[EMPOWER] Optimiser l'expérience client avec le Natural Language Processing (NLP)

ANAEL CABROLPar Anaël Cabrol
EPSILON France

Les canaux de communication entre une marque et ses clients sont multiples. Réseaux sociaux, site web, demandes ou réclamations via emails ou encore chatbots par exemple : autant de données que le digital permet notamment de récolter et qui nécessitent d’être analysées afin d’améliorer la connaissance client, d’optimiser son expérience avec la marque et de consolider la relation.

Les entreprises ont donc de plus en plus recours au NLP et à ses approches prédictives permettant une analyse fine des avis et demandes clients dans le but d’identifier leurs intentions, de comprendre les motifs de satisfaction ou d’insatisfaction et de répondre à leurs attentes en perfectionnant les contenus et l’expérience proposés.

Avant de rentrer dans le détail de quelques cas d’usages, qu’est-ce que le Natural Language Processing ? Quel est son rôle exact dans l’IA et pourquoi est-il de plus en plus utilisé ?

 

Qu'est-ce que le Natural Language Processing ?

Le Natural Language Processing, ou Traitement Automatique du Langage (TAL), regroupe plusieurs techniques liées au traitement et à la compréhension du langage humain par les machines. Ce sous-domaine de l'Intelligence Artificielle a pour vocation de structurer, d’interpréter et de comprendre des données textuelles à travers différentes approches. Le NLP est ainsi constitué d’un ensemble de méthodes relatives au Machine Learning, au Deep Learning, ainsi qu’à des procédés spécifiques au texte.

Le développement de nouveaux modèles de langage a d’ailleurs contribué à l’essor de l’Intelligence Artificielle ces dernières années. L’arrivée du modèle BERT (Bidirectional Encoder Representations from Transformers) en 2018 a considérablement participé aux progrès du NLP en améliorant significativement la performance des modèles. À la croisée du Machine Learning et du Deep Learning, le NLP est par conséquent devenu incontournable pour les Data Scientists et les entreprises du secteur.

 

Les différents domaines d’application du NLP

Il existe de très nombreuses applications au NLP, le texte étant une forme de communication bien évidemment omniprésente dans nos sociétés. On peut retrouver par exemple :

  • La traduction de texte
  • La correction orthographique
  • Le résumé automatique d’un contenu
  • La modération automatique de contenus sur les réseaux sociaux
  • L’interaction via Chatbot ou des assistants vocaux
  • La classification automatique de texte
  • Le routage automatique d’emails vers le bon interlocuteur
  • La reconnaissance d’entités nommées dans un texte (ou Named Entity Recognition)
  • L’analyse de sentiment et l’analyse de réputation (ou Sentiment Analysis)
  • La découverte de thématiques (ou Topic Modeling)

Il est difficile d’être exhaustif sur les applications du NLP qui mériteraient chacune un article à part entière alors focalisons nous sur quelques usages permettant d’optimiser concrètement l’expérience client.

 

CAS D'USAGE N°1 — L’ANALYSE DE SENTIMENT

Ce cas d’usage permet d’identifier la tonalité émotionnelle qui se cache derrière un Tweet ou un commentaire. Cela aboutit à une meilleure compréhension de la perception qu’un client a de la marque.

Au-delà d’améliorer la connaissance et la satisfaction client, la finalité de ce cas d’usage est d’améliorer l’image de marque et sa e-reputation.

Grâce à l’analyse de sentiment on peut donc :

  • Avoir une vue globale de l’opinion du public sur la marque,
  • Identifier les clients qui ont une mauvaise image de la marque pour mener des communications ciblées et priorisées,
  • Identifier les ambassadeurs de la marque,
  • Identifier et suivre l’évolution des « pain points ».

Dans ce type d’analyse, le vocabulaire et jargon employés sont importants ainsi que l’ironie présente dans certains cas rendant la tâche de prédiction plus complexe (cf. exemple ci-dessous).


Résultat de l'analyse de sentiment sur un tweet

 

CAS D'USAGE N°2 — LE ROUTAGE D’EMAILS VERS LE BON INTERLOCUTEUR

Les entreprises reçoivent un volume important et croissant d’emails de la part de leurs clients. Selon le motif de la demande, ces emails peuvent être redirigés vers des interlocuteurs spécialisés pour traiter certains sujets (ex : problème de facturation, réclamation, gestion du contrat, etc…). Ce routage permet donc d’améliorer le temps de traitement ainsi que la qualité de la réponse apportée. En d’autres termes : améliorer l’efficience opérationnelle et la satisfaction client.

Le NLP répond à ce besoin en analysant le contenu des emails afin d’identifier automatiquement le ou les motif(s) de la demande. Plus précisément, il s’agit de modèles de Machine Learning ou Deep Learning qui vont être entraînés à prédire des motifs grâce à l’analyse sémantique du contenu de l’email. On notera que les motifs doivent être prédéfinis pour l’entraînement des modèles.


Processus de routage d’email grâce au NLP

 

Pour mettre en place ce type de cas d’usage, la collaboration entre le Data Scientist et l’équipe opérationnelle est primordiale afin de construire des modèles qui répondent très précisément aux besoins métiers.

 

CAS D'USAGE N°3 — LA DÉCOUVERTE DE THÉMATIQUES GRÂCE AU TOPIC MODELING

Le Topic Modeling est quant à lui bien différent des approches précédentes. On parle ici d’approche non supervisée : c’est-à-dire que l’on ne connaît pas à priori les thèmes que l’on cherche à détecter.

L’objectif est de faire émerger des thèmes présents dans les documents (avis, réponse à un questionnaire de satisfaction …). Finalement, le Topic Modeling permet d’avoir une vision globale des thèmes les plus fréquemment évoqués par les clients ou des « pain points » récurrents. Ceci afin d’avoir une meilleure connaissance client et pouvoir mettre en place des actions correctives.


Exemple de visualisation de 6 thèmes identifiés par Topic Modeling (source)

 

Il peut être intéressant de réaliser ce type d’analyse régulièrement pour suivre l’évolution des thématiques et identifier l’efficacité des actions correctives mises en place.

 

Finalement en rendant possible la compréhension du langage humain par une machine, le NLP offre un large éventail de cas d’usages aux entreprises pour optimiser l’expérience client et automatiser des processus. Et les dernières avancées dans le domaine notamment autour du NLG (Natural Language Generation) nous laissent envisager de nouvelles applications où une solution d’IA serait capable de synthétiser et rédiger un article sur le NLP par exemple…

VOUS SOUHAITEZ VOUS FAMILIARISER AVEC LE NLP ?

La pratique du NLP sur des cas d’usages s’appréhende par la compréhension des concepts et des outils adéquats. Elle passe également par l’adaptation des traitements de transformation d’analyse lexicale et syntaxique sur des documents mais aussi par la maîtrise de différentes approches comme l’analyse de sentiments, le Topic Modeling et la détection d’entités nommées.

De nombreux tutoriels et MOOC sont disponibles en ligne par exemple pour les développeurs. Côté langage, Python offre un cadre complet pour apprendre et mettre en œuvre le NLP grâce notamment à ses librairies et frameworks spécialisés.

 

Si vous souhaitez une formation plus poussée, bénéficiez de l’expertise de nos équipes en suivant
notre formation dédiée à l’analyse des données textuelles avec le NLP.

Téléchargez l'article au format PDF