L'analyse d'opinion, tarte à la crème des directions marketing et communication ?

Avec la massification des contenus générés par les utilisateurs sur le web (UGC) et la multiplication des canaux d'expression de leur opinion, l'analyse d'opinion s'est retrouvée au cœur de l'attention. Cette technique d'analyse des contenus textuels, appelée opinion mining en anglais, consiste à automatiser l'attribution d'une tonalité positive ou négative à un contenu. On peut ainsi dégager une vision d'ensemble en chiffres absolus ou en pourcentage, de l'opinion du public sur un sujet.

Ces techniques sont testées dans de nombreux contextes : dans le domaine du marketing, c'est un outil de pilotage et de mesure de la satisfaction client. Pour les communicants, c'est indicateur de la performance des opérations commerciales et des lancements produits. En politique, c'est un moyen d'évaluer la popularité d'un candidat et peut-être même de prédire qui sera élu. L'analyse d'opinion a donc tout l'air d'une technique qui marche et permet de mieux piloter les actions des entreprises… sauf qu'en pratique tout n'est pas si simple. Voici quelques explications. 

Un taux d'erreur d'au moins 20%
Méfiez-vous des éditeurs qui se disent "à l'état de l'art", il n'est pas glorieux ! C'est sans doute l'un des principaux freins à une adoption généralisée des techniques d'analyse d'opinion classiques : elles ne donnent pas d'assez bons résultats pour un usage opérationnel. 

Les toutes dernières expérimentations dans le domaine arrivent à 85% d'éléments correctement classés, mais dans un contexte assez spécifique (des documents très homogènes, en anglais, écrits pour exprimer une opinion). Quand on applique ces mêmes technique sur la masse hétérogène du web et des réseaux sociaux, les scores baissent sensiblement.

Un contenu n'exprime pas forcément une opinion
L'opinion mining analyse des contenus textuels… mais c'est très large, ce qu'on veut dire par contenu ! Pour un robot qui collecte de l'information sur le web, cela peut recouvrer un tweet, un article de blog, un commentaire sur un forum, mais aussi une page web d'une marque, une notice Wikipédia ou encore un brevet. Il est donc essentiel de pouvoir trier les contenus avant de les analyser. Par ailleurs, ce n'est pas parce qu'une personne s'exprime qu'elle a un avis (même si c'est souvent le cas sur Internet !) ; ainsi un outil qui cherche à tout prix à détecter une opinion génèrera beaucoup d'erreurs.
 
Vers l'analyse d'opinion thématique en contexte
En réalité, la démarche qui fonctionne le mieux actuellement consiste à combiner l'opinion avec la thématique. Savoir "de quoi parle un document" est une tâche pas toujours facile à mettre en place, mais quand elle est bien traitée, il devient alors plus facile et plus logique d'attribuer une note positive ou négative en fonction du vocabulaire propre au sujet. Ainsi, un escabeau "léger" sera appréciable, mais un support technique "léger" sera considéré comme insuffisant : l'opinion n'a de sens que combinée à une thématique. On arrive ainsi à de bien meilleurs résultats qui sont directement exploitables.

En bref, il ne faut pas jeter le bébé "analyse d'opinion" avec l'eau du bain des algorithmes de traitement automatique du texte. Avec une démarche orientée métier qui s'appuie sur le contexte et la thématique, il est tout à fait possible de construire des indicateurs de performance basés sur l'opinion mining. Sont-ils stratégiques pour votre métier ? Là-dessus, à vous de vous faire une opinion !


"En partenariat avec les Expertes du Numérique de Girlz In Web"

Autour du même sujet