شناختهشدهای است و در توهم هوش مصنوعی توضیح داده شده.
جایی که مدل اشتباه میفهمد
صریح باشم: طعنهی فارسی را این مدلها اغلب نمیگیرند. «دمشان گرم، فقط یک ماه طول کشید» را مثبت برچسب میزنند. شوخی، اصطلاح محلی، فینگلیش و غلط تایپی هم دقت را پایین میآورند؛ ریشهاش در محدودیتهای فارسی در هوش مصنوعی است.
راه دور زدن کاملی ندارد. دو کار کمک میکند: طعنه را در پرامپت جدا علامت بزنید، و ده درصد ردیفها را دستی بازبینی کنید. اگر خطا زیاد بود، مشکل از دستههای مبهم است نه از مدل.
از یافته تا اقدام
یافتهای که مالک و تاریخ ندارد یادداشت است، نه تصمیم. هر دستهی بالای آستانه باید سه چیز بگیرد: یک اقدام مشخص، یک مسئول، و یک سنجه از جنس همان مسئله — زمان اولین پاسخ برای پشتیبانی، درصد تأخیر برای ارسال، نرخ مرجوعی برای کیفیت.
ماه بعد همان تحلیل را با همان دستهها تکرار کنید و سهم هرکدام را کنار ماه قبل بگذارید. اگر شکایتها تکراریاند، بخشیشان را میشود پیش از رسیدن به آدم حل کرد؛ هوش مصنوعی در پشتیبانی همین مسیر است.
جمعبندی
تحلیل نظرات مشتری وقتی ارزش دارد که به فهرست کوتاهی از اقدام برسد، نه به نموداری که در جلسه نشان داده و بعد بسته میشود. دستهبندی موضوعی را جدی بگیرید، برچسب احساس را تنها معیار نکنید، و نقلقول را دستنخورده بگذارید.
و یک توصیه: از یک منبع شروع کنید. سیصد نظر دیجیکالا با دستهبندی درست، بیشتر از سه هزار نظر پراکنده به کارتان میآید.
برای ادامه:
