Le terme d’intelligence artificielle pour les processus et logiciels est souvent galvaudé. Il est devenu un axe marketing qui malheureusement désigne parfois des algorithmes, certes bien conçus, mais qui demeurent loin d'une intelligence qui laisserait croire que la machine bénéficie de capacités de jugement et d’un libre arbitre pour traiter les données, indépendamment d’une programmation préalable réalisée par l’humain. L'IA décrit en effet principalement le processus d'une machine qui imite certaines fonctions cognitives telles que l'apprentissage et la résolution de problèmes.
Et pourtant, les méthodes statistiques et algorithmes que l’on désigne à tort par intelligence artificielle permettent d’optimiser et de perfectionner les outils de veille et de social media listening. Chez Digimind, on parlera davantage d’algorithmes de Machine Learning, voire de Deep Learning mais aussi d’autres technologies auxquelles les outils de veille font appel comme le Traitement automatique du langage naturel (TAL ou NLP en anglais).
Voici 4 exemples vulgarisés de technologies utilisées par les meilleurs outils de veille, d’écoute et d’analyse des médias sociaux pour vous rendre leur utilisation plus facile et rapide, et les résultats plus pertinents.
👉 Sur le même sujet :
Intelligence Artificielle et Social Media Listening : Les exemples concrets.
Tout savoir sur le social listening pour votre stratégie Marketing
📌
I. Le traitement automatique du langage
III. La classification automatique intelligente
Le traitement automatique du langage naturel (TAL) ou NLP (Natural Language processing) va permettre de qualifier, de regrouper des millions d’informations et de messages collectés sur le web, les espaces de discussion et les réseaux sociaux.
Cette technologie opère avec des centaines de langues, dialectes et avec des modèles d'analyses statistiques, sémantiques pour rendre plus simple l’analyse des data.
Pour faciliter la découverte et la compréhension des teneurs et tendances de centaines voire milliers de messages sur votre marque, le NLP va faciliter l’extraction et la reconnaissance de concepts clés pour les regrouper sous forme de datavisualisation afin de vous montrer, en un coup d'œil, de quoi l’on parle. Les "dataviz” possibles sont nombreuses mais on peut citer par exemple le clustering de données (regroupement en grappes cohérentes par thèmes), l'analyse des hashtags, la roue ou encore le plus classique nuage de tags.
Sur la vue de clustering ci-dessous, réalisée à partir de l’analyse de messages de tout type sur la marque Chanel, le NLP va permettre de regrouper plus de 2500 messages en grandes thématiques (interactives et cliquables pour afficher les messages correspondant) concernant notamment :
Pour vous éviter un travail fastidieux de lecture de centaines de messages, le traitement automatique du langage aidé par le machine learning va permettre d'étiqueter n'importe quels posts, tweets, commentaires sur les médias sociaux. Ainsi sur le post Instagram ci-dessous, l'algorithme “étiquette” le message selon des critères de marques, de produits, de caractéristiques…Il sert aussi à déterminer automatiquement la langue, le pays ou la ville d'origine.
Le véritable avantage est la souplesse de paramétrage : la possibilité de définir vos propres étiquettes qui correspondent parfaitement à votre secteur, vos marques. Et ensuite ? le machine learning prend le relai et apprendra au fil des messages collectés, à comprendre de nouveaux mots et concepts qui correspondent à vos étiquettes et saura par exemple repérer un nouveau produit de soin de la peau, une routine de maquillage.
On parle depuis longtemps de l’analyse de sentiments (ou analyse de tonalité) appliquée au social media listening (vos messages sont qualifiés comme positifs, négatifs ou neutres). Et on a souvent critiqué le taux de pertinence jugé trop faible de la qualification automatique des sentiments d’un message par les algorithmes, surtout pour un tweet d’une phrase ! Oui mais voilà : avec le renforcement des algorithmes de NLP combinés avec le machine learning, le silence (les mentions non qualifiées) et les erreurs sont maitenant fortement réduits.
En effet, l’apprentissage du ” machine learning” sera nourri au départ par vos exemples que vous soumettrez à la machine, qui saura ensuite apprendre de tous les autres messages qu’elle collectera, en fonction du contexte du mot clé dans le message (autres mots clés, ton, associations des mots clés..). L’algorithme va en effet constituer au fil du temps une bibliothèque de messages et expressions pour enrichir son lexique d’expressions positives ou négatives. Résultat : une augmentation de pertinence de 30 à 75% de l'analyse du sentiment de vos messages.
Exemple : sur le message ci-dessous, le NLP combiné au machine learning permet de déterminer un sentiment positif pour un court tweet comportant à la fois des termes à connotation positive et négative.
L'apprentissage automatique (machine learning) permet aussi de tagguer et d’organiser les données collectées pour une catégorisation et une classification plus efficace.
Par exemple, le machine learning comprendra, à partir de votre utilisation, que lorsque que vous surveillez “Target”, c’est la chaîne américaine de magasins qui vous intéresse mais pas du tout les "cibles". De même, il comprendra que les messages pertinents pour vous concernent la chaîne de magasins “Boulanger” et non les artisans boulangers. Et ce, sans avoir à lister tous les mots clés pour préciser votre requête comme magasin, électronique, internet, téléphone NOT cible NOT sport NOT boulangerie etc…
Après une phase d'apprentissage avec vous, l'utilisateur, l'apprentissage automatique combiné avec le NLP permet de mieux comprendre la véritable nature des mentions associées à chaque tag (étiquette) et de tagger automatiquement toutes les mentions collectées, pour une organisation rapide et pertinente des données qui seront ensuite classifiées. Cette classification vous servira ensuite à sélectionner en un clic les données pertinentes pour vos graphes d’analyses, vos rapports et dashboards.
Le deep learning permet d’analyser des images en détail. Les algorithmes de deep learning nécessitent également des données pour apprendre et résoudre des problèmes. Il est en effet utilisé pour résoudre des problèmes complexes où les données sont vastes, diversifiées, moins structurées. Il apprend progressivement des données brutes et des expériences précédentes et se corrige sans programmation explicite et préalable comme dans le cas du Machine Learning.
Dans le cadre de l’analyse des médias sociaux, le deep learning reconnaît les logos et les images pour révéler la présence d’une marque non mentionnée dans un texte mais aussi un type d’objet, de personne, d’environnement, utiles pour comprendre le comportement des consommateurs.
Dans le 1er exemple ci-dessus, avec une approche classique par mots clés, l'algorithme n’aurait pas pu détecter la présence de la marque “Nike” qui n’est pas mentionnée dans le texte de ce post Instagram. Le deep learning permet, lui, de détecter l’aile du logo Nike sur la chaussure
Dans les 2 autres exemples, le deep learning reconnait l’environnement (montagne) ou des personnes en situation (femme faisant de la gym).
La reconnaissance d’images via deep learning (visual listening) offre donc de multiples possibilités aux marques, agences et annonceurs :