Alexa, quel temps fait-il aujourd’hui ?
À mi-chemin de l’intelligence artificielle et de la linguistique, le NLP (Natural Language Processing) est déjà présent dans notre quotidien via des assistants vocaux, les suggestions automatiques de mots ou le correcteur d’orthographe. Dans le business, cette nouvelle technologie, de plus en plus précise, apporte une forte valeur ajoutée aux entreprises et à leurs clients. Comme nous allons le voir dans cet article.
Le NLP, nouveau graal des Directions data, digitale et marketing
Mais essayons d’abord de donner une définition simple du NLP. C’est la capacité, pour un programme informatique, de comprendre le langage humain tel qu’il est parlé, de l’analyser, et de générer des interactions en transformant de la data brute en conversation claire et cohérente. Dit autrement, le NLP permet aux humains et aux machines de parler le même langage. Il permet aux entreprises qui s’appuient sur lui de prendre les décisions les plus adaptées.
Comment y sommes-nous parvenus ?
Le NLP se fonde sur l’analyse syntaxique et sémantique. La syntaxe, c’est la façon dont les mots se combinent pour former des phrases. Une analyse poussée de la syntaxe (analyse grammaticale, segmentation des mots, rupture de phrases, découpage morphologique, racine, inflexion…) permet d’évaluer le sens d’une langue.
La sémantique, c’est l’utilisation et la signification des mots. Le NLP déploie ses algorithmes pour comprendre le sens des phrases (désambiguïsation du sens des mots — par exemple, le mot billet n’a pas la même signification selon le contexte —, reconnaissance des entités nommées…). Ce modèle d’apprentissage, dit approfondi, requiert des quantités massives de données étiquetées pour s’entraîner et identifier les corrélations pertinentes.
Des chiffres impressionnants
Quelques chiffres pour en prendre la mesure. Plus de 36 milliards de dollars étaient investis en 2019 dans les systèmes d’intelligence artificielle (IA) par les entreprises. D’ici 2025, les revenus du marché NLP vont être multipliés par 14. Aujourd’hui, 62 % des sociétés BtoB utilisent l’IA pour personnaliser leur contenu et l’adapter aux visiteurs, et une entreprise sur trois, parmi les plus performantes, s’en sert en tant qu’outil marketing.
Le NLP au service du marketing
Que pensent les clients de mon produit ? Quelles sont ses attentes ? Ses besoins ? Quels sont mes points forts et mes points faibles ? Hier, le questionnaire de satisfaction permettait peut-être de se faire une idée, mais il était perclus de biais. Aujourd’hui, on a quelque chose de plus robuste pour prendre des décisions stratégiques : l’analyse des sentiments.
Le NLP le permet, ses résultats seraient d’ailleurs d’une précision à 90 %, selon Daniel Newman de Futurum. L’analyse des sentiments, Opinion Mining, ce n’est plus seulement de l’analyse du langage et de la compréhension des mots, il s’agit d’identifier les émotions qui sont derrières. Le NLP est ainsi capable de percevoir les connotations positives ou négatives d’un mot, tout ce qui traduit une satisfaction ou au contraire ce qui dénote un mécontentement. Il est également capable de faire le tri entre une phrase sarcastique et une phrase positive, alors que les deux sont formées avec le même groupe de mots (par exemple, « super le service ! »). Autant d’indices linguistiques qui permettent de savoir ce que les clients pensent vraiment d’une marque.
Les principaux usages :
L’analyse des réseaux sociaux constitue l’un des principaux usages du NLP.
Pour exemple, les tweets ou autres légendes Instagram (le texte écrit lorsqu’on publie une photo) peuvent être une excellente source de données.
Des modèles existent, ils sont capables d’analyser des textes dans leur polarité (positive/négative) et dans leur intensité émotionnelle (plus ou moins forte). Ils s’appuient sur une sorte de dictionnaire qui fait correspondre des caractéristiques lexicales à des intensités d’émotion connues sous le nom de « scores de sentiment ».
C’est l’approche parfaite pour les jugements naïfs où seul le sentiment de l’auteur est requis. Elle est très efficace et fournit même des scores de polarité des lexiques (> 0,05 la phrase est positive, < 0,05 la phrase est négative). Si l’on reprend l’exemple d’Instagram, ce modèle ne marche évidemment que sur les comptes Instagram publics, car il est nécessaire d’obtenir l’identifiant Instagram de l’utilisateur, pour pouvoir récupérer ses légendes les plus récentes, les extraire puis les analyser.
L’analyse des tendances est un autre levier. L’utilisation des données clients est aujourd’hui une question clé pour les entreprises, sinon stratégique. Les logiciels de traitement de données se fondent aujourd’hui sur l’intelligence artificielle pour interpréter les masses de données et en extraire les informations les plus utiles. Plus le flux de données est important, plus l’intelligence artificielle va apprendre et affiner son analyse jusqu’à permettre de repérer au mieux toutes les tendances du marché, et d’anticiper les évolutions futures via la réalisation d’analyses prédictives. Ces analyses s’appuient sur la base des données déjà collectées afin d’en déduire les différentes probabilités d’évolution. Réussir à émettre des prédictions sur les futurs besoins des consommateurs représente une valeur ajoutée pour une entreprise, et une base pour penser une stratégie optimale.
L’analyse de verbatims clients constitue une autre exploitation du NLP à des fins d’amélioration de la connaissance client.
À travers cette utilisation, plusieurs objectifs peuvent être poursuivis : diminuer le taux d’attrition en comprenant les irritants, augmenter les ventes en anticipant les attentes des clients ou encore apporter plus de valeur dans le service rendu. Parce que les verbatims sont des données brutes, ils sont extrêmement riches. Ils donnent des informations complémentaires venant s’additionner à des indicateurs de performance plus traditionnels, comme des scores de satisfaction.
Aujourd’hui, il est possible d’utiliser des modèles de langage pré entraînés pour mieux comprendre la « langue » des verbatim. Les analystes peuvent construire et évaluer eux-mêmes leur solution de classification de verbatim en utilisant les algorithmes les plus avancés tels que les réseaux de neurones.
Exemple avec 2 cas d’usages
L’objectif de ce cas d’usage a été d’identifier les sujets clés provenant de chaque retour client. Chaque commentaire peut contenir un sujet, voir plusieurs.
Tous les commentaires ont été au préalable tagués par le client, la problématique a donc pu être traitée à l’aide d’un algorithme supervisé dit « Multi-output » pour pouvoir trouver plusieurs thématiques au sein d’un commentaire.
- Étape N°1 : Uniformiser les commentaires. Il s’agit d’enlever toute la ponctuation et mettre en minuscule tout le commentaire.
- Étape N°2 : Enlever les « stop words », c’est-à-dire supprimer du commentaire tous les éléments qui génèrent du bruit, notamment les pronoms et les prépositions. Ils apparaissent très souvent et peuvent biaiser l’analyse.
- Étape N°3 : La tokenisation. Il s’agit dans cette étape de segmenter le texte en mot.
- Étape N°4 : Le stemming. Cette étape permet de supprimer pour chaque mot d’un commentaire segmenté leurs préfixes et suffixes.
Ensuite des algorithmes de type One-vs-All ont permis de définir le ou les sujets contenus dans chaque commentaire.
Cette méthode consiste à créer 1 modèle pour chaque topic (défini initialement par le client) pouvant être trouvé dans les commentaires pour ramener cette problématique multi-classes à une problématique binaire.
- Modèle binaire N°1 : La probabilité que le topic soit « le service e-tip » par rapport aux mots composant le commentaire.
- Modèle binaire N°2 : La probabilité que le topic soit « la qualité du conseil » par rapport aux mots composant le commentaire
- ….
Dans ce cas d’usage N°2, l’objectif va être de définir le sentiment émis par le client à propos de chaque topic dans un commentaire. Dans le cas d’usage N°1, nous prédisons si le topic appartient ou non au commentaire, ici nous devons au préalable séparer les phrases faisant référence à chaque sujet, puis prédire le sentiment qui en émane.
Pour cela il existe des solutions appelées Part-of-speech (POS) qui permettent d’identifier au sein d’une phrase ses différents composants : le nom, verbe, adverbe et définir leurs relations dans le texte pour ainsi isoler les différentes phrases. Ensuite un algorithme d’analyse de sentiment a été appliqué pour identifier le sentiment à l’égard de chaque topic dans la phrase.
La complexité des modèles d’analyse de texte réside notamment dans la préparation des données pour ne garder que l’information pertinente. Mieux cette donnée sera préparée, plus les modèles seront pertinents derrière.
Mieux piloter la relation client
L’engagement des clients vis-à-vis des marques est un Graal, que le NLP peut favoriser. Le développement des chatbots, entraînés à répondre « humainement » aux questions qui leur sont posées, en est une illustration. Comme l’est l’analyse des interventions clients pour détecter les freins à l’achat, l’enrichissement automatique des données, ou encore le monitoring en temps réel de la e-réputation, voire la surveillance de la concurrence. Pour revenir aux chatbots, imaginons qu’un client cite la concurrence ou qu’il fasse part de ses (bonnes) impressions d’utilisateur au cours d’un échange. Assez vite, on peut réagir et créer une préférence pro domo. Si leur analyse sémantique et syntaxique est optimum, la data issue des échanges de clients avec le chatbot, est potentiellement une mine d’or.
Au cours des dernières années, et depuis l’invention du premier « spécimen » en 1966 (Eliza), les chatbots prennent une place de plus en plus importante dans la relation entre les marques et les clients.
La crise sanitaire mondiale de la COVID-19, durant laquelle les clients ont migré en masse vers les plateformes de vente en ligne, n’y est pas étrangère.
Cela a encore accéléré les investissements dans cette technologie. Du coup, les chatbots gagnent de jour en jour en performance. Et parce qu’ils représentent l’interface « humaine » entre le client et l’entreprise, une partie significative de la recherche s’applique à développer leur empathie, leurs connaissances, et leur personnalité. On est loin du simple service de messagerie !
Aujourd’hui, les chatbots exécutent des fonctions dites avancées comme la reconnaissance d’une langue, la traduction, la reconnaissance du locuteur, la modération de contenu, l’analyse du texte et de la voix. Certains chatbots génèrent des conversations alimentées par l’IA, par exemple les réponses aux questions courantes que les clients se posent sur une entreprise.
Mais quand on entend Chatbot, on pense forcément à l’IA. Or le Chatbot est un concept, un programme informatique qui sait échanger avec un humain. Il est (dans sa forme la plus simple) basé repérage de mots clés et de syntaxe récurrent.
Le Bot conversationnel, lui, est un interprète qui dépend de l’IA et du langage naturel (TALN). C’est une version plus évoluée, plus précise. Il ira plus loin. Posera des questions, demandera confirmation, et déroulera son interprétation de la demande et la réponse associée.
Quant au Voicebot, comme son nom l’indique permet d’échanger par biais vocal en utilisant le langage naturel (TALN). Il vous répondra à l’oral, dans votre langue. Il est souvent en tandem avec une IA qui l’aide à traduire les signes oraux en texte.
Aujourd’hui, les chatbots permettent une résolution des problèmes plus efficiente en réduisant drastiquement le taux de renvoi du chatbot vers l’agent, lui permettant ainsi de se concentrer sur des tâches plus complexes.
Juniper Research estime que les chatbots permettront aux entreprises d’économiser plus de 8 milliards de dollars par an d’ici 2022. Les chabots améliorent en effet l’efficacité et la productivité des agents en fournissant des réponses et des solutions rapides aux clients. En conséquence, ils réduisent les coûts d’exploitation, les besoins en main-d’œuvre et le temps de traitement. L’exemple des banques est parlant : d’ici 2022, les banques pourraient automatiser jusqu’à 90 % de leurs interactions avec les clients à l’aide de chatbots. Ce qui signifie que le chatbot est en mesure de prévoir la quasi-totalité des réactions des clients et de les traiter.
Certains chatbots parlent, et ils sont populaires (Siri, Alexa, Google Assistant). Selon une étude réalisée par PWC, en moyenne, 80 % des acheteurs étant passés par un assistant vocal se sont déclarés satisfaits. Après tout, 90 % des interactions humaines sont vocales. Il est donc naturel que les chatbots vocaux gagnent en popularité dans le service client. Aujourd’hui, l’utilisation des chatbots en entreprise ne se limite plus à la communication avec les clients ou la stimulation des ventes.
Les chatbots et les technologies IA révolutionnent également la façon dont les entreprises communiquent en interne : ils permettent de rationaliser les flux de travail et de traiter les questions des employés de manière automatisée.
Depuis peu, les chatbots ont fait un passage vers l’intelligence émotionnelle. Grâce au machine learning, certains chatbots peuvent désormais comprendre les émotions exprimées dans la conversation et y répondre en s’adaptant à l’intention de l’utilisateur. En utilisant l’analyse des sentiments NLP, le bot est en mesure d’extraire des informations sur votre humeur à partir du texte que vous avez produit. La généralisation des chatbots est en marche. Mais leur pouvoir n’est pas sans limites. La compréhension du langage humain reste complexe en raison des différentes significations d’un même mot en fonction d’un contexte donné, de la grammaire, mais également en raison des 44 000 synonymes dans la langue française, et des styles d’écriture, qui varient selon les intentions de l’auteur. Il y aura donc toujours des textes insaisissables sans le recours à l’intelligence de la personne humaine.
Cela dit, dès lors que l’on réussit à classifier du texte, c’est-à-dire l’organiser, le structurer et le catégoriser, on peut entraîner un chatbot à une modération de contenu. Par exemple pour déceler des fake news où le NLP va analyser les mots clés et comparer des articles à ceux de sources sûres pour évaluer la crédibilité d’une information.
Une évidence depuis la crise sanitaire
Les algorithmes de NLP sont simples à utiliser et s’adaptent aux besoins de chaque utilisateur. On peut aller plus ou moins loin dans l’automatisation, à chacun sa culture.
Toutefois, la crise sanitaire, que nous éprouvons encore, a rendu ce sujet encore plus crucial. Les besoins des consommateurs en matière d’autonomie, d’immédiateté et d’accessibilité (pendant les confinements…) ne se discutent plus. Une FAQ dynamique qui répond aux questions des clients 24 h/24 h 7 j/7 j est un progrès. Le client a un vrai parcours, son expérience est personnalisée, optimisée, conversationnelle même. Sa satisfaction n’en sera que plus valorisée. Pour les équipes chargées des questions de service après-vente, et plus globalement du marketing et des ventes, c’est un temps précieux dégagé pour se concentrer sur une stratégie, l’image de marque et le positionnement concurrentiel.
Des limites malgré tout
Il y a quand même des limites. De même qu’un sportif de haut niveau, le NLP doit être entraîné au quotidien. La machine, même dotée d’une intelligence artificielle, ne saisit pas toujours toutes les nuances du langage humain. Ce dernier n’est pas toujours précis, il peut se révéler ambigu, manier un humour très personnel, de l’argot, des dialectes, sans parler des synonymes (billet = argent = ticket de transport…). D’où un entraînement permanent pour identifier toutes les manières, par exemple lorsqu’un client demande un remboursement. Juste le mot sec, ou une phrase alambiquée du style : « Comment puis-je obtenir de quoi me faire rembourser ? ». Plus le chatbot sera nourri, mieux il répondra, et meilleure sera l’interaction de l’entreprise.
