Le NLP au service de l’automatisation de l’analyse des feedbacks consommateurs pour une meilleure fidélisation client

Dans le paysage concurrentiel actuel, l’analyse des verbatims et des feedbacks consommateurs s’avère être un levier stratégique incontournable pour les entreprises désireuses de se distinguer. Cette démarche s’inscrit au cœur de l’expérience client, elle permet non seulement de saisir les attentes et les préférences des consommateurs mais aussi d’identifier les axes d’amélioration de produits ou services. 

Analyser les feedbacks consommateurs est ainsi un moyen efficace de créer une dynamique d’amélioration continue, essentielle à la croissance et à la fidélisation client. Cela s’inscrit dans la continuité des organisations de renforcer leurs données first party notamment les commentaires, feedbacks, etc. à l’ère du cookieless. 

C’est dans ce contexte que l’utilisation du NLP, ou Natural Language Processing, se révèle être un outil puissant. En automatisant la compréhension du langage humain, le NLP permet aux entreprises de traiter et d’analyser des volumes massifs de données textuelles en temps réel, une tâche qui serait autrement fastidieuse et chronophage si elle était effectuée manuellement. 

Améliorer sa stratégie business grâce à l’analyse des verbatims consommateur

L’analyse des verbatims et feedbacks consommateurs s’impose comme un outil indispensable pour affiner les stratégies business et répondre avec précision aux attentes du marché. 

Cette démarche est particulièrement utile pour les équipes Consumer & Market Insights (CMI). En servant de point de contrôle, elle leur offre la capacité de détecter rapidement les alertes exprimées dans les verbatims consommateurs :  les communications et feedbacks à caractère urgent, ainsi que les thèmes négatifs / positifs prédominants. 

L’analyse de verbatims constitue aussi un outil très intéressant pour les équipes Marketing, produits ou encore R&D. Elle permet de mettre en lumière les suggestions des consommateurs et les sujets les plus fréquemment abordés, révélant ainsi ce qui compte véritablement pour eux. L’identification de ces éléments clés mène à une compréhension approfondie des priorités et préférences consommateurs, ouvrant la voie à l’identification de leviers business et d’opportunités stratégiques sur lesquels concentrer les efforts. Qu’il s’agisse de détecter une anomalie dans un produit, d’ajuster une politique RSE, ou de prendre en compte des suggestions de nouveaux formats, chaque insight devient une opportunité de renforcement et d’innovation. 

Dans ce contexte, l’automatisation de cette analyse grâce au NLP permet aux équipes métier de s’affranchir d’une lecture humaine chronophage et fastidieuse, rendant l’exploitation des données plus efficace. Face à un volume important de verbatims, elle devient alors indispensable.

Une diversité des approches NLP pour automatiser l’analyse des verbatims 

Le NLP, ou traitement naturel du langage, est une branche de l’intelligence artificielle qui permet aux ordinateurs de comprendre, interpréter et manipuler le langage humain. En s’appuyant sur des techniques de linguistique et d’informatique, le NLP permet ainsi aux ordinateurs de traiter et d’analyser d’importantes quantités de données textuelles. Par exemple, dans l’analyse des verbatims clients, le NLP peut identifier automatiquement les sentiments positifs ou négatifs dans les avis et les commentaires, offrant ainsi aux entreprises des insights précieux sur la satisfaction client et les domaines à améliorer. Il peut également détecter les thèmes abordés dans les verbatims ou la nature des commentaires laissés (Exemple : Est-ce une suggestion ? Une demande incitant à une réponse des équipes ?). 

Identifier les thèmes abordés par une approche par dictionnaire 

Cette première approche consiste à se baser sur des corpus de mots définissant des thèmes propres à l’activité de l’entreprise. Elle est pertinente lorsque l’on cherche à identifier des thèmes simples et concrets, aisément assimilables à un champ lexical. 

Par exemple : pour une entreprise de cosmétiques offrant des produits de SkinCare. Cette dernière peut être intéressée par l’identification de thèmes propres à son domaine tels que “l’acné”, “la sécheresse”, “l’eczéma”, “l’anti-âge” etc, ou bien encore des thèmes plus généraux comme “le RSE”, “les formats”, “la sensorialité” etc. Pour détecter leur mention dans les commentaires consommateurs, on peut alors construire des dictionnaires (ou bag of words) définissant le champ lexical de chacun de ces thèmes avec l’aide des équipes métier. La présence d’un mot de ce corpus dans un commentaire sera considérée comme une clé indiquant que le thème associé y est évoqué. Illustrons avec un exemple très simplifié, où le thème “Acné” serait défini par un dictionnaire contenant les mots “bouton”, “sébum”, “puberté” et “acné”. La phrase “J’ai une peau à tendannce acnéique et votre crème est très efficace contre mes boutons !” sera détectée comme mentionnant 2 fois le thème “Acné” grâce aux mots “acnéique” et “boutons”.  

Cette approche, accessible et simple, nécessite néanmoins un travail de traitement des données préalable pour pallier quelques difficultés : c’est ce que l’on appelle le nettoyage des données par text mining. 

Pour identifier les clés et simplifier le travail de recherche, il faut en amont simplifier le texte. On peut notamment procéder aux étapes suivantes :  

• Décomposer les phrases en plus petites unités, que l’on appelle tokens (tokenisation). 

• Enlever les stop words, c’est-à-dire les mots “vides” qui n’apportent pas d’information au texte (“et”, “car”, “le”, “désormais” etc)

• Reconnaître la racine du mot (racinisation) pour être insensible à la forme verbale / au temps employé, aux formes plurielles et singulières (“Vieillissons” / “Vieillissement” / “Vieux” font tous référence à la même forme lexicale de base “vieillir”)
• Enlever la ponctuation et les caractères spéciaux, harmoniser le texte en le passant en minuscule (pas de sensibilité aux majuscules)
• Traiter à part le cas particulier des mots composés
• Gérer les éventuelles fautes d’orthographe légères / fautes de frappe (utilisation de la distance de Levenshtein, etc.)

Dans le cadre de notre exemple, la phrase initiale “J’ai une peau à tendannce acnéique et votre crème est très efficace contre mes boutons !” serait ainsi transformée en “peau tendance acné crème efficace bouton” et l’usage du dictionnaire est alors possible.

De nombreuses librairies sont aujourd’hui accessibles pour simplifier ces étapes lors d’un projet de text mining. Voici quelques unes des principales que l’on peut retrouver sur Python et R : 

• Librairies R : koRpus, Stringr, Text2vec, Wordcloud, TM, Spacyr, dplyr, tidyr, tidytext, words, textstem
• Librairies Python : nltk, spaCy, Polyglot, Gensim, scikit-learn, TextBlob, PyTorch-NLP, Pattern

Répondre à des tâches plus complexes grâce au Machine Learning : implémenter une analyse de sentiments et une classification de texte poussée

L’étude de verbatims comprend également des besoins plus complexes qui ne peuvent pas être appréhendés par une simple approche empirique telle que celle des dictionnaires : 

• L’analyse des sentiments, qui consiste à déterminer si le texte est à caractère positif, neutre, ou négatif. Il s’agit là d’un exercice délicat car l’analyse doit prendre en compte le ton, l’importance du contexte, l’usage de sarcasme/ironie, l’usage de comparaison… 
• La classification de texte en catégories vagues. Par exemple, on peut s’intéresser à la nature générale d’un commentaire : exprime-t-il une requête ? Ou encore une suggestion ? Est-ce un verbatim “prioritaire” nécessitant d’être lu et/ou appelant à une réponse des équipes métier? 

Ces deux derniers points exigent une compréhension bien plus complexe des données textuelles et doivent par conséquent être appréhendées via des outils plus subtils tels que les modèles de Machine Learning.

De nombreux outils sont actuellement disponibles en open source pour développer de tels projets. Ces packages, librairies et modèles de machine learning sont d’excellentes bases sur lesquelles s’appuyer, mais ne fournissent que des résultats mitigés lorsqu’ils sortent d’un cadre général et s’appliquent à des secteurs spécifiques. 

Pour affiner la prédiction de sentiment et l’adapter au contexte de l’entreprise, une bonne pratique consiste à ajuster ces modèles en leur ajoutant une étape dite de “fine-tuning”. Si la quantité et la qualité de vos données d’entraînement le permettent, il s’agit alors d’ajouter une étape supplémentaire d’entraînement permettant au modèle de comprendre les subtilités de votre secteur d’activité (par exemple, le mot “graisseux” n’aura pas la même connotation suivant le secteur : en cosmétique capillaire il serait associé à un sentiment négatif, en automobile il serait neutre). 

Parmi les outils open source sur lesquels s’appuyer, en voici quelques uns qui sont largement reconnus pour leur performance et leur flexibilité : 

• Hugging Face Transformers: C’est l’une des bibliothèques les plus populaires pour le traitement du langage naturel (NLP). Elle offre un accès facile à des centaines de modèles pré-entraînés. Des modèles comme BERT, RoBERTa, ou DistilBERT peuvent être particulièrement utiles pour l’analyse de sentiment personnalisée
• AllenNLP : conçue pour les chercheurs en NLP mais est également très utile pour les applications industrielles. AllenNLP facilite le fine-tuning de modèles sur des tâches spécifiques
• Mais aussi SpaCy, FastText, Flair etc…

En termes de performance, les modèles basés sur des transformers (comme ceux disponibles via Hugging Face Transformers) sont souvent les plus puissants, grâce à leur capacité à comprendre le contexte d’un texte de manière plus nuancée, mais nécessitent plus de ressources computationnelles.

L’automatisation de l’analyse textuelle par NLP est une approche dynamique et hautement personnalisable.

L’implémentation de ces méthodes offre la possibilité d’adapter l’analyse aux besoins de l’entreprise, la rendant plus agile et adaptable (construction des dictionnaires sur-mesure, étape de fine-tuning s’adaptant au contexte d’activité). Les résultats de cette analyse sémantique peuvent ensuite être intégrés dans une application / un tableau de bord, construits pour un usage interne simple et ergonomique à destination des équipes métiers (Suivi de KPIs clés, moteur de recherche sur les verbatims selon des filtres de thèmes et de sentiments etc). Les usages et bénéfices en découlant sont multiples. 

Conclusion 

L’adoption du traitement automatique du langage naturel (NLP) pour analyser les feedbacks consommateurs marque une évolution significative dans l’approche de la fidélisation client. Cette technologie, alliant méthodes simples et avancées, permet une analyse fine et personnalisée des attentes consommateurs, offrant ainsi une réponse adaptée à leurs besoins. En somme, le NLP se révèle être un outil stratégique essentiel pour enrichir l’expérience client et renforcer la compétitivité des entreprises dans un marché centré sur la satisfaction et l’engagement des consommateurs.