Classer automatiquement le ton de quelques milliers de messages prend quelques minutes. Décider quoi faire des cas où le système hésite prend beaucoup plus longtemps, et c'est cette partie qui détermine si le dispositif sert à quelque chose.
La réponse courte. Une classification automatique du sentiment se juge sur trois choix : quelles sources elle lit, à partir de quel seuil de confiance elle fait remonter un cas, et qui relit. Les trois sont des décisions humaines. Le modèle n'est pas la partie difficile.
Choisir les sources
Toutes les sources ne se valent pas, et les mélanger sans distinction dégrade la lecture.
Les messages de feedback produit. La meilleure source : le texte est spontané, contextualisé, et rattaché à un compte.
Les tickets de support. Riches, mais le ton y est structurellement plus négatif puisqu'on écrit quand quelque chose ne va pas. À traiter comme une population distincte, avec son propre point de référence.
Les commentaires libres de questionnaires. Utiles, mais l'échantillon penche vers les avis marqués.
Les canaux publics. À manier avec précaution : les auteurs n'écrivent pas pour vous et souvent ne sont pas clients.
La règle utile est de ne pas calculer une note unique sur des sources hétérogènes. Un ton moyen mêlant support et feedback produit ne décrit aucune réalité.
Les quatre difficultés techniques réelles
Le multilingue. Les performances varient nettement selon la langue, et une classification correcte en anglais peut être médiocre sur des messages en français ou en portugais. Vérifiez sur vos propres données, langue par langue, avant de faire confiance à une moyenne globale.
L'ironie et l'atténuation. « Ce n'est pas idéal » peut signaler un blocage total. Les formulations polies sont systématiquement sous-évaluées, ce qui est gênant puisque ce sont souvent celles des comptes les plus posés.
Le vocabulaire métier. « Le rapport a planté » contient un terme négatif qui décrit un fait technique, pas une émotion. Sans adaptation, ces messages tirent la note vers le bas sans que le client soit mécontent.
La longueur. Les messages très courts donnent peu de prise. Un « ok » ne devrait pas produire de classification confiante.
Seuils et relecture
C'est ici que se joue l'utilité du dispositif.
Un système qui classe tout, sans exprimer d'incertitude, oblige à traiter ses erreurs comme des vérités. Un système qui expose sa confiance permet de trier :
| Confiance | Traitement recommandé |
|---|---|
| Élevée, négatif | Remonte directement dans la file |
| Moyenne | File de relecture humaine |
| Faible | Ignoré, ou relu si le compte a de la valeur |
| Élevée, positif | Archivé, utile en tendance |
Le volume de relecture doit rester compatible avec le temps disponible. S'il dépasse ce que l'équipe peut absorber, il vaut mieux relever le seuil et accepter de manquer des cas plutôt que de laisser une file de relecture s'accumuler sans être traitée.
Prévoyez aussi une boucle de correction : quand un humain corrige une classification, cette correction doit servir. Sinon les mêmes erreurs reviennent indéfiniment.
Superposer l'usage et le compte
Une note de sentiment sans contexte de compte est un chiffre sans conséquence.
Ce qui rend une alerte actionnable est l'assemblage : ce compte a écrit trois messages négatifs, son usage a baissé, une demande qu'il avait faite est sans réponse depuis quatre mois, et son renouvellement est dans six semaines. Chacun de ces éléments pris isolément ne justifie rien.
FlagUp analyse le langage de chaque envoi et fait remonter les comptes où les signaux négatifs s'accumulent, en gardant le lien avec le compte émetteur. Il ne construit pas de questionnaires et ne déclenche rien selon le comportement de l'utilisateur : la détection du churn travaille sur ce qui a été écrit.
Vie privée
Un point souvent traité trop tard, et qui a des conséquences juridiques.
Analyser le contenu des messages de clients suppose une base légale et une information claire. Trois principes limitent l'essentiel du risque :
- Annoncer l'analyse dans la politique de confidentialité, en termes compréhensibles.
- Ne pas conserver plus longtemps que nécessaire les textes bruts utilisés pour la classification.
- Vérifier où part le texte si le traitement passe par un service tiers, notamment hors Union européenne.
Un point de vigilance particulier : les messages libres contiennent parfois des données personnelles que l'utilisateur y a mises spontanément. Elles héritent du traitement appliqué au message.
Questions fréquentes
Quelle précision attendre ?
Cela dépend trop de vos données pour qu'un chiffre général ait du sens. La bonne démarche est de faire classer à la main deux ou trois cents de vos propres messages et de comparer. C'est une demi-journée et cela remplace toutes les promesses commerciales.
Faut-il entraîner un modèle sur ses données ?
Rarement au début. Le gain vient d'abord des seuils, du choix des sources et de la relecture. L'adaptation devient intéressante quand le vocabulaire métier fausse visiblement les résultats.
Peut-on se passer de relecture humaine ?
Seulement si l'action déclenchée est sans risque. Envoyer un message attentionné à quelqu'un qui allait bien ne coûte rien. Déclencher une procédure de rétention formelle sur un faux positif peut créer un problème inexistant.
En quoi cela diffère-t-il de l'article sur le sentiment et le churn ?
Celui-ci porte sur la mise en œuvre : sources, seuils, relecture, langues, vie privée. L'autre porte sur ce que le signal vaut et sur sa place parmi les autres indicateurs de risque.
Pour aller plus loin
- Analyse de sentiment : repérer les signaux de churn
- Utiliser l'analyse de sentiment pour améliorer sa boucle de feedback
- L'IA appliquée à la gestion de produit
Le contexte du compte transforme une note en action. Voyez la détection du churn et les tarifs.