赫伯羅特如何利用Amazon Bedrock將客户反饋轉化為可操作的洞察

赫伯羅特（Hapag-Lloyd）是全球領先的班輪運輸公司，運營着313艘集裝箱船，總運力達250萬TEU，並擁有370萬TEU的集裝箱容量（包括業界最大、最現代化的冷藏箱隊）。公司在140個國家設有400多個辦事處，員工約14,000人，通過133條班輪服務連接全球600多個港口。

公司的數字客户體驗與工程團隊分佈在漢堡和格但斯克，負責開發和維護面向客户的網頁和移動產品。近年來，該團隊已從以交付為導向轉變為真正的數字產品驅動者，強調客户導向、工程卓越和可衡量的業務影響。團隊採用端到端的產品所有權，結合以客户為中心的創新與工程工藝，直接支持增長和業務成果。基於現代獨立技術棧和高水平工程成熟度，團隊致力於保持技術前沿，並通過投資人工智能邁向AI原生。

此前，客户反饋分析過程 largely 依賴手動和被動方式。在產品評審會議前，手動分析數百條評分和評論可能需要數小時甚至數天。產品經理每兩週導出CSV文件，閲讀大量評論並手動分類情感和主題。儘管這項工作有價值且與產品決策緊密相關，但重複、耗時且難以擴展。

現在，團隊通過生成式AI解決方案徹底改變了這一流程。他們自動化了整個工作流：收集客户評論、提取情感、識別主題並呈現可操作洞察。產品經理和團隊可以更專注於戰略和創新，而非運營分析。

該解決方案基於AWS架構構建，使用AWS CloudFormation部署。每日，AWS Lambda函數從反饋倉庫獲取新條目並存儲在Amazon S3中，然後通過Amazon Bedrock進行語義檢測和情感分類（正面、負面、混合或中性）。處理後的記錄索引到Amazon OpenSearch Service中，作為全文搜索引擎和向量數據庫。利益相關者可以通過OpenSearch Dashboards訪問實時反饋洞察，查看情感分佈、評分和趨勢，並 drill down 到特定應用、功能或單個評論。儀表盤支持按時間段、評論情感、產品版本等篩選，便於針對性根因分析。

團隊還構建了面向利益相關者的內部聊天機器人，查詢OpenSearch索引作為知識庫。使用Amazon Bedrock Guardrails確保安全性和可靠性，使產品經理和支持團隊能夠用自然語言提問，如“客户最常提到的痛點是什麼？”並立即獲得內容豐富且包含上下文的答案。

每兩週，另一個Lambda函數聚合並分析最新反饋趨勢，生成包含關鍵指標、重點和情感分解的簡潔報告，自動發送給產品經理和產品負責人，直接輸入到衝刺規劃和路線圖討論中。

編排是解決方案的核心。數據攝取和處理步驟（情感分析、嵌入生成、索引）使用LangChain協調。內部聊天機器人則依賴LangGraph實現多智能體架構，每個助手以聲明方式定義，封裝自有邏輯和工具，實現靈活組合。使用Amazon Bedrock上的Claude Sonnet 4.6模型，該模型在多輪對話和智能體工作流中表現出色，並通過跨區域推理服務端點管理突發流量。

數據管理方面，每日Lambda函數將新反饋數據提取到S3，通過Bedrock分類後索引到OpenSearch。負責任的AI通過Bedrock Guardrails實現，定義內容過濾策略，阻止有害內容。還通過編程方式在將用户輸入傳遞給LLM前進行驗證，防止提示注入。

監控使用Amazon CloudWatch和AWS CloudTrail，收集模型調用日誌和指標。

該解決方案每月處理超過15,000條反饋，情感分類準確率達95%（基於標註測試數據集）。團隊不再花費數小時審查原始反饋，而是幾秒內即可獲得清晰的結構化摘要。這使決策從數週縮短到數天。例如，“Shipping Instructions”中的“預覽”功能正是根據大量負面反饋優先開發的。發佈後，AI驅動的報告追蹤了用户反應，相關反饋得到解決。另一例是Excel上傳貨物數據功能，基於AI推薦實現，顯著減少了手動工作量。

該反饋分析解決方案是團隊在流程中應用生成式AI的一個例子，也是AI原生旅程的開始。在“AI原生傘式計劃”下，下一步是建立與Amazon Bedrock共享的穩健AI基礎，提供標準化基礎設施、安全和防護，使部門內所有角色（工程、產品、設計、運營等）都能安全獨立地創建自己的AI“空間”，降低實驗門檻，鼓勵在日常工作中探索生成式AI用例。