Für ein großes e-Commerce Unternehmen entwickelt Explora aus tausenden von Nutzer-Kommentaren einen Algorithmus, um Zufriendenheit, Beschwerdegründe und Verbesserungsvorschläge zu extrahieren. Das Projekt besteht aus zwei wesentlichen Elementen:
1. Dem Crawling von Inhalten und Sicherstellung der täglichen Verfügbarkeit und Speicherung
2. Der Entwicklung des NLP (Neural Language Processing) Modells
Für den ersten Teil nutzen wir Postgres Datenbanken, Python Selenium und diverse andere Python Packages. Der zweite Teil ist durchaus komplexer. Es ist zwar gut möglich, auf Basis der vorhandenen Trainingsdaten eine generelle Zufriedenheit der Nutzer zu ermitteln (zufrieden, unzufrieden, weder noch), präzise Beschwerdegründe bei unzufriedenen Nutzern stellt jedoch ein größere Herausforderung dar. Dennoch haben wir es geschafft, durch die Zusammenfassung der Detail-Kategorien (N > 100) in größere Klassen die Komplexität zu reduzieren (auf N=11) und unser LSTM Modell (Long Short Term Memory) soweit zu verbessern, dass sich der manuelle Aufwand bei der Bearbeitung der Nutzerkommentare um 2/3 des ursprünglichen Aufwands reduziert.
Ergebnisse zusammengefasst :
Precision für Zufriedenheit = Nein > 97%
Precision für Beschwerdegründe (11 Klassen) durchschnittlich > 86%
Unser Kunde ist mit den Ergebnissen sehr zufrieden. Wenn Sie an detaillierteren Informationen rund um das Thema NLP oder Customer Analytics interessiert sind, kontaktieren Sie uns unverbindlich. Wir beraten Sie gerne.
Ihr Andreas Baudisch