“J’ai une mauvaise nouvelle” vous envoie votre manager hier soir tard par e-mail. “Le projet est officiellement reporté. ”
Sans plus de précisions, cette nouvelle peut être source de joie (vous n’aurez plus à travailler le week-end pour respecter les délais) ou d’inquiétude, en particulier si le report est dû à une erreur de votre part. Le même terme, « mauvais » en l’occurrence, peut être employé sérieusement ou sur le ton de l’ironie, ce qui produit des émotions très différentes.
Le sentiment est un élément essentiel du service client, et l’analyse du sentiment est de plus en plus utilisée pour mesurer les émotions dans les interactions entre les clients et les agents. Après tout, il ne s’agit pas toujours de ce qui est dit, mais plutôt de la manière dont cela est dit et des émotions qui sont véhiculées. S’il est important d’analyser les mots employés à l’oral ou à l’écrit dans une interaction pour savoir si celle-ci est jugée positive ou négative, il est encore plus crucial d’analyser les sentiments exprimés au cours des interactions agent-client.
L’analyse du sentiment consiste à évaluer les commentaires des clients pour déterminer leurs comportements et leurs opinions vis-à-vis des marques, des produits, des campagnes marketing, entre autres. Elle s’appuie sur le traitement du langage naturel (ou NLP en anglais pour Native language processing), sur le Machine Learning et la linguistique informatique afin d’identifier, d’extraire et de quantifier les informations subjectives provenant du téléphone, du chat, des e-mails, des réseaux sociaux, etc. L’évolution généralisée vers un service client omnicanal explique en partie son utilisation croissante. Avec des milliers, voire des centaines de milliers d’interactions ayant lieu sur de multiples canaux, les centres de contact ne peuvent plus compter sur une analyse manuelle des interactions pour comprendre ce que les clients pensent de leur entreprise.
Les possibilités d’application de l’analyse du sentiment sont nombreuses. Il est de notoriété publique que l’administration Obama s’en est servie pour
mesurer l’opinion publique dans les semaines et les mois qui ont précédé l’élection présidentielle de 2012 ; depuis, les politiciens et les marques ont adopté cette approche pour mieux comprendre l’attitude et l’opinion de la population.
Dans le centre d’appels, l’analyse du sentiment permet d’analyser les interactions avec les clients pour :
- identifier les domaines de l’entreprise qui doivent être améliorés,
- contrôler les domaines qui jouent un rôle clé dans la fidélisation et la rétention des clients,
- superviser les comportements des agents.
« Lorsque vous mesurez les réactions des gens qui interagissent avec votre équipe d’assistance, vous obtenez une image plus claire de leur niveau de satisfaction », écrit Jia Wertz dans
Forbes. « Cela permet de traiter les problèmes rencontrés par le service client de manière plus efficace, à partir d’un type de feedback différent : non filtré, moins intrusif et plus honnête. »
Il existe deux techniques de base pour analyser les sentiments : la méthode traditionnelle, reposant sur des règles et qui fait appel à un dictionnaire de mots étiquetés en fonction du sentiment, et la méthode fondée sur l’intelligence artificielle, dans laquelle un modèle de machine learning est entraîné à reconnaître le sentiment, tout en continuant à apprendre et à évoluer au fur et à mesure.
Si l’outil de mesure des sentiments se veut réellement efficace, il doit être suffisamment sophistiqué pour permettre d’identifier séparément les émotions des agents et celles des clients afin d’obtenir des résultats plus précis. L’analyse du sentiment alimentée par l’IA utilise des modèles linguistiques pour trouver des mots et des phrases positifs et négatifs, parlés ou écrits, ainsi que le machine learning assisté par l’IA qui a été formé pour prédire le résultat de l’interaction. Les modèles doivent être entraînés à noter soigneusement les mots et les phrases en fonction du contexte dans lequel ils sont prononcés.
Les modèles d’analyse des sentiments ne s’arrêtent pas au langage : ils sont dotés de capacités additionnelles qui permettent d’obtenir des scores de sentiments plus précis. Parmi les facteurs qu’ils prennent en compte, citons les suivants :
- la détection d’un rire, qui peut indiquer un changement positif dans une conversation jusque-là considérée comme négative,
- la diaphonie (lorsque les deux interlocuteurs parlent en même temps), parfois synonyme de confusion ou de frustration,
- des changements dans la hauteur, le ton ou le débit de la voix, qui reflètent un changement d’émotions au cours de l’interaction,
- le moment de l’interaction où les mots ou les phrases ont été prononcés ; des études montrent que c’est la dernière partie de l’interaction qui a le plus d’influence sur la satisfaction des clients,
- la durée de l’interaction ; plus l’interaction est longue, plus les chances d’obtenir un score de sentiment sont grandes, de sorte qu’une analyse efficace du sentiment normalise les interactions plus longues par rapport aux autres.
Les modèles de sentiment fonctionnant avec l’IA notent également si les interactions commencent de manière positive et évoluent vers le négatif, ou vice versa, afin de permettre aux organisations d’effectuer une analyse des causes profondes. Les réactions d’un client au cours d’une interaction peuvent avoir de nombreuses origines différentes, telles que des problèmes liés à un processus ou à un produit ou une frustration à l’égard d’un agent. Par exemple, une interaction qui commence bien et se termine mal peut être due à un agent désemparé qui n’est pas en mesure de l’aider ou au fait que le client n’aime pas la réponse qu’il reçoit (par exemple, qu’une facture impayée a été envoyée au recouvrement).
Dans le monde entier, les entreprises associent déjà l’analyse du sentiment à des techniques d’IA avancées pour mieux comprendre le client et agir en conséquence. Bien que les modèles notent 100 % des interactions, la mesure du sentiment est plus efficace lorsque l’on considère la situation dans son ensemble ; s’il est important d’identifier une interaction unique, en particulier pour fournir des conseils en temps réel afin d’inverser le cours de l’appel, cela ne suffit pas pour comprendre les tendances qui se dégagent des appels négatifs et les sujets qui les motivent.
« Comme pour toute nouvelle technologie, la valeur ne réside pas dans les informations que vous exploitez, mais dans ce que vous en faites », écrit Daniel Newman, analyste de Futurum Research, dans
Forbes. « La force de l’IA ne consiste pas à remplacer notre besoin de comprendre nos clients, mais à utiliser des outils pour mieux les comprendre, puis à agir en fonction de cette compréhension, pour le meilleur. »
Découvrez comment l’analyse de sentiments pilotée par l’intelligence artificielle vous permet de créer des ensembles de données à partir d’un nombre illimité de canaux, tels que les appels, les e-mails, les chats, les messages sur les réseaux sociaux (tout canal stocké sous forme de voix ou de texte dans une base de données), et d’examiner ces interactions afin de mieux comprendre à quel niveau le sentiment des clients est faible ou élevé, et pourquoi.
