Le document traite de l'analyse des opinions et du développement des marques à travers le traitement automatique des langues (TAL) et le 'sentiment analysis'. Il aborde les enjeux pour les entreprises, les marques et les États face à l'essor des réseaux sociaux, ainsi que les méthodes d'extraction et de classification des informations et opinions. Plusieurs cas d'étude illustrent l'impact des retours clients sur les entreprises et le rôle des grandes plateformes technologiques dans ce domaine.

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. 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. • 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. • 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. 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. 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. 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. 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. Exemple
bernard@normier.fr
9
17/04/14
Club
IES

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. bernard@normier.fr
23
17/04/14
Club
IES

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. Google
:
TAL
et
IR
25
17/04/14
Club
IES
bernard@normier.fr

26. Google
:
quesFon
/
réponse
bernard@normier.fr
26
17/04/14
Club
IES

27. Google
:
traducFon
bernard@normier.fr
27
17/04/14
Club
IES

28. Début
février
…
bernard@normier.fr
28
17/04/14
Club
IES

29. Mi
mars
bernard@normier.fr
29
17/04/14
Club
IES

30. Qui
y
croit
?
bernard@normier.fr
30
17/04/14
Club
IES

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. Les
municipales
à
Marseille
bernard@normier.fr
32
17/04/14
Club
IES

33. Twieer,
arme
de
désinformaFon
massive
17/04/14
Club
IES
33
bernard@normier.fr

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. 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. 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. Crise
de
confiance
?
bernard@normier.fr
37
17/04/14
Club
IES

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. 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. Pour
aller
plus
loin…
40
bernard@normier.fr
Blog
:
hep://bernardnormier.com
17/04/14
Club
IES