1. Visualisation du score d’impact sur la satisfaction

Dans le monde de l’expérience client, on corrèle généralement les feedbacks client avec un KPI quantitatif : note de satisfaction, score NPS… Tandis que l’analyse sémantique permet de déterminer les motifs de satisfaction et d’insatisfaction client, ce KPI permet de quantifier cette satisfaction.

Quand on cherche à élaborer un plan d’action pour ‘l’amélioration de l’expérience client, il faut prendre en compte de multiples paramètres : la nature du motif d’insatisfaction, sa fréquence dans les feedbacks client, la note moyenne associée. Ainsi, une thématique comme la « déconnexion automatique de l’espace client quand on utilise Internet Explorer » peut générer beaucoup de frustration et d’insatisfaction, mais concerner peu de clients. En revanche, une thématique comme l’amabilité des vendeurs et/ou conseillers peut être une source clé d’enchantement client et doit être considérée comme un levier d’amélioration prioritaire si elle fait trop baisser la satisfaction moyenne.

Pour permettre aux décideurs de l’expérience client de prendre en compte tous ces paramètres, nous avons développé une visualisation qui montre simultanément :

  • Le volume de feedbacks client associé à chaque thématique ;
  • La proportion de feedbacks positifs, négatifs (et neutre) ;
  • Le score d’impact associé à chacune de ces thématiques.

Ce score est calculé en faisant la différence entre la note moyenne données par les clients qui parlent de la thématique, et la note moyenne sur l’ensemble des verbatims client.

2. Widgets pour le monitoring d’un KPI

On l’a vu au point précédent, les KPI comme la satisfaction moyenne sont au cœur du pilotage de l’expérience client. Notre module de configuration et de consultation de tableaux de bord Proxem Report permet de suivre en temps réel ou au quotidien l’évolution des différentes métriques de la relation client : celles issues de l’analyse sémantique, mais aussi les informations recueillies par les baromètres et questionnaires de satisfaction comme les données CRM, le magasin préféré, l’ancienneté du client… et de les croiser avec les thématiques abordées dans les verbatims. Les tableaux de bords sont structurés en widgets qui montrent chacun une visualisation, un aspect de l’expérience client et son évolution au cours du temps.

Au cours des derniers mois, nous avons ajouté plusieurs widgets pour mieux comprendre les variations quantitatives de la satisfaction client :

  • KPI (affichage de la note moyenne ou médiane ou du score NPS) ;
  • Evolution du KPI (courbe d’évolution du KPI) ;
  • Comparaison (affichage du KPI selon une variable au choix : thématique abordée, point de vente.

Ces widgets se combinent bien sûr à toutes les fonctionnalités de filtrage du module Report : sélection d’un segment de marché, d’une période de temps, d’un niveau de satisfaction, etc.

3. Enrichissement de thématiques par machine learning

Tous les spécialistes du traitement du langage vous le diront : il n’y a pas d’analyse sémantique parfaite. Même lorsque l’on demande à des humains, qu’ils soient ou non experts en linguistiques, de se mettre d’accord sur une classification thématique, ils ne parviennent jamais à un consensus parfait. Or si plusieurs humains sont d’accord seulement à 95%, comment demander à une machine d’être exacte à 100% ?

Ceci posé, cela ne veut pas dire qu’il ne faut pas essayer d’être le plus exact possible, car il est par contre très facile d’avoir un niveau d’exactitude très faible. D’ailleurs, quand on parle d’exactitude, on veut dire en général une combinaison de deux choses :

  • Le rappel : est-ce que tous les verbatims correspondant à une thématique sont bien reconnus ?
  • La précision : est-ce que dans les verbatims détectés par la machine, il y en a qui ne correspondent pas à la thématique ?

Tout le travail des experts et des technologies d’analyse sémantique consiste à améliorer ces deux indicateurs. Lorsque les infolinguistes de Proxem utilisent le Proxem Studio pour paramétrer des ressources linguistiques, c’est pour travailler sur l’un de ces aspects.

Dans cette perspective, il est donc très utile de pouvoir identifier rapidement des verbatims ou des expressions qui n’ont pas été associées à la thématique, soit parce qu’elle a été moins creusée que les autres, soit parce que de nouvelles façons de l’exprimer sont apparues dans les verbatims. Nous avons donc introduit une nouvelle fonctionnalité d’enrichissement de concepts qui s’appuie sur nos outils de R&D avancés (représentation en word embeddings obtenue par deep learning) pour détecter automatiquement des fragments de texte susceptibles d’appartenir une thématique existante.

Comme toujours dans le Proxem Studio, on reste sur le principe de l’intelligence augmentée : la machine suggère, et l’humain valide les propositions pertinentes en quelques clics.