一家横跨多个市场的全球汽车制造商管理着数以百万计的非结构化客户互动--从调查和社交媒体到联络中心日志。为了转变客户体验战略，该公司与 Artefact 建立一个由生成式人工智能（Generative AI）和 "客户之声"（VoC）技术驱动的全方位客户之声（VoC）平台。 AWS, 该系统以可扩展的、以洞察力为导向的系统取代了缓慢的人工分析，直接提高了销售转化率和客户保持率。.

挑战：人工 VoC 分析阻碍了客户洞察力。.

该公司现有的客户反馈分析流程完全依赖于人工分析师，他们手动将逐字记录归入固定、静态的分类法。其结果是获得了通用的、低分辨率的见解，无法捕捉到在全球市场推动有意义的业务行动所需的细微差别。.

  • 人工分类瓶颈： 人工分析师对客户逐字记录进行分类，得出的主题定义模糊不清，如 ‘汽车的清洁度’，而不是 ‘车辆清洁问题 ’与 ‘代客服务问题 ’这样的细化区分，从而减缓了洞察力的生成，限制了分析的精确性。.
  • 新兴主题的盲点： 静态的人工分类法无法揭示以前未曾发现的主题，例如气候变化对品牌认知的影响，这就造成了情报缺口，使公司无法针对新出现的客户情绪采取行动。.
  • 无法跨市场扩展： 由于来自销售、售后、谷歌搜索和联络中心的大量非结构化反馈在多个地区流动，人工分析根本无法扩展，而且不同市场的分析结果也不一致。.

解决方案：采用 LLM 和 AWS DataZone 的整体 VoC 平台。.

Artefact 构建并交付了一个整体 VoC 平台，该平台结合了 AWS 上的无监督机器学习和大型语言模型 (LLM)，可在全球范围内从非结构化客户反馈中自动发现、分类和生成见解。该解决方案利用通过 AWS DataZone 管理的 Hub-and-Spoke 架构进行生产，以实现最高效率。.

  • 用于发现主题的无监督学习： 应用嵌入模型和聚类算法处理原始客户逐字记录，自动识别高密度主题群，而无需事先了解情况或人为偏见，从而发现人工分类法未曾预料到的主题。.
  • Few-Shot LLM 分类管道： 使用基础模型部署 "少量学习 "管道，将新的客户评论大规模分类到既定的分类法（主题、子主题、情感）中，在生产中提供近乎实时的洞察力。.
  • AWS DataZone for global governance： 利用 AWS DataZone 作为中央治理层，将人工智能模型从全球中心安全分发到本地市场环境，将模型视为受治理的 data 产品，并确保在每个区域部署前进行质量验证。.
  • 生产和成本优化： 领导专门的生产阶段，重构最初的 PoC 架构，实现预测时间减少 83%，每月执行成本减少 90%--实现了具有成本效益的企业级生产部署。.

结果：转化率、保留率和效率均有显著提高。.

Holistic VoC 平台在转化率、留存率和运营成本方面产生了量化的、经过统计验证的影响，展示了负责任地大规模部署生成式人工智能的直接商业价值。.

  • 与基准转换率相比，+5.9%： 通过严格的 A/B 测试验证了 98% 统计显著性，‘高级住宅和自有住宅 ’等高价值细分市场的转化率提升高达 +11.6% - 直接归功于人工智能驱动的下一个最佳行动建议。.
  • 90% 降低每月运营成本： 与最初的 MVP/PoC 阶段相比，生产型解决方案的月执行成本降低了 90%，为该平台扩展到更多市场建立了一个极具成本效益的生产基线。.
  • ~预测时间减少 83%： 处理时间缩短了六分之五，使公司团队能够以更快的速度获得客户洞察力，并在全球市场近乎实时地应对新出现的问题。.

Artefact 通过在 AWS 上使用人工智能驱动的 VoC 平台取代人工分析，帮助一家全球领先的汽车制造商将客户反馈转化为战略资产--提供可衡量的投资回报率、可扩展的全球智能和可复制的架构，以便随着公司客户体验雄心的不断增长而扩展到新的市场。.