Контекст: компания имеет мобильное приложение в App Store. В отзывы данного приложения пользователи пишут свой feedback, который категоризуется вручную. Аналитики на основе этого создают задачи для отдела разработки.
Решение: создана модель по кластеризации и поиску новых тем в потоке отзывов для автоматизации работы аналитиков.
Итоги:
Интеграция в BI отдела по работе с клиентами Автоматизация категоризации отзыва:
- Повышение точности на 15% (снижения человеческой ошибки);
- Снижение времени анализа на 85%.
Гармонизация таксономии:
- Снижение времени выявления новой категории на 60%;
- Добавление и слияние 15% категорий.
Оценка сентимента и анализ трендов:
- Выявление точек роста при анализе отзывов на 40% больше;
- Снижение времени выявления критичных и влияющих на репутацию отзывов на 70%.
Для построения модели были использованы:
- Отзывы о мобильном приложении из AppStore, Google Play, из других источников;
- Оценки отзывов, проставленные пользователем;
- Исходная таксономия категорий отзывов.
Результаты моделирования:
- Модель категоризации отзывов по таксономии и предсказания сентимента;
- Рекомендации по гармонизации таксономии;
- Веб-приложение с агрегацией аналитики по отзывам.
Заказчик: Ресторан, Розничная Торговля
Технологический стек: BigARTM, Python, Flask, PyTorch, nltk, gensim.