Embed Size (px)
DESCRIPTION
Lors du Petit Déjeuner Experts organisé par l’APROGED « Analyse de l’opinion et développement des marques » le 16/05/14 à l’occasion de la sortie chez Vitrac Editeur des ouvrages de Bernard Normier « Analyser les avis sur Internet et les réseaux sociaux pour valoriser votre notoriété », et de Gil Adamy « Développer sa marque avec les réseaux sociaux », l’APROGED (Association pour la maîtrise et la valorisation des contenus numériques) a organisé un petit-déjeuner débat autour des deux auteurs sur le thème : « Analyse de l’opinion et développement des marques ».
Citation preview
Analyse de l’opinion et développement des marques
Pe#t déjeuner APROGED 16 MAI 2014 Bernard Normier et Gil Adamy
17/04/14 Club IES
NLP & senFment analysis
• Le « sen#ment analysis » ( ou « opinion mining » ) est une branche du « natural language processing » (NLP ) ou Traitement AutomaFque des Langues (TAL)
• Prend une importance croissante avec l’essor des réseaux sociaux
• Quels impacts pour • Quels impacts pour les entreprises et les marques ? • Quel rôle des plateformes comme Google, Facebook et les
autres ? • Quels enjeux pour les Etats ?
17/04/14 Club IES
• Trouver un document (IR : informa#on retrieval) o Par sujet, auteur, date, etc. o Documents qui parlent d’ Obama ( parce que je cherche son âge) o Réponse possible : hRp://en.wikipedia.org/wiki/Barack_Obama
• Trouver une donnée (QA : ques#on answering) o Quel est l’age d’Obama o Réponse possible : 52 ans
• Décrire un document o La recherche se fait sur une descripFon, et non sur le document
lui-‐même.
3
TAL et gesFon de l’informaFon
17/04/14 Club IES [email protected]
• Extraire les descripteurs ( IE : Informa#on extrac#on ) o Analyse automaFque des documents pour en extraire des descripteurs plus
ou moins complexes
• Catégoriser des documents ( Categoriza#on ) o Placer des documents sous la bonne entrée dans un plan de classement
• Classer des documents (clustering) o Rassembler des documents similaires (sans plan pré-‐établi)
4
TAL et gesFon de l’informaFon
17/04/14 Club IES [email protected]
IE : Des niveaux de plus en plus profonds
• ExtracFon d’enFtés nommées o Personnes, lieux, organisaFons, produits, etc.
• ExtracFon de thémaFques o Et catégorisaFon
• ExtracFons de relaFons o Entre enFtés et / ou thémaFques
• ExtracFon d’informaFons plus subjecFves o « senFment analysis »
• ExtracFon d’informaFons fiables o « fact checking »
17/04/14 Club IES 5 [email protected]
Exemple: noms de personnes
• Personnes connues • L’élec#on de François Hollande a fait revenir la gauche…
• Personnes inconnues • Paul Schmilblik, M. Schmilblik, Le président Schmilblik, le général Machin
• Dans son discours, Schmilblik a affirmé que…
• Ambiguïtés • Selon Hollande la courbe du chômage / le chômage en Hollande
• La place du général de Gaulle, la bibliothèque François MiRerrand
• Références • Le président de la République pense que … • Le président pense que … • En 1962, le président pensait que …
[email protected] 6 17/04/14 Club IES
ExtracFons de thèmes
• Lien thésaurus/ontologie/référentiel – dictionnaire o Comment associer le descripteur «augmentation de
salaire» au texte « le SMIG a augmenté »
7
• Dictionnaire ! augmenté est une forme flexionnelle du verbe augmenter ! Augmentation est la nominalisation du verbe augmenter ! SMIG est une sorte de salaire
17/04/14 Club IES [email protected]
ExtracFon d’opinions
• Une objet sur lequel porte l’opinion • Un aspect ou caractérisFque de cet objet • Un senFment (tonalité) qui porte sur cet aspect de l’objet
• L’idenFficaFon de la personne émeeant l’opinion • le moment où l’opinion est émise
Source : arFcles du Pr. Bing Liu, Université de Chicago
17/04/14 Club IES
IdenFfier les « senFments »
• Evalua&ons factuelles – La chambre est propre : fait posiFf – La machine fait beaucoup de bruit: fait négaFf
• Avis – J’ai trouvé que la chambre n’était pas assez propre – La machine fait trop de bruit
• Evalua&ons émo&onnelles – J’ai détesté ceRe chambre crasseuse – J’ai toujours aimé le plat du jour de ce restaurant
[email protected] 10 17/04/14 Club IES
de nombreux problèmes encore mal résolus
• Anaphores • Liage des enFtés nommées
• Raeachements longs
• Analyse du discours • OuFls disponibles très variables selon les langues • … • Mais l’état de l’art actuel est suffisant pour être uFlisé dans des applicaFons opéraFonnelles
[email protected] 11 17/04/14 Club IES
Vers une généralisaFon du TAL • Analyseurs
o Ouverts : GATE, NOOJ, UNITEX, OpenNLP o Sous licence commerciale : TEMIS, Syllabs, Proxem, etc.
• Ressources linguisFques o ELRA, Linked Open Data
• IntégraFon dans des applicaFons d’entreprise o SAP, Salesforce, etc.
• IntégraFon dans les plateformes Internet o Google Shopping, Tripadvisor, etc.
• Le cout d’entrée dans le secteur a sensiblement baissé
[email protected] 12 17/04/14 Club IES
Toutes les acFvités sont concernées
• Le markeFng, la communicaFon, les ventes et le support après vente, les ressources humaines, les achats, la R&D, les finances, la DG
[email protected] 13 17/04/14 Club IES
MarkeFng: Etudes tradiFonnelles / Big Data
• Etudes tradiFonnelles : – QuanFtaFves : sondages
• Panel représentaFf, bonne connaissance des personnes (CSP) • Biais possibles, influence de la forme des quesFons
– QualitaFves • EntreFens : peu de personnes interrogées
• Ecoute des Réseaux sociaux – QuanFtaFf et QualitaFf – ConversaFons spontanées, souvent très nombreuses – Mauvaise connaissance des personnes, compensée par le volume
[email protected] 14 17/04/14 Club IES
CommunicaFon: Quelques cas devenus des « classiques »
• Nestlé ( mars 2010 ) • Greenpeace publie une vidéo plutôt trash aeaquant Nestlé • Nestlé réagit mal, cherche à supprimer des commentaires, etc.
• Ce qui augmente le bad buzz, « effet Streisand »
• Au point de provoquer une baisse du cours de l’acFon
[email protected] 15 17/04/14 Club IES
Quelques cas devenus des « classiques »
• La Redoute ( janvier 2012 ) • Un homme nu est découvert en arrière plan d’une photo de T-‐shirt pour enfant sur le catalogue de La Redoute.
• Gros « bad buzz » immédiat
• Bonne réacFon de la société, qui reFre immédiatement l’image et présente ses excuses, et organise un jeu « chasse aux erreurs »
• Mais pour les curieux, rien de plus facile que de retrouver ceee photo largement commentée sur le web
[email protected] 16 17/04/14 Club IES
Rémanence mesurée par Google Trends
• «nestlé greenpeace» de mars 2010 à mars 2011
• «la redoute homme nu» de décembre 2011 à décembre 2012
[email protected] 17 17/04/14 Club IES
Des plateformes spécialisées
• Un offre très abondante • Pour n’en citer que quelques unes:
• AMI sohware • eCairn • QWAM • LINKFLUENCE • RADIAN6 (Salesforce) • TALKWALKER • SINDUP • TRAACKR • VISIBRAIN • …
• Nombreux critères de choix en foncFon du projet
[email protected] 18 17/04/14 Club IES
Ecouter le client (ou l’internaute en général )
• Que fait-‐il ? • Où va t-‐il ? Qu’achète-‐t-‐il ? Quand ? A quel prix, etc… • Données et métadonnées
• De quoi parle t-‐il ? • De quelles personnes, quelles sociétés, quels produits ? • Extrac#on d’en#tés nommées et thèmes abordés
• Que pense-‐t-‐il ? • Quels avis, quelles opinions, quelles recommandaFons ? • Opinion mining , sen#ment analysis
[email protected] 19 17/04/14 Club IES
IdenFfier les influenceurs
• L’acFvité • Volume de messages émis
• La perFnence • Par rapport au sujet de l’étude
• L’audience • Ou « portée », « reach »: nombre d’abonnés, followers, etc
• L’engagement • Ou « résonnance » : citaFons, retweets, diffusion
[email protected] 20 17/04/14 Club IES
Lancer un projet de senFment analysis : Critères de succès, risques d’échec
• Le niveau d’analyse • Document, objets, aspects
• La « taille de l’univers » • Variété des objets, périmètre de collecte ouvert ou fermé
• La complexité du corpus • Taille, formats, homogénéité des documents, niveaux de langue
• La nature de la tâche • ExtracFon, recherche, classificaFon d’opinions
• Les critères de qualité • Critères d’acceptaFon, précision, rappel, f-‐mesure
[email protected] 21 17/04/14 Club IES
Comment le client perçoit-‐il le big data ? (même s’il ne connaît pas le mot)
S’agit-‐il :
De l’écouter pour mieux le servir ?
De l’espionner pour mieux le manipuler ?
17/04/14 Club IES
[email protected] 23 17/04/14 Club IES
Les grandes plateformes US
• Très ac&fs en R&D linguis&que • TraducFon, IR, IE, etc
• Ont une réelle avance technologique • et un quasi monopole • IntégraFon, mulFlinguisme, scalability
• Mais
17/04/14 Club IES
Pour les Etats
• Diffuser de l’informaFon • Tous les .gouv.fr, data.gouv
• Analyser l’opinion naFonale • Exemple élecFons • Analyse prédicFve sur données massives
• Veille stratégique • NSA, … et d’autres… • Douanes, Tracfin, tous services de renseignement
17/04/14 Club IES
Aux conséquences importantes…
• Impact : 130 MM$ en 3 minutes • Text mining et high speed transacFons
17/04/14 Club IES 34 [email protected]
TAL + Big Data = risque ou opportunité ?
• Un nouvel eldorado du markeFng et des études ?
• Ou un risque majeur pour la protecFon de la vie privée, voire des libertés individuelles ?
17/04/14 Club IES
Le risque de « social faFgue » • Lassitude voire méfiance des consommateurs
• Risque de rejet, nouveaux comportements
36 [email protected] 17/04/14 Club IES
CNIL / Afnor / G29
• Afnor o Norme sur la fiabilité des avis consommateurs
• CNIL / Plan Big Data o Vers la normalisaFon / cerFficaFon d’un processus industriel big data
• G29 : groupe consultaFf auprès de la CE
17/04/14 Club IES
Avenirs possibles • Statut Quo
o Les internautes se saFsfont de la situaFon actuelle o Renforcement du pouvoir des grands réseaux US
• Éclatement d’une bulle o Rejet par les consommateurs et internautes, notamment les
nouvelles généraFons
• TransformaFon des usages o Vers une mulFplicaFon des réseaux sociaux spécialisés par
communautés d’intérêt o Vers un meilleur contrôle légal, normaFf, technique o Perte progressive d’influence des grands réseaux actuels o RéducFon de l’effet Big Brother
39 [email protected] 17/04/14 Club IES
