Traitement du langage - Les ordinateurs qui lisent et interprètent

Les réseaux sociaux sont devenus une partie intégrante de la façon dont les gens interagissent et communiquent. Des milliards de messages sont transmis quotidiennement sur plusieurs plateformes, que ce soit par des publications publiques ou par messagerie directe. Des personnalités publiques, des organisations et d'autres entités ont partagé des déclarations et des opinions liées à divers sujets et orientent le discours public au sein de la population générale. Compte tenu de la grande quantité de commentaires et de messages dirigés vers les comptes de réseaux sociaux, il est possible de détecter le sentiment global.

Il existe une opportunité d'évaluer le sentiment exprimé au niveau macro via les médias sociaux. Cet article explorera l'intelligence artificielle et son application aux médias sociaux et à d'autres sources d'informations textuelles qui comportent des nuances de sentimentalité, et comment la mettre en œuvre au sein de votre organisation.

Résoudre le problème via l'intelligence artificielle

Compte tenu de la grande quantité d'informations générées et stockées quotidiennement, certains points de données contiennent des analyses approfondies. Il serait impossible pour une seule personne, voire des milliards de personnes, de les lire. La technologie informatique actuelle nous permet de stocker, d'indexer et de récupérer de grandes quantités d'informations. Historiquement, il y a eu plus de difficultés à interpréter les données et à en tirer des informations et des analyses utiles.

Il serait avantageux de traiter de grandes quantités d'informations et de faire analyser les données par des ordinateurs pour obtenir des informations pertinentes. Ces dernières années, diverses techniques dans le domaine de l'analyse de texte ont émergé, dont beaucoup utilisent l'intelligence artificielle/l'apprentissage automatique. La détection du sentiment dans le discours nécessite des lexicons de référence qui fournissent le contexte des entrées textuelles.

L'une de ces approches pour déterminer le sentiment textuel d'un langage consiste à fournir ces lexiques à un algorithme d'apprentissage non supervisé ; plus précisément, VADER (Valence Aware Dictionary and sEntiment Reasoner) utilise une telle approche. Plusieurs autres méthodes reposent sur des techniques d'apprentissage automatique plus traditionnelles, bien que l'avantage de VADER soit qu'il peut fonctionner en quasi-temps réel.

Les systèmes d'analyse de sentiment produisent généralement les sorties typiques suivantes lorsqu'ils reçoivent des entrées textuelles, fournissant une interprétation catégorielle du texte sous-jacent :

Positif - Le contenu textuel présente une tonalité et un sentiment positifs
Neutre - Le contenu textuel présente une tonalité et une sentimentalité négatives
Négatif - Le contenu textuel présente une tonalité et une sentimentalité négatives

Il est important de noter que des personnes ont constitué les lexiques au fil de nombreuses années, ce qui souligne que des données de haute qualité sont nécessaires pour que les systèmes d'intelligence artificielle fonctionnent bien et atteignent les objectifs souhaités.

Aperçu du défi organisationnel

Étant donné de multiples points de terminaison de communication et la taille de ce que les organisations exploitent, il est difficile de suivre le sentiment à travers une organisation. Les employés et les clients peuvent être répartis dans différentes régions, zones ou départements où les parties prenantes et les clients expriment un sentiment positif tandis que d'autres représentent un sentiment négatif. Ainsi, déterminer le sentiment sur tout le spectre du fonctionnement d'une organisation est difficile.

Il est essentiel de comprendre les perceptions organisationnelles générales, tant en interne qu'en externe. Traditionnellement, les sondages ont rempli cette fonction, bien qu'ils puissent être biaisés en fonction des personnes motivées à les remplir. L'utilisation des médias sociaux et d'autres sources de données peut contribuer à comprendre le sentiment organisationnel. À titre d'exemple, une marque de vêtements multinationale et bien connue telle qu'Adidas, présente dans plusieurs pays, exerçant son activité dans différentes langues et au sein de nombreux contextes culturels distincts. Différents niveaux de sentiment seront probablement observés selon les régions. L'identification des sentiments négatifs est un bon moyen d'en traiter les causes, ce qui se traduit par davantage de ventes et, par conséquent, contribue au résultat net.

Données organisationnelles disponibles en tant qu'entrées AI

La liste suivante des sources de données potentielles qui peuvent être utilisées comme moyen d'analyse de sentiment :

Plateformes de réseaux sociales, notamment Facebook, Twitter, Instagram, TikTok
Systèmes de gestion de la relation client, y compris Salesforce, Microsoft CRM
E-mails et lettres organisationnelles échangés entre les employés et les clients
Les systèmes de centres d'appels tels que Cisco et Google Voice sont capables de fournir des transcriptions de conversations
Les agrégateurs d'avis tels que les avis Google et Facebook qui classent les entreprises répertoriées entre 1 et 5 étoiles

Certains problèmes de données se posent lors de la combinaison d'informations provenant de plusieurs sources. Un problème évident est de savoir comment lier les clients entre différents ensembles de données avec précision. Dans cette étude de cas, nous suggérons de les traiter comme des entités indépendantes afin de découvrir le sentiment global au sein d'une organisation entière et non de manière ciblée au niveau individuel. Compte tenu de la longueur des entrées textuelles, les structures de données doivent être choisies avec soin, à la fois dans le schéma de base de données et dans les divers scripts utilisés pour traiter les données elles-mêmes.

Méthodologie d'intégration

Voici un aperçu du processus que nous effectuerions à un niveau élevé pour analyser des sources textuelles au sein d'une organisation :

Identifier les références textuelles et les systèmes qui les capturent, déterminer quel texte est un candidat approprié pour l'analyse
Extraire des sources textuelles via des API REST et les fournir à un fournisseur d'informatique en nuage pour une analyse en temps réel
Faire passer les flux à travers Telemus AI™ et renvoyer les flux vidéo augmentés au système de surveillance de sécurité
Configurer des alertes personnalisées pour le personnel de sécurité en fonction de ce qui est détecté

Étant donné que Telemus AI™ prend en charge la majeure partie du travail, l'organisation peut se concentrer sur la logique métier et l'interprétation des résultats plutôt que sur la mise en œuvre technique.

Applications organisationnelles

La liste suivante présente d'autres applications potentielles pour votre organisation :

Analyser les points de terminaison des médias sociaux en ligne d'une organisation et déterminer le sentiment global.
Surveiller les notes des clients sur les systèmes CRM tels que Salesforce pour déterminer le contenu des notes.
Analyser les e-mails pour obtenir une métrique globale agrégée du sentiment au sein d'une organisation.
Traiter automatiquement les transcriptions de conversations téléphoniques et identifier les expériences clients positives et négatives.
Analyser les avis laissés sur les sites agrégateurs d'avis ainsi que les notes.
Détecter automatiquement les comportements antisociaux engagés via des supports numériques et les contrer avant qu'ils ne s'aggravent, conduisant à une expérience utilisateur améliorée.

Étant donné les nombreuses sources de données auxquelles les organisations ont généralement accès, nous recommandons de les transférer dans un data lake avant de les intégrer dans un système d'intelligence artificielle ; cela contribuera à assurer la répétabilité et l'auditabilité.

Avantages potentiels et réalisés

Une compréhension plus détaillée des perceptions générales d'une organisation, tant en interne qu'à l'extérieur, offre des avantages significatifs dans la gestion proactive des relations. L'interprétation et l'actionnement des retours peuvent fournir un meilleur produit ou service aux actionnaires et aux clients. Dans un monde de plus en plus numérique, les organisations doivent comprendre ce que leur empreinte numérique dit d'elles. Une compréhension plus approfondie de la composition démographique de l'origine de ces retours peut également aider à améliorer l'expérience de tous.

Telemus AI™ est une entreprise d'intelligence artificielle basée en Australie, fournissant des solutions avancées aux gouvernements et aux entreprises. Contactez-nous dès aujourd'hui pour une consultation gratuite sur la façon dont Telemus AI™ peut être intégré à votre organisation.

Étiquettes

Analyse de sentiment des réseaux sociaux