Au-delà de la simple dichotomie positif-négatif, découvrez l'analyse de sentiments à base d'aspects
|
|
Le besoin
Classer la polarité des avis clients de manière fine
Notre système actuel permet de détecter la polarité d'un avis client sur le plan global. Cependant, il est fréquent que les clients veuillent se renseigner sur un aspect particulier d'un produit tel que le prix, la durée et la facilité d'utilisation, etc. Ce que nous cherchons aujourd'hui est donc un système capable de détecter, sur la base des avis clients existants, la polarité des sentiments de ces derniers à l'égard des différents aspects d'un produit.
L'intérêt de la mise en place d'un tel système est double :
- Sur le plan de l'expérience utilisateur, cette solution permettra aux nouveaux clients de lire des avis classés par aspects, ce qui mènera à plus d'achats avec moins de retour d'articles parce que les clients seront mieux informés sur les caractéristiques d'articles qui les intéressent.
- L'équipe d'analyse et le service R&D, en aval, seront capables de suivre les feedbacks des clients d'une manière ciblée.
La solution
Analyse de sentiments à base d'aspects
Polarité des avis clients, une information précieuse
L'analyse de sentiments est une solution d'analyse automatisée consistant à détecter la polarité d'un avis client à l'aide de l'intelligence artificielle (IA). C'est une solution relativement mature qui produit deux types d'outputs :
- une catégorie de sentiment : positif, négatif ou neutre ;
- une note allant en général de 0 à 5 : plus la note est élevée, plus le sentiment est positif.
Ce type d'informations sont capitales pour les entreprises de vente en ligne (e-commerce).
- D'un côté, l'équipe d'analyse peut s'appuyer sur les retours des clients pour classer les produits de manière plus fine. S'il est vrai qu'il est possible d'utiliser le nombre d'achats comme indice de popularité, ce dernier ne dit rien sur les ressentis des clients après l'achat. Il se peut donc qu'un produit soit acheté par un grand nombre de clients grâce à un prix peu élevé, mais reçoive majoritairement des avis négatifs à cause de sa mauvaise qualité. Identifier rapidement ce type de produits est ainsi crucial avant que la réputation de la marque/entreprise soit compromise.
- De l'autre côté, les avis clients existants peuvent guider les futurs clients dans leur achat. La polarité des avis, entre autres, offre des informations non contenues dans les présentations de produit officielles.
Cependant, l'analyse de sentiments, dans sa forme traditionnelle, reste une solution d'analyse globale. Or, les informations contenues dans les avis clients sont très riches et ne peuvent se résumer par une seule catégorie ou une seule note. Prix, facilité d'utilisation, durée, tant de dimensions sont exploitables lorsqu'il s'agit d'évaluer un produit. Une analyse automatique avec plus de granularité peut aussi améliorer l'expérience d'achat des clients de manière plus ciblée, car chaque client est intéressé par des aspects particuliers d'un produit. Certains sites proposent de "ventiler" l'avis sur ces différents aspects avec différentes zones de saisie, ce qui alourdit l'expérience utilisateur et risque au bout du compte de faire perdre des avis.
Analyse de sentiments à base d'aspects, une solution d'analyse plus fine
L'analyse de sentiments à base d'aspects (ASBA) est une solution d'analyse avancée et intéressante à plusieurs titres :
- S'il est envisageable (mais non réaliste à grande échelle à cause du coût) d'étiqueter manuellement des avis clients comme positif, négatif ou neutre, il est quasiment impossible de passer manuellement au crible des milliers d'avis clients si l'on vise une analyse avec plus de granularité. Automatiser cette étape conduira ainsi à d'importantes économies en termes de main d'œuvre et de temps, ce qui permet au personnel d'analyse de se concentrer sur des tâches plus importantes.
- L'automatisation de l'analyse mène également à une objectivité accrue. En effet, l'IA se montre souvent plus constante que l'humain dans des tâches de classification.
- L'ASBA est un moyen de monitoring efficace pour connaître non seulement les atouts et les faiblesses principales d'un produit, mais aussi les répercussions des améliorations que propose le service R&D. Si le service après-vente a identifié, grâce à l'ASBA, un besoin particulier revendiqué par la majorité des clients, la même solution peut être utilisée pour s'assurer que les améliorations proposées par l'équipe R&D mènent à des feedbacks positifs sur l'aspect spécifique qui a suscité le plus de mécontentement.
Sur le plan technique, quelle différence avec l'analyse de sentiments traditionnelle ?
La principale différence entre l'analyse de sentiments globale et l'ASBA réside dans le fait que cette dernière nécessite deux étapes d'analyse distinctes : extraction d'aspects (caractéristiques de produits) et analyse de sentiments liés à chaque aspect. Les lecteurs intéressés sont invités à se référer à cette étude cas sur l'analyse des avis hôteliers pour mieux comprendre ces deux étapes dans un contexte applicatif.
En ce qui concerne l'extraction d'aspects, qui est un type particulier d'extraction d'information, il est à noter que comme beaucoup de solutions en IA, les premières méthodes sont basées sur des règles manuelles rédigées par des experts. Ces règles reposent sur des patrons linguistiques construits à partir des règles grammaticales ainsi que des dictionnaires lexicaux. L'élaboration de telles règles est coûteuse, sans parler du fait que ce type de systèmes sont particulièrement difficiles à maintenir.
Les méthodes ultérieures sont basées sont l'apprentissage supervisé et nécessitent de ce fait un corpus de textes pré-annoté. Dans un premier temps, un nombre d'aspects est défini. Par la suite, toute séquence de mots pertinente dans le texte est annotée en aspects. La tâche d'entraînement devient dès lors celle de l'étiquetage automatique de séquence de mots, une tâche où les méthodes à base de champs aléatoires conditionnels (CRF en anglais) sont particulièrement efficaces. Il est à noter que de récentes techniques, issues du Deep Learning, permettent de générer automatique des catégories d'aspects sans une terminologie pré-définie.
Sur le plan de l'analyse de sentiments liés à chaque aspect, il s'agit d'une tâche de classification classique où de nombreuses méthodes, aussi bien par règles que par apprentissage, sont applicables.
Points d'attention
L'analyse de sentiments à base d'aspects est une technique efficace pour améliorer l'expérience client des sites de vente en ligne. À la fois utile pour repérer les principales faiblesses des produits et monitorer les feedbacks des clients sur les améliorations qu'apporte le service R&D, cette technique est indispensable si l'équipe d'analyse aspire à extraire des informations contenues dans des avis clients à un niveau plus fin. Attention toutefois : la précision de ce type de systèmes est en général moins élevée par rapport à l'analyse de sentiments globale à cause de la complexité de la tâche.