Gérer les avis négatifs et minimiser l’impact des cas de crise sur les réseaux sociaux grâce à l’analyse de sentiments

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Comment gérer les avis négatifs et minimiser l'impact des cas de crise sur les réseaux sociaux

Responsable réseaux sociaux d’une petite entreprise de cosmétiques, nous devons gérer les avis négatifs postés sur les réseaux sociaux, potentiellement néfastes à notre image. Contrairement à des avis laissés sur le site de l’entreprise, la vitesse de propagation sur les réseaux est bien plus élevée, ce qui mène quelquefois à des cas de crise lorsque ces avis négatifs ne sont pas gérés à temps.

Aujourd’hui, mon entreprise répond aux commentaires négatifs un à un mais, parce que nous sommes une petite structure, nous ne pouvons pas mobiliser des ressources à plein temps pour traiter immédiatement chaque commentaire sous nos publications ou même les prendre en compte pour mieux communiquer par la suite. Notre temps de réponse moyen se situe entre 10 et 24 heures. A cause de cela, nous avons remarqué qu’étant donné que les avis négatifs se propagent très rapidement sur les réseaux sociaux sans que nous puissions y réagir en temps et en heure, ils mènent à une situation périlleuse à laquelle nous nous efforçons de réagir au mieux en convertissant de manière positive.

Nous ne pouvons également pas nous permettre de supprimer automatiquement ces commentaires négatifs car nous voulons éviter l’effet Streisand et donner malgré nous de la visibilité à une publication ou un commentaire alors que nous souhaitons le voir être ignoré.

Nous craignons donc que nous ne puissions réagir à temps lors d’un cas de crise et que son impact soit trop important pour notre marque.

En tant que responsable marketing réseaux sociaux, j’ai donc besoin d’un outil qui me prévienne afin que que je puisse gérer au plus vite les commentaires négatifs et minimiser l’impact en cas de crise sur notre marque et sur nos ventes.

La solution

L’analyse de sentiments pour gérer et minimiser l’impact des avis négatifs sur les réseaux sociaux

L’analyse de sentiments est une technologie notamment utilisée pour déterminer automatiquement si un texte est à caractère positif (transmet des émotions comme la joie ou l’excitation), négatif (transmet des émotions comme la déception ou le désaccord), ou neutre (ne présente pas d’émotion particulière). Les réseaux sociaux permettent d'avoir de manière immédiate et directe l'avis des clients ou des acheteurs potentiels sur les produits ou services.

Utiliser l’analyse de sentiments sur les réseaux sociaux permet donc d'analyser finement les avis et en particulier d'identifier :

  • si l'avis est positif ou négatif,
  • sur quel aspect du produit (emballage, fragrance, coût, image…) porte cet avis.

Cette analyse peut être utilisée pour :

  • réagir au plus vite à un avis négatif, et prévenir un éventuel effet boule de neige,
  • cartographier les avis des clients, pour améliorer la communication.

Des moyennes journalières peuvent alors être bâties par l'outil pour permettre au collaborateur marketing d'analyser et comprendre si l’accueil d’un produit le jour de son annonce a été positif ou non. L’analyse de sentiments aide ce collaborateur à effectuer des tâches plus efficacement, comme recueillir les données et effectuer un rapport généralisé sur les sentiments, ce qui permet de remarquer si une tendance négative se détache et donc réagir plus vite en conséquente. Cette cartographie pourra être utilisée pour repérer l'origine d'un cas de crise et comprendre son évolution sur les réseaux sociaux.

Effectuer un rapport grâce à l’analyse de sentiments

Que votre entreprise soit relativement petite et que vous ne puissiez pas vous permettre de mobiliser des ressources à temps plein ou que votre entreprise soit suffisamment grande pour recevoir plusieurs dizaines de mentions et de commentaires sur les réseaux sociaux, l’analyse de sentiments fournit un rapport automatique et en temps réel de l’opinion qu’a votre clientèle sur les réseaux. Cette solution vous permet en outre de décider quels commentaires et quelles mentions sont à prioriser (ce sont notamment le cas des commentaires et mentions négatifs très partagés).

Le rapport effectué par l’analyseur peut contenir les éléments suivants, qui ont tous un rôle à jouer dans la prévention des cas de crise :

  • nombre de mentions de la marque,
  • pourcentage de mentions positives,
  • pourcentage de mentions négatives,
  • score de sentiment calculé sur un réseau social (anciennement, c’était le score NPS, Net Promoter Score, qui était utilisé),
  • évolution du score de sentiment dans le temps.

Il existe plusieurs façons de calculer un score de sentiment selon que les commentaires neutres sont pris en compte ou non. Cependant, la façon la plus courante de le calculer est de représenter le sentiment du client par une valeur entre -100 et +100 avec -100 traduisant un avis extrêmement négatif et +100 extrêmement positif.

Les solutions d'analyse d'opinion reposent sur un large éventail de solutions techniques. Pour certaines solutions, la valeur du sentiment d'un commentaire, ou plus généralement d'une phrase, se calcule en suivant ces étapes : 

  1. Les mots superflus doivent être enlevés. Il peut s'agir d'expression figées, de mots sémantiquement vide comme les prépositions ou les déterminants.
  2. Parmi les mots qui restent, seules les expressions à caractère positif ou négatif sont gardées. Ce sont notamment le cas des adjectifs et des adverbes qui permettent d'apporter une modalité au nom. Toutes les expressions neutres sont donc enlevées.
  3. Les occurrences de mots positifs et négatifs sont comptées ainsi que leur intensité d'émotion.
  4. Le score de sentiment final de ce commentaire peut être obtenu :
    • soit en faisant la différence entre le nombre de mots positifs et le nombre de mots négatifs,
    • soit en déduisant cette différence par la longueur de la phrase en mots,
    • soit en divisant le nombre de mots positifs par le nombre de mots négatifs auquel on a ajouté 1.

Par exemple, étant donnés les tweets suivants, avec leurs nombres de mots positifs puis leurs nombres de mots négatifs :

  • “Merci beaucoup pour votre réponse rapide !”, +3, -0
  • “C’est une honte d’utiliser de telles matières pour la fabrication de vêtements !”, +0, -1
  • “Je trouve vos produits très jolis :)”, +2, -0

Schématiquement, le score de sentiment global ressemblera à :

score = (score du premier tweet + score du deuxième tweet + score du troisième tweet) / 3 

      = (3 - 1 + 2) / 3

      ≈ 1,33

Le score de sentiment global étant positif dans cet exemple, cela signifie que l’appréciation moyenne des clients vis-à-vis des produits de l’entreprise est positive. Toutefois, pour préciser ce score de sentiment, il peut être utile d’ajouter un poids selon le nombre de partages du commentaire.

Cet exemple illustre la mise en œuvre d'une métrique utile dans tout tableau de bord marketing ou support client, mais dans le cas précis d'une surveillance continue des réseaux sociaux pour générer des alertes en cas de brusque variation, cette métrique est à utiliser légèrement différemment. Si ce calcul est mis à jour très régulièrement dans une journée, sans prendre un échantillon arbitraire de commentaires mais plutôt un intervalle de temps réduit, il permettra de repérer une tendance soudaine vers le négatif, correspondant à la publication d'un commentaire ou avis négatif en général partagé par d'autres utilisateurs pour que son impact soit réellement significatif sur le score de sentiment. Le collaborateur marketing sera alors mis au courant dès l'apparition de cette tendance négative et pourra réagir immédiatement.

Analyse de sentiments et Net Promoter Score

Le NPS (Net Promoter Score) vise à mesurer la satisfaction client en demandant à un échantillon représentatif de clients d'indiquer de 1 à 10 leur opinion sur diverses propriétés d'un produit. Une méthode de calcul est ensuite utilisée pour évaluer la satisfaction ou l'insatisfaction des clients sur ce produit.

L'approche par analyse de sentiments présente de nombreux avantages par rapport à cette méthode, notamment :

  • une réponse immédiate est apportée étant donné que le client n'est pas directement sollicité,
  • le résultat obtenu est plus précis puisqu'il ne dépend pas de l'approche personnelle et subjective qu'a le client de l'échelle de 1 à 10 par rapport à la question qui lui est posée,
  • aucun échantillon n'est nécessaire et les commentaires pris en compte ne proviennent pas seulement de clients qui ont acheté un produit de l'entreprise,
  • une analyse sur des propriétés que l'on peut ne pas avoir anticipées.

Utiliser ce rapport pour la gestion de la réputation de l’entreprise

L’utilisation la plus basique de l’analyse de sentiments est la surveillance de la réputation d’une marque ou d’une entreprise. Pour cela, le simple score de sentiment journalier suffit : si celui-ci est positif plusieurs jours d’affilée alors les clients ont généralement une bonne opinion de la marque.

Cependant, à l’instar des conflits ou des cas de crise sur les réseaux sociaux, la tendance du score de sentiment peut changer très rapidement : une seule publication ou un seul commentaire négatifs, s’ils sont partagés massivement, peuvent mener à un cas de crise. Mais ici aussi, l’analyse de sentiments permet d’intervenir bien plus vite que manuellement.

Utiliser ce rapport pour prévenir et gérer les cas de crise

Etant mis au courant en temps réel par le rapport d’analyse de sentiments, il est donc bien plus aisé de réagir rapidement aux vagues de commentaires négatifs en étant informé dès la brusque variation du score de sentiment. Réagir plus vite permet d'éviter que les avis polémiques sur l’entreprise ne prennent trop d’ampleur sur le réseau social. Répondre à ce commentaire ou à cet avis dès son apparition participe grandement à éviter un cas de crise. Utiliser l’analyse de sentiments est donc un gain de temps pour réagir au plus vite à ces avis négatifs.

Pour finir, les scores fournis par l’analyse de sentiments est également utile pour les bilans post-crise. L’impact de la crise et celui de la réaction de l’entreprise seront visibles sur les scores et permettront de constater si la réaction a été à la hauteur pour éviter un cas de crise. L’évolution du score dans le temps permet de vérifier que le conflit a bien été géré et potentiellement oublié par les clients. Dans le cas contraire, l’analyse de sentiments peut une nouvelle fois permettre de réagir rapidement.

Points d'attention

Pour pouvoir utiliser l’analyse de sentiment, il faut au préalable acquérir des données textuelles, ce qui est parfaitement possible grâce à des programmes de gestion de données textuelles des réseaux sociaux. Pour l'utilisation de l'analyse de sentiment pour gérer un potentiel cas de crise, les données les plus importantes à prendre en compte sont les commentaires, les avis, les publications mentionnant l'entreprise ou la marque, les commentaires à ces publications, le nombre de partages, ou encore le nombre de retweet. La contrainte sur le temps total de mise à jour des indicateurs (la collecte puis l'analyse et enfin l'alerte) reste toutefois un facteur de coût pour le projet (plus on s'approche du temps réel, plus le projet sera coûteux).

Par Mathilde Ducos Eudiante NLP

Ils peuvent vous aider

Demande de mise en relation concernant l'étude de cas Gérer les avis négatifs et minimiser l’impact des cas de crise sur les réseaux sociaux grâce à l’analyse de sentiments
Veuillez recopier le texte ci-dessous afin de pouvoir envoyer votre message. Attention aux majuscules !
 
Kairntech développe une plateforme d'IA visant à démocratiser et accélérer le développement d'applications basées sur le TAL au sein de l’entreprise. L’objectif est de pouvoir créer rapidement et sans programmation des robots permettant d’analyser automatiquement de grandes quantités de texte avec une très grande précision, faisant économiser du temps et des efforts. Nous aidons les professionnels de l’information et les analystes (auditeurs, analystes marketing, chercheurs scientifiques, enquêteurs…) à bâtir des applications pour gagner en efficacité tout en prenant de meilleures décisions.
 
QWAM développe des solutions logicielles d'intelligence artificielle appliquée au traitement du langage naturel. Nos solutions combinent les approches sémantiques, big data, machine learning et deep learning. QWAM intervient pour répondre aux besoins d'exploitation avancée des données textuelles existantes au sein des entreprises et organisations ou bien disponibles sur le web.
 
Datapolitics met la donnée au service de l'action publique. La data est partout, volumineuse, et peu structurée : son utilisation dépasse rapidement le cadre du fichier Excel. Avec Datapolitics, passez la vitesse supérieure en bénéficiant des multiples possibilités offertes par la datascience. Propulsez vos contenus au meilleur niveau grâce à nos algorithmes et nos intelligences artificielles. Nous collectons aujourd'hui les prises de position des gouvernants ou de ceux qui aspirent à le devenir et produisons des analyses automatiques au travers de la plateforme Hedwige.
 
Lingua Custodia est une Fintech leader du Traitement Automatique des Langues (TAL) pour la Finance basée en France et au Luxembourg. Elle a développé son expertise avec une offre pointue de traduction automatique spécialisée par type de document financier. La société propose aujourd'hui également des services de transcription automatique, des services d'analyse linguistique de document et des services d'extraction de données via sa plateforme en ligne ou par API. Ses clients sont des institutions financières et les départements financiers de grandes sociétés et ETI.
 
Callity est né en 2018 du constat que les solutions de Quality Monitoring et de Speech Analytics traditionnelles étaient dépassées. Qui peut dire aujourd’hui qu’il exploite pleinement l’ensemble de ses interactions clients ? Personne ! Chez Callity nous oeuvrons pour changer cela via une plateforme SaaS moderne, utilisant pleinement les possibilités offertes par l'intelligence artificielle, qui permette aux marques d'exploiter 100% des conversations clients et les transformer en stratégies d'acquisition, de fidélisation et de formation efficaces.
 
Semantiweb apporte un décodage marketing des contenus conversationnels spontanés des internautes. Cette expertise donne une valeur stratégique aux annonceurs, permet de créer une intimité clients, détecte les tendances de consommation et traduit les insights des marchés en les rendant opérationnels pour l’entreprise, la marque et le produit.
 
Automatisation de la relation client via des interfaces conversationnelles et des chatbots. Clustaar permet aux marques d'aider leurs clients en répondant automatiquement à des demandes d'informations ou de support.
 
Synapse est expert en Intelligence Artificielle appliquée au texte. Notre raison d'être est d'accompagner nos clients dans la transmission de leurs connaissances. En ce sens, Synapse intervient tout au niveau de 3 leviers : - Créer de la connaissance, à travers un outil d'aide à l'écriture qui permet d'écrire l'esprit libre : Cordial. - Structurer de la connaissance, à travers des outils d'analyse sémantique. - Partager de la connaissance, à travers un chatbot capable de se connecter à la documentation d'une entreprise et de générer automatiquement sa base de connaissances.
 
L'APIL, association à but non lucratif, rassemble l'expertise des personnes et des industriels du traitement automatique des langues. Elle a pour ambition de promouvoir le traitement automatique des langues auprès des utilisateurs, qu'ils soient industriels ou grand public. Nous animons un réseau d'expertise en collaboration avec les acteurs spécialisés du domaine : forum JeunesTalents en collaboration avec l'ATALA, les rencontres entre membres industriels, ou l'accompagnement de projets collaboratifs innovants en partenariat international.

Vous fournissez de telles solutions et vous souhaitez faire partie de nos partenaires, contactez-nous.

Les technologies à mettre en oeuvre

Analyse sémantique
Signifiant, signifié, de quoi parle-t-on ? Au tout début du XXème siècle, Louis Fer­di­nand de Saus­sure, dans ses Cours de lin­guis­tique Géné­rale, explo­rait la dif­fé­rence entre...
Un ordinateur peut-il analyser les émotions ?
Le lan­gage humain est com­plexe. Apprendre à un ordi­na­teur ou à une machine com­ment ana­ly­ser les nuances, que ce soit au niveau gram­ma­ti­cal ou cultu­rel,...

Ces études de cas peuvent aussi vous intéresser

Créer la base de connaissances d'un chatbot

Je suis responsable commercial d'un site de vente en ligne de produits techniques et je souhaite intégrer à mon site un chatbot pour guider mes clients vers leurs achats en les accompagnant dans leur choix. Je ne sais pas par où commencer pour fournir les connaissances nécessaires à notre futur chatbot.

Un système de questions-réponses basé sur les commentaires de clients

Je suis responsable des ventes d'une entreprise de vente en ligne. Nous avons une section de commentaires où les clients publient leurs expériences d'utilisation ainsi qu'une section de questions où les prospects se renseignent sur des produits. La section de commentaires constituant une source d'informations précieuse contenant souvent des éléments non contenus dans les fichiers descriptifs envoyés par des fournisseurs, je voudrais savoir comment les avis clients peuvent être exploités afin de proposer des réponses automatiques aux questions des prospects.

Classer la polarité des avis clients de manière fine

Je suis responsable du service après-vente d'un site de vente en ligne et nous avons actuellement un système de prédiction automatique permettant de classer les avis de clients comme positifs, négatifs et neutres. Cependant, nous aimerions un système de détection qui, au lieu de donner une étiquette globale à un texte entier, fournisse des informations à un niveau plus fin. Existe-t-il des solutions de ce genre ?