Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Tutorial: Visualisieren von Kundendienstanrufen mit OpenSearch Service und Dashboards OpenSearch Dieses Kapitel enthält eine vollständige Schritt-für-Schritt-Anleitung für folgendes Szenario: In einem Unternehmen geht eine bestimmte Anzahl an Anrufen beim Kundensupport ein. Diese sollen analysiert werden. Wie lauteten die Themen der einzelnen Anrufe? Wie viele Gespräche waren positiv? Wie viele Gespräche waren negativ? Wie können Vorgesetzte nach den Transkripten der Anrufe suchen oder diese überprüfen? Zu einem manuellen Workflow könnte das Anhören von Aufzeichnungen, das Notieren des Themas des Anrufs und die Feststellung, ob die Interaktion mit dem Kunden positiv war, gehören. Dieser Prozess wäre aber sehr arbeitsaufwendig. Wenn man von einer durchschnittlichen Anrufdauer von 10 Minuten ausgeht, können Mitarbeiter 48 Anrufe pro Tag entgegennehmen. Ohne menschliche Voreingenommenheit wären die Daten, die generiert werden würden, sehr zuverlässig, die *Menge* der Daten aber minimal: Sie würden nur Aufschluss über das Thema des Anrufs und darüber geben, ob ein Kunde zufrieden war oder nicht. Weitere Daten, beispielsweise ein vollständiges Transkript, würde enorm viel Zeit in Anspruch nehmen. Mit [Amazon S3](https://aws.amazon.com/s3/), [Amazon Transcribe](https://aws.amazon.com/transcribe/), [Amazon Comprehend](https://aws.amazon.com/comprehend/) und Amazon OpenSearch Service können Sie einen ähnlichen Prozess mit sehr wenig Code automatisieren und am Ende viel mehr Daten erhalten. Sie könnten beispielsweise ein vollständiges Transkript des Anrufs bekommen sowie Schlüsselwörter und eine Angabe zur allgemeinen "Stimmung" des Anrufs (positiv, negativ, neutral oder gemischt). Anschließend können Sie OpenSearch Dashboards verwenden, um die Daten zu suchen OpenSearch und zu visualisieren. Sie können diese exemplarische Vorgehensweise zwar unverändert verwenden, sie soll jedoch Ideen zur Anreicherung Ihrer JSON-Dokumente anregen, bevor Sie sie in Service indizieren. OpenSearch **Geschätzte Kosten** Im Allgemeinen sollte die Durchführung der Schritte in dieser Anleitung weniger als 2 USD kosten. Es werden folgende Ressourcen verwendet: + S3-Bucket mit weniger als 100 MB übertragenen und gespeicherten Daten Weitere Informationen finden Sie unter [Amazon S3 – Preise](https://aws.amazon.com/s3/pricing/). + OpenSearch Service-Domain mit einer `t2.medium` Instanz und 10 GiB EBS-Speicher für mehrere Stunden Weitere Informationen finden Sie unter [Amazon OpenSearch Service Pricing](https://aws.amazon.com/elasticsearch-service/pricing/). + Mehrere Aufrufe von Amazon Transcribe Weitere Informationen finden Sie unter [Amazon Transcribe – Preise](https://aws.amazon.com/transcribe/pricing/). + Mehrere natürliche Sprachverarbeitungsaufrufe an Amazon Comprehend Weitere Informationen finden Sie unter [Amazon Comprehend – Preise](https://aws.amazon.com/comprehend/pricing/). **Topics** + [Schritt 1: Konfigurieren der Voraussetzungen](#walkthrough-prereq) + [Schritt 2: Kopieren des Beispiel-Codes](#walkthrough-script) + [(Optional) Schritt 3: Indizieren von Beispieldaten](#walkthrough-sample-data) + [Schritt 4: Analysieren und Visualisieren Sie Ihre Daten](#walkthrough-analysis) + [Schritt 5: Bereinigen Sie Ressourcen und nächste Schritte](#walkthrough-next-steps) ## Schritt 1: Konfigurieren der Voraussetzungen Zum Fortfahren benötigen Sie die folgenden Ressourcen. **** | Voraussetzung | Description | | --- | --- | | Amazon-S3-Bucket | Weitere Informationen erhalten Sie unter [Erstellen eines Buckets](https://docs.aws.amazon.com/AmazonS3/latest/userguide/CreatingABucket.html) im Benutzerhandbuch für Amazon Simple Storage Service. | | OpenSearch Service-Domain | Das Ziel für die Daten. Weitere Informationen finden Sie unter [ OpenSearch Dienstdomänen erstellen](createupdatedomains.md#createdomains). | Wenn Sie noch nicht über diese Ressourcen verfügen, können Sie diese mit den folgenden AWS CLI -Befehlen erstellen: ``` aws s3 mb s3://my-transcribe-test --region us-west-2 ``` ``` aws opensearch create-domain --domain-name my-transcribe-test --engine-version OpenSearch_1.0 --cluster-config InstanceType=t2.medium.search,InstanceCount=1 --ebs-options EBSEnabled=true,VolumeType=standard,VolumeSize=10 --access-policies '{"Version": "2012-10-17", "Statement":[{"Effect":"Allow","Principal":{"AWS":"arn:aws:iam::123456789012:root"},"Action":"es:*","Resource":"arn:aws:es:us-west-2:123456789012:domain/my-transcribe-test/*"}]}' --region us-west-2 ``` **Anmerkung** Diese Befehle verwenden die `us-west-2`-Region. Sie können jedoch jede Region nutzen, die von Amazon Comprehend unterstützt wird. Weitere Informationen finden Sie in unter [Allgemeine AWS-Referenz](https://docs.aws.amazon.com/general/latest/gr/rande.html#comprehend_region). ## Schritt 2: Kopieren des Beispiel-Codes 1. Kopieren Sie den folgenden Python-3-Beispiel-Code in eine neue Datei namens `call-center.py`: ``` import boto3 import datetime import json import requests from requests_aws4auth import AWS4Auth import time import urllib.request # Variables to update audio_file_name = '' # For example, 000001.mp3 bucket_name = '' # For example, my-transcribe-test domain = '' # For example, https://search-my-transcribe-test-12345.us-west-2.es.amazonaws.com index = 'support-calls' type = '_doc' region = 'us-west-2' # Upload audio file to S3. s3_client = boto3.client('s3') audio_file = open(audio_file_name, 'rb') print('Uploading ' + audio_file_name + '...') response = s3_client.put_object( Body=audio_file, Bucket=bucket_name, Key=audio_file_name ) # # Build the URL to the audio file on S3. # # Only for the us-east-1 region. # mp3_uri = 'https://' + bucket_name + '.s3.amazonaws.com/' + audio_file_name # Get the necessary details and build the URL to the audio file on S3. # For all other regions. response = s3_client.get_bucket_location( Bucket=bucket_name ) bucket_region = response['LocationConstraint'] mp3_uri = 'https://' + bucket_name + '.s3-' + bucket_region + '.amazonaws.com/' + audio_file_name # Start transcription job. transcribe_client = boto3.client('transcribe') print('Starting transcription job...') response = transcribe_client.start_transcription_job( TranscriptionJobName=audio_file_name, LanguageCode='en-US', MediaFormat='mp3', Media={ 'MediaFileUri': mp3_uri }, Settings={ 'ShowSpeakerLabels': True, 'MaxSpeakerLabels': 2 # assumes two people on a phone call } ) # Wait for the transcription job to finish. print('Waiting for job to complete...') while True: response = transcribe_client.get_transcription_job(TranscriptionJobName=audio_file_name) if response['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', 'FAILED']: break else: print('Still waiting...') time.sleep(10) transcript_uri = response['TranscriptionJob']['Transcript']['TranscriptFileUri'] # Open the JSON file, read it, and get the transcript. response = urllib.request.urlopen(transcript_uri) raw_json = response.read() loaded_json = json.loads(raw_json) transcript = loaded_json['results']['transcripts'][0]['transcript'] # Send transcript to Comprehend for key phrases and sentiment. comprehend_client = boto3.client('comprehend') # If necessary, trim the transcript. # If the transcript is more than 5 KB, the Comprehend calls fail. if len(transcript) > 5000: trimmed_transcript = transcript[:5000] else: trimmed_transcript = transcript print('Detecting key phrases...') response = comprehend_client.detect_key_phrases( Text=trimmed_transcript, LanguageCode='en' ) keywords = [] for keyword in response['KeyPhrases']: keywords.append(keyword['Text']) print('Detecting sentiment...') response = comprehend_client.detect_sentiment( Text=trimmed_transcript, LanguageCode='en' ) sentiment = response['Sentiment'] # Build the Amazon OpenSearch Service URL. id = audio_file_name.strip('.mp3') url = domain + '/' + index + '/' + type + '/' + id # Create the JSON document. json_document = {'transcript': transcript, 'keywords': keywords, 'sentiment': sentiment, 'timestamp': datetime.datetime.now().isoformat()} # Provide all details necessary to sign the indexing request. credentials = boto3.Session().get_credentials() awsauth = AWS4Auth(credentials.access_key, credentials.secret_key, region, 'opensearchservice', session_token=credentials.token) # Index the document. print('Indexing document...') response = requests.put(url, auth=awsauth, json=json_document, headers=headers) print(response) print(response.json()) ``` 1. Aktualisieren Sie die ersten sechs Variablen. 1. Installieren Sie die erforderlichen Pakete mit den folgenden Befehlen: ``` pip install boto3 pip install requests pip install requests_aws4auth ``` 1. Platzieren Sie Ihre Datei MP3 in demselben Verzeichnis wie `call-center.py` und führen Sie das Skript aus. Hier ein Beispiel für eine Ausgabe: ``` $ python call-center.py Uploading 000001.mp3... Starting transcription job... Waiting for job to complete... Still waiting... Still waiting... Still waiting... Still waiting... Still waiting... Still waiting... Still waiting... Detecting key phrases... Detecting sentiment... Indexing document... {u'_type': u'call', u'_seq_no': 0, u'_shards': {u'successful': 1, u'failed': 0, u'total': 2}, u'_index': u'support-calls4', u'_version': 1, u'_primary_term': 1, u'result': u'created', u'_id': u'000001'} ``` `call-center.py` führt eine Reihe von Operationen durch: 1. Das Skript lädt eine Audiodatei (in diesem Fall eine MP3, Amazon Transcribe unterstützt jedoch mehrere Formate) in Ihren S3-Bucket hoch. 1. Es sendet die URL der Audio-Datei an Amazon Transcribe und wartet, bis der Transkriptionsauftrag abgeschlossen ist. Die Zeit bis zum Abschließen des Transkriptionsauftrags hängt von der Länge der Audiodatei ab. Gehen Sie aber von Minuten und nicht Sekunden aus. **Tipp** Zur Verbesserung der Qualität der Transkription können Sie ein [benutzerdefiniertes Vokabular](https://docs.aws.amazon.com/transcribe/latest/dg/API_CreateVocabulary.html) für Amazon Transcribe konfigurieren. 1. Nach Abschluss des Transkriptionsauftrag extrahiert das Skript das Transkript, kürzt es auf 5.000 Zeichen und sendet es zwecks Schlüsselwort- und Stimmungsanalyse an Amazon Comprehend. 1. Schließlich fügt das Skript einem JSON-Dokument das vollständige Transkript, die Schlüsselwörter, die Stimmung und den aktuellen Zeitstempel hinzu und indexiert es in Service. OpenSearch **Tipp** [LibriVox](https://librivox.org/)hat gemeinfreie Hörbücher, die Sie zum Testen verwenden können. ## (Optional) Schritt 3: Indizieren von Beispieldaten Wenn Sie keine Aufrufaufzeichnungen zur Hand haben – und wer hat das schon? – können Sie die Beispieldokumente in der Datei [sample-calls.zip](samples/sample-calls.zip) [indizieren](indexing.md), die mit dem vergleichbar sind, was `call-center.py` produziert. 1. Erstellen Sie eine Datei namens `bulk-helper.py`: ``` import boto3 from opensearchpy import OpenSearch, RequestsHttpConnection import json from requests_aws4auth import AWS4Auth host = '' # For example, my-test-domain.us-west-2.es.amazonaws.com region = '' # For example, us-west-2 service = 'es' bulk_file = open('sample-calls.bulk', 'r').read() credentials = boto3.Session().get_credentials() awsauth = AWS4Auth(credentials.access_key, credentials.secret_key, region, service, session_token=credentials.token) search = OpenSearch( hosts = [{'host': host, 'port': 443}], http_auth = awsauth, use_ssl = True, verify_certs = True, connection_class = RequestsHttpConnection ) response = search.bulk(bulk_file) print(json.dumps(response, indent=2, sort_keys=True)) ``` 1. Aktualisieren Sie die ersten zwei Variablen für `host` und `region`. 1. Installieren Sie das erforderlich Paket mit folgendem Befehl: ``` pip install opensearch-py ``` 1. Laden Sie die Datei [sample-calls.zip](samples/sample-calls.zip) herunter und entpacken Sie sie. 1. Speichern Sie `sample-calls.bulk` in demselben Verzeichnis wie `bulk-helper.py` und führen Sie das Helferobjekt aus. Hier ein Beispiel für eine Ausgabe: ``` $ python bulk-helper.py { "errors": false, "items": [ { "index": { "_id": "1", "_index": "support-calls", "_primary_term": 1, "_seq_no": 42, "_shards": { "failed": 0, "successful": 1, "total": 2 }, "_type": "_doc", "_version": 9, "result": "updated", "status": 200 } }, ... ], "took": 27 } ``` ## Schritt 4: Analysieren und Visualisieren Sie Ihre Daten Da Sie nun einige Daten in OpenSearch Service haben, können Sie sie mithilfe von OpenSearch Dashboards visualisieren. 1. Navigieren Sie zu `https://search-domain.region.es.amazonaws.com/_dashboards`. 1. Bevor Sie OpenSearch Dashboards verwenden können, benötigen Sie ein Indexmuster. Dashboards verwendet Index-Muster, um ihre Analyse auf einen oder mehrere Indizes einzugrenzen. Um den `support-calls`-Index abzugleichen, den `call-center.py` erstellt hat, gehen Sie zu **Stack Management**, **Index Patterns**, und definieren Sie ein Indexmuster von `support*`, und wählen Sie dann **Nächster Schritt**. 1. Wählen Sie für **Time Filter field name (Feldname für Zeitfilter)** die Option **timestamp (Zeitstempel)** aus. 1. Sie können nun mit dem Generieren von Visualisierungen beginnen. Wählen Sie **Visualize (Visualisieren)** aus und fügen Sie eine neue Visualisierung hinzu. 1. Wählen Sie das Kreisdiagramm und das `support*`-Index-Muster aus. 1. Die Standardvisualisierung ist eine eher grundlegende. Eine detaillierte Visualisierung erhalten Sie, wenn Sie **Split Slices (Slices aufteilen)** auswählen. Wählen Sie unter **Aggregation** den Eintrag **Terms (Bedingungen)** aus. Wählen Sie für **Field (Feld)** **sentiment.keyword** aus. Klicken Sie dann auf **Apply changes (Änderungen übernehmen)** und **Save (Speichern)**. ![\[Beispielkonfiguration für ein Dashboards-Kreisdiagramm.\]](http://docs.aws.amazon.com/de_de/opensearch-service/latest/developerguide/images/sentiment-pie-chart.png) 1. Kehren Sie zur Seite **Visualize (Visualisieren)** zurück und fügen Sie eine weitere Visualisierung hinzu. Wählen Sie dieses Mal das horizontale Balkendiagramm aus. 1. Wählen Sie **Split Series (Serie aufteilen)** aus. Wählen Sie unter **Aggregation** den Eintrag **Terms (Bedingungen)** aus. Wählen Sie für **Field (Feld)** **keywords.keyword** aus und ändern Sie **Size (Größe)** in 20. Klicken Sie dann auf **Apply changes (Änderungen übernehmen)** und **Save (Speichern)**. ![\[Beispielkonfiguration für ein horizontales Dashboards-Balkendiagramm.\]](http://docs.aws.amazon.com/de_de/opensearch-service/latest/developerguide/images/keyword-bar-chart.png) 1. Kehren Sie zur Seite **Visualize (Visualisieren)** zurück und fügen Sie eine letzte Visualisierung, ein vertikales Balkendiagramm, hinzu. 1. Wählen Sie **Split Series (Serie aufteilen)** aus. Wählen Sie für **Aggregation (Aggregation)** **Date Histogram (Datumshistogramm)** aus. Wählen Sie für **Field (Feld)** **timestamp** aus und ändern Sie das **Interval (Intervall)** in **Daily (Täglich)**. 1. Wählen Sie **Metrics & Axes (Metriken & Achsen)** aus und ändern Sie den **Mode (Modus)** in **normal**. 1. Klicken Sie auf **Apply changes (Änderungen übernehmen)** und **Save (Speichern)**. ![\[Beispielkonfiguration für ein vertikales Dashboards-Balkendiagramm.\]](http://docs.aws.amazon.com/de_de/opensearch-service/latest/developerguide/images/timestamp-bar-chart-2.png) 1. Nachdem Sie nun drei Visualisierungen haben, können Sie diese zu einer Dashboard-Visualisierung hinzufügen. Klicken Sie auf **Dashboard**, erstellen Sie ein Dashboard und fügen Sie Ihre Visualisierungen hinzu. ![\[Beispiel-Dashboards-Visualisierung.\]](http://docs.aws.amazon.com/de_de/opensearch-service/latest/developerguide/images/dashboard-2.png) ## Schritt 5: Bereinigen Sie Ressourcen und nächste Schritte Um unnötige Gebühren zu vermeiden, löschen Sie den S3-Bucket und die OpenSearch Service-Domain. Weitere Informationen finden Sie unter [Löschen eines Buckets](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-or-empty-bucket.html#delete-bucket) im *Amazon Simple Storage Service-Benutzerhandbuch* und [Löschen einer OpenSearch Service-Domain](gsgdeleting.md) in diesem Handbuch. Transkripte benötigen viel weniger Speicherplatz als MP3 Dateien. Möglicherweise können Sie Ihr MP3 Aufbewahrungsfenster verkürzen — z. B. von drei Monaten für Anrufaufzeichnungen auf einen Monat —, Abschriften jahrelang aufbewahren und trotzdem Speicherkosten sparen. Sie können den Transkriptionsprozess auch mithilfe von AWS Step Functions Lambda automatisieren, vor der Indizierung zusätzliche Metadaten hinzufügen oder komplexere Visualisierungen erstellen, die genau auf Ihren Anwendungsfall zugeschnitten sind.