Sentiment analysis : qu’est-ce que la méthode d’analyse des sen­ti­ments ?

L’analyse des sen­ti­ments est une méthode de trai­te­ment au­to­ma­tique du langage naturel qui vise à iden­ti­fier la tonalité ou l’attitude exprimée dans un texte. Elle est utilisée pour évaluer au­to­ma­ti­que­ment les opinions exprimées sur les réseaux sociaux, des avis clients ou des enquêtes.

Sentiment analysis : pourquoi en a-t-on besoin ?

Le succès ou l’échec d’une marque ne dépend pas uni­que­ment des ventes directes, qui peuvent fluctuer à court terme, mais aussi de l’opinion des clients. Ce qui compte avant tout, c’est la manière dont les clients po­ten­tiels parlent de la marque, qu’ils aient déjà acheté le produit ou non.

• La marque est-elle dans l’air du temps ?
• Le public cible perçoit-il la marque de façon positive, ou au contraire négative ?
• Est-elle au contraire to­ta­le­ment ignorée ?
• La marque est-elle appréciée des in­fluen­ceurs ?

Autant de questions es­sen­tielles aux­quelles une en­tre­prise doit répondre en s’appuyant sur un suivi régulier et ciblé des réseaux sociaux. Les analyses de sen­ti­ments sont également utilisées par les experts de la bourse, afin d’anticiper l’évolution du cours des actions à partir du com­por­te­ment d’achat et du climat général parmi les in­ves­tis­seurs.

Sentiment analysis : comment cela fonc­tionne ?

L’analyse des sen­ti­ments, également appelée opinion mining ou sentiment analysis en anglais, repose sur l’éva­lua­tion au­to­ma­ti­sée de com­men­taires d’uti­li­sa­teurs afin de dé­ter­mi­ner si un texte exprime plutôt une opinion positive ou négative. Elle s’appuie sur des méthodes de text mining (voir aussi data mining), c’est-à-dire l’analyse au­to­ma­tique de textes rédigés en langage naturel.

Parmi les prin­ci­paux défis de cette dis­ci­pline, on peut citer :

• Le langage naturel ne se réduit pas à des listes de mots positifs et négatifs : son sens varie selon le contexte.
• Les méthodes d’analyse qui se basent sur un dic­tion­naire thé­ma­tique de mots positifs ou négatifs ne four­nis­sent qu’une vision très ap­proxi­ma­tive.
• La fréquence d’ap­pa­ri­tion de certains mots associés à une éva­lua­tion positive ou négative d’un produit n’est pas né­ces­sai­re­ment re­pré­sen­ta­tive.
• Sur les réseaux sociaux, les opinions ne sont pas toujours exprimées selon les règles gram­ma­ti­cales.
• Selon la cible, on observe des va­ria­tions dans l’usage du langage, par exemple avec l’argot ou le langage des jeunes.

Ces dif­fi­cul­tés peuvent être il­lus­trées à travers deux exemples de com­men­taires clients :

Pour réaliser une analyse des sen­ti­ments efficace, on a donc de plus en plus recours à des outils basés sur l’in­tel­li­gence ar­ti­fi­cielle. Les méthodes de machine learning per­met­tent d’entraîner des outils capables de prendre en compte le groupe cible et le contexte du produit analysé. À long terme, cela améliore la qualité des résultats.

Sentiment analysis : quel est le but ?

Sa fonction prin­ci­pale est de dresser un tableau du sentiment général à l’égard d’un produit ou d’une marque au sein d’un public cible donné. Pour cela, on peut par exemple collecter toutes les critiques de produits sur les sites des grandes boutiques en ligne ou bien fouiller les pu­bli­ca­tions sur le sujet sur Facebook, Twitter et les autres réseaux sociaux.

Ce type d’analyse doit tenir compte des émotions qui im­prèg­nent le texte et com­prendre ce que l’auteur veut vraiment dire.

Il ne s’agit toutefois pas d’un outil destiné à répondre in­di­vi­duel­le­ment aux avis ou aux éva­lua­tions de produits. Dans de tels cas, il est pré­fé­rable qu’une personne rédige une réponse per­son­na­li­sée.

Sentiment analysis : quels sont les avantages ?

L’analyse des sen­ti­ments offre aux en­tre­prises de nombreux avantages dans les domaines du marketing, du service client et de la per­cep­tion de la marque. L’éva­lua­tion au­to­ma­ti­sée de grandes quantités de textes permet d’analyser et d’exploiter de manière ciblée les opinions, attitudes et émotions des clients.

✓ Détection précoce des avis négatifs : des analyses de texte pro­fes­sion­nelles per­met­tent de saisir ra­pi­de­ment les tendances au sein d’une cible. Les en­tre­prises peuvent ainsi réagir à temps avec des mesures adaptées, par exemple via une com­mu­ni­ca­tion ajustée ou des campagnes ciblées.

✓ Marketing plus ciblé : grâce à l’analyse des com­men­taires clients, il est possible d’iden­ti­fier les ex­pé­riences positives. Ces in­for­ma­tions peuvent servir à proposer de la publicité per­son­na­li­sée ou des offres pro­mo­tion­nelles, idéa­le­ment là où la cible est la plus active.

✓ Ren­for­ce­ment de la fi­dé­li­sa­tion : mieux com­prendre sa clientèle permet de créer des offres plus adaptées et de répondre à ses besoins. Cela renforce la fi­dé­li­sa­tion et augmente du­ra­ble­ment la sa­tis­fac­tion.

✓ Gestion de la ré­pu­ta­tion : l’opinion mining aide à suivre la per­cep­tion publique de la marque. Les crises po­ten­tielles peuvent ainsi être détectées ra­pi­de­ment et les risques de ré­pu­ta­tion réduits.

Sentiment analysis : quand utiliser la méthode ?

L’analyse des sen­ti­ments trouve de nom­breuses ap­pli­ca­tions dès lors que les opinions, éva­lua­tions ou états d’esprit jouent un rôle. Les en­tre­prises l’utilisent notamment pour mieux com­prendre le com­por­te­ment de leurs clients et réagir plus ra­pi­de­ment aux tendances. Voici quelques domaines d’uti­li­sa­tion courants :

• Campagnes pu­bli­ci­taires sur les réseaux sociaux : les clients po­ten­tiels réa­gis­sent ici di­rec­te­ment aux messages de l’en­tre­prise et com­mu­ni­quent parfois entre eux, souvent de manière plus honnête qu’ils ne le feraient avec la marque elle-même.
• Ajus­te­ment des campagnes : lorsqu’une tendance négative apparaît ou qu’un produit est perçu de manière erronée, les campagnes peuvent être adaptées ra­pi­de­ment puis réé­va­luées.
• Réactions aux évo­lu­tions de produits ou de marque : après le lancement d’une nouvelle version améliorée d’un produit ou à la suite de chan­ge­ments visuels dans l’identité de marque, les analyses de sen­ti­ments per­met­tent d’évaluer l’impact sur la sa­tis­fac­tion client et sur le com­por­te­ment d’éventuels nouveaux clients.
• Iden­ti­fi­ca­tion de contenus per­ti­nents : outre le filtrage du spam, il s’agit aussi d’écarter de l’analyse les textes qui n’ont qu’un lien indirect avec le produit.
• Clas­se­ment des retours clients : les com­men­taires per­ti­nents con­cer­nant la marque peuvent être ca­té­go­ri­sés, par exemple pour dis­tin­guer les vé­ri­tables avis sur un produit des critiques visant plutôt le service client ou l’emballage, qui con­tien­nent souvent plus de termes négatifs.
• Mesure du succès des campagnes : cette approche permet de mesurer le succès d’une campagne marketing, par exemple lorsque les mots-clés ou slogans pu­bli­ci­taires ap­pa­rais­sent fré­quem­ment associés à des termes positifs dans les com­men­taires.

Exemple simple d’une analyse des sen­ti­ments

Google Natural Language est une interface de pro­gram­ma­tion (API) qui propose notamment des méthodes simples de sentiment analysis et peut être intégrée à des logiciels pro­prié­taires. Google offre la pos­si­bi­lité à tout uti­li­sa­teur (pas uni­que­ment aux dé­ve­lop­peurs) de tester cette API. Il suffit de copier un texte dans le champ de saisie de l’API pour accéder à dif­fé­rentes options d’analyse textuelle, dont l’analyse des sen­ti­ments.

Chaque phrase est analysée sé­pa­ré­ment et se voit attribuer une note comprise entre -1 et +1 : la première cor­res­pond à un sentiment très négatif, la seconde à une im­pres­sion très positive. Les notes des dif­fé­rentes phrases sont ensuite ad­di­tion­nées, et le score total est ensuite in­ter­prété à l’aide d’une grille de notation pré­dé­fi­nie.

L’exemple suivant repose sur un avis fictif con­cer­nant une bouil­loire. Le résultat met en évidence les limites de l’analyse textuelle au­to­ma­tique : la phrase la plus mal notée contient l’ex­pres­sion négative « Je n’imaginais même pas ». Pourtant, replacée dans son contexte, elle exprime en réalité un com­pli­ment.

Ce type de tournure restant re­la­ti­ve­ment rare dans les avis (tout comme l’ironie), une analyse des sen­ti­ments, même basique, permet malgré tout de dégager une tendance générale dès lors que l’on dispose d’un volume important de textes.

Close

Sentiment analysis : quels outils existe-t-il ?

Outre l’API Natural Language de Google men­tion­née ci-dessus, il existe d’autres outils d’analyse pro­fes­sion­nels capables d’analyser de grandes quantités de texte. Au moment d’en choisir un, il faut veiller à ce que l’outil prenne en charge la langue française et contienne des listes de mots et des bases de données de tournures types compilées par des locuteurs natifs. Chaque langue, surtout dans son registre familier, a ses propres sub­ti­li­tés, qu’un tra­duc­teur au­to­ma­tique ne peut pas re­pro­duire sans dénaturer le ton du texte.

Hootsuite

L’analyse des sen­ti­ments assistée par IA dans le tableau de bord de Hootsuite permet d’évaluer au­to­ma­ti­que­ment les prin­ci­paux réseaux sociaux, portails d’actualité, blogs et forums connus afin de dé­ter­mi­ner la per­cep­tion générale des in­ter­nautes vis-à-vis d’une marque ou d’un produit. Les com­men­taires pris en compte pour l’analyse peuvent être filtrés selon dif­fé­rents mots-clés et groupes cibles.

L’outil ne se limite cependant pas à cela : il propose aussi d’autres fonc­tion­na­li­tés utiles aux en­tre­prises. Il inclut par exemple une as­sis­tance par IA pour la création de contenus et re­com­mande les meilleurs moments pour publier.

IBM Watson Natural Language Un­ders­tan­ding

IBM Watson Natural Language Un­ders­tan­ding est un puissant outil d’analyse de texte basé sur l’IA, capable de détecter notamment les sen­ti­ments, les émotions, les mots-clés et les thé­ma­tiques. Il permet une analyse détaillée de contenus dans plusieurs langues. L’API peut être intégrée de manière flexible à des systèmes existants et fournit des in­for­ma­tions précises sur la tonalité et l’intention des textes. Une version d’essai gratuite est dis­po­nible pour tester l’outil d’IBM.

Cli­ck­wor­ker

Cli­ck­wor­ker adopte une approche dif­fé­rente. Ici, un vaste réseau d’uti­li­sa­teurs travaille sur les textes via des micro-tâches. Au lieu d’une analyse au­to­ma­tique, on obtient ainsi une éva­lua­tion de la tonalité des contenus à partir de questions ciblées et simples.

L’avantage de cette méthode est évident : l’in­tel­li­gence humaine permet d’in­ter­pré­ter les sen­ti­ments de manière globale sans se limiter à la con­no­ta­tion de mots isolés. Grâce à l’in­ter­ven­tion de trois à cinq cli­ck­wor­kers par texte et à un système de décision basé sur la majorité, les résultats offrent un haut degré de fiabilité.