Le fort développement des démarches de co-construction manifeste bien la prise de conscience de l'importance de l'écoute des besoins et attentes des clients, voire de l'intérêt de les impliquer dans le processus même de création de produits et de services. Par ailleurs, la révolution digitale amorcée et les nouvelles perspectives apportées par le traitement de la data, viennent introduire une nouvelle partie prenante au sein de la relation de couple marque-client : ce nouvel invité porte déjà plusieurs noms : Intelligence artificielle, machine learning, text mining etc. Quel que soit son nom et ses variantes, les possibilités offertes semblent toutes aussi nombreuses que les questions soulevées : quand et comment l'IA peut-elle intervenir dans un processus de co-création, que peut-elle apporter au niveau de l'analyse des idées et avis collectés au sein de la communauté, et à quelles conditions ?
Nous ne ne prétendons pas, chez Fanvoice, répondre à toutes ces questions, mais davantage à proposer une posture. Celle-ci compte tout d'abord un traitement particulier des idées de la communauté, qui conjugue les avantages des méthodologies quantitatives, qualitatives et statistiques. Si on admet traditionnellement que « Le quanti c'est combien » : combien de fois cette idée apparaît, combien de fois elle est appréciée, rejetée, confirmée, likée, combien de personnes sont d'accord, etc. Et que « le quali c'est pourquoi et comment » : pourquoi tel sujet est important, pourquoi telle innovation est utile, comment elle pourrait être achetée puis utilisée, etc., nous avançons aussi, dans le cadre d'une campagne de co-construction, qu'une analyse sémantique par machine learning, peut devenir : « quelles sont les grandes idées convergentes, les idées de rupture, combien sont-elles et enfin quels sont leurs liens sous-jacents ? ».
UNE APPROCHE RÉSOLUMENT OUVERTE ET FAVORABLE À L'IDÉATION
À la différence d'une approche strictement basée sur la quantification de thèmes et de sous-thèmes liés à un sujet, et après conception d'un lexique sémantique lui-même conçu selon les notions et les catégories imaginées « hors sol », l'approche learning machine nous plonge directement dans la structure du corpus produit spontanément par la communauté. Les regroupements d'idées et les notions mises à jour ne sont donc pas dictés par des présupposés issus de nos schémas marketing habituels, mais par les regroupements de sens et de syntaxe propres à l'expression globale des membres de la communauté.
Ainsi, interroger une communauté sur ses attentes liées à une plateforme d'achats de produits électriques, permet d'obtenir l'inventaire des fonctionnalités attendues, mais aussi de découvrir une exigence de garantie sur la durabilité desdits produits (avec l'émergence de la notion d'obsolescence programmée), voire une estimation de leur coût d'amortissement sur plusieurs années. Autre exemple, une démarche d'innovation conduite auprès de collaborateurs d'un groupe de construction, sur le thème de la prévention des risques professionnels, met à jour un ensemble d'initiatives et de bonnes pratiques dans une approche incrémentale des règles et processus existants (amélioration des équipements de protection, renforcement des règles de balisage des « cheminements piétons », etc.), mais ouvre aussi de réelles innovations de rupture, par l'utilisation d'engins guidés à distance (dont des drones) au moment de la conception d'un chantier. Au-delà du potentiel d'innovation que représentent les idées proposées, l'approche mise en œuvre révèle aussi les conditions d'adhésion, d'achat ou d'usage du produit ou du service.
LA PROJECTION DU MODÈLE SÉMANTIQUE AGIT FRÉQUEMMENT COMME CATALYSEUR DES ÉCHANGES SUR LE RÉSULTAT D'UNE CAMPAGNE
UN VOLUME DE DONNÉES ANALYSÉ RAPIDEMENT
À la pertinence des insights mis à jour, s'ajoute bien entendu la facilité à analyser rapidement plusieurs milliers d'idées ou de verbatim : cet affranchissement du poids des data permet d'accélérer les cycles d'interactions avec les communautés (tout en renforçant le lien établi) et rend possible des déploiements multiples et à l'échelle nationale ou internationale.
LE BÉNÉFICE D'UNE APPROCHE COMMUNAUTAIRE
Si l'apport du machine learning est indéniable dans les approches de coconstruction évoquées, il apparaît néanmoins que la pertinence d'analyse des données bénéficie d'un « état d'esprit communautaire ». Les tests d'homogénéité des groupements d'idées constitués, révèlent que la qualité d'analyse varie en fonction de la « richesse » des contributions. En effet, plus un corpus s'inscrit dans une démarche de proposition d'idées constructives et étayées, plus l'algorithme sera capable de distinguer les notions exprimées et liens sous-jacents. Ce constat rappelle l'importance de la qualité du community management. Une telle approche serait sans doute plus hasardeuse concernant un corpus plus fragmenté, par exemple celui de publications collectées sur les médias sociaux.
UN BOULEVERSEMENT DU PROCESSUS D'ÉTUDE TRADITIONNEL
L'accélération de la phase d'analyse des données permet de disposer des résultats d'une campagne plus rapidement qu'avec une méthodologie non automatisée, et libère aussi du temps à consacrer à leur interprétation et aux étapes suivantes. Mieux : la cartographie des liens, zones de convergences ou de rupture des idées, s'avère constituer un puissant support de partage des enseignements et d'adhésion à la démarche menée (une adhésion souvent favorable au dépassement des silos fonctionnels au sein des grands groupes). Par ailleurs, alors que sa dimension technique aurait pu faire craindre un rejet de la part de certains marketeurs, la projection du modèle sémantique agit fréquemment comme catalyseur des échanges, sur le résultat d'une campagne, comme sur les nouvelles orientations mises à jour. Enfin, en termes d'inscription d'une plateforme de co-construction telle que Fanvoice, dans son écosystème professionnel, la projection graphique s'avère aussi un outil de réappropriation des phases d'accompagnement/conseil, pour les instituts d'études ou les agences.
DES PERSPECTIVES ENCOURAGEANTES
Les résultats obtenus et les apports constatés incitent à approfondir plusieurs voies. Aujourd'hui fortement basées sur l'analyse du langage (text mining), les démarches d'idéation, co-construction, bêta test se prêtent à un croisement avec des données structurées (data mining) issues notamment de l'Internet des Objets (Iot) et du mobile. Autre type de perspectives : l'intelligence artificielle (learning machine voire deep learning) pourra aussi s'enrichir de l'intelligence… humaine. En effet, le développement de la souplesse des interfaces homme-machine (IHM) ouvre de nouvelles possibilités de dialogue et d'ajustements : les tendances obtenues peuvent en effet être interrogées de manière itérative, à l'aune de nouveaux objectifs marketing par exemple, dans une logique de simulations, ou encore de comparaison entre différents profils de clients
