Toutes les émotions : utiliser l’analyse des sentiments pour améliorer l’expérience client

10 min read
Artwork by Tomba Lobos

Votre regard se tourne vers le coin supérieur droit de votre MacBook Air. Il est quatre heures de l’après-midi. Il ne vous reste qu’une heure de travail, puis vous serez libre de rentrer chez vous pour regarder le dernier épisode de Game of Thrones. Vous pourriez penser que la plupart des gens en seraient ravis. Mais selon une partie de la population américaine sur Twitter, ce n’est pas le cas. Pour ces actifs, quatre heures de l’après-midi est le moment le moins réjouissant de leur journée de travail.

C’est une équipe de cinq chercheurs des universités de Harvard et Northeastern qui en est arrivée à cette conclusion, après étudié 300 millions de tweets de septembre 2006 à août 2009. Ce qui peut sembler être une énorme charge de travail pour cinq personnes (parcourir des centaines de millions de textes de 140 caractères et déterminer l’humeur de la personne qui les a écrites) a été rendu possible grâce à l’intelligence artificielle. 

Le ton de chaque tweet a été catégorisé par un algorithme qui comparait son contenu à une liste de mots ANEW (Affective Norms for English Words ou normes affectives de langue anglaise) et générait un score déterminant s’il était positif ou négatif. À partir de là, les chercheurs ont pu déterminer les sentiments des personnes publiant les tweets et comment ils évoluaient du matin au soir. 

Cette technologie s’appelle l’analyse des sentiments, et ses applications vont bien au-delà de l’identification des changements d’humeur des gens au cours de la journée. 

Des machines émotionnellement intelligentes

L’analyse des sentiments, ou l’exploration de données, est un domaine de l’intelligence artificielle qui utilise des algorithmes pour déterminer si le ton d’un message écrit est positif, négatif ou neutre. Elle parcours des phrases, des microblogs (des messages courts de 140 caractères ou moins, comme des tweets ou des publications sur Facebook) ou même des documents entiers, et détermine le sentiment, l’attitude ou l’opinion de la personne qui les a écrits vis-à-vis d’un sujet, d’un produit ou d’une marque précis. 

Ceci est la version de base de l’analyse des sentiments. D’autres algorithmes plus complexes tentent de déterminer la force de cette opinion. Ils attribuent un poids aux mots positifs ou négatifs et obtiennent un score compris entre -1 et +1 et utilisent le résultat pour représenter le sentiment de la phrase. 

Mais comment les machines lisent-elles nos émotions ?

Il existe trois approches principales pour l’analyse des sentiments : basée sur des règles, automatique et hybride. 

Les approches basées sur des règles fonctionnent en définissant d’abord un ensemble de règles dans un langage de script qui identifie le ton du message écrit. Ces règles utilisent une variété d’entrées allant des techniques classiques de traitement du langage naturel à d’autres ressources telles que des dictionnaires ou des listes de mots spécifiques. En pratique, les chercheurs créeraient par exemple une liste de mots positifs et une liste de mots négatifs. L’algorithme analyserait ensuite les messages écrits et comparerait leur contenu à celui des listes. Si un message contient plus de mots positifs que négatifs, son ton est considéré comme positif et vice versa. Sinon, il est considéré comme neutre. 

En revanche, les approches automatiques ne reposent pas sur des règles artisanales, mais sur des techniques d’apprentissage automatique beaucoup plus complexes. En bref, les approches automatiques permettent de former un ordinateur en lui montrant suffisamment d’exemples ou de modèles d’apprentissage pour qu’il commence à reconnaître des modèles par lui-même et apprenne à transformer l’entrée en résultat souhaité. Dans ce cas, on peut utiliser un ensemble de tweets et leurs sentiments correspondants comme entrées et mesurer les performances de l’algorithme en examinant le pourcentage de tweets suivants qu’il classerait correctement dans chaque catégorie possible. 

Les approches hybrides combinent le meilleur des deux pour obtenir des résultats plus précis.

L’analyse des sentiments a été initialement développée à des fins d’études de marché. Bing Liu, professeur d’informatique à l’Université de l’Illinois et auteur de plusieurs articles sur le sujet, explique qu’ elle est apparue au milieu des années 2000, lorsque les avis en ligne ont gagné en popularité et que les entreprises ont voulu les analyser pour comprendre ce que leurs clients disaient. Avant l’analyse des sentiments, les seuls moyens qu’avaient les entreprises de savoir comment les gens réagissaient à un produit ou à un service particulier étaient l’organisation de groupes de discussion ou l’envoi d’enquêtes ; mais ils n’avaient aucune garantie de recueillir un nombre de réponses statistiquement significatif.

C’est alors qu’apparurent les algorithmes pour tout faciliter. Ils sont capables d’analyser de plus grandes quantités de données en moins de temps et n’ont pas besoin que les entreprises contactent leurs clients pour recueillir leurs opinions ; ils prennent simplement les avis qu’ils publient naturellement en ligne.

Une mine d’or de données

En tant que consommateurs, nous produisons une quantité immesurable de données écrites en ligne. Nous envoyons des e-mails, échangeons des idées sur des forums, publions sur les pages de nos amis et commentons leurs photos Instagram. Nous passons de plus en plus de temps sur les réseaux sociaux. En 2017, l’utilisation quotidienne des réseaux sociaux par les utilisateurs d’Internet dans le monde entier est passée à 135 minutes par jour, contre 90 minutes seulement 5 ans auparavant. Nous utilisons Facebook, Instagram et d’autres canaux non seulement pour partager nos préférences et nos aversions, mais aussi pour exprimer notre opinion sur des marques ou des produits spécifiques. 

Les données recueillies à partir des avis en ligne, des publications sur les réseaux sociaux et d’autres sources sont précieuses pour les entreprises, car elles peuvent utiliser les résultats d’une analyse de sentiments pour améliorer différents domaines. 
Pour les efforts de marketing, par exemple, cela permet aux entreprises de savoir si les réactions à différents événements ou campagnes sur les réseaux sociaux ont été positives, négatives ou neutres, et de repenser leur stratégie pour mieux répondre aux besoins de leur public. C’est également un outil utile pour exploiter l’opinion des gens vis-à-vis de la concurrence afin d’essayer d’obtenir un avantage concurrentiel sur le marché. 
L’analyse des sentiments s’est également récemment révélée utile pour les opérations et les ressources humaines. Frrole est une entreprise qui a mis au point DeepSense, une intelligence artificielle qui analyse les données sociales disponibles des demandeurs d’emplois et, sur la base des résultats, permet aux recruteurs de se faire une idée de leurs traits de comportement et de leur personnalité afin de déterminer s’ils sont aptes au poste. 

D’autres grandes entreprises ont commencé à utiliser cette technologie pour comprendre comment leurs employés actuels se sentent. IBM, par exemple, possède une plateforme de réseau social interne appelée Connections, grâce à laquelle l’ensemble des 380,000 employés peuvent entrer en contact les uns avec les autres, publier des opinions et commenter le contenu publié par d’autres personnes. IBM associe cette plateforme à un outil d’analyse des sentiments développé en interne, appelé Social Pulse, qui analyse ce que les gens disent et identifie les tendances et les éventuels signaux d’alerte quant à la satisfaction des employés. 

Lire les pensées des clients

L’analyse des sentiments est également utile et importante pour gérer et améliorer l’expérience client

Les sentiments des clients envers une marque peuvent être influencés par un certain nombre de facteurs. Lancements ou modifications de produits, augmentations de prix, campagnes virales et autres actions marketing et qualité du service à la clientèle.

Les entreprises peuvent par exemple recourir à une analyse des sentiments pour passer en revue les avis sur des produits ou services et attribuer un score à chacun d’eux ; cela permet aux agents du service client de contacter d’abord les clients ayant les opinions les plus négatives et d’essayer de désamorcer la situation de tension le plus rapidement possible. En ce qui concerne les avis avec des scores plus positifs, ils permettent aux entreprises de comprendre quelles actions déclenchent des émotions positives chez les clients, comme point de référence pour l’avenir. 

Le même principe peut être appliqué aux tickets de support entrants. Les algorithmes d’analyse des sentiments permettent de trier les tickets par urgence en fonction du ton de l’e-mail. De cette façon, les agents peuvent porter leur attention sur les clients les plus frustrés ou insatisfaits sans avoir à consulter d’abord chacun de leurs tickets pour évaluer manuellement leur priorité. 

Pour les responsables, il s’agit d’un outil utile pour mesurer la satisfaction globale des clients à l’égard de l’équipe du support. Les résultats sont basés non pas sur les avis demandés après une interaction spécifique avec un agent, mais sur des opinions moins intrusives et plus honnêtes que les clients saisissent quelque part en ligne parce qu’ils en ont envie. L’analyse des sentiments peut compléter les bilans de performances internes en tant que strate supplémentaire d’avis clients, à partir de laquelle les responsables peuvent avoir une idée plus précise des interactions qui ont le mieux fonctionné et utiliser ces informations pour améliorer les processus. 

Mais la technologie manque encore de précision. Est-elle basée sur un langage, où tout n’est pas noir ou blanc comme dans une liste de mots positifs et négatifs ? On peut utiliser les deux pour donner un sens diamétralement opposé à celui qu’on associerait normalement à un mot. Par exemple, pour commenter une livraison retardée, je peux dire : « Amazon n’a pas livré ma commande à temps. Super ! » Le mot « super » a généralement une connotation positive, mais dans ce cas, il est utilisé pour commenter un service insatisfaisant. 

Bien que certaines entreprises d’IA forment déjà des algorithmes pour reconnaître le sarcasme, il y a des tas d’autres variables, telles que le contexte ou même la complexité de certaines langues, qui empêchent parfois les machines de comprendre correctement le ton implicite de la conversation. 

Néanmoins, les machines reconnaissent de mieux en mieux les émotions humaines. Il reste encore beaucoup de travail à faire pour améliorer l’analyse des sentiments, mais les recherches investissent dans d’autres outils de lecture des sentiments, comme les outils de reconnaissance faciale. Qui sait, dans quelques années, nous aurons peut-être un rapport sur les heures les moins productives de la journée de travail, en fonction du nombre de fois où nos ordinateurs ont analysé notre expression faciale à la recherche d’un bâillement. 

ArtboardFacebook iconInstagram iconLinkedIn iconUnbabel BlogTwitter iconYouTube icon