Il est largement démontré que les émotions jouent un rôle déterminant dans les décisions d’achat, notamment lorsqu’il s’agit de commerce de détail (B2C). En effet, le dernier rapport 2023 du cabinet de conseil PwC (PricewaterhouseCoopers) révèle que 32 % des consommateurs cesseraient d’acheter chez … une marque après une seule mauvaise expérience, et augmente jusqu’à 59 % après plusieurs mauvaises expériences.
L’analyse des sentiments est l’une des méthodologies les plus efficaces pour déchiffrer toutes ces données. Une technique d’intelligence artificielle basée sur le NLP (traitement du langage naturel), les techniques de « machine learning » (pour les tâches de classification supervisées), le « deep learning » (qui apportent cette compréhension supplémentaire des nuances et des contextes dans l’analyse) et la « synthèse vocale ». ‘ (pour analyser les conversations et les audios en temps réel grâce à la transcription) qui permettent d’identifier, d’extraire et d’analyser les données publiées dans les e-mails, les commentaires sur les réseaux sociaux, les forums, les avis, les conversations, etc. Et ils sont utilisés par les entreprises pour nourrir leurs stratégies commerciales.
Il ne s’agit pas seulement d’identifier des modèles ou des signes dans le texte qui indiquent la présence d’émotions, d’attitudes et d’opinions. Il s’agit de « connaître le client, ses attentes, ses besoins et savoir ce qu’il ressent lors d’une interaction à tout moment de la journée ». ‘parcours client’ et sur n’importe quel canal”, déclare Laia Mercadal, directrice du conseil et de la transformation numérique chez E-voluciona by Intelcia.
“Jusqu’à très récemment, les algorithmes NLP étaient entraînés à reconnaître certains mots dans des textes et à les calculer pour donner une simple note ‘positive ou négative’, et c’était déjà une réussite considérable”, note Bruno Gerlic, Chief Revenue Officer chez PredictLand AI. Petit à petit, ils ont commencé à améliorer cette classification binaire jusqu’à être désormais capables de combiner les sentiments avec d’autres types d’informations précieuses dans le même système, parfois appelé « text mining » ou « text mining ». En ce sens, “ils fournissent désormais des informations beaucoup plus précieuses, car elles améliorent la prise de décision dans les entreprises avec plus de granularité et moins de latence”.
En termes simples, lorsqu’un texte est introduit dans un algorithme d’apprentissage automatique, il renvoie un score compris entre 0 et 1 indiquant à quel point le texte est positif. Grâce aux ressources lexicales et au traitement du langage naturel, les connotations émotionnelles des mots peuvent être évaluées et un texte classé comme positif, négatif ou neutre. Outre les ressources lexicales, il existe de nombreux modèles d’apprentissage automatique et d’apprentissage profond spécifiquement formés. Satisfait, insatisfait, satisfait, irrité, bouleversé, reconnaissant, surpris… chaque sentiment laisse une trace dans la façon dont nous nous exprimons, et le système est capable de décrypter ce code émotionnel.
Grâce aux avancées de l’IA générative, dont les modèles, appelés LLM (comme ChatGPT 4), ont été formés essentiellement sur Internet, les algorithmes détectent ces fines nuances de communication dans les sentiments, comprennent nativement tous types de langages et de styles, et Ils savent comment interpréter le contexte. « Si le système détecte, par exemple, des réclamations répétées de clients concernant une fonctionnalité d’un produit et en fonction de l’intensité des sentiments associés, il la qualifiera de ‘prioritaire’ ou de ‘faible criticité’ et générera un rapport adressé au chef de produit. . », explique Gerlic.
Parcours d’amélioration
Mais comment cette technique peut-elle réellement contribuer à créer une meilleure expérience client ? Depuis E-voluciona, ils évaluent la qualité du service avec des paramètres et des métriques pour savoir comment vous vous sentez et le degré de satisfaction grâce à des analyseurs tels que FCR (First Call Résolution) pour savoir si la requête a été résolue lors de l’appel ou via le NPS. (Net Promoter Score) qui indiquent le niveau de recommandation de la marque. “Tout cela nous permet de connaître le taux de satisfaction réel des clients et d’améliorer continuellement la qualité du service”, déclare Mario García Láinez, directeur de Soluciones IA. « Dans le secteur des centres de contact, l’utilisation de ces outils et compétences technologiques permet d’améliorer la qualité de service et de réduire les rappels. L’objectif est de garantir que le Temps de Fonctionnement Moyen, c’est-à-dire le temps de gestion et de résolution d’une requête, soit le plus court possible avec une productivité et une satisfaction client élevées.
Combinée à d’autres techniques de « text mining », l’analyse des sentiments contribue également à améliorer de multiples expériences, reconnaît PredictLand AI. De la refonte ou de la personnalisation des produits et des messages promotionnels pour chaque type de client, en proposant une communication en fonction de l’état émotionnel, à l’anticipation des cas de risque d’abandon pour activer des stratégies de fidélisation personnalisées, notamment après analyse des demandes d’assistance et des réclamations.
Cependant, de nombreux aspects de nos interactions et comportements humains ne peuvent pas être quantifiés par des algorithmes. Dans ce contexte, le neuromarketing apparaît comme un outil complémentaire pour révéler les processus inconscients qui influencent nos décisions et nos comportements.
Salima Sánchez, psychologue spécialisée en neuromarketing et comportement du consommateur, souligne comment la psychologie étudie et explique très bien les processus et préjugés psychologiques auxquels nous sommes soumis, mais « à travers neuromarketing lou ce que nous parvenons, c’est d’aller un peu plus en profondeur et de dire : d’accord, je ne vais pas demander à la personne parce qu’elle peut me mentir inconsciemment, je vais demander à son cerveau, ce que je sais ne fera pas il. Avec des techniques telles que l’électroencéphalographie, qui enregistre l’activité électrique du cerveau, permettant l’identification de modèles d’attention, d’émotion et de mémoire, le suivi oculaire, qui surveille les mouvements oculaires pour comprendre où les consommateurs concentrent leur attention et pendant combien de temps ou avec des réponses physiologiques. tels que la fréquence cardiaque, la conductance cutanée et la réponse galvanique de la peau, l’expérience utilisateur peut être évaluée de manière très précise et à l’aide de données.
Analyseurs
En fonction du type de données disponibles, de leur qualité et des objectifs poursuivis, les entreprises doivent choisir avec soin entre de multiples formules, chacune avec ses avantages et ses inconvénients. Selon Gerlic, « les plateformes généralistes telles que Microsoft, Google ou Amazon proposent des outils d’analyse des sentiments au sein de leurs services cloud. Il existe ensuite plusieurs logiciels spécialisés, qui fournissent généralement une autre couche d’intelligence à un processus spécifique. Par exemple, un logiciel d’analyse des réseaux sociaux, un logiciel de surveillance de la réputation de la marque en ligne, des modules supplémentaires dans les plateformes de gestion client (CRM), des plateformes de gestion de projet, etc. Mais il existe également des modèles open source que les services informatiques peuvent adapter et intégrer à un besoin spécifique.
Plus précisément, dans le secteur des centres de contact, l’analyse vocale permet d’analyser plus de 25 émotions à différents moments de la conversation, tant en voix qu’en texte, en convertissant les données non structurées en informations consommables et structurées pour l’analyse. Mario García explique que « l’IA générative est appliquée à toutes ces informations, en profitant de sa capacité à comprendre, à détecter les causes profondes et à pouvoir améliorer le service ».
