IA et analyse de texte - Quelle valeur pour l’expérience client digitale ?
L'IA a le pouvoir de transformer l'expérience client en permettant aux marques de répondre aux attentes croissantes du consommateur avec un service personnalisé, de haute qualité et approprié qui renforce la loyauté.
Dans mes précédents billets de blog, j'expliquais les termes de base de l'IA, dont notamment les bots et chatbots et leur impact sur l'expérience client. Je voudrais maintenant me focaliser sur l'analyse de texte. L'analyse de texte est au cœur d'une IA performante, avec le traitement automatique du langage naturel (TALN) utilisé pour extraire le sens des conversations digitales écrites, tels que les emails, tweets et chat. Mais comment cela fonctionne-t-il et comment en tirer pleinement tous les avantages ?
Commençons en nous mettant dans la situation suivante : nous sommes des collaborateurs d’une entreprise et un consommateur décide de prendre contact en envoyant un message par un canal digital. Considérons ici que c'est un email, même si cela pourrait être de la même façon un tweet, un message Facebook ou chat. Voici les huit étapes que suivra un logiciel d'IA, tel que celui conçu par Eptica, pour comprendre et extraire le sens précis et réel du message :
Détection de la langue. La première étape consiste à comprendre la langue utilisée dans le message, notamment si c'est une variante reconnaissable, telle que l'anglais américain. Ceci permet d'initier l'analyse la plus appropriée et d'en tirer une compréhension fine à la fois du sens et des termes du message.
Nettoyage. Cette étape permet de mettre de côté les phrases ou mots qui n'ont pas de sens, tels que « Cher XYZ » et « Merci », retirant le bruit qui n'est pas lié directement au message et laissant ainsi pour l'analyse à venir le contenu porteur de sens.
- Analyse syntaxique. Quelle est la structure de chaque phrase contenue dans le message ? Par exemple, quel mot est le sujet ? Quel est le verbe ?
- Normalisation. Cette étape permet de s'assurer que les termes similaires sont rassemblés. Par exemple, « achetant » et « acheté » sont deux variantes du verbe « acheter ». Ces mots doivent être considérés comme ayant le même sens. La normalisation réduit la complexité d'une analyse de texte, les termes communs ayant été identifiés précédemment.
- Résolution des abréviations. Les personnes utilisent souvent des abréviations (telles que « nbre » pour « nombre »), et elles doivent être remplacés par les mots dans leur intégralité pour plus de clarté.
- Détection des propositions. En découpant chaque phrase, on identifie potentiellement différentes propositions qui ont souvent des sens différents. Par exemple, « J'ai aimé les plats mais le serveur n'a pas été attentionné du tout », contient deux propositions qui doivent être identifiées séparément. En lisant simplement la première proposition et en ignorant la seconde, l'interprétation de l'expérience résultante du consommateur serait totalement erronée.
- Reconnaissance des noms et des entités. Certains mots, tels que les dates, lieux et noms de marques, apportent un contexte important à la conversation. Les identifier permet au moteur d'analyse de texte de comprendre plus finement ce dont traite le message, améliorant ainsi la précision de la réponse à apporter.
- Analyse sémantique. Une fois le message passé par les différentes étapes précédentes, le TALN peut être utilisé pour comprendre son sens. Il peut notamment s'intéresser au contexte de la conversation - par exemple, les phrases « Mon ordinateur portable est petit et facile à transporter » et « Ma chambre d'hôtel est petite » contiennent toutes les deux le mot « petit(e) » mais il est dans un cas positif et dans l'autre négatif. Le sentiment peut être ensuite mesuré en regardant la répartition entre les termes négatifs et positifs contenus dans le message. Etant donné que la plupart des messages entrants traitent d'un nombre de sujets limité, identifier le thème de la conversation (comme par exemple le fait d’augmenter le plafond de dépense d'une carte de crédit) est aussi important. Cela veut dire que les systèmes doivent être entraînés avec une liste de thèmes pertinents pour chaque secteur et chaque entreprise.
Une fois le processus d'analyse de texte terminé, nos bots vont rechercher dans la base de connaissance la réponse la plus pertinente. Cette réponse est ensuite diffusée soit directement au consommateur (comme dans le cas de conversations automatisées : self-service, chatbots) soit comme modèle de réponse qui est intelligemment mis à disposition de la personne de l'entreprise la mieux placée pour répondre. Elle peut ainsi apporter une réponse personnalisée et précise par e-mail, chat ou médias sociaux. Pour s'assurer que le système s'améliore en continu, nos bots sont auto-apprenants de deux façons :
Plus une réponse ou un modèle est utilisé, plus il est considéré comme pertinent pour cette requête. Et donc, plus il sera utilisé à l'avenir pour répondre à une question similaire.
Le bot apprend des retours des agents et consommateurs sur la pertinence des réponses, lui permettant de s'assurer de toujours utiliser la meilleure réponse possible.
Alors que l'analyse de texte n'est pas un domaine récent, la linguistique est une science à la fois extrêmement vaste et en évolution rapide et permanente. Pour rester à niveau, et pour s'assurer que le logiciel créé réponde aux besoins de l'expérience client, il est vital pour les marques de choisir de travailler avec des organisations qui, d’une part, sont propriétaires de leur technologie (pour développer leurs propres outils d'analyse de texte et d’IA et travailler avec une équipe d’ingénieurs linguistes) et qui, d’autre part, détiennent une compréhension fine du marché de l'expérience client et de ses besoins particuliers. Ce n'est que comme cela que l'IA pourra apporter une valeur réelle et durable à vos activités touchant à l'expérience client.
Commentaires