Pourquoi un algorithme d’analyse sémantique ?

Les projets communautaires menés par nos clients permettent de collecter des centaines voire des milliers de contributions. Même si ces contributions sont déjà structurées par grands thèmes (4 à 6 en général) et même si elles peuvent être explorées rapidement par quelques tris pertinents (idées les plus commentées, idées contenant tel ou tel sujet, idées identifiées par le community manager en cours de projet), le corpus constitué présente plusieurs difficultés. Son volume implique un long travail d’analyse (plusieurs jours) et sa structure représente les sujets du clients (qui ne reflètent pas nécessairement ceux de la communauté). Découvrez ci-dessous la solution FANVOICE, proposée dès aujourd’hui à tous les utilisateurs de notre plateforme. 

Quelle technologie mise en œuvre dans notre IA sémantique ?

Face aux difficultés d’analyse évoquées, FANVOICE a investi dans le développement d’un algorithme propriétaire basé sur la technologie du Topic Modeling. Cette technologie d’analyse du langage offre, sans paramétrage préalable (constitution de lexiques sémantiques), un découpage automatique du corpus en une vingtaine de thématiques basées sur le rapprochement de mots (ou unités lexicales appelées tokens) proches en termes de sens.

Ces thématiques sont ensuite projetées sur un graphique en 2 dimensions. Leur répartition sur le plan révèle alors la proximité de certains thèmes, permettant d’identifier puis d’explorer de grandes tendances (agglutinement de thèmes) ou des signaux faibles (thème isolé et de petite taille). La proximité de certains thèmes met aussi à jour des corrélations sémantiques non exprimées dans le langage verbal ; une forme d’implicite, d’information non verbalisée et parfois très précieuse.

Comment explorer les résultats de l’analyse sémantique FANVOICE ?

L’interface proposée permet une exploration à deux niveaux : en surface et en profondeur. L’exploration en surface consiste à observer les thématiques créées et projetées sur le graphique que nous appelons l’Insights Map. Cette cartographie offre une première vue globale de l’intégralité du corpus, un découpage de thèmes déjà quantifiés (en pourcentage du corpus total) et nommés selon leurs termes les plus représentatifs.

Cette exploration révèle déjà de grandes tendances et d’éventuels signaux faibles. Il est bien entendu possible, voire recommandé, de lire une partie des verbatims les plus représentatifs, pour compléter sa compréhension.

L’exploration en profondeur repose quant à elle sur deux principales fonctionnalités : la visualisation de corrélations sémantiques entre plusieurs thématiques et l’extraction d’idées à fort potentiel d’innovations, que nous appelons “idées excentrées”. Un graphique sous forme de radar vient, à la consultation des verbatims les plus représentatifs d’un thème, révéler les liens qu’il entretient avec d’autres thèmes. Il guide ainsi l’exploration vers un contenu pertinent et permet de découvrir des enseignements non verbalisés par les contributeurs.

La fonctionnalité d’extraction d’idées “excentrées” repose, pour sa part, sur un autre principe : les idées les plus éloignées du consensus sont plus singulières. Cette singularité peut contenir un potentiel d’innovation.

Que faire des enseignements obtenus ?

Comme suggéré précédemment par le processus d’analyse en surface, puis en profondeur, il est possible de choisir le niveau d’investissement consacré à l’analyse, soit en fonction du temps dont on dispose, soit en fonction du type de livrable souhaité. En d’autres termes, une analyse en surface permet d’identifier de grandes tendances, de réaliser un premier reporting, d’identifier les premiers enjeux soulevés lors d’un projet. Une analyse plus approfondie et plus exhaustive permettra d’explorer les insights les plus pertinents de chaque thématique.