Comment générer de la croissance pour votre enseigne ou votre marque grâce au Sentiment Analysis ou Opinion Mining ?
Qu’est-ce que l’analyse de sentiments ?
Le Sentiment Analysis aussi appelé Opinion Mining se révèle important dans de nombreux domaines. En effet, il est utile de connaître les opinions des internautes, utilisateurs, clients sur un sujet donné. Le sentiment analysis permet alors de collecter automatiquement ces informations et de les traiter pour mettre en lumière les opinions exprimées par tout un chacun.
L'essor de ce domaine a eu lieu au début des années 2000, depuis l'utilisation massive du Big Data et des réseaux sociaux car grâce à toutes ces formes de données utilisables, il devient plus aisé de produire des algorithmes permettant l’analyse des sentiments évoqués par les locuteurs et utilisateurs des plateformes de communication (notamment Twitter).
La difficulté des langues par ses subtilités, écrites ou parlées, est une fois encore au cœur des actualités. En effet, lorsqu’un individu exprime une opinion vis-à-vis d’un sujet, celle-ci peut relever d’une polarité positive, négative ou neutre (ou plus précise encore), impliquant ses émotions et ses sentiments et parfois même l’ironie (qui peut aussi être mal décelée lors d’un échange humain). Cela rend la tâche de reconnaissance de sentiments complexe.
Cependant, les expressions d’opinions et leur(s) polarité(s) ont été fortement étudiées surtout à partir de données de l’écrit à l’aide du texte mining. Il devient plus facile, grâce aux outils fournis, d’analyser ce type de données.
Comment les sentiments sont-ils représentés dans un discours ?
Les expressions de sentiments appartiennent à la catégorie des marqueurs d’opinion qui sont des modalisateurs du discours. Ils peuvent être présents dans la phrase sous plusieurs aspects linguistiques (syntaxiques, morphologiques, prosodiques) et apparaissent sous la forme de verbes personnels ou impersonnels, d’adverbes, d’adjectifs ou encore de l’emploi d'emojis ou de hashtags.
Un locuteur utilise la modalisation pour exprimer sa certitude ou ses doutes par rapport à un sujet, son accord ou son désaccord sur ce sujet et peut formuler un jugement à dominante négative ou positive.
Alors, il faut prendre en compte le vocabulaire employé par le locuteur, mais aussi le contexte énonciatif au moment où est produit un énoncé : c'est ce que l'on appelle la variation diaphasique. Elle s’intéresse à la variation des emplois, aux registres, chez un locuteur, qui est capable d’adapter son parler à plusieurs situations.
De plus, nous savons qu’il existe d’autres types de variations linguistiques capables d’engendrer des différences d’expression d’une opinion et de sentiments chez les locuteurs. C’est assurément le cas de la variation diastratique qui s’intéresse aux emplois dans un même comtexte en fonction de la catégorie socio-professionnelle du locuteur et de la variation diagénique qui s’intéresse aux variations entre les locuteurs selon leur sexe dans une même situation d’énonciation.
De par l'importance de ce domaine, il convient de pouvoir, d’une part, reconnaître les mots révélateurs de sentiments et d’autre part, classer ces derniers afin de noter leur polarité.
Existe-t-il un classement des sentiments ?
Une liste des émotions a été proposée par Plutchik sous la forme d’une roue qui répertorie un nombre important d’émotions et sentiments, primaires et secondaires. Cette catégorisation est importante puisqu’elle pourra permettre la classification des termes employés relevant des sentiments reconnus sur les demandes des utilisateurs et ainsi leur attribuer une polarité.
Opinion Mining grâce au Natural Language Processing : Comment cela fonctionne-t-il ?
Qu’est-ce que le NLP ?
De nos jours, le numérique et les outils informatiques prennent exponentiellement de la place dans nos vies. Les données rendues accessibles à tous sont de plus en plus nombreuses et se présentent sous diverses formes sur un grand nombre de plateformes : des textes de journaux, des tweets, des extraits sonores, des SMS ou des messages instantanés, des images ou encore des vidéos y sont disponibles.
Il nous est alors possible d’effectuer un grand nombre de recherches sur ces données qu’elles portent sur l’oral ou sur l’écrit. Ces recherches peuvent être l’étude d’une discipline ou bien pluridisciplinaires.
Le Natural Language Processing ou Traitement Automatique des Langues est l’une de ces disciplines qui se situe au carrefour de la linguistique et de l’informatique. Il va de paire avec le Natural Language Understanding (NLU) qui se base sur la compréhension du langage humain, partie la plus complexe encore à l’heure actuelle.
Le TAL étudie le langage dit naturel et permet d’effectuer de la traduction automatique mais aussi la reconnaissance d’entités nommées (REN), le data mining, (pour l’opinion mining). Et il est aussi utilisé pour mettre au point des agents conversationnels.
L’opinion mining, de par sa nature d’analyse automatique, a recours à plusieurs outils du traitement automatique des langues.
L’utilisation concrète du NLP pour l’opinion mining
Apprentissage supervisé : une première approche
L'objectif de l’apprentissage supervisé est d’apprendre au système créé à classer de façon automatique les sentiments dégagés sur la base de statistiques à l’aide d'algorithmes. Un linguiste va déterminer, manuellement, pour un grand nombre d’emails si chacun relève d’une pensée positive, négative ou neutre (bien que la distinction ne soit pas toujours aussi simple).
Si l’on veut que l’apprentissage automatique fonctionne au mieux, il faut annoter un grand jeu de données qui sera par la suite fourni au programme. Ensuite, un algorithme basé sur les probabilités va analyser cette annotation pour en faire ressortir des règles qui permettent de classer d’autres emails selon le degré de proximité aux emails présents dans les données fournies.
Règles linguistiques : une seconde méthode
Dans cette méthode, un linguiste n’analyse plus un grand nombre d’emails mais seulement un échantillon pour faire ressortir les mots ou les expressions qui indiquent que la pensée exprimée relève d’une polarité plutôt que d’une autre.
Il peut ensuite mettre au point des règles de grammaire qui permettront au système de classer chaque email dans l’une ou l’autre des polarités ou plus précisément de tel ou tel sentiment ou émotion.
Quelques outils de Sentiment Analysis
L’analyse des sentiments avec Python
Une librairie Python nommée TextBolb permet d'analyser un texte. Après son analyse, le programme fournit un score de polarité et un score de sensibilité, compris entre -1 et +1.
Récemment, un programme a été construit avec l’intégration de cet outil afin d'analyser les tweets concernant l’épidémie de Coronavirus.
WordNet et ses évolutions
WordNet comprend un grand nombre de mots classés en 2 groupes : négatifs, positifs. Son évolution, SentiWordNet accorde un score de sentiments définis sur 3 groupes : négatifs, positifs ou objectifs. Par ailleurs, SentiSense granule ces groupes pour donner une polarité plus fine.
Analyseur de sentiments
Gratuit, l’outil Analyseur de sentiments est rapide et simple d’utilisation. Il suffit de copier-coller un texte et l’outil vous fournira un score de sentiments situé entre -100 et +100. Il utilise pour cela le Natural Language Processing.
Pour une meilleure compréhension des sentiments, vous pouvez utiliser plusieurs outils existants.
Les médias sociaux : le cas de Twitter
Twitter a beaucoup été utilisé pour l’analyse de sentiments car les textes sont courts et reflètent les variations linguistiques. Aussi, les tweets sont facilement récupérables car les contraintes sont faibles de la part de Twitter.
Proposé par Joseph Lark, Emmanuel Morin et Sebastián Peña Saldarriaga, le corpus Cénaphore est un corpus de 10 000 tweets français.
De plus, ils fournissent des résultats permettant l’extraction de marqueurs d’opinion pour une analyse non supervisée à l’aide de patrons syntaxiques fixes et des contextes morphosyntaxiques gauche et droit des mots importants (sujet de l’opinion).
Il est alors possible de réutiliser ces résultats afin d’annoter des données et de créer par la suite son propre système d’analyse de sentiments pour la plateforme de votre choix.
Les réseaux sociaux sont assurément importants pour les entreprises puisque de nos jours leur utilisation qui en est faite par les utilisateurs ne cesse d’augmenter, notamment sur smartphone comme l'illustre le graphique ci-dessous.
Le sentiment analysis pour les entreprises
Il a toujours été essentiel de connaître l’opinion des utilisateurs ou acheteurs sur une marque, un produit ou bien un évènement afin d’améliorer les services proposés, peu importe le domaine dans lequel on se situe. Le but final est de permettre une expérience utilisateur plus réussie.
Que vous apporte concrètement le sentiment analysis ?
Prévenir et gérer une crise
Le sentiment analysis peut vous aider dans la prévention et la gestion de crise. Connaître rapidement les avis des clients vous permettra de régler les problèmes relevés par ces derniers avec efficacité. Vous pourrez également suivre l’évolution des solutions proposées pour parer ce problème et les ajuster en cas de besoin. Enfin, vous pourrez reprendre en détails les sentiments des clients une fois la crise terminée.
Gérer votre réputation, cerner vos clients et améliorer leur expérience
Allant avec la gestion d’une crise ou de problèmes plus mineurs, l’opinion mining permet de faire de la veille de marque. En effet, connaître les opinions des clients de manière régulière et ciblée, vous permet d’offrir du contenu personnalisé pour ces derniers.
Par ailleurs, grâce à l’analyse de sentiments (pas seulement sur les réseaux sociaux mais aussi sur les assistants conversationnels), vous pouvez obtenir rapidement des informations sur le profil des clients.
Enfin, on peut aussi améliorer l’expérience globale des clients via l’analyse de sentiments. Un client satisfait et avec le sourire augmentera votre réputation et vos ventes. Afin d’offrir la meilleure expérience possible, le taux de satisfaction des clients ne doit pas être inférieur à 80%.
Le sentiment analysis : Qu’en-est-il des chatbots ?
De plus en plus utilisés, les assistants conversationnels doivent eux aussi offrir la meilleure expérience aux utilisateurs.
Par l’analyse des sentiments des utilisateurs ou clients, l’assistant sera capable de s’adapter à chaque situation afin de montrer qu’il a compris l’émotion du locuteur. Aussi, on peut imaginer de simplement orienter un utilisateur déçu ou en colère vers un assistant physique qui se chargera de lui.
Les assistants vous permettent aussi de cibler les clients rencontrant un problème, voulant cesser une donation régulière, voulant acheter sur un autre site rapidement. En plus de lui fournir une réponse adaptée, l’assistant y intégrera des sentiments qui montreront qu’il comprend le client et qu’il va tout faire pour lui venir en aide.
Enfin, par ce biais, le chatbot pourra suivre l’évolution globale des sentiments des clients sur le long terme.
Les limites de l’opinion mining
L’opinion mining tend à s’améliorer car il connaît encore aujourd’hui quelques limites, surtout dues aux contraintes de la langue. Il est vrai que fournir une polarité neutre, positive ou négative ne suffit plus. Il faut pouvoir modérer avec plus de finesse les sentiments reconnus par un programme.
La désambiguïsation est une étape clé mais très complexe pour un programme pour cerner au mieux le sentiment. Elle devra se faire au préalable.
En dernier lieu et comme nous l’avons souligné plus haut, les principes de langue tels que la rhétorique ou l'ironie sont pour certains cas d’usage compliqués à reconnaître par l’Homme et d’autant plus pour la machine.
Malgré cela, l’opinion mining reste un formidable outil et un pilier fondamental pour améliorer votre service client et vos ventes !
La solution proposée par Webotit
La solution Webotit propose des agents phygitaux à vos clients ! Ces derniers sont là pour conseiller vos clients et les faire conclure leurs achats avec le sourire grâce à l'évaluation de leurs besoins, de leurs usages et de leurs compétences dans l'optique de leur recommander vos meilleurs produits.
En réduisant les incertitudes de vos clients, le conseiller évite à vos clients d’acheter des produits inappropriés pour leur usage, augmentant ainsi leur probabilité d’achat sur votre site comme dans vos réseaux de distribution physique. Avec Webotit, vos clients perçoivent que leurs besoins et envies sont objectivement pris en compte dans les recommandations qui leur sont proposées.
L'achat devient plus satisfaisant, les probabilités de retour et d'insatisfaction diminuent, et les clients quittent votre site ou vos points de vente avec les produits dont ils ont besoin et avec le sourire signifiant un sentiment que Robert Plutchik nommerait la joie !
N’attendez pas, prenez rendez-vous avec notre équipe !
Nos derniers articles
Retrouvez tous nos articles dans notre blog !
