Comment un score de sentiment améliore votre stratégie de marque

Les méthodes traditionnelles telles que les notes par étoiles et les scores nets de promoteur (NPS) sont des moyens familiers pour quantifier la satisfaction client. Mais ce n’est que la pointe de l’iceberg en ce qui concerne le sentiment des clients.

Des technologies avancées comme analyse des sentiments vous aider à aller au-delà des mesures numériques en analysant des données qualitatives telles que les commentaires sur les réseaux sociaux, les réponses aux enquêtes et les avis. Cette approche de calcul d'un score de sentiment vous donne une compréhension plus nuancée de l'opinion des clients et une étoile polaire pour améliorer vos offres et vos stratégies de marque.

Poursuivez votre lecture pour découvrir ce qu'est un score de sentiment, les progrès réalisés dans le calcul des scores de sentiment et comment nous le faisons chez Sprout.

Qu'est-ce qu'un score de sentiment ?

Un score de sentiment quantifie le sentiment ou l'émotion exprimé dans des données qualitatives telles que les commentaires des clients ou l'écoute des réseaux sociaux. Il est calculé via le processus d'analyse des sentiments et mesuré dans une plage de -1 à 1. Le chiffre négatif étant le sentiment négatif le plus élevé, 0 indiquant le sentiment neutre et +1 désignant le sentiment positif le plus élevé.

Les scores de sentiment vous informent si l’opinion du marché à l’égard de votre marque est positive, négative ou neutre. Une analyse plus approfondie des données vous donne un aperçu approfondi de la manière dont vous pouvez améliorer différents aspects de votre entreprise, tels que le service client, le contenu marketing, les produits et le service après-vente, afin de garantir la fidélité à votre marque et la croissance de votre entreprise.

Approches traditionnelles pour comprendre le sentiment des clients

Les approches traditionnelles de analyse du sentiment des clients se sont principalement appuyés sur des mesures quantitatives. Ceux-ci inclus:

Viralité

La viralité fait référence au nombre total d'engagements sur les réseaux sociaux, tels que les likes, les partages et les commentaires que votre contenu ou votre campagne a reçus. La viralité est traditionnellement utilisée comme indicateur de la façon dont votre marque, votre campagne ou votre contenu marketing trouve un écho auprès de votre public cible et du grand public. Il donne une vue globale des préférences des clients afin que vous puissiez prendre des décisions marketing éclairées et modifier vos stratégies en conséquence.

Évaluation étoilée

Une note par étoiles est une méthode populaire pour comprendre le sentiment des clients et est largement utilisée par les marques pour évaluer un produit ou un service. Les notes sont généralement fournies dans une plage de 1 à 5 étoiles, 1 indiquant le niveau de satisfaction client le plus bas et 5 le niveau le plus élevé. Parfois, les notes par étoiles incluent également des commentaires qui ajoutent un contexte supplémentaire à la note.

NPS

NPS est une mesure quantitative utilisée pour mesurer la satisfaction du client et la propension d’un client à recommander la marque à sa famille et à ses amis. Plus la note est élevée, plus la fidélité des clients est élevée. Les notes NPS sont souvent sur une échelle de 0 à 10, 0 désignant la note la plus basse et 10 la plus élevée.

Contrairement aux notes par étoiles ou à la viralité, les mesures NPS regroupent souvent les clients en trois catégories en fonction de leurs notes.

• Promoteurs (8 à 10) : Ce sont des clients satisfaits qui feront activement la promotion de la marque par le bouche-à-oreille, dans les avis ou les commentaires sur les réseaux sociaux.
• Passifs (7-8) : Ces clients sont satisfaits mais ne sont pas susceptibles de promouvoir le produit ou le service.
• Détracteurs (6-0) : Il s’agit de clients profondément insatisfaits, les plus susceptibles de publier des avis négatifs et qui dissuaderont probablement les autres d’envisager la marque.

Score de satisfaction client (CSAT)

CSAT est une méthode utilisée pour mesurer le degré de satisfaction des clients à l'égard des produits ou services d'une marque. Les scores CSAT sont calculés en mesurant la note moyenne fournie par les clients. Les échelles CSAT peuvent varier, par exemple, elles peuvent être comprises entre 1 et 10, 10 étant le plus élevé ou 1 et 5, 5 étant le niveau de satisfaction client le plus élevé.

Des enquêtes CSAT peuvent être envoyées après une transaction ou périodiquement pour comprendre la satisfaction des clients à l'égard de la marque globale.

Nouvelles avancées dans le calcul du score de sentiment

Les calculs traditionnels se concentrent sur les mesures quantitatives des indicateurs de performance clés (KPI). Mais pour obtenir une image vraiment précise du sentiment de la marque, vous devez ajouter à l’ensemble les données qualitatives trouvées dans les commentaires et les réactions. Recherche montre que même si la plupart des entreprises ont reçu des notes positives entre 80 % et 100 %, ces notes ne reflètent pas le succès de l'entreprise. En effet, les gens, en général, ont tendance à donner des évaluations positives plus élevées que leur expérience réelle. Cela conduit à une mer de notes positives, ce qui fait pencher le nombre vers un score positif plus élevé.

Tâches d'apprentissage automatique (ML) et d'IA telles que reconnaissance d'entité nommée et traitement du langage naturel (PNL) aident à surmonter ce défi. Ils vous aident à comprendre le sentiment des clients de manière plus contextuelle, vous permettant de trouver des modèles d'opinions des clients dans le flux et le reflux de la perception de la marque à travers les délais et les campagnes.

L’intensité de l’exploration des sentiments varie en fonction des méthodes utilisées. Les trois principaux sont :

• Analyse des sentiments basée sur des documents

Cette approche vous donne une compréhension générale du sentiment négatif, positif ou neutre dans un document. Il est utilisé pour des ensembles de données petits et simples.

• Analyse des sentiments basée sur un sujet

Cette méthode est plus nuancée et évalue les sentiments par sujet. Le modèle ML identifie les sujets et thèmes courants dans les données, puis analyse les sentiments qu'ils contiennent.

Cette approche aide les spécialistes du marketing à comprendre ce que les clients, ou le grand public, aiment et n'aiment pas dans leur marque. Fournissant ainsi des informations pertinentes et exploitables à partir des avis, de l'écoute des réseaux sociaux ou des e-mails et commentaires du service client.

• Analyse des sentiments basée sur les aspects

Il s’agit de la méthode la plus avancée utilisée pour l’exploration des sentiments. Analyse des sentiments basée sur les aspects décompose en outre les sujets pour identifier et rechercher les aspects qu'ils contiennent, puis applique la sémantique pour fournir une image plus complète du sentiment des clients. Par exemple, il peut identifier des aspects tels que « room service », « barman », « réception » ou « voiturier » à partir d'une classification thématique sur « service client » dans les données de feedback.

Cette forme granulaire d'analyse des sentiments indique aux marques exactement ce qui doit être amélioré et éclaire les stratégies nécessaires pour accroître la satisfaction des clients.

Techniques de traitement des données utilisées pour calculer les scores de sentiment

Calcul d'un score de sentiment à utiliser dans Marketing de l'IA dépend de nombreuses tâches de traitement de données effectuées automatiquement par un modèle ML, tels que les grands modèles de langage (LLM). Ces tâches comprennent :

Tokenisation

La tokenisation est le processus de séparation du texte en mots individuels. Toutes les ponctuations sont supprimées et la chaîne de texte est réduite à des blocs de mots. Par exemple:

[ Le séjour a été agréable mais ma chambre était froide et nous avons dû attendre des heures que le personnel de l'hôtel règle le thermostat, même si l'hôtel semblait vide. Lorsque nous avons essayé d'appeler la réception pour nous renseigner, ils semblaient impatients et impolis.]

Normalisation du texte

À cette étape, toutes les entrées en double sont supprimées des données afin qu'il n'y ait aucune anomalie dans les données. Dans ce cas, la chaîne de texte reste inchangée car il n'y a pas de redondance.

[Le séjour a été agréable mais ma chambre était froide et nous avons dû attendre des heures que le personnel de l'hôtel règle le thermostat même si l'hôtel semblait vide. Lorsque nous avons essayé d'appeler la réception pour nous renseigner, ils semblaient impatients et impolis.]

Mot issu

La racine d'un mot fait référence au processus de réduction d'un mot à sa racine. Dans cet exemple, les mots « heures » et « semblé » sont convertis en « heure » ​​et « semblent ».

[ Le séjour a été agréable mais ma chambre était froide et nous avons dû attendre heure pour le personnel de l'hôtel de régler le thermostat même si l'hôtel sembler vide Lorsque nous avons essayé d'appeler la réception pour nous renseigner, ils semblaient impatients et impolis ]

Suppression des mots vides

Tous les mots superflus sont éliminés afin que seuls les entités nommées et les mots dénotant des émotions soient conservés.

[ Le séjour s'est déroulé bon Mon chambre froide et nous avons dû attendez pour heure pour le personnel d'hôtel régler le thermostat même si le hôtel semblent vides Quand nous avons essayé d'appeler le réception pour s'enquérir, ils semblaient impatient et grossier]

Le texte traité résultant se lit maintenant : [ belle chambre heure d'attente froide personnel de l'hôtel réception impatiente grossière ] .

Étant donné que chaque mot a un équivalent numérique dans le modèle ML en fonction de l'échelle de sa négativité ou de sa positivité, les données traitées vous donnent un score basé sur la moyenne totale des sentiments. Lorsqu'il est calculé à l'aide de la méthode Lexicon, si le mot « gentil » reçoit un score de 1 pour positif, tandis que « impatient » se voit attribuer -0,05 et grossier -0,7, le score de sentiment résultant pour l'avis serait de -1, ce qui équivaut à au négatif.

Approches conventionnelles pour calculer les scores de sentiment

Il existe plusieurs façons de calculer un score de sentiment, la plus courante étant la méthode Lexicon, qui utilise un ratio 1 : 1 pour mesurer le sentiment. Cependant, lorsqu’il s’agit de données complexes collectées à partir de sources multiples telles que l’écoute des réseaux sociaux ou les forums d’avis clients, des techniques plus avancées sont nécessaires. Vous trouverez ci-dessous un aperçu de ces méthodologies.

Méthode de comptage de mots

La façon la plus simple de calculer le score de sentiment est basée sur la méthode du lexique ou du comptage de mots, comme dans l'exemple ci-dessus. Dans cette méthode, le nombre d’occurrences de sentiments négatifs est réduit par rapport aux occurrences positives.

Formule: # mots négatifs – mots positifs = score de sentiment

Exemple : 1 – 2 = -1.

Déduire le score de sentiment avec la longueur de la phrase

Dans cette méthode, nous soustrayons le nombre de mots positifs des mots négatifs et divisons le résultat par le nombre total de mots dans la phrase de révision.

Formule : # mots négatifs – # mots positifs divisé par le nombre de mots = score de sentiment

Exemple : 1 – 2 / 42 = -0,0238095

Ce système est souvent utilisé pour comprendre des avis et des commentaires plus longs.

Étant donné que cette méthode est utilisée pour analyser de grandes quantités de données, les scores obtenus peuvent se diviser en longues fractions. Lorsqu’elle est effectuée à grande échelle, cela peut entraîner des difficultés à comparer et à comprendre les valeurs des sentiments. Pour surmonter ce défi, les scores obtenus sont multipliés par un chiffre unique afin que les valeurs soient plus grandes, facilitant ainsi la comparaison.

---

en voir 11 partout

---

Ratio du nombre de mots positifs et négatifs

Cette méthodologie est considérée comme la plus équilibrée pour mesurer le score de sentiment dans le Big Data. Le nombre total de mots positifs est divisé par le nombre total de mots négatifs puis ajouté par un.

Formule : # mots positifs / # mots négatifs + 1 = score de sentiment

Exemple : 1 / 2 + 1 = 0,33333

Plus l’évaluation est longue, plus le nombre de scores positifs et négatifs est élevé. Cette approche normalise la longueur totale du texte, ce qui la rend particulièrement utile pour analyser des critiques de différentes longueurs. Dans cette méthode, un score de sentiment de 1 est défini comme neutre.

Comment nous calculons les scores de sentiment chez Sprout

Le modèle de sentiments de Sprout utilise des réseaux de neurones profonds (NN), et en particulier de grands modèles de langage. Les LLM fonctionnent en considérant le contexte de l'ensemble du bloc de texte, en lisant les mots de gauche à droite et de droite à gauche en utilisant le Représentations d'encodeurs bidirectionnels à partir de transformateurs (BERT) modèles de Google.

À partir d'un ensemble de données de documents déjà étiquetés, un LLM identifie automatiquement les mots, les expressions et l'ordre des mots/expressions qui ont contribué à ce qu'un bloc de texte soit étiqueté comme positif ou négatif. Il attribue ensuite un poids (valeur numérique) à chaque jeton dans un bloc de texte. Une fois ces pondérations calculées, nous déterminons le sentiment suscité par un texte nouveau et invisible et la probabilité qu'il soit positif, négatif ou neutre.

L’importance du score de sentiment pour les marques

Les scores de sentiment vous aident à quantifier et à évaluer différents aspects de votre marque, de vos produits et services, en donnant aux équipes marketing, produits et service client des informations exploitables sur la manière exacte dont elles peuvent orienter leurs stratégies vers une trajectoire réussie.

Grâce à l'IA et à l'apprentissage automatique, il existe de nombreux outils qui éliminent les incertitudes et vous donnent une image précise du sentiment de votre marque en quelques minutes. Jetez un oeil à ceux-ci outils d'analyse des sentiments nous avons étudié comment vous pouvez relancer votre stratégie de marque.

Partage Avec Tes Amis: