Comparatif : Analyse des émotions vs. Analyse de sentiment

Publié le 23 mai 2022  - Mis à jour le 23 mai 2022

Lorsque l’on souhaite utiliser un outil d’analyse sémantique automatique, deux approches s’offrent à nous : l’analyse de sentiment ou l’analyse émotionnelle.

Bien que similaires sur plusieurs points, il existe des différences fondamentales entre celles-ci qu’il est important de comprendre pour faire le bon choix.
Dans cet article, nous allons comparer les deux approches pour définir laquelle choisir en fonction de votre situation. Commençons par l’analyse de sentiment.

1) Analyse de sentiment

Si vous avez déjà utilisé un outil d’analyse sémantique automatique, il est fort probable que vous ayez déjà entendu parler (ou même testé) de l’analyse de sentiment.

En effet, la plupart des outils spécialisés offrent aujourd’hui des métriques sémantiques et notamment un score de sentiment. L'objectif est de classer chaque commentaire entre sentiment positif, neutre ou négatif avec un taux de confiance et éventuellement un taux d'intensité.

enquete-de-satisfaction.jpeg

Derrière les résultats, une étape de pré-traitement va d'abord nettoyer et standardiser les mots. Les techniques les plus courantes mettront automatiquement en minuscules, supprimeront la ponctuation, les chiffres et les mots vides, les caractères spéciaux pourront être convertis, la famille du mot analysée, etc.

Une fois le pré-traitement terminé, les algorithmes automatiques de sentiment peuvent être classés en 3 parties : 

  • machine-learning : Cette approche utilise une technique d'apprentissage automatique et diverses fonctionnalités pour construire un classificateur capable d'identifier le texte qui exprime un sentiment. De nos jours, les méthodes du machine-learning sont populaires car elles s'adaptent facilement à toutes les données. 
  • basés sur le lexique : Cette méthode utilise une variété de mots annotés par un score de polarité, pour décider du score d'évaluation général d'un contenu donné. L'atout le plus fort de cette technique est qu'elle ne nécessite aucune donnée d'apprentissage, tandis que son point le plus faible est qu'un grand nombre de mots et d'expressions ne sont pas inclus dans les lexiques de sentiments.
  • hybrides : La combinaison de l'apprentissage automatique et des approches basées sur le lexique pour traiter l'analyse des sentiments est appelée hybride. Bien qu'elle ne soit pas couramment utilisée, cette méthode produit généralement des résultats plus prometteurs que les approches mentionnées précédemment. 

D'énormes progrès ont été réalisés dans ce secteur, et les meilleurs outils atteignent désormais un niveau de fiabilité supérieur à 75%. 

Si l’analyse menée par l’entreprise ne nécessite pas une profondeur importante, alors l’analyse de sentiment peut apporter certains avantages.

  • La prévention et gestion de crise sur les réseaux sociaux. Lorsqu’une entreprise est dans une situation de bad-buzz sur les réseaux, il faut agir vite. Si l’on détecte un volume anormal de verbatims négatifs sur un réseau comme Twitter, l’entreprise peut prendre le sujet en main immédiatement et agir plus rapidement.
  • Gérer la E-réputation. Souvent intégrée dans les logiciels de Social Listening, l’analyse de sentiment permet de monitorer l’e-réputation d’une entreprise sur les réseaux sociaux. En suivant et filtrant par sentiment ce qui se dit sur votre entreprise, cela permet d’avoir une plus grande connaissance sur l’opion générale sur la marque.

Mais il existe certaines limites et inconvénients dans l'analyse des sentiments : 

  • le sentiment n'est pas l'émotion... L'analyse des sentiments n'offre pas suffisamment de profondeur ou de possibilités pour être utile pour les commentaires provenant d'enquêtes ou l'analyse des critiques Web. Ce n'est pas un remplacement complet pour lire les réponses au sondage car il y a des nuances utiles dans les commentaires eux-mêmes. 
  • le sarcasme/l'ironie n'est pas évalué avec précision. (Et si oui, devrait-il s'agir d'un sentiment positif ou négatif !?). 
  • un autre inconvénient est que l'ambiguïté du langage naturel peut confondre les algorithmes de NLP, et c'est pourquoi la partie neutre est souvent la partie principale (de sorte que beaucoup de données sont nécessaires pour commencer à détecter les points irritants ou construire une cartographie des parcours clients).

C’est pourquoi, plus récemment, des chercheurs et des linguistes ont remis en question l'analyse des sentiments existante pour obtenir plus de profondeur et une notation plus exploitable. Ils ont construit les premiers outils d'analyse des émotions qui se sont d'abord propagés dans les meilleures plateformes de gestion de l’expérience client. 

2)   L’analyse des émotions

Si vous souhaitez avoir une compréhension globale de l’expérience et de vos parcours clients, alors l’analyse des émotions répond à vos attentes.

Mais comment fonctionne-t-elle ?

L'outil analysera le commentaire, décidera quelle émotion est la plus appropriée pour chaque phrase et lui attribuera une émotion principale en fonction du poids émotionnel. 

Pour obtenir ce résultat, des millions de phrases, mots, etc. ont été intégrés dans un dictionnaire émotionnel et couplés à des couches d'interprétation, ce qui permet d'interpréter tous les signaux utilisés dans la langue écrite. Par exemple, chez Q°emotion, nous avons développé un dictionnaire émotionnel en multilingue comprenant plus de 50 millions de mots et expressions pour réaliser cette analyse.

Les majuscules, les formes négatives, la ponctuation, les emojis, l'inversion, le temps du verbe et les formes seront utiles pour mieux détecter l'émotion du commentaire et limiter le nombre d'erreurs. 

image2.png

En intégrant les émotions dans l'analyse, vous obtiendrez alors une vision globale des émotions exprimées, vous pourrez comparer entre les années, les sondages, les questions, les segments de clientèle, etc. 

Vous pourrez construire vos propres références et voir des évolutions périodiques sur les résultats de vos enquêtes, en parallèle des scores CSAT ou quantitatifs. 

Malgré tout, vous vous demandez peut-être en quoi les émotions permettent une analyse plus fine que l’analyse de sentiment ?

Pour y répondre le plus simplement possible, il faut se poser la question de la priorisation des irritants. En effet, après avoir réalisé une analyse de sentiment, comment savoir, sans lire les verbatims, quel commentaire négatif est plus prioritaire que les autres ?

Là où l’analyse de sentiment va segmenter les données textuelles en trois sentiments distincts (positif, négatif ou neutre) ; l’analyse émotionnelle permet de segmenter les commentaires en 6 émotions dites primaires (joie, surprise positive, peur, tristesse, colère et dégoût).

On dit de ces émotions qu’elles sont primaires car elles sont communes à tous les êtres humains sans distinction d’âge, de genre, d’origine, etc.

Si l’on reprend notre question de la priorisation des irritants, l’analyse émotionnelle va nous permettre d’aller bien plus loin en détectant 4 émotions négatives. Et cela va avoir son importance car en fonction de l’émotion détectée, l’action à mettre en œuvre ne sera pas du tout la même.

En effet, il est facile de comprendre qu'un client qui exprime de la peur n'aura pas besoin de la même réponse qu'un client en colère. Sans cette couche émotionnelle, avec seulement une analyse des sentiments, il sera extrêmement difficile de répondre correctement à la ou les attentes du client. 

Imaginez un client qui exprime son dégoût pour un produit. Si vous lui proposez une remise pour acheter ce produit, cela ne fonctionnera pas, pour 2 raisons principales: 

  • parce que le client recherche déjà un changement complet
  • parce que cette émotion est souvent incontrôlable, plus forte que son esprit et sa volonté. 

Lui proposer encore et encore la même réponse, c'est comme lui dire : « je ne comprends pas ce que tu me dis ». 

Voici un tableau qui détaille les différents plans d’actions attendus par les clients en fonction de l’émotion exprimée :

Actions_par_emotions.png

Vous l’avez compris, l’analyse émotionnelle permet d’aller bien plus loin et de comprendre en profondeur l’expérience réellement vécue par vos clients. Elle est d’autant plus efficace si vous réalisez des enquêtes avec question ouverte.

De plus, si vous utilisez déjà des indicateurs de satisfaction comme le NPS (Net Promoter Score) ou la CSAT (satisfaction client), alors la combinaison de ces indicateurs avec l’analyse émotionnelle vous donnera des résultats encore plus probants.

3) Combiner indicateurs de satisfaction et analyse émotionnelle

En effet, la combinaison des indicateurs de satisfaction traditionnels avec les émotions vous aiderait à tirer parti de la simplicité des scores moyens CSAT sur des questions globales ou de quelques questions stratégiques ET de la profondeur et de la valeur ajoutée des commentaires des clients. 

En couplant les deux approches, vous aurez la possibilité de mieux comprendre l'évolution de la satisfaction dans le temps et de comparer les résultats sur différentes périodes... 

Dans l'exemple ci-dessous sur un cas bancaire, on peut voir qu’en comparant 2020 à 2018, il y a eu une baisse de la CSAT de près de 0,9 point. 

Celle-ci est liée dans les commentaires à la thématique « Banque en ligne » dont le service s’est manifestement dégradé et qui explique à lui seul 0,4 point de baisse de satisfaction sur l’année. 

Analyse de variance - Banque.png

Vous pouvez, pour certains sujets, aller au-delà du suivi de la satisfaction pour gérer les émotions des clients tout au long du ou des parcours client. 

Et même si vous ne pouvez pas réaliser une analyse solide, commencer à collecter des
commentaires ouverts vous aidera à obtenir des données historiques, ce qui est également intéressant pour évaluer les tendances et vérifier manuellement les signaux faibles. 

Vous l’aurez compris, chaque type d’analyse a son point fort, si l’analyse de sentiment est plus propice à du social listening et aux réseaux sociaux ; l’analyse émotionnelle permet d’exploiter pleinement les verbatims d’enquêtes et les avis online. 

La solution que nous proposons chez Q°emotion est une plateforme SaaS d’analyse émotionnelle et sémantique automatique des verbatims clients. L’outil permet l’analyse des commentaires provenant de toutes les sources et dans plus de 30 langues. Si vous souhaitez en savoir plus, vous pouvez découvrir un cas client ci-dessous où bien directement réserver une démo live en cliquant ici

Partager cet article

Articles similaires

Comment utiliser l'analyse sémantique pour améliorer l'expérience client ?

Publié le 27 avril 2022  - Mis à jour le 28 avril 2022

Utiliser l'analyse sémantique pour améliorer l'expérience client. C'est possible ! Les commentaires laissés par vos clients sont bien souvent une mine d'information sur votre expérience et parcours c...

Le Customer Effort Score (CES) : définition, calcul et avantages

Publié le 31 mars 2022  - Mis à jour le 05 avril 2022

Le Customer Effort Score (CES) est un indicateur clé qui a pour objectif de placer le client au centre de votre stratégie. Lorsqu’il a été évoqué pour la première fois en 2010, il a repensé la façon...

Q°emotion, un outil pour...

Classer automatiquement
les verbatim

Classification automatique

Q°emotion, un outil pour...

Hiérarchiser les irritants
sur les parcours clients.

Irritants & Parcours clients

Envie de tester notre outil ?

Demandez un
test de notre outil !

phone