Trend Detection for E-commerce Seller Feedback

Abstract

Este trabajo tiene como objetivo diseñar un sistema de inteligencia artificial capaz de analizar y extraer información útil de los comentarios compartidos por los vendedores en la plataforma Fulfillment by Solde (FBS). A través del uso de técnicas de procesamiento de lenguaje natural (NLP) y machine learning, se busca detectar tendencias y problemas recurrentes, con el fin de mejorar la experiencia de los vendedores y, en consecuencia, la calidad del servicio ofrecido a los clientes finales.

El proyecto se estructura en varias fases. En primer lugar, se recopilan y preparan las anécdotas de los vendedores. Después, se entrena un modelo de clasificación supervisada (BERT), capaz de asignar cada comentario a uno de los temas principales de la plataforma: Listings, Ads & Deals, Seller Support, Fees, Inventory Management, Inbounding e Insurance. Una vez clasificados, los comentarios se agrupan dentro de cada tema utilizando BERTopic, lo que permite identificar patrones y problemas emergentes.

Posteriormente, se generan resúmenes concisos de cada grupo mediante Llama2, y se crean títulos descriptivos con FLAN-T5, facilitando la interpretación de los resultados. Este enfoque integral no solo automatiza el análisis de grandes volúmenes de datos, sino que también proporciona a FBS una herramienta eficaz para anticiparse a las necesidades de los vendedores y orientar mejoras en la plataforma.

This project aims to design an artificial intelligence system capable of analyzing and extracting meaningful insights from anecdotes and feedback shared by sellers on the Fulfillment by Solde (FBS) platform. By applying natural language processing (NLP) techniques and machine learning models, the goal is to detect trends and recurring issues that affect sellers, ultimately enhancing their experience and improving the quality of service delivered to end customers.

The work is structured into several phases. First, seller anecdotes are collected and preprocessed. Then, a supervised classification model (BERT) is fine-tuned to categorize each anecdote into one of the key topics of the platform: Listings, Ads & Deals, Seller Support, Fees, Inventory Management, Inbounding, and Insurance. Once classified, the anecdotes are clustered within each topic using BERTopic, which allows the identification of emerging patterns and recurring concerns.

After clustering, concise summaries of each group are generated using Llama2, and short, descriptive titles are created with FLAN-T5. These titles and summaries provide stakeholders with a quick and accessible overview of the main issues highlighted by sellers.

This integrated approach not only automates the analysis of large volumes of unstructured feedback but also equips FBS with a powerful tool to anticipate seller needs and guide strategic improvements to the platform.