Qu'est-ce que l'analyse des sentiments ?

Les entreprises n'ont jamais eu accès à autant de données clients auparavant, et cela représente à la fois une opportunité et un défi : elles doivent à présent analyser les vastes quantités de données textuelles disponibles et en extraire des informations pertinentes pour orienter leurs décisions commerciales.

Des e-mails aux tweets, en passant par les réponses aux sondages en ligne, les discussions avec les représentants du service client et les avis... Les sources disponibles pour évaluer l'opinion des clients semblent infinies. Les systèmes d'analyse des sentiments aident les entreprises à mieux comprendre leurs clients, à offrir à leurs utilisateurs des expériences plus solides et à améliorer la réputation de leur marque.

Les gens disposent à présent d’une myriade de moyens pour exprimer leurs sentiments en ligne. Ainsi, les entreprises ont besoin d’outils puissants pour surveiller ce qui se dit à leur sujet et à propos de leurs produits et services en temps quasi réel. À mesure qu’elles adoptent l’analyse des sentiments et commencent à l’utiliser pour examiner davantage de conversations et d’interactions, il deviendra plus facile d’identifier les points de friction des clients à chaque étape de leur parcours.

Les derniers outils d’analyse des sentiments basés sur l’intelligence artificielle (IA) aident les entreprises à filtrer les avis et les Net Promoter Scores (NPS) pour détecter tout biais personnel. Elles peuvent donc obtenir des opinions plus objectives sur leur marque, leurs produits et leurs services. Par exemple, si un client exprime une opinion négative en même temps qu’une opinion positive dans un avis, un humain examinant l’évaluation pourrait la qualifier de négative avant d’atteindre les termes positifs. La classification des sentiments améliorée par l’IA permet de trier et de classer le texte de manière objective, afin d’éviter cela et de refléter les deux sentiments.

L’analyse des sentiments permet aux entreprises disposant de vastes quantités de données non structurées d’analyser et d’extraire rapidement et efficacement des informations pertinentes. Avec la quantité de texte générée par les clients sur les canaux numériques, les équipes humaines peuvent facilement être submergées par les informations. Des outils solides d’analyse des sentiments des clients, basés sur le cloud et améliorés par l’IA aident les entreprises à bénéficier d’une business intelligence à partir de leurs données clients à l’échelle, sans gaspiller inutilement des ressources.

Les entreprises modernes doivent réagir rapidement en cas de crise. Les opinions exprimées sur les réseaux sociaux, qu'elles soient véridiques ou non, peuvent détruire la réputation d'une marque, même si de nombreuses années ont été nécessaires pour la construire. En matière d'analyse des sentiments, des outils fiables et améliorés par l'IA aident les dirigeants à surveiller l'opinion globale envers leur marque afin de pouvoir repérer les problèmes potentiels et les résoudre rapidement.

L’analyse des sentiments recourt aux technologies de traitement automatique du langage naturel (NLP) et de machine learning (ML) pour entraîner les logiciels informatiques à analyser et interpréter le texte d’une manière similaire aux humains. Le logiciel utilise l’une des deux approches suivantes : basée sur des règles ou ML. Il peut aussi recourir aux deux, dans une démarche qualifiée d’hybride. Chaque approche présente des forces et des faiblesses : une approche basée sur des règles peut générer des résultats en temps quasi réel, tandis que des approches basées sur le ML sont plus adaptables et peuvent généralement prendre en charge des scénarios plus complexes.

Dans le cas de l’approche basée sur des règles, le logiciel est entraîné pour classer certains mots-clés dans un bloc de texte en se reposant sur des groupes de mots (ou lexiques) qui décrivent l’intention de l’auteur. Par exemple, les mots appartenant à un lexique positif peuvent inclure « abordable », « rapide » et « bien fait », tandis que les mots dans un lexique négatif peuvent présenter « coûteux », « lent » et « mal fait ». Le logiciel analyse ensuite le classificateur pour trouver les mots dans le lexique positif ou négatif, puis présente un score de sentiment total basé sur le volume des mots utilisés et le score de sentiment de chaque catégorie.

Avec une approche de machine learning (ML), un algorithme est utilisé afin d’entraîner un logiciel à évaluer le sentiment dans un bloc de texte et ce, à l’aide des mots qui apparaissent dans le texte ainsi que l’ordre dans lequel ils apparaissent. Les développeurs recourent à des algorithmes d’analyse des sentiments pour enseigner aux logiciels comment identifier les émotions dans le texte de la même manière que le feraient des humains. Les modèles de machine learning continuent à « apprendre » (learn) à partir des données qui leur sont fournies, d’où le terme « apprentissage automatique » (machine learning). Voici quelques-uns des algorithmes de classification les plus couramment utilisés :

• Régression linéaire : algorithme de statistiques qui décrit une valeur (Y) basée sur un ensemble d’entités (X).
   

• Classification naïve bayésienne : algorithme qui utilise le théorème de Bayes pour classer les mots dans un bloc de texte.
   

• Machines à vecteurs de support : algorithme de classification rapide et efficace utilisé pour résoudre les problèmes de classification à deux groupes.
   

• Deep learning (DL) : également connu sous le nom de réseau neuronal artificiel, le deep learning est une technique de machine learning sophistiquée qui relie plusieurs algorithmes pour imiter le fonctionnement du cerveau humain.

Une approche hybride envers l'analyse de texte combine à la fois les capacités ML et basées sur des règles afin d'optimiser la précision et la vitesse. Bien que très précise, cette approche nécessite davantage de ressources que les deux autres, notamment du temps et des capacités techniques supplémentaires.

En plus des différentes approches utilisées pour créer des outils d’analyse des sentiments, il existe également différents types d’analyse des sentiments vers lesquels les organisations se tournent en fonction de leurs besoins. Les trois types d'analyse des sentiments les plus populaires (basée sur les émotions, fine et basée sur l'aspect [ABSA]) reposent tous sur la capacité du logiciel sous-jacent à évaluer ce que l'on appelle la polarité : il s'agit du sentiment général véhiculé par une partie de texte.

D’une manière générale, la polarité d’un texte peut être décrite comme positive, négative ou neutre ; toutefois, en catégorisant encore plus le texte (par exemple en sous-groupes tels que « extrêmement positif » ou « extrêmement négatif »), certains modèles d’analyse des sentiments peuvent identifier des émotions plus subtiles et complexes. La polarité d’un texte est la mesure la plus couramment utilisée pour évaluer l’émotion textuelle. Elle est exprimée par le logiciel sous la forme d’une note établie sur une échelle allant de 0 à 100. Zéro représente un sentiment neutre et 100 représente le sentiment le plus extrême.

Voici les trois types d'analyse des sentiments les plus utilisés :

L'analyse fine (ou graduelle) des sentiments est un type d'analyse qui regroupe le texte selon différentes émotions et indique le niveau d'émotion exprimé. L'émotion reçoit ensuite une note établie sur une échelle de zéro à 100, similaire à la façon dont les sites Web de consommateurs affichent des étoiles pour mesurer la satisfaction des clients.

L’analyse des sentiments basée sur l'aspect (ABSA) réduit le champ de ce qui est examiné dans un corps de texte à l'aspect spécifique d’un produit, d’un service ou d’une expérience client qu’une entreprise souhaite étudier.

Par exemple, une application de voyage à petit budget peut recourir à l'analyse ABSA pour comprendre l’intuitivité d’une nouvelle interface utilisateur ou encore l’efficacité d’un chatbot de service client. L'analyse ABSA peut aider les entreprises à mieux appréhender la réussite de leurs produits ou la raison pour laquelle ils ne répondent pas aux attentes de leurs clients.

La détention émotionnelle dans le cadre de l'analyse des sentiments vise à appréhender l'état psychologique de la personne derrière un corps de texte, y compris son état d'esprit lorsqu'elle l'écrivait et ses intentions. Elle est plus complexe que l'analyse fine ou l'analyse ABSA, et est généralement utilisée pour mieux comprendre la motivation ou l'état émotionnel d'une personne. Plutôt que de recourir aux polarités, comme un sentiment positif, négatif ou neutre, la détection émotionnelle peut identifier des émotions spécifiques dans un corps de texte comme la frustration, l'indifférence, la nervosité et le choc.

Les entreprises effectuent une analyse des sentiments pour diverses raisons. Voici quelques-uns des cas d’utilisation les plus populaires.

Bien que l’analyse des sentiments et les technologies qui la sous-tendent évoluent rapidement, il s’agit toujours d’un domaine relativement inédit. D’après le livre « Sentiment Analysis » rédigé par Liu Bing (2020), le terme n’est largement utilisé que depuis 2003.² Les outils doivent être encore affinés, et des enseignements doivent encore être tirés de ces méthodes. Toutefois, voici quelques-uns des inconvénients et des défis les plus couramment rencontrés.

Le contexte est un élément essentiel pour comprendre quelle émotion est exprimée dans un bloc de texte. C’est un facteur qui provoque fréquemment des erreurs dans les outils d’analyse des sentiments. Dans un sondage client, par exemple, un client peut donner deux réponses à la question suivante : « Qu’avez-vous aimé dans notre application ? » La première réponse pourrait être « fonctionnalité » et la seconde, « expérience utilisateur ». Si la question posée était différente, par exemple, « Qu’est-ce qui ne vous a pas plu dans notre application ? », cela change la signification de la réponse du client sans changer les mots en eux-mêmes. Pour corriger ce problème, il faudrait donner à l’algorithme le contexte d’origine de la question à laquelle le client répondait, une tactique chronophage connue sous le nom de pré- ou post-traitement.

Quels que soient le niveau ou l’étendue de son entraînement, le logiciel a du mal à identifier correctement l’ironie et le sarcasme dans un corps de texte. En effet, quand quelqu’un emploie l’ironie ou le sarcasme, cela est véhiculé par le ton de sa voix ou son expression faciale ; il n’y a pas de différence distinctive dans les mots utilisés. Par exemple, lors de l’analyse de la phrase « Génial, encore une contravention de mille dollars, exactement ce dont j’ai besoin », un outil d’analyse des sentiments se tromperait probablement sur la nature de l’émotion exprimée et la qualifierait de positive en raison de l’utilisation du mot « génial ».

On parle de négation lorsqu’un mot négatif est utilisé pour transmettre l’inverse d’une signification dans une phrase. Prenez par exemple la phrase « Je ne dirais pas que les chaussures étaient bon marché ». Ce qui est exprimé, c’est que les chaussures étaient probablement coûteuses, ou au moins à prix modéré, mais un outil d’analyse des sentiments pourrait passer à côté de cette subtilité.

Les tournures idiomatiques (telles que l’utilisation, par exemple, d’expressions françaises courantes comme « Ne tournons pas autour du pot » ou « Casse-toi une jambe »), déconcertent souvent les outils d’analyse des sentiments et les algorithmes ML sur lesquels ils sont construits. Lorsque des expressions idiomatiques comme celles mentionnées ci-dessus sont utilisées sur les réseaux sociaux ou dans des commentaires sur des produits, soit les outils d’analyse des sentiments les identifient de manière erronée (la phrase « se casser une jambe » pourrait être considérée à tort comme quelque chose de douloureux ou de triste, par exemple), soit ils passent complètement à côté.

Les organisations qui décident de déployer l'analyse des sentiments pour mieux comprendre leurs clients disposent de deux options pour y parvenir : acheter un outil existant ou créer leur propre outil.

Les entreprises qui choisissent de créer leur propre outil recourent généralement à une bibliothèque open source dans un langage de codage courant tel que Python ou Java. Ces bibliothèques sont utiles, car leurs communautés sont ancrées dans la science des données. Pourtant, les entreprises qui cherchent à adopter cette approche devront faire des investissements considérables pour embaucher une équipe d'ingénieurs et de data scientists.

L'acquisition d'un outil d'analyse de sentiment SaaS (logiciel en tant que service) existant nécessite moins d'investissement initial et permet aux entreprises de déployer un modèle d'apprentissage automatique pré-entraîné plutôt que de le créer à partir de zéro. Les outils d'analyse des sentiments SaaS peuvent être opérationnels en quelques étapes simples. Ils constituent une bonne option pour les entreprises qui ne sont pas prêtes à investir dans leur propre stratégie.