Nous avons vu il y quelques semaines 4 exemples de technologies de veille et social media listening : machine learning, deep learning… pour le traitement automatique du langage, l’analyse de sentiments, la classification automatique intelligente et le Visual Listening. Nous poursuivons aujourd’hui avec les innovations qui permettent aux veilleurs, community managers, social media managers et autres professionnels du marketing digital de gagner en temps et en précision pour leurs analyses.
Lorsqu'une vous mettez en place une veille ou une démarche de social media listening générant un volume de mentions assez conséquent sur le web, les sites d'actualités et les réseaux sociaux, vous allez souvent scruter certaines datavisualisation comme la courbe d’évolutions des mentions dans le temps.
Et vous allez potentiellement découvrir des “pics” de mentions.
Tout veilleur ou social media manager le sait : l’analyse des causes d’un pic de mentions et messages peut être (très) chronophage, générer des erreurs d’interprétation et…amener à de mauvaises décisions.
La surveillance de l’évolution des mentions est effectivement très fréquente dans les différentes applications de la veille et du social listening : pour la détection de bad buzz et crise, pour la veille de tendances, pour l’analyse de campagnes media et influence, pour la veille e-réputation, pour le lancement des produits, pour l’analyse des opinions consommateurs….
Aujourd’hui, "l’intelligence artificielle" (machine learning) nous permet chez Digimind de vous proposer un analyste virtuel qui détecte automatiquement les pics de mentions et leurs causes, potentiellement multiples, vous évitant la lecture de nombreux messages et articles.
Vous allez pouvoir ainsi sur une nouvelle interface :
Concrètement, le machine learning va pointer pour vous les pics inhabituels et vous expliquer si cela provient :
de l'utilisation importante d’un hashtag, de la prise de parole d’un influenceur, d’un niveau inattendu d’interactions sur un message, d’actualités massivement partagées sur les réseaux sociaux, d’un volume surprenant de certains concepts.
Pour en savoir plus sur le social listening et ses applications, vous pouvez consulter notre guide complet sur le social listening.
Imaginons que vous surveillez les évolutions des messages à propos des compagnies aériennes. Dans une démarche d’Insights Consommateur et Relation Client, mais aussi de veille de réputation.
Sur les 30 derniers jours, l’analyste virtuel va vous montrer 3 pics anormaux dont un (le pic C) à près de 20 000 mentions pour la compagnie Lufthansa. L’IA explique que le volume du pic C est est supérieur de 476% au volume habituel de mentions, de 135% pour le pic B.
Si l’on regarde le pic B (il suffit de cliquer), l’algorithme nous explique que l’annonce de la reprise de la grève par les pilotes de la compagnie (#streik) est la cause essentielle de ce pic. Autre enseignement, le fait que 2 médias majeurs comme Reuters et Forbes ait repris cette actualité à entraîné un une multiplication des volumes de messages.L’analyste virtuel met donc en exergue les différentes causes de la création de la tendance puis de sa propagation pour finir en pic. A la marge, une polémique sur les masques pour les enfants en avion est venu aussi alimenter ce pic (#dasfliegendeklassenzimmer).
D’autres pays sont-ils impactés par cette annonce d’une nouvelle grève ? On peut facilement explorer les évolutions des mentions dans d’autres langues.
Pour le Français, 4 pics viennent émailler les messages sur la Lufthansa ces 30 derniers jours. Pour le pic le plus important, les causes déterminées par l’IA sont toujours l'annonce de la nouvelle grève des pilotes et la reprise par l’AFP, par BFMTV et le partage du hashtag grève.
Lorsque vous lancez de multiples campagnes sur les réseaux sociaux, l’analyse rapide des pics pendant la période de campagne vous aidera à y voir plus clair pour faire la différence entre les mentions naturelles sur votre marque ou communauté, et l’impact des mentions sponsorisées.
C’est le cas ici pour une campagne de vidéo de l'influenceur Tech Marques Brownlee sponsorisée par la communauté Linus Tech Tips.
L’analyse automatique est nette : un pic à 35 000 mentions sur Linus Tech Tips est généré par le tweet sponsorisé de Marques Brownlee (29.5 K mentions utilisant le hashtag #sponsored, 72.2 K interactions avec le tweet de l’influenceur). Autre information : la campagne aura été reprise au sein de plus de 58 400 mentions).
Comprendre les facteurs de départ de crise puis de propagation de crise (media, influenceurs, viralité). Comprendre les causes de reprises de buzz.
Comprendre les concepts qui créént la viralité d’une crise : les sujets sensibles
Comprendre les drivers de réputation les plus puissants à travers l’analyse des pics et de leurs concepts dominants
Appréhender les concepts viraux ou préférés des consommateurs autour de lancement de produit, de campagnes de communication
Comprendre la création et la propagation de hashtags populaires spontanés : mouvements sociaux, culturels, protestation et contestations
Saisir l’émergence de tendances sur plusieurs semaines et mois à travers la progression de concepts, de hashtags.