TOILET FINDER : ANALYSE DES RETOURS UTILISATEURS
— Une approche automatisée pour exploiter et catégoriser des avis d'utilisateurs à grande échelle.
L’analyse des retours utilisateurs est un enjeu central pour toute entreprise cherchant à améliorer en continu son produit. Pourtant, lorsqu’il s’agit de traiter des milliers d’avis clients, l’exercice devient rapidement long et fastidieux. Comment exploiter efficacement cette masse de données, sans y consacrer des ressources démesurées ?
C’est la problématique rencontrée par Toilet Finder, l’application recensant et évaluant les sanitaires publics à travers le monde. Chaque jour, ses utilisateurs partagent des avis couvrant des sujets variés, et si cette diversité de retours est précieuse, elle rend toutefois délicate l’identification des tendances, notamment lorsque celles-ci ne concernent pas l’application en elle-même. Pour exploiter efficacement les retours utilisateurs à grande échelle, BeTomorrow a développé une solution innovante basée sur l’IA et le Machine Learning.
Notre approche repose sur plusieurs technologies avancées :
Clustering algorithmique : regroupe automatiquement les avis similaires pour une analyse plus structurée.
Embeddings : transforme les avis en représentations numériques afin d’identifier des tendances cachées.
IA générative : facilite l’interprétation des retours et met en lumière des insights actionnables.
Grâce à cette combinaison, il devient possible de :
Structurer et organiser les retours utilisateurs sans intervention manuelle.
Visualiser les tendances émergentes à travers des interfaces adaptées.
Extraire des insights pertinents pour guider les décisions produit et améliorer l’expérience utilisateur.
Segmentation des avis
Nous utilisons un modèle de Natural Language Processing (NLP) pour découper chaque avis en unités thématiques. Un même commentaire peut donc être décomposé en plusieurs morceaux, chacun correspondant à un sujet spécifique (exemple : un avis peut mentionner à la fois la propreté d’un lieu et une fonctionnalité de l’application).
Segmentation des avis
Nous utilisons un modèle de Natural Language Processing (NLP) pour découper chaque avis en unités thématiques. Un même commentaire peut donc être décomposé en plusieurs morceaux, chacun correspondant à un sujet spécifique (exemple : un avis peut mentionner à la fois la propreté d’un lieu et une fonctionnalité de l’application).
Vectorisation des commentaires
Chaque unité est ensuite convertie en vecteur mathématique via une technique d’embedding. Cela permet de capturer le sens sémantique des commentaires et de les comparer efficacement.
Vectorisation des commentaires
Clustering intelligent
Une fois les vecteurs créés, nous utilisons des algorithmes de clustering pour regrouper les commentaires similaires en groupes cohérents. Cela nous permet d'identifier les principales tendances émergentes dans les commentaires des utilisateurs.
Clustering intelligent
Génération automatique de résumés
Pour chaque cluster identifié, nous exploitons un modèle de langage (LLM) qui analyse le cluster pour comprendre sa thématique principale et générer un court résumé.
Génération automatique de résumés
Visualisation sous forme de carte interactive
Plutôt que d’afficher les informations des clusters sous forme de liste, peu digeste, nous avons développé une cartographie dynamique qui permet d’explorer facilement les thématiques clés soulevées par les utilisateurs, et de suivre l’évolution des clusters dans le temps pour repérer de nouvelles tendances.
Visualisation sous forme de carte interactive
Avec cette approche, l’analyse des feedbacks devient un exercice fluide et interactif. Plutôt que de traiter des centaines de commentaires manuellement, les équipes produit disposent en quelques minutes d’une vue d’ensemble des attentes et irritants des utilisateurs.
Les bénéfices sont immédiats : priorisation efficace des améliorations (identification rapide des sujets les plus fréquents), suivi des tendances et anticipation des besoins (analyse dynamique des évolutions des avis), optimisation du support client (détection rapide des récurrences pour ajuster les réponses aux utilisateurs).
Cette solution n’est pas seulement adaptée à Toilet Finder. Elle peut être déployée pour tout produit ou service générant de larges volumes de retours clients, comme les plateformes e-commerce, les services SaaS ou les applications mobiles cherchant à mieux exploiter la voix de leurs utilisateurs.
un taux en ligne avec les benchmarks académiques sur le NLP (source : EMNLP 2022)
grâce à l'automatisation (cela peut aller jusqu'à 70 % - source : Gartner 2022)
pour les entreprises exploitant ces technologies de manière proactive (source : Forrester 2023)
Comment optimiser l’analyse des retours utilisateurs avec l’IA ?
« Notre solution sur Toilet Finder combine clustering mathématique et IA générative pour structurer et analyser les retours utilisateurs. Le principal défi était l’optimisation du clustering, dont les résultats varient selon les paramètres mais aussi en fonction des données générées en amont par le LLM. Les LLMs génèrent des résumés, mais avec une tendance à simplifier excessivement les détails clés. Le clustering, plus explicable et peu coûteux, permet une analyse robuste et adaptable. Désormais modulaire et réutilisable, cette solution ouvre la voie à de nouvelles applications pour optimiser l’exploitation des feedbacks et la prise de décision. »
Johan Chataigner
Back-end Developer
3 UTILISATIONS DE LA DATA EN ASSURANCE, SANTÉ ET RETAIL
- Les marches à suivre pour intégrer une stratégie data-driven efficace
- L'importance de la data dans les secteurs de l'assurance, de la santé et du retail
- Des leviers à activer pour prendre le train de la data et de l'IA
Quelle est la valeur ajoutée des LLMs dans l’analyse des commentaires ?
Les modèles de langage permettent d’aller au-delà d’une simple classification des avis. Ils ne se contentent pas de regrouper les commentaires similaires, mais sont capables de synthétiser et d’interpréter les tendances, offrant ainsi une compréhension plus riche et nuancée des feedbacks utilisateurs.
Pourquoi ne pas faire un clustering uniquement avec un LLM ?
Quelles innovations cette technologie permet-elle pour l’avenir de l’analyse des retours clients ?
