Aller au contenu

Guide

Analyse textuelle (text analytics) : définition et exemples

Qu’est-ce que l’analyse textuelle ? Comment elle transforme tickets, chats et e-mails en sujets, sentiment et intention, avec des exemples du service client.

· Mis à jour · 6 min de lecture

Relu par Dominik Blattner, fondateur de Kaizo

Qu’est-ce que l’analyse textuelle (text analytics) ? C’est l’analyse automatisée de textes écrits, comme les tickets, les chats et les e-mails, pour en extraire les sujets, le sentiment et l’intention à grande échelle. Elle permet à une équipe support de comprendre chaque conversation écrite, et non un petit échantillon, et constitue le volet écrit de l’analyse des conversations.

En bref

  • L’analyse textuelle transforme un langage non structuré en données que l’on peut mesurer et interroger.
  • Elle fonctionne en quatre étapes : collecter, nettoyer, classer, puis restituer.
  • En contrôle qualité du support, elle fait ressortir les moments de qualité et de coaching.
  • En expérience client, elle montre ce que demandent les clients et ce qu’ils ressentent.
  • Les meilleurs outils relient chaque note à la formulation exacte qui la justifie.

Comment fonctionne l’analyse textuelle

L’analyse textuelle collecte les conversations écrites, nettoie le texte, le classe grâce au traitement automatique du langage naturel, puis restitue les résultats sous forme de champs qu’une équipe peut filtrer et suivre dans le temps.

Étape 1 : collecter le texte

Le texte vient des endroits où se trouvent déjà les conversations : le helpdesk, l’outil de chat, la boîte e-mail, les commentaires d’enquête ou les sites d’avis. Comme elle fonctionne automatiquement dans ces systèmes, l’analyse textuelle peut traiter en continu l’ensemble du volume de tickets et de chats, au lieu du faible pourcentage qu’une équipe pourrait lire à la main.

Étape 2 : nettoyer et structurer

Les conversations brutes contiennent des signatures, des réponses citées, des réponses automatiques et des fautes de frappe. Le texte est découpé en messages, l’auteur de chaque message est identifié (client ou conseiller) et le bruit est retiré, pour que l’analyse porte sur ce qui a réellement été dit.

Étape 3 : classer grâce au traitement automatique du langage

Des modèles de langage classent ensuite chaque message ou conversation : ils le rattachent à des sujets, évaluent le sentiment comme positif, neutre ou négatif, et détectent l’intention du client, par exemple une demande de remboursement, un signalement de bug ou une résiliation. Les anciens systèmes reposaient sur des règles de mots-clés ; les modèles actuels lisent le contexte, si bien qu’un message poli d’un client mécontent a moins de chances de passer inaperçu.

Étape 4 : restituer et agir

Le résultat est une donnée structurée : nombre de conversations par sujet, tendances de sentiment et parts d’intention qu’une équipe peut filtrer et explorer. L’étape utile est la dernière, quand chaque tendance s’ouvre sur les conversations qui la composent et part vers quelqu’un capable de corriger le problème.

Ce qu’extrait l’analyse textuelle

L’analyse textuelle convertit un texte libre en cinq types de signaux : sujets, sentiment, intention, qualité et tendances, qu’une équipe peut chacun filtrer et exploiter.

SignalCe qu’il capteExemple au support
SujetsLes thèmes pour lesquels les clients écrivent, regroupés automatiquement« Facturation », « connexion », « retard de livraison »
SentimentSi le ton du client est positif, neutre ou négatifUne frustration qui monte dans les tickets de livraison
IntentionCe que veut le client : un remboursement, une correction, une résiliation, etc.Des demandes de résiliation en hausse après un changement de prix
QualitéDans quelle mesure la réponse écrite d’un conseiller respecte vos critèresUne étape de vérification oubliée lors des modifications de compte
TendancesL’évolution des sujets et du sentiment dans le tempsUn nouveau sujet qui apparaît après une mise à jour

L’analyse textuelle au service client

Au service client, l’analyse textuelle lit chaque ticket, chat et e-mail pour montrer pourquoi les clients écrivent, ce qu’ils ressentent et la qualité des réponses des conseillers, si bien que les équipes QA et CX travaillent sur l’ensemble du volume.

En contrôle qualité du support, c’est l’analyse textuelle qui permet d’évaluer les conversations écrites à grande échelle, en notant les tickets et les chats selon une grille d’évaluation et en faisant ressortir les moments qui méritent un coaching. En expérience client, elle révèle la voix du client (en anglais) dans son ensemble : les raisons récurrentes pour lesquelles les gens écrivent, les endroits où le sentiment se dégrade et les problèmes qui prennent de l’ampleur.

Voici ce que cela donne en pratique pour trois questions fréquentes d’un responsable support :

QuestionCe que montre l’analyse textuelleÉtape suivante
Pourquoi le volume de tickets a-t-il augmenté la semaine dernière ?Un sujet, « réinitialisation du mot de passe », a doublé après une mise à jourEnvoyer des exemples au produit, publier un article d’aide
Quels clients sont sur le point de partir ?Intention de résiliation et sentiment négatif dans les mêmes comptesOrienter ces conversations vers un conseiller senior
Où les conseillers ont-ils besoin de coaching ?Des notes qualité faibles sur un critère dans les chats de facturationCoacher sur ce critère avec de vrais exemples

Kaizo applique cette approche aux conversations de support : il évalue chaque appel, chat et e-mail selon vos propres critères, suit le sentiment et l’empathie sur 100 % des messages, et montre si une baisse vient d’un processus défaillant, d’une friction produit ou d’une lacune de compétences. Pour passer des constats aux corrections, consultez notre guide des insights service client.

Analyse textuelle, text mining, analyse de sentiment et speech analytics

L’analyse textuelle est le terme générique pour l’analyse du langage écrit : l’analyse de sentiment en est l’un des résultats, le text mining en est un quasi-synonyme, et le speech analytics fait le même travail pour les appels.

TermeCe qu’il faitLien avec l’analyse textuelle
Text miningRepère des schémas dans de grands volumes de texteSouvent employé comme synonyme ; certains le réservent à l’étape de recherche de schémas
Analyse de sentiment (en anglais)Évalue le ton d’un messageUn des résultats de l’analyse textuelle
Speech analyticsAnalyse les appels enregistrés, en général après transcriptionLe pendant vocal
Conversation intelligence (en anglais)Lit la voix et le texte côte à côte et ajoute des workflowsS’appuie sur l’analyse textuelle et le speech analytics

Termes associés

Commencez par une question à laquelle vos tickets devraient répondre

Choisissez une question du tableau ci-dessus, par exemple pourquoi le volume a augmenté la semaine dernière, et vérifiez si vos rapports actuels peuvent y répondre à partir du texte lui-même. Si ce n’est pas le cas, nous vous montrerons dans une démo en direct, sur des données d’exemple, comment Kaizo lit chaque conversation écrite et relie chaque chiffre aux messages qui l’expliquent.

Parlons-en Découvrir Kaizo Insights

Questions fréquentes

L’analyse textuelle est-elle la même chose que l’analyse de sentiment ?

Non. L’analyse de sentiment est une composante de l’analyse textuelle : elle évalue le ton d’un message comme positif, neutre ou négatif. L’analyse textuelle est plus large : elle extrait aussi les sujets, l’intention et des signaux de qualité des conversations écrites, et montre leur évolution dans le temps. La plupart des outils d’analyse textuelle incluent le sentiment parmi plusieurs résultats.

En quoi l’analyse textuelle diffère-t-elle du speech analytics ?

L’analyse textuelle lit des textes écrits comme les tickets, les chats et les e-mails. Le speech analytics porte sur la voix et transcrit les appels avant de les analyser. Une fois l’appel transcrit, les mêmes techniques s’appliquent aux deux. La conversation intelligence les combine, pour qu’une équipe voie un même problème client sur tous les canaux où il a été soulevé.

Qu’apporte l’analyse textuelle aux équipes support ?

Elle permet de mesurer chaque conversation écrite au lieu d’un échantillon manuel. Elle fournit des notes qualité pour la QA, les sujets et intentions soulevés par les clients, et l’évolution du sentiment dans la file. Une impression comme « les tickets de facturation semblent plus tendus » devient ainsi un chiffre que vous pouvez suivre et sur lequel agir.

L’analyse textuelle fonctionne-t-elle en plusieurs langues ?

Les outils modernes d’analyse textuelle fondés sur de grands modèles de langage peuvent classer sujets, sentiment et intention dans de nombreuses langues, de sorte qu’une équipe support internationale peut lire tout son volume écrit de la même façon dans chacune. Au départ, faites vérifier les résultats de chaque langue par un locuteur natif, car la précision varie selon la langue et le volume de données.

Quels signaux l’analyse textuelle extrait-elle ?

Les sujets pour lesquels les clients écrivent, leur sentiment, leur intention (remboursement, correction, résiliation), la qualité des réponses écrites des conseillers au regard de vos critères, et l’évolution de ces signaux dans le temps. Chacun devient un champ qu’une équipe peut filtrer, suivre et relier aux conversations qui le justifient.

Sommaire

À lire aussi

Voyez-le lors d’une démo en direct

Nous vous présenterons Kaizo avec des conversations d’exemple réalistes, pour que vous voyiez l’exemple évalué, expliqué et transformé en coaching.

Adopté par des équipes support du monde entier

  • Foot Locker
  • Canva
  • GetYourGuide
  • Instacart
  • BlaBlaCar
  • UiPath