Sélectionner une page

Article par logi-stats

Bonjour à toutes et à tous,

Pour cette nouvelle série d’article illustratif de la prise de décision supporté par l’analyse des données nous allons suivre une petite boutique de vêtements.

Une chose spéciale dans cette boutique étant qu’elle recense les avis émis par les clients sur chaque produit vendu. Nous allons donc pouvoir explorer et passer en revu quelques principes de l’analyse de commentaires.

Chaque division est séparée en département qui sont eux même divisé en catégories.

Note et Recommandation :

Dans un premier temps on se penche sur le lien entre la recommandation d’une catégorie et la note donnée au moment de cette recommandation.

 Un point encourageant à première vu est qu’on a globalement un bon taux de recommandation peu importe la catégorie et la fréquence des notes élevées est bien supérieur à celles des notes faibles. 

Une fois ces deux dimensions croisées, c’est sans surprise que les bonne notes coïncident avec un fort taux de recommandation. Il y a tout de même 2 questions qui ressortent de cette visualisation.

1 – les avis sur les notes 3 seront intéressant à analysé pour savoir quels sont les mécanismes entrant en jeu dans la recommandation. Qu’est ce qui fais qu’un produit sera recommander alors qu’une note de 3 est donnée ? Et l’inverse.

2 – Il y a tout de même quelques recommandations pour des produits très mal noté ainsi qu’une non-recommandation pour des notes très élevées. Ce qui paraît contre-intuitifs, il sera intéressant de comprendre “pourquoi”. 

 

Fréquence des mots utilisés dans les commentaires :

 

Nous allons maintenant nous pencher sur les mots les plus utilisés dans les bons et les mauvais commentaires.

Ci-dessous les mots les plus utilisés dans les bons commentaires.

On retrouve des mots comme “content” (Glad), “aime” (Love), “trouvé” (found) qui sont des mots avec des sentiments positifs qui remontent dans les commentaires positifs. Nous pourrons donc poursuivre l’analyse en se basant sur des dictionnaires de mots pré-établi. Si les mots les plus fréquent avait été différent il aurait peut être fallu créer une base de note de mot personnalisé pour la suite. 

  Les mots les plus fréquents dans les mauvais commentaires sont moins connotés positivement ou négativement. Nous pourrons valider par la suite que c’est un révélateur de l’objectivité des commentaires.

Les mots “aspect” (look), “manche” (sleeves), “usure” (wear) nous emmène sur la piste de l’apparence des produits.

 

 Il est tout à fait possible d’avoir le même type de vues pour chaque catégorie de produits.

Par exemple pour les hauts (tops) avec de bonnes revues en premier ry à droite les hauts avec de mauvaises revues.

Ensuite, dans une partie de l’analyse que je ne développerais pas ici on fais le même travail avec les groupes de mots afin d’acquérir plus de certitude sur le type d’avis des clients et surtout sur le contexte dans l’analyse de ceux ci.

Ce qui ressors de cette deuxième partie est que les commentaires négatifs sont en général dû à la taille, ce sont en effet majoritairement des commentaire récupérer en ligne et la taille est donc un critère essentiel et sujet à problématique.

Classification automatique des commentaires :

 

Une dernière chose que nous verrons dans cette article est la classification automatique des commentaires. En effet si le flots de commentaires est trop important, ou que le temps passer à les étudier est peu/pas rentable pour l’entreprise, il est possible d’étudier les messages passés et de savoir si ils sont plutôt positif ou négatif.

Pour cela on lance un algorithme qui va étudier la fréquence de présence de certain mots dans les bons et mauvais commentaires déjà classer afin d’attribuer une note à chacun de ces mots.

Ce qui nous donne par exemples la classification ci-dessous avec l’incidence sur la note d’un commentaire.

 

On peut donc, à la suite de ce processus, appliquer le modèle à tout nouveaux commentaires et avoir directement la note de chacun. Une fois le système en place il est possible de le mettre à jour régulièrement avec les nouveaux commentaires et d’utiliser cette note automatique pour des actions.

Par exemple envoyer les commentaires les plus virulents à un service qui s’occupera de comprendre d’ vient le problème. Ou au contraire d’envoyer une promotion ou une invitation aux clients laissant les meilleurs commentaires.

Merci d’avoir lu cet article dans son intégralité. 

N’hésitez pas à nous contacter pour plus d’informations ou pour faire un point sur la situation de votre entreprise.

A bientôt pour un nouvel article avec d’autres illustrations.