Analitik Ulasan Pelanggan untuk Toko Online

Masalah

Produk mengumpulkan ribuan ulasan berbahasa Korea (produk dengan ulasan terbanyak melewati 4.300), terlalu banyak untuk dibaca. Tim perlu melihat dengan cepat apa yang disukai dan tidak disukai pelanggan untuk setiap produk.

Pendekatan

Saya memakai model Pororo dari Kakao Brain untuk bahasa Korea. Klasifier sentimen BERT memberi label setiap ulasan, dan hanya ulasan dengan probabilitas minimal 0,9 yang disimpan. Peringkas BART mengubah ulasan positif dan negatif setiap produk menjadi ringkasan singkat, dan frekuensi kata benda menjadi dasar word cloud positif dan negatif. Hasilnya dimuat ke SQLite, disajikan oleh API Flask, dan divisualisasikan oleh front end React dengan ApexCharts.

Cara Kerja

1. 1
   KumpulkanUlasan pelanggan berbahasa Korea dari enam toko online (Auction, G-Market, Coupang, 11st, Naver, dan toko resmi), Desember 2019 hingga Januari 2022.
2. 2
   KlasifikasiModel sentimen BERT pralatih memberi label positif atau negatif pada setiap ulasan.
3. 3
   SaringHanya ulasan dengan probabilitas sentimen minimal 0,9 yang disimpan.
4. 4
   RangkumModel BART menulis ringkasan positif dan negatif untuk setiap produk.
5. 5
   VisualisasikanWord cloud kata benda dan grafik sentimen tampil di dashboard Flask + React.

Yang Saya Bangun

• Pipeline sentimen bahasa Korea dengan klasifier BERT Pororo dan filter keyakinan 0,9.
• Ringkasan positif dan negatif per produk dengan peringkas BART Pororo.
• Word cloud positif dan negatif dari frekuensi kata benda.
• Dashboard: database SQLite, API Flask, front end React dengan ApexCharts, di-hosting di Heroku.

Dampak

Untuk setiap produk, dashboard menampilkan perbandingan ulasan positif dan negatif, ringkasan setiap sisi, dan kata yang paling sering dipakai pelanggan, alih-alih ribuan ulasan yang harus dibaca.