赫伯罗特如何利用Amazon Bedrock将客户反馈转化为可操作的洞察

赫伯罗特（Hapag-Lloyd）是全球领先的班轮运输公司，运营着313艘集装箱船，总运力达250万TEU，并拥有370万TEU的集装箱容量（包括业界最大、最现代化的冷藏箱队）。公司在140个国家设有400多个办事处，员工约14,000人，通过133条班轮服务连接全球600多个港口。

公司的数字客户体验与工程团队分布在汉堡和格但斯克，负责开发和维护面向客户的网页和移动产品。近年来，该团队已从以交付为导向转变为真正的数字产品驱动者，强调客户导向、工程卓越和可衡量的业务影响。团队采用端到端的产品所有权，结合以客户为中心的创新与工程工艺，直接支持增长和业务成果。基于现代独立技术栈和高水平工程成熟度，团队致力于保持技术前沿，并通过投资人工智能迈向AI原生。

此前，客户反馈分析过程 largely 依赖手动和被动方式。在产品评审会议前，手动分析数百条评分和评论可能需要数小时甚至数天。产品经理每两周导出CSV文件，阅读大量评论并手动分类情感和主题。尽管这项工作有价值且与产品决策紧密相关，但重复、耗时且难以扩展。

现在，团队通过生成式AI解决方案彻底改变了这一流程。他们自动化了整个工作流：收集客户评论、提取情感、识别主题并呈现可操作洞察。产品经理和团队可以更专注于战略和创新，而非运营分析。

该解决方案基于AWS架构构建，使用AWS CloudFormation部署。每日，AWS Lambda函数从反馈仓库获取新条目并存储在Amazon S3中，然后通过Amazon Bedrock进行语义检测和情感分类（正面、负面、混合或中性）。处理后的记录索引到Amazon OpenSearch Service中，作为全文搜索引擎和向量数据库。利益相关者可以通过OpenSearch Dashboards访问实时反馈洞察，查看情感分布、评分和趋势，并 drill down 到特定应用、功能或单个评论。仪表盘支持按时间段、评论情感、产品版本等筛选，便于针对性根因分析。

团队还构建了面向利益相关者的内部聊天机器人，查询OpenSearch索引作为知识库。使用Amazon Bedrock Guardrails确保安全性和可靠性，使产品经理和支持团队能够用自然语言提问，如“客户最常提到的痛点是什么？”并立即获得内容丰富且包含上下文的答案。

每两周，另一个Lambda函数聚合并分析最新反馈趋势，生成包含关键指标、重点和情感分解的简洁报告，自动发送给产品经理和产品负责人，直接输入到冲刺规划和路线图讨论中。

编排是解决方案的核心。数据摄取和处理步骤（情感分析、嵌入生成、索引）使用LangChain协调。内部聊天机器人则依赖LangGraph实现多智能体架构，每个助手以声明方式定义，封装自有逻辑和工具，实现灵活组合。使用Amazon Bedrock上的Claude Sonnet 4.6模型，该模型在多轮对话和智能体工作流中表现出色，并通过跨区域推理服务端点管理突发流量。

数据管理方面，每日Lambda函数将新反馈数据提取到S3，通过Bedrock分类后索引到OpenSearch。负责任的AI通过Bedrock Guardrails实现，定义内容过滤策略，阻止有害内容。还通过编程方式在将用户输入传递给LLM前进行验证，防止提示注入。

监控使用Amazon CloudWatch和AWS CloudTrail，收集模型调用日志和指标。

该解决方案每月处理超过15,000条反馈，情感分类准确率达95%（基于标注测试数据集）。团队不再花费数小时审查原始反馈，而是几秒内即可获得清晰的结构化摘要。这使决策从数周缩短到数天。例如，“Shipping Instructions”中的“预览”功能正是根据大量负面反馈优先开发的。发布后，AI驱动的报告追踪了用户反应，相关反馈得到解决。另一例是Excel上传货物数据功能，基于AI推荐实现，显著减少了手动工作量。

该反馈分析解决方案是团队在流程中应用生成式AI的一个例子，也是AI原生旅程的开始。在“AI原生伞式计划”下，下一步是建立与Amazon Bedrock共享的稳健AI基础，提供标准化基础设施、安全和防护，使部门内所有角色（工程、产品、设计、运营等）都能安全独立地创建自己的AI“空间”，降低实验门槛，鼓励在日常工作中探索生成式AI用例。