PARTAGER L’ARTICLE SUR
L’analyse des sentiments est un sous-ensemble de la recherche textuelle, parfois appelée mining. Elle utilise une combinaison de statistiques, de traitement du langage naturel (NLP) et d’apprentissage automatique pour identifier et extraire des informations subjectives à partir de fichiers texte, telles que les sentiments, les pensées, les jugements ou les évaluations d’un examinateur sur un sujet, un événement ou, comme mentionné précédemment, une entreprise et ses activités. Ce type d’analyse est parfois appelé exploration d’opinion (avec une concentration sur l’extraction) ou évaluation émotionnelle. Certains experts utilisent également les mots catégorisation et extraction de sentiments. Le but de l’analyse des sentiments, quelle que soit sa nomenclature, est le même : déterminer l’opinion d’un utilisateur ou d’un public sur un élément cible en évaluant un grand volume de texte provenant de nombreuses sources.
L’analyse des sentiments permet aux organisations de tirer parti d’énormes volumes de données gratuites pour mieux comprendre les exigences et les attitudes de leurs clients vis-à-vis de leur marque. Les organisations surveillent les interactions Internet afin d’améliorer leurs produits et services tout en maintenant leur réputation. L’analyse élève le service à la clientèle à un tout nouveau niveau. Les systèmes de support client qui utilisent la SA hiérarchisent les demandes entrantes, permettant au personnel d’aider en priorité les clients les plus exigeants. L’analyse des sentiments est également une technique efficace pour l’analyse de la main-d’œuvre.
Mener des recherches exploratoires semble délicat, mais un guide efficace peut servir.
La technologie sous-jacente à la procédure est basée sur des algorithmes de traitement du langage naturel et d’apprentissage automatique qui identifient le texte comme positif, neutre ou négatif.
L’analyse des sentiments peut utiliser une variété d’algorithmes :
Ce système est entièrement basé sur des techniques d’apprentissage automatique et apprend à partir des données reçues. La partie la plus fondamentale de l’intelligence artificielle est l’apprentissage automatique.
Le processus d’analyse automatique des sentiments commence par la création d’un ensemble de données comprenant un groupe de textes étiquetés comme positifs, négatifs ou neutres.
L’apprentissage commence et se poursuit comme un processus semi-automatique lorsque cela en place. Cette méthode apprend à partir des données jusqu’à ce que le système atteigne un certain degré d’indépendance, ce qui est suffisant pour juger avec précision le sentiment des textes inconnus. Il est donc essentiel de savoir quelles sont les données alimentées à l’algorithme.
Si l’algorithme n’a jamais vu un certain cas auparavant, il ne sera pas en mesure de fournir d’analyse précise.
L’un des avantages les plus significatifs de cet algorithme est la grande quantité de données qu’il peut évaluer – bien plus qu’un algorithme basé sur des règles.
En ce qui concerne les inconvénients, l’algorithme rend difficile l’explication des conclusions derrière les analyses de texte, ce qui signifie qu’il est difficile de dire pourquoi une certaine phrase a été étiquetée comme bonne ou mauvaise.
Cette méthode est construite autour de lexiques développés manuellement et qui définissent des chaînes de mots positives et négatives. Le programme compare ensuite le nombre de termes positifs et négatifs pour déterminer lesquels sont les plus répandus.
D’autres caractéristiques du texte, telles qu’une partie de la parole, la grammaire, etc., peuvent être régies par des règles.
En ce qui concerne les principes qui sous-tendent l’analyse, cette méthode est simple à appliquer et transparente.
Cette méthode comprend les deux techniques mentionnées précédemment et semble être l’approche la plus réussie.
Cela est dû au fait qu’elle combine la haute précision fournie par l’apprentissage automatique avec la stabilité fournie par l’approche basée sur des règles et sur un lexique.
L’analyse des sentiments est utilisée dans divers secteurs. Bien que les applications de l’analyse des sentiments soient interdépendantes, elles visent toutes à améliorer les performances grâce à l’étude des fluctuations de l’opinion publique.
Si Internet était un ruisseau de montagne, évaluer le matériel généré par les utilisateurs sur les médias sociaux et d’autres plateformes serait comme aller pêcher la truite pendant la saison de frai. Les gens aiment discuter des dernières nouvelles, des événements locaux et mondiaux et de leurs propres expériences de service à la clientèle. Twitter et Facebook sont des endroits populaires pour les batailles quotidiennes de commentaires et les débats animés (pour le dire gentiment !). Quelques heures après leur publication sur Reddit, les nouvelles sur les célébrités, les entrepreneurs et les entreprises mondiales attirent des milliers d’utilisateurs : Time, The Economist et CNBC, ainsi que des millions de blogs, forums et sites Web.
Il est essentiel de comprendre non seulement l’opinion de la société sur votre entreprise, mais aussi qui en parle. Mesurer le ton peut également nous aider à déterminer si et quand les influenceurs de l’industrie mentionnent votre entreprise. De plus, un logiciel d’analyse des sentiments peut accomplir tout cela en temps réel et sur tous les canaux.
Une chose est sûre : nous et nos concurrents avons un public cible. Nous pouvons suivre et examiner comment la société perçoit les rivaux de la même manière que nous analysons son attitude envers votre entreprise. Qu’est-ce que les clients aiment le plus chez les autres participants de l’industrie ? Y a-t-il quelque chose qui manque chez les rivaux ou qu’ils font incorrectement? Quels canaux les clients utilisent-ils pour communiquer avec d’autres entreprises ? Nous utilisons ces connaissances pour améliorer nos tactiques de communication et de marketing, le service général et les services et biens que nous offrons à nos clients.
L’analyse concurrentielle qui inclut l’analyse des sentiments peut également nous aider à identifier nos propres défauts et forces, ainsi que les méthodes potentielles pour vous différencier.
La catégorisation des sentiments est utilisée par les marques hôtelières, les institutions financières, les commerçants, les organisations de transport et d’autres industries pour maximiser les performances du service client. Les utilisateurs peuvent automatiser la classification des messages de support client entrants par polarité, sujet, aspect et priorité à l’aide de technologies d’analyse de texte telles que IBM Watson Natural Language Understanding ou MonkeyLearn. Les demandes sont ensuite envoyées à certaines équipes et expertises. Parce qu’il est préférable d’éteindre une étincelle avant qu’elle ne devienne un brasier, les nouvelles communications des consommateurs les moins satisfaits et les plus furieux sont traitées en premier. Satalytics, par exemple, catégorise les commentaires en fonction de l’appareil, de l’étape du parcours client et du fait que le consommateur soit nouveau ou revenant.
Chaque entrepreneur gagne chaque fois que des gens font la queue pour que les magasins ouvrent et pour se précipiter à l’intérieur, acquérir ce nouveau produit et en devenir l’un des premiers propriétaires au monde. Comment le produit désiré peut-il être mis sur le marché ? La seule façon de s’y prendre est de leur demander ce qu’ils veulent. Les entreprises qui réussissent créent un produit minimum viable (MVP), obtiennent des commentaires précoces et continuent d’améliorer un produit même après sa sortie. Les données provenant des sondages, des médias sociaux et des forums, ainsi que les interactions avec le service client, sont utilisées pour générer des commentaires. Des questions émergent sur la façon de déterminer quels groupes de consommateurs interroger, comment évaluer cet océan de données et comment classer les commentaires.
C’est là qu’intervient l’analyse des sentiments. Elle permet d’en apprendre davantage sur les avantages et les inconvénients d’un produit. Par exemple, un étudiant de l’Oklahoma State University a examiné les critiques Amazon pour deux modèles de téléphones Samsung (Galaxy S6 et Galaxy S7) et deux appareils Apple (iPhone 6 et iPhone 7) pour voir pourquoi les gens choisissent une marque plutôt qu’une autre. Il a découvert que les personnes qui privilégient une batterie stable et un écran décent choisissent les téléphones Samsung. Les clients qui sont plus intéressés par le design et la photographie choisissent les iPhones.
Le filtrage des commentaires par sujet et par émotion nous permet de déterminer quelles fonctionnalités sont requises et lesquelles doivent être supprimées. Avec les résultats de l’analyse des sentiments en main, une équipe de développement de produits saura exactement comment offrir un produit que les clients apprécieront.
Comme indiqué précédemment, les plateformes et les forums de médias sociaux sont d’excellentes sources de connaissances sur n’importe quel sujet. Les gens parlent de nouvelles et de biens, et ils écrivent sur leurs croyances, leurs rêves, leurs besoins quotidiens et leurs événements. Et ils le font librement 24 heures sur 24, 7 jours sur 7.
L’analyse des sentiments résout le problème du traitement de grandes quantités de données non structurées. Les spécialistes du marketing utilisent l’analyse de texte pour étudier et évaluer les modèles de comportement des clients en temps réel afin de prévoir les tendances futures et d’aider la direction à prendre des décisions éclairées. Un autre avantage de l’analyse des sentiments est qu’elle ne nécessite pas d’investissement important et permet la collecte de données précises et légitimes, car elles sont générées par les utilisateurs.
Certaines entreprises utilisent l’analyse des sentiments pour les procédures liées aux ressources humaines en plus des études de marché ou de l’examen de l’expérience client. Ces entreprises suivent le bonheur des employés et recherchent les problèmes qui démotivent les membres de l’équipe et, par conséquent, réduisent les performances de l’entreprise. Les spécialistes utilisent un logiciel SA pour automatiser l’examen des sondages auprès des employés, ce qui leur permet de traiter les problèmes et les préoccupations plus rapidement. Les gestionnaires des ressources humaines peuvent identifier et suivre le ton général des commentaires, organiser les données par départements et par mots-clés, et déterminer si l’attitude des employés a changé au fil du temps.
L’analyse des sentiments fait passer la surveillance de l’humeur des employés au niveau supérieur en permettant une surveillance en temps réel. Par exemple, chaque mois, les membres de l’équipe peuvent remplir nos formulaires de sondage avec une seule demande pour évaluer leur situation au travail. Il est aussi possible d’examiner les publications sur les médias sociaux pour voir s’il existe un lien entre leur état mental et leur vie professionnelle.
Découvrez le logiciel de sondage Voxco en action avec une démo gratuite.
En général, la précision d’un système d’analyse des sentiments est déterminée par sa conformité avec les évaluations humaines. Ceci est souvent évalué à l’aide de différentes mesures basées sur l’exactitude et le rappel dans les deux catégories cibles de textes négatifs et positifs. Les évaluateurs humains, en revanche, ne concordent qu’a environ 80 % [59 %] du temps, selon l’étude (voir Fiabilité inter-évaluateurs). Ainsi, un logiciel qui atteint une précision de 70 % dans la classification des sentiments fait presque aussi bien que les humains, malgré le fait que cette précision peut ne pas sembler remarquable. Même si un logiciel était « correct » 100 % du temps, les gens seraient toujours environ 20 % du temps en désaccord avec lui, puisqu’ils discutent toute réponse.
Les systèmes informatiques, en revanche, commettront des erreurs très différentes de celles des évaluateurs humains, de sorte que les résultats ne sont pas entièrement comparables. Un système informatique, par exemple, aura du mal avec les négations, les exagérations, les blagues ou le sarcasme, qui sont normalement faciles à comprendre pour un lecteur humain : certaines erreurs commises par un système informatique sembleront trop naïves à une personne. En général, l’utilité de l’analyse des sentiments telle que définie dans la recherche universitaire pour les tâches commerciales pratiques a été remise en question, principalement parce que le simple modèle unidimensionnel du sentiment du négatif au positif fournit relativement peu d’informations exploitables pour un client préoccupé par l’impact du discours public sur, par exemple, la marque ou la réputation de l’entreprise.
Pour mieux répondre aux demandes du marché, l’évaluation de l’analyse des sentiments est passée à des mesures plus axées sur les tâches développées en collaboration avec des représentants d’agences de relations publiques et des spécialistes des études de marché. Dans l’ensemble de données d’évaluation RepLab, par exemple, l’accent est moins mis sur le contenu du texte examiné que sur l’influence du texte en question sur la réputation de la marque.
Étant donné que l’évaluation de l’analyse des sentiments est de plus en plus basée sur les tâches, chaque implémentation nécessite un modèle de formation distinct pour fournir une représentation plus précise du sentiment pour une collecte de données spécifique.
En raison de la complexité du langage, l’analyse des sentiments doit faire face à divers défis. Il peut être difficile d’attribuer une catégorisation de sentiment à une phrase dans certains cas. C’est là que l’analyse des sentiments basée sur le traitement du langage naturel est utile, car l’ordinateur tente d’imiter le discours humain réel.
Les conjonctions contrastives sont un défi auquel un système d’analyse des sentiments doit faire face lorsqu’un morceau de texte (une phrase) contient deux termes contradictoires (à la fois positif et négatif).
« Le temps était mauvais, mais le trek était incroyable! », par exemple.
Un autre problème important rencontré par les algorithmes est la reconnaissance des entités nommées. Les mots ont des significations distinctes dans différents contextes.
« L’Everest » fait-il référence à la montagne ou au film ?
Le problème des références à l’intérieur d’une phrase, également connu sous le nom de résolution de pronom, spécifie à quoi un pronom ou un mot se réfère.
« Nous sommes allés au théâtre, puis au souper », par exemple. « C’était épouvantable. »
Est-ce qu’il existe une technologie d’analyse des sentiments capable d’identifier le sarcasme ? Si vous en connaissez une, faites-le-nous savoir !
« Je suis tellement content que l’avion ait du retard », par exemple.
Il se trouve que chaque langue utilisée en ligne prend sa propre personnalité. Une mauvaise orthographe, des abréviations, des acronymes, un manque de majuscules et une mauvaise grammaire émergent de l’économie de la langue et d’Internet en tant que média. L’examen d’un tel texte peut présenter des problèmes pour les systèmes d’analyse des sentiments.
English
French