Exploiter les verbatims clients pour améliorer les services de mon entreprise

Rendre les mots interprétables par les machines

Il existe de nombreuses approches qui permettent de traiter automatiquement des données textuelles. Certaines exploitent des concepts linguistiques pour explorer les structures syntaxiques ou grammaticales des langues à la recherche d'informations pertinentes. D'autres approches s'appuient sur des modèles statistiques, comme l'apprentissage automatique (machine learning), pour analyser et interpréter les motifs et les relations présents au sein des documents textuels.

Les deux commentaires qui suivent permettent d'illustrer ces explications :

« Expérience intéressante et dépaysante. Il faudrait cependant réduire les kilomètres pour 2 jours. »
« Bon accompagnement pendant ce voyage, mais peut être un peu trop de distance parcourue. »

Ces commentaires abordent un aspect moins positif du séjour : la distance parcourue était trop importante. Cependant, ce point n'est pas mentionné de la même manière par les clients. Dans le premier commentaire, c'est l'expression "réduire les kilomètres" qui permet de souligner le problème. Dans le second commentaire, il est question de "trop de distance". Il est évident qu'un annotateur humain puisse au premier coup d’œil rapprocher ces deux phrases qui pourraient faire l'objet d'une catégorie à traiter par l'agence. Mais l'absence de mots en commun pour décrire le problème va ici poser un défi pour le TAL.

Dans ce cas de figure, l'utilisation d'un modèle de langage pré-entraîné pour vectoriser ces deux commentaires peut s'avérer utile. En effet, dans un modèle de langage, il est fort probable que les vecteurs associés aux mots "distance" et "kilomètres" soient proches, car les textes utilisés pour l'entraînement des modèles vectoriels incluent probablement des phrases du langage courant où ces deux termes apparaissent conjointement. La puissance de cette méthode réside donc dans sa capacité à établir des proximités sémantiques entre des phrases qui n'ont pas de mots en commun.

Le clustering pour regrouper les messages similaires entre eux

Le clustering, est une technique utilisée en apprentissage automatique, qui permet de regrouper des données qui partagent des caractéristiques communes. Appliqué aux messages textuels, le clustering se base sur les vecteurs attribués aux mots et aux phrases, et permet ainsi à l'algorithme de fonctionner. Les messages qui partagent des traits sémantiques similaires, seront regroupés dans les mêmes clusters de données. Cette approche offre une manière puissante et efficace de découvrir des schémas (patterns) dans les données, permettant de regrouper des messages qui ont des thèmes ou significations similaires.

Prendre des décisions plus sûres

Un système de TAL offre donc une alternative qui aide à surmonter certains inconvénients des analyses manuelles, et offre une base plus solide pour la prise de décisions.

Exploiter l'intégralité des données : Contrairement aux analyses manuelles qui peuvent nécessiter un échantillonnage, le TAL permet d'accéder à des rapports d'analyse sur l'ensemble d'une base de données. Cela garantit une vision complète et exhaustive des informations disponibles et élimine le risque de partialité lié à l'analyse d'une partie des données.

Éviter les biais humains : Les analyses manuelles peuvent être sujettes à des biais individuels, chaque personne annotant de manière subjective. En utilisant un système de TAL, l'objectivité est renforcée, car l'outil suit des règles prédéfinies sans être influencé par des interprétations personnelles. Cela réduit le risque de variations dans l'annotation et assure une cohérence dans l'analyse des données.