L’analyse de sentiment, qu’on appelle également parfois analyse de tonalité ou même « opinion mining », est une des façons les plus aisées d’analyser l’opinion d’un groupe de consommateurs sur une marque, un produit, ou un évènement. Il s’agit d’une technique de traitement du langage naturel régulièrement utilisée dans des scénarios de veille qui permet d’identifier systématiquement l’avis exprimé dans un document et qui lui donne un score positif, négatif ou neutre.
C’est du moins ce qui se passe en théorie…
En vérité, de nombreux analystes doivent passer des heures à manuellement taguer la tonalité des résultats de leurs projets parce la technologie n’y arrive pas complèttement toute seule. Ce qui fait que l’analyse de sentiment a (ironiquement) mauvaise réputation sur le marché du fait de l’important travail humain qu’elle demande en complément pour obtenir de bons résultats.
Nos développeurs (les cerveaux qui ont pondu notre fantastique technologie de reconnaissance d’images) se sont attelés à résoudre ce problème – et les résultats sont impressionnants ! Ils ont conçu une technologie d’analyse de sentiment basée sur l’apprentissage profond (« deep learning ») qui permet aux marques d’analyser l’opinion de ses consommateurs avec un taux de précision de 90%. Cette technologie boostée par l’intelligence artificielle (IA) est la première du genre à analyser le contexte de phrases entières plutôt que de simples mots-clés, et peut précisément déterminer les attitudes et les réactions des consommateurs dans des tweets, des articles ou des publications de tout type, ce qui en fait la technologie d’analyse de sentiment la plus avancée sur le marché.
Mais avant de nous plonger dans les détails de cette technologie révolutionnaire, faisons un petit récapitulatif des raisons pour lesquelles l’analyse de sentiment est un outil essentiel pour les marques, ainsi que de la façon dont cette technologie fonctionne.
7 cas d’usage pour l’analyse de sentiment
Comment fonctionnent la plupart des technologies d’analyse de sentiment
Quand l’IA booste l’analyse de sentiment
Pourquoi l’analyse de sentiment est-elle un outil essentiel pour les marques ?
L’analyse de sentiment est une des technologies les plus polyvalentes du marché de l’écoute du web. Les marques peuvent utiliser et croiser les indicateurs de sentiment avec toute une variété de données pour mieux comprendre les opinions de leurs clients. Voici quelques exemples des informations stratégiques que vous pourrez retirer de l’analyse de sentiment :
1. Gérer les publications les plus cruciales
La plupart de nos clients dans la communication et le marketing travaillent en temps réel. Grâce à l’analyse de sentiment, les publications importantes sont détectées et signalées immédiatement, ce qui permet aux équipes d’avoir un temps de réaction minimal et de faire parvenir les posts à haut risque aux personnes appropriées.
2. Améliorer l’expérience des utilisateurs
L’analyse de sentiment est également un excellent moyen d’évaluer la satisfaction de vos consommateurs et d’agir en conséquence. Prenons l’exemple d’un de nos clients dans le secteur hôtelier qui monitore au quotidien les différents aspects de son service client et qui avait remarqué une augmentation des posts négatifs en lien avec sa marque sur les réseaux sociaux. L’analyse de ces publications lui a donné l’idée d’installer des sèche-cheveux performants dans toutes les catégories de chambres de ses hôtels, une initiative dont l’impact sur l’expérience client a été immédiatement mesurable grâce à l’analyse de sentiment.
3. Monitorer le lancement d’un produit
Un autre client de Talkwalker utilise l’analyse de sentiment pour monitorer la façon dont les gens réagissent aux différentes fonctionnalités des derniers téléphones qu’il vient de lancer. En comparant la réponse du public aux multiples aspects du produit (le contraste, la luminosité, la taille du téléphone, etc.), l’entreprise peut ainsi fournir des données en temps réel à ses équipes R&D pour évaluer la performance du produit et les fonctionnalités sur lesquelles se concentrer.
4. Evaluer les retombée d’une action RSE ou un sponsoring
Le sentiment peut également être un indicateur intéressant pour évaluer les réactions du public par rapport à des actions de sponsoring ou des campagnes en lien avec la Responsabilité Sociale des Entreprises (RSE).
Dans ce cas de figure, les marques peuvent analyser les variations de l’opinion publique sur les réseaux sociaux, ou suivre les réactions en liens avec des sujets clés comme le développement durable, la diversité ou l’innovation.
5. Suivre l’évolution des tendances du secteur
En monitorant les tendances à l’échelle de son secteur, une marque de produits de grande consommation est arrivée à déchiffrer les préférences de son audience par rapport aux caractéristiques des produits d’entretien pour la cuisine, et à identifier que l’un des plus gros problèmes de ce type de produit était son odeur ! Sur base de ces recherches, elle a demandé à son équipe R&D de réfléchir à un produit dont le différentiateur principal serait son fantastique parfum.
Pour une autre de ses lignes de produit, la même marque surveille les types de petit déjeuner préférés par les internautes sur ses différents marchés (céréales, pain au chocolat, confiture, saucisse et tomates, etc.) afin de concevoir de nouveaux goûts pour leurs produits.
6. Assurer la qualité du service au niveau national, international ou global
Nos clients qui opèrent dans différents marchés ou qui ont de nombreuses franchises à gérer utilisent notre technologie d’analyse de sentiment pour suivre les avis des consommateurs par rapport à leurs fournisseurs, pour identifier des problèmes locaux ou à l’échelle d’une agence de la marque. Ce type de monitoring peut être tout particulièrement efficace pour évaluer au niveau interne la qualité du service.
7. Surveiller l’e-réputation et la popularité des cadres dirigeants
Le public veut de plus en plus voir des personnes incarner les marques qu’ils achètent ou voient dans l’actualité au quotidien. C’est tout particulièrement le cas pour les dirigeants d’une entreprise, d’Elon Musk chez Tesla à Jeff Bezos pour Amazon. Un de nos clients s’est rendu compte au fil de sa veille que leur PDG n’était pas assez connu sur un marché spécifique comparé à d’autres concurrents. A l’aide d’informations stratégiques tirées des réseaux sociaux, on a pu identifier les sujets sur lesquels il pourrait se positionner pour gagner en notoriété.
L’analyse de sentiment est un outil extrêmement puissant que les marques peuvent utiliser de différentes façons. Cependant, de nombreuses marques refusent d’inclure ces indicateurs dans leurs rapports parce qu’ils n’ont pas confiance en cette technologie. Nous allons maintenant discuter des raisons derrière ce manque de confiance, et ce qui peut être fait pour y pallier.
Comment l’analyse de sentiment fonctionne-t-elle habituellement ?
Il existe aujourd’hui deux approches principalement adoptées par les solutions d’analyse du web et des réseaux sociaux : l’analyse de sentiment basée sur la cotation de mots clé (« keyword scoring »), ou un calcul basé sur des catégories prédéfinies.
Le « keyword scoring » signifie que l’on donne un score positif au mot « bon » par exemple, alors que le mot « mauvais » reçoit un score négatif. Cette approche a plusieurs failles clairement apparentes dans les exemples qui suivent :
Sur base de la technique du keyword scoring,
ces tweets auraient probablement
été mal catégorisés.
Certains fournisseurs tentent de résoudre ces problèmes en appliquant des règles en plus de cette cotation de mots clé, mais le vrai problème est que cette technique se concentre sur des fragments du message plutôt que sur sa signification réelle.
La technique du « keyword scoring » peut vous fournir quelques résultats si votre recherche se concentre sur des tendances générales ou, ou si cette approche est appliquée à grande échelle. Au niveau granulaire cependant, un tweet sarcastique ou provenant d’un adolescent qui parle d’un jeu vidéo « d’enfer » déraille tout le système.
Comme le « keyword scoring » ne prend pas en compte le contexte du message, mais uniquement des mots individuels ou de petites phrases, le taux de précision de cette approche se limite à 50 à 80%. Ce qui explique pourquoi de nombreuses marques refusent d’utiliser les indicateurs de sentiment dans leurs rapports.
Une deuxième technique consiste à laisser l’utilisateur définir ses propres catégories à l’aide du placement de quelques douzaines de résultats (ce qu’on appelle un « training set », ou ensemble de formation) à l'intérieur de catégories sur lesquelles un algorithme se basera pour classifier les résultats futurs.
Le taux de précision de cette technique est plus élevé que celui du « keyword scoring », mais cela ne veut pas dire qu’elle est parfaite. La catégorisation manuelle des résultats initiaux demande beaucoup de temps et une compréhension en profondeur des différents sujets qui pourraient s’avérer être un danger pour votre marque. De plus, du fait que cette méthode se base sur des paramètres circonscrits pour classifier les résultats, elle n’arrive à catégoriser dans l’ensemble qu’un nombre limité de publications.
Il y a bien sûr une troisième approche dont je n’ai pas encore parlé : l’huile de coude ! Plusieurs marques et agences n’utilisent pas d’analyse de sentiment automatique et préfèrent classifier les résultats à la main.
Dans le positif, vous n’aurez pas à trop vous soucier du taux de précision de cette technique. Vos employés seront peut-être en désaccord sur la tonalité de quelques messages (c’est toute la beauté du langage !), mais dans l’ensemble vous aurez une vision complète du sentiment lié à votre marque.
Cependant, rappelez-vous qu’un ou une analyste ne pourra pas classifier bien plus de 100 résultats par heure, et qu’une marque peut recevoir des centaines, des milliers, voire des centaines de milliers de résultats par jour. Le temps que vos analystes arrivent à un message à risque, il sera peut-être trop tard pour réagir.
Pire encore : si les marques veulent pouvoir analyser l’opinion du public en lien avec certaines grandes tendances du marché, ou encore sur un buzz émergent, les coûts de cette technique à l’huile de coude peuvent s’avérer prohibitifs, tout particulièrement si elles veulent des résultats rapides.
Comment fonctionne l’analyse de sentiment basée sur l’IA ?
Quand nous avons lancé notre technologie de reconnaissance d’images début 2016, elle a été un tel succès que nous ne pouvions qu’en déduire qu’il fallait appliquer ses principes à d’autres fonctionnalités Talkwalker. Notre équipe spécialisée en data science a travaillé dur depuis lors pour donner une nouvelle dimension à notre analyse de sentiment, et voici ce qu’ils ont concocté !
L’analyse de sentiment boostée à l’intelligence artificielle fonctionne sur une toute nouvelle base comparée à ses prédécesseurs. Pour la première fois, notre algorithme est capable de comprendre le sens de phrases complètes, ainsi que de déterminer les attitudes et réactions des consommateurs en fonction du contexte de leurs tweets, de leurs articles ou de leurs publications.
A l’aide de modèles d’apprentissage profond qui imitent les fonctions cognitives du cerveau, cette technologie peut comprendre des structures linguistiques complexes et même traiter des formes basiques d’ironie et de sarcasme.
Au cours du développement de ces algorithmes, notre équipe a dû étudier la meilleure façon d’obtenir les résultats les plus précis possible. Le taux de précision de l’analyse de sentiment basée sur l’IA dépend principalement de la taille du « training set » sur lequel se base l’algorithme pour « apprendre », ce qui veut dire que nous avons dû voir les choses en grand.
Les résultats présentés ci-dessous sont basés sur ces recherches, et démontrent la corrélation entre la taille du « training set » avec le taux de résultats correctement identifiés par l’algorithme.
Quel futur pour cette technologie d’analyse de sentiment ?
Le fait de classifier correctement la tonalité d’un message n’est pour nous que le début. La prochaine étape est de donner la possibilité à nos clients d’évaluer en un clic la santé d’une marque, d’ajouter des données démographiques à l’analyse de sentiment ou de pouvoir combiner cette technologie avec d’autres fonctionnalités pour identifier la meilleure façon de répondre au besoin de leurs consommateurs.
Nous sommes impatients de voir cette nouvelle technologie en action. Si vous voulez l’essayer, n’hésitez pas à nous contacter dès aujourd’hui. Les test drives, on adore ça !
