10 minutes de lecture
Pourquoi les avis en ligne sont-ils importants ?
Quel que soit le type d'entreprise que vous dirigez, qu'il s'agisse d'un site de commerce électronique, d'une chaîne YouTube, d'un bar ou d'un restaurant, une chose est sûre : les clients se fieront avant tout aux avis d'autres clients sur votre entreprise. Lire les expériences réelles de vrais clients sera toujours l'un des principaux facteurs de décision d'achat.
C'est pourquoi il est extrêmement important pour votre entreprise de s'assurer que les avis qu'elle reçoit, que ce soit sur Amazon, Google Maps, Trustpilot, G2 ou sur son propre site web, reflètent bien l'image que vous souhaitez donner de votre marque. Même un seul avis négatif peut réduire la confiance que les clients potentiels accordent à votre entreprise.
Le potentiel des avis en ligne
La meilleure façon d'augmenter le nombre d'avis positifs est de s'assurer que vous comprenez tous vos avis et que vous en tirez des enseignements. Si vous faites quelque chose de bien, vous devez savoir ce que vous faites, afin d'en faire plus. Si vous faites quelque chose de mal, vous devez le savoir le plus rapidement possible afin de rectifier la situation et d'aider vos clients à se sentir mieux, voire de les inciter à supprimer l'avis négatif.
Vos avis sont la meilleure source d'information pour savoir ce que vos clients attendent de vous et ce qu'ils apprécient dans votre entreprise. En tirant parti des avis des clients, vous pouvez vous démarquer de la concurrence, car vous donnez à vos clients exactement ce qu'ils recherchent.
Pourquoi il est difficile d'en tirer parti
Il n'est pas très difficile d'exploiter les avis lorsque vous n'en avez qu'une poignée sur votre site web. Vous pouvez les lire manuellement et comprendre assez facilement quel est le sentiment de vos commentaires.
Cependant, lorsque vous êtes une grande entreprise prospère et que vous recevez chaque mois des centaines, voire des milliers d'avis sur différentes plateformes en ligne, pour différentes lignes de produits ou différents lieux, il est impossible de lire chaque avis manuellement.
D'autre part, à ce stade, il est d'autant plus important d'exploiter vos avis, car vos clients peuvent dire des choses que vous ne savez pas. La compréhension de vos avis peut conduire à des avancées commerciales importantes que vous n'auriez peut-être pas remarquées autrement.
Par exemple, si vous êtes propriétaire d'une chaîne hôtelière, que se passe-t-il s'il y a un sous-ensemble de vos clients qui aiment vraiment le spa intérieur dans tous vos hôtels, mais parce que vous ne le savez pas, vous n'investissez pas davantage dans le développement du spa ? Et s'il existait un moyen de le savoir, sans avoir à appeler chacun de vos hôtels pour connaître l'avis des visiteurs ?
Indice : les avis en ligne. Plus précisément, l'analyse des sentiments sur les avis en ligne - voilà la solution.
Qu'est-ce que l'analyse des sentiments ?
Si un être humain peut facilement lire un texte pour en comprendre le sentiment, il n'est pas humainement possible de passer en revue manuellement des centaines ou des milliers de textes. L'analyse des sentiments est une façon d'utiliser un programme informatique pour comprendre automatiquement si un texte a un sentiment positif, un sentiment négatif ou un sentiment neutre.
Si vous souhaitez en savoir plus sur l'analyse des sentiments, nous avons rédigé un article complet à ce sujet.
Que peuvent faire NLP et l'analyse des sentiments pour les avis ?
En appliquant une analyse de sentiment de base à vos commentaires en ligne, vous pouvez comprendre s'ils sont positifs ou négatifs. Vous pouvez suivre les tendances de l'analyse des avis dans les différentes gammes de produits ou dans les différents sites de votre entreprise.
Cependant, en combinant différents aspects de NLP , tels que la détection d'entités et l'étiquetage des parties du discours, avec l'analyse des sentiments, vous pouvez comprendre encore mieux les avis que les clients écrivent sur votre entreprise.
Sentiment basé sur les mots
L'une de ces techniques est le sentiment basé sur les mots. Il s'agit de comprendre le sentiment d'une phrase ou d'une partie de phrase qui contient un mot spécifique.
Cette fonction est utile pour analyser les avis des clients lorsque vous souhaitez comprendre ce qu'ils pensent d'un aspect spécifique de votre produit ou service.
Par exemple, si vous vendez des écouteurs, vous voudrez peut-être savoir ce que les clients pensent de la qualité du microphone ou de la durabilité du câble. Si vous ne posez pas de questions précises à vos clients sur ces aspects de votre produit, il est difficile de savoir ce qu'ils pensent de choses spécifiques.
Cependant, grâce à NLP et à l'analyse des sentiments, il est facile de comprendre ce que les gens pensent de certaines choses. Vous savez ainsi ce que votre équipe produit doit s'efforcer d'améliorer ou quels sont les domaines dans lesquels vous devez maintenir les choses en l'état.
Voici un exemple du type d'analyse que vous pouvez effectuer avec le sentiment basé sur les mots.

Voici le résultat de l'analyse des sentiments basée sur les mots dans les commentaires des clients d'Amazon sur une paire d'écouteurs. Nous pouvons voir que les clients trouvent les écouteurs confortables, durables et bien construits, mais qu'ils sont déçus par le chargement, le câble et la batterie.
Ce type d'analyse est extrêmement utile aux entreprises pour savoir exactement quels aspects de leurs produits doivent être développés davantage et pour découvrir des problèmes de produits qu'elles n'auraient pas pu déceler autrement.
Dans la suite de cet article, nous vous montrerons comment vous pouvez facilement le faire avec Lettria.
Comment effectuer facilement une analyse des sentiments avec Lettria
Avec la plateforme Lettria , vous pouvez facilement effectuer une analyse des sentiments sur des centaines d'avis à la fois.
Il y a deux approches que nous allons couvrir dans ce tutoriel -
- Une approche sans code qui vous permet d'importer un site dataset et d'exécuter une analyse de sentiment NLP sur des commentaires individuels pour en savoir plus sur eux.
- Une approche simple utilisant Python qui vous permet d'analyser des centaines d'avis en une seule fois et de connaître le sentiment pour différents mots et sujets au sein de ces avis.
Ce dont vous avez besoin
Pour les deux approches, vous aurez besoin d'un compte Lettria gratuit.
Vous aurez également besoin d'un site dataset d'avis en ligne. Nous avons utilisé celui de Kaggle.
Pour l'approche "some-code" :
Vous aurez besoin d'un environnement Python. Vous pouvez en créer un assez facilement en utilisant Google Colab.
Analyse des sentiments sans code des commentaires individuels en ligne
1. Démarrer un nouveau projet

Une fois que vous avez créé un compte, la première chose à faire est de démarrer un nouveau projet.
Vous pouvez partir d'un projet vierge.
2. Choisissez vos modules

Pour ce tutoriel, nous utiliserons les modules "Detect sentiment", "Detect emotion" et "Detect entity".
Pour plus d'informations sur la création d'un projet, vous pouvez lire notre article de base de connaissances ici.
3. Télécharger dataset

Une fois que vous avez créé un projet, vous pouvez télécharger votre site dataset afin de l'analyser sur la plateforme.
Pour en savoir plus sur le téléchargement d'un site dataset , consultez notre article de base de connaissances ici.
4. Analyser les données à l'aide de la fonction de démonstration

Si vous vous rendez dans la section "Demo", vous pouvez analyser les avis individuels de votre site dataset et connaître leur sentiment, leurs entités et leurs émotions.
Résultat
Sur la plateforme, vous pourrez voir le sentiment de chaque partie de l'avis - positif, négatif ou neutre. Si vous cliquez sur le résultat, vous pourrez obtenir plus de détails.

Analyse des sentiments de certains mots codés dans les commentaires en ligne
L'approche précédente permettait de connaître le sentiment exprimé dans les avis individuels.
Mais ne serait-il pas utile de connaître le sentiment global de centaines d'avis différents ?
Avec Lettria, vous pouvez analyser le sentiment global des avis, et vous pouvez analyser le sentiment global pour différents mots dans vos avis.
Vous pouvez ainsi savoir ce que vos clients pensent de certains aspects de votre produit ou service.
Pour cela, nous aurons besoin de Python, du SDK Lettria Python et d'une clé API Lettria.
Pour en savoir plus sur le SDK Python de Lettria, cliquez ici. Vous trouverez votre clé API dans la section "API Key" de votre projet.
Démarrage du projet
Commençons par définir la clé API et par créer un nouvel objet NLP appelé nlp. Nous allons également réinitialiser les données qu'il contient.
pip install lettria
import lettria
import pandas as pd
import matplotlib.pyplot as plt
api_key = "[add your API key here]"
nlp = lettria.NLP(api_key)
nlp.reset_data
Chargement des revues dans Lettria
Commençons par charger les commentaires dataset dans un cadre de données pandas et supprimons tous les produits autres que le produit "boAt Rockerz 255".
Note - nous ne sommes pas affiliés ou liés à boAt de quelque manière que ce soit, ceci est juste à des fins éducatives et de tutorat.
Dans le cadre de ce tutoriel, nous nous contenterons d'analyser les 100 premiers avis, mais vous pouvez en analyser autant que vous le souhaitez à l'aide de Lettria.
Nous allons ensuite créer une liste contenant uniquement le corps de l'avis et l'appeler reviews_list.
df = pd.read_csv('AllProductReviews.csv')
df = df.drop(df[df.Product != 'boAt Rockerz 255'].index)
reviews_hundred = df.head(n=100)
reviews_list = reviews_hundred['ReviewBody'].tolist()
Enfin, nous ajouterons les données au site NLP à l'aide de la fonction add_documents().
nlp.add_documents(reviews_list)
La liste entière est transmise à Lettria NLP et toutes les données sont traitées dans votre projet.
Notez que cette étape consomme des crédits dans votre compte Lettria . Mais n'ayez crainte, vous disposez de 3000 crédits gratuits pour essayer Lettria! C'est suffisant pour faire beaucoup d'analyses et en apprendre plus sur Lettria.
Analyse du sentiment des mots
Toutes vos données textuelles sont maintenant chargées et analysées par Lettria. Nous pouvons utiliser différentes fonctions pour obtenir des informations à ce sujet.
Pour connaître le sentiment global associé à différents mots, utilisons la fonction word_sentiment().
wordsent = nlp.word_sentiment('sentence', average=True)
L'étiquette "phrase" signifie que nous examinons le sentiment au niveau de la phrase. Vous pouvez également choisir 'subsentence' si vous souhaitez plus de granularité.
Si nous affichons le résultat de cette opération, nous constatons que nous avons un dictionnaire dont la clé est un grand nombre de mots différents et dont les valeurs sont les sentiments associés à ces mots.

C'est très bien, mais nous devons trouver un moyen d'extraire uniquement le sentiment pour des mots spécifiques. C'est ce que nous allons faire avec l'extrait de code ci-dessous.
data = {key: wordsent[key] for key in [('charging', 'N'), ('comfort','N'), ('microphone', 'N'), ('cable', 'N'), ('battery', 'N'), ('durability', 'N'), ('build', 'N')]}
Vous pouvez ainsi saisir n'importe quel mot. Vous devrez le saisir avec son POStag pour qu'il corresponde à la clé.
Tracer le sentiment
Une fois cela fait, nous utilisons matplotlib pour créer un graphique de base des mots et des sentiments qui leur sont associés.
names.clear()
for i in list(data.keys()):
names.append(i[0])
values = list(data.values())
plt.bar(range(len(data)), values, tick_label=names)
plt.show()

Vous avez maintenant une idée plus visuelle de ce que vos clients pensent des différents aspects de votre produit, grâce à leurs commentaires.
Conclusion
Il s'agit d'une analyse de base, mais l'objectif de ce tutoriel est de vous montrer la puissance du traitement du langage naturel avec Lettria.
Vous pouvez utiliser le SDK pour réaliser des analyses beaucoup plus poussées, et le plus intéressant, c'est que vous n'avez besoin que d'un seul outil pour le faire.
Dans les prochains tutoriels, nous aborderons d'autres cas d'utilisation.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenean faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.