Analyse	
  de	
  l’opinion	
  et	
  développement	
  des	
  marques	
  
1	
  bernard@normier.fr	
  
Pe#t	
  déjeuner	
  AP...
NLP	
  &	
  senFment	
  analysis	
  
bernard@normier.fr	
   2	
  
•  Le	
  «	
  sen#ment	
  analysis	
  »	
  	
  (	
  ou	
...
•  Trouver	
  un	
  document	
  (IR	
  :	
  informa#on	
  retrieval)	
  
o  Par	
  sujet,	
  auteur,	
  date,	
  etc.	
  
...
•  Extraire	
  les	
  descripteurs	
  (	
  IE	
  :	
  Informa#on	
  extrac#on	
  )	
  
o  Analyse	
  automaFque	
  des	
  ...
IE	
  :	
  Des	
  niveaux	
  de	
  plus	
  en	
  plus	
  profonds	
  
•  ExtracFon	
  d’enFtés	
  nommées	
  
o  Personnes...
Exemple:	
  noms	
  de	
  personnes	
  	
  	
  
•  Personnes	
  connues	
  
•  L’élec#on	
  de	
  François	
  Hollande	
  ...
ExtracFons	
  de	
  thèmes	
  
•  Lien thésaurus/ontologie/référentiel – dictionnaire
o  Comment associer le descripteur «...
ExtracFon	
  d’opinions	
  
•  Une	
  objet	
  sur	
  lequel	
  porte	
  l’opinion	
  
•  Un	
  aspect	
  ou	
  caractéris...
Exemple	
  
bernard@normier.fr	
   9	
  17/04/14	
  	
  Club	
  IES	
  	
  
IdenFfier	
  les	
  «	
  senFments	
  »	
  	
  
•  Evalua&ons	
  factuelles	
  
–  La	
  chambre	
  est	
  propre	
  :	
  	...
de	
  nombreux	
  problèmes	
  encore	
  mal	
  
résolus	
  
•  Anaphores	
  
•  Liage	
  des	
  enFtés	
  nommées	
  
•  ...
Vers	
  une	
  généralisaFon	
  du	
  TAL	
  
•  Analyseurs	
  
o  Ouverts	
  :	
  GATE,	
  NOOJ,	
  UNITEX,	
  OpenNLP	
 ...
Toutes	
  les	
  acFvités	
  sont	
  concernées	
  
•  Le	
  markeFng,	
  	
  la	
  communicaFon,	
  les	
  ventes	
  
et	...
MarkeFng:	
  Etudes	
  tradiFonnelles	
  /	
  Big	
  Data	
  
•  Etudes	
  tradiFonnelles	
  :	
  
–  QuanFtaFves	
  :	
  ...
CommunicaFon:	
  
	
  Quelques	
  cas	
  devenus	
  des	
  «	
  classiques	
  »	
  
•  Nestlé	
  (	
  mars	
  2010	
  )	
 ...
Quelques	
  cas	
  devenus	
  des	
  «	
  classiques	
  »	
  
•  La	
  Redoute	
  (	
  janvier	
  2012	
  )	
  
•  Un	
  h...
Rémanence	
  mesurée	
  par	
  Google	
  Trends	
  
•  «nestlé	
  greenpeace»	
  de	
  mars	
  2010	
  à	
  mars	
  2011	
...
Des	
  plateformes	
  spécialisées	
  
•  Un	
  offre	
  très	
  abondante	
  
•  Pour	
  n’en	
  citer	
  que	
  quelques	...
Ecouter	
  le	
  client	
  
(ou	
  l’internaute	
  en	
  général	
  )	
  
•  Que	
  fait-­‐il	
  ?	
  	
  
•  Où	
  va	
  ...
IdenFfier	
  les	
  influenceurs	
  
•  L’acFvité	
  
•  Volume	
  de	
  messages	
  émis	
  
•  La	
  perFnence	
  	
  
•  ...
Lancer	
  un	
  projet	
  de	
  senFment	
  analysis	
  :	
  
Critères	
  de	
  succès,	
  risques	
  d’échec	
  
•  Le	
 ...
Comment	
  le	
  client	
  perçoit-­‐il	
  le	
  big	
  data	
  ?	
  
(même	
  s’il	
  ne	
  connaît	
  pas	
  le	
  mot)	...
bernard@normier.fr	
   23	
  17/04/14	
  	
  Club	
  IES	
  	
  
Les	
  grandes	
  plateformes	
  US	
  
bernard@normier.fr	
   24	
  
•  Très	
  ac&fs	
  en	
  R&D	
  linguis&que	
  
•  ...
Google	
  :	
  TAL	
  et	
  IR	
  	
  
25	
  17/04/14	
  	
  Club	
  IES	
  	
   bernard@normier.fr	
  
Google	
  :	
  quesFon	
  /	
  réponse	
  
bernard@normier.fr	
   26	
  17/04/14	
  	
  Club	
  IES	
  	
  
Google	
  :	
  traducFon	
  
bernard@normier.fr	
   27	
  17/04/14	
  	
  Club	
  IES	
  	
  
Début	
  février	
  …	
  
bernard@normier.fr	
   28	
  17/04/14	
  	
  Club	
  IES	
  	
  
Mi	
  mars	
  
bernard@normier.fr	
   29	
  17/04/14	
  	
  Club	
  IES	
  	
  
Qui	
  y	
  croit	
  ?	
  	
  
bernard@normier.fr	
   30	
  17/04/14	
  	
  Club	
  IES	
  	
  
Pour	
  les	
  Etats	
  
bernard@normier.fr	
   31	
  
•  Diffuser	
  de	
  l’informaFon	
  	
  
•  Tous	
  les	
  .gouv.fr...
Les	
  municipales	
  à	
  Marseille	
  
bernard@normier.fr	
   32	
  17/04/14	
  	
  Club	
  IES	
  	
  
Twieer,	
  arme	
  de	
  désinformaFon	
  massive	
  
17/04/14	
  	
  Club	
  IES	
  	
   33	
  bernard@normier.fr	
  
Aux	
  conséquences	
  importantes…	
  
•  Impact	
  :	
  130	
  MM$	
  en	
  3	
  minutes	
  
•  Text	
  mining	
  et	
  ...
TAL	
  +	
  Big	
  Data	
  =	
  risque	
  ou	
  opportunité	
  	
  ?	
  
bernard@normier.fr	
   35	
  
•  Un	
  nouvel	
  ...
Le	
  risque	
  de	
  «	
  social	
  faFgue	
  »	
  
•  Lassitude	
  voire	
  méfiance	
  des	
  consommateurs	
  
•  Risqu...
Crise	
  de	
  confiance	
  ?	
  
bernard@normier.fr	
   37	
  17/04/14	
  	
  Club	
  IES	
  	
  
CNIL	
  /	
  Afnor	
  /	
  G29	
  
bernard@normier.fr	
   38	
  
•  Afnor	
  
o  Norme	
  sur	
  la	
  fiabilité	
  des	
  ...
Avenirs	
  possibles	
  
•  Statut	
  Quo	
  
o  Les	
  internautes	
  se	
  saFsfont	
  de	
  la	
  situaFon	
  actuelle	...
Pour	
  aller	
  plus	
  loin…	
  
40	
  bernard@normier.fr	
  
Blog	
  :	
  hep://bernardnormier.com	
  
17/04/14	
  	
  ...
Prochain SlideShare
Chargement dans…5
×

Analyse de l’opinion et développement des marques - Présentation Bernard Normier

1 141 vues

Publié le

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 ».

Publié dans : Technologie
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
1 141
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
7
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Analyse de l’opinion et développement des marques - Présentation Bernard Normier

  1. 1. Analyse  de  l’opinion  et  développement  des  marques   1  bernard@normier.fr   Pe#t  déjeuner  APROGED  16    MAI  2014   Bernard  Normier  et  Gil  Adamy   17/04/14    Club  IES    
  2. 2. NLP  &  senFment  analysis   bernard@normier.fr   2   •  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    
  3. 3. •  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     bernard@normier.fr  
  4. 4. •  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     bernard@normier.fr  
  5. 5. 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  bernard@normier.fr  
  6. 6. 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  …     bernard@normier.fr   6  17/04/14    Club  IES    
  7. 7. 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     bernard@normier.fr  
  8. 8. 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   bernard@normier.fr   8   Source  :  arFcles  du  Pr.  Bing  Liu,  Université  de  Chicago   17/04/14    Club  IES    
  9. 9. Exemple   bernard@normier.fr   9  17/04/14    Club  IES    
  10. 10. 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   bernard@normier.fr   10  17/04/14    Club  IES    
  11. 11. 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   bernard@normier.fr   11  17/04/14    Club  IES    
  12. 12. 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   bernard@normier.fr   12  17/04/14    Club  IES    
  13. 13. 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   bernard@normier.fr   13  17/04/14    Club  IES    
  14. 14. 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   bernard@normier.fr   14  17/04/14    Club  IES    
  15. 15. 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   bernard@normier.fr   15  17/04/14    Club  IES    
  16. 16. 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   bernard@normier.fr   16  17/04/14    Club  IES    
  17. 17. Rémanence  mesurée  par  Google  Trends   •  «nestlé  greenpeace»  de  mars  2010  à  mars  2011   •  «la  redoute  homme  nu»  de  décembre  2011  à  décembre  2012   bernard@normier.fr   17  17/04/14    Club  IES    
  18. 18. 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   bernard@normier.fr   18  17/04/14    Club  IES    
  19. 19. 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   bernard@normier.fr   19  17/04/14    Club  IES    
  20. 20. 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   bernard@normier.fr   20  17/04/14    Club  IES    
  21. 21. 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   bernard@normier.fr   21  17/04/14    Club  IES    
  22. 22. Comment  le  client  perçoit-­‐il  le  big  data  ?   (même  s’il  ne  connaît  pas  le  mot)   S’agit-­‐il  :     22  bernard@normier.fr   De  l’écouter    pour  mieux  le  servir  ?   De  l’espionner  pour  mieux  le  manipuler  ?   17/04/14    Club  IES    
  23. 23. bernard@normier.fr   23  17/04/14    Club  IES    
  24. 24. Les  grandes  plateformes  US   bernard@normier.fr   24   •  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    
  25. 25. Google  :  TAL  et  IR     25  17/04/14    Club  IES     bernard@normier.fr  
  26. 26. Google  :  quesFon  /  réponse   bernard@normier.fr   26  17/04/14    Club  IES    
  27. 27. Google  :  traducFon   bernard@normier.fr   27  17/04/14    Club  IES    
  28. 28. Début  février  …   bernard@normier.fr   28  17/04/14    Club  IES    
  29. 29. Mi  mars   bernard@normier.fr   29  17/04/14    Club  IES    
  30. 30. Qui  y  croit  ?     bernard@normier.fr   30  17/04/14    Club  IES    
  31. 31. Pour  les  Etats   bernard@normier.fr   31   •  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    
  32. 32. Les  municipales  à  Marseille   bernard@normier.fr   32  17/04/14    Club  IES    
  33. 33. Twieer,  arme  de  désinformaFon  massive   17/04/14    Club  IES     33  bernard@normier.fr  
  34. 34. Aux  conséquences  importantes…   •  Impact  :  130  MM$  en  3  minutes   •  Text  mining  et  high  speed  transacFons     17/04/14    Club  IES     34  bernard@normier.fr  
  35. 35. TAL  +  Big  Data  =  risque  ou  opportunité    ?   bernard@normier.fr   35   •  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    
  36. 36. Le  risque  de  «  social  faFgue  »   •  Lassitude  voire  méfiance  des  consommateurs   •  Risque  de  rejet,  nouveaux  comportements   36  bernard@normier.fr  17/04/14    Club  IES    
  37. 37. Crise  de  confiance  ?   bernard@normier.fr   37  17/04/14    Club  IES    
  38. 38. CNIL  /  Afnor  /  G29   bernard@normier.fr   38   •  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    
  39. 39. 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  bernard@normier.fr  17/04/14    Club  IES    
  40. 40. Pour  aller  plus  loin…   40  bernard@normier.fr   Blog  :  hep://bernardnormier.com   17/04/14    Club  IES    

×