Avec l’arrivée d’internet, les entreprises disposent de plus en plus de données. Même si elles sont conscientes que ces données représentent une réelle mine d’or, elles ont beaucoup de difficultés à en tirer profit. Parmi ces données, on retrouve des données structurées qui sont assez facilement analysables et des données non-structurées, notamment, des données textes exprimées en langage naturel qui sont, elles, beaucoup plus laborieuses à exploiter. Pour être utiles lors de la prise de décision, ces données textes non-structurées doivent être synthétisées et c’est bien là l’objectif des outils de text-mining. Ces derniers permettent d’exploiter de très grandes quantités de données textuelles provenant d’articles, de pages web, de plaintes de clients, de blogs, de réseaux sociaux ou d’entretiens qualitatifs. Le text-mining permet d’en retirer la fréquence d’occurrence de mots clés, d’identifier des structures de thèmes, des réseaux sémantiques et des associations entre des entités. Ce sont donc des procédures exploratoires d’analyse de données qui permettent d’exploiter très rapidement du langage naturel pour en extraire des connaissances, des informations précédemment inconnues ou répondre à des questions jusque-là restées sans réponses.
Dans le cadre de nos recherches, nous avons réalisé une enquête auprès de 164 manageurs afin de mieux comprendre ce qui les poussait à utiliser le text-mining. D’après nos répondants, les outils les plus connus sur le marché sont les modules de text mining développés par SAS (Text Miner), IBM SPSS (Text Analytics for Surveys) et R (Text mining). Selon les résultats de cette enquête, le principal avantage du text-mining est sa rapidité et son efficacité dans l’analyse de grandes quantités d’informations textuelles exprimées en langage naturel de sorte à coder le texte, à le quantifier et à fournir des informations thématiques, des structures, des résumés et de nouvelles connaissances à propos des besoins des consommateurs et de problèmes émergents pour au final prendre de meilleures décisions.
Néanmoins, le text-mining comporte également plusieurs inconvénients. Tout d’abord, même s’il s’avère être un moyen plus efficace de traitement des données que le recours à la lecture intégrale du texte par un individu, les résultats manquent néanmoins de précision et peuvent comporter des biais potentiels. De plus, pour maîtriser l’utilisation d’un software de text-mining, une période d’apprentissage assez longue est nécessaire à cause de la complexité de ces softwares et de la difficulté d’interpréter les résultats. Les outils de text-mining sont, en effet, perçus comme étant complexes à utiliser car ils nécessitent de définir au préalable des paramètres de départ, ce qui peut être considéré comme fastidieux. L’expérience accrue de l’analyste pourrait donc rendre l’usage du text-mining plus aisé. Par ailleurs, l’interprétation des résultats n’est pas toujours facile, notamment car le contexte n’est pas toujours bien pris en compte. Les compétences analytiques de l’analyste devraient faciliter l’interprétation des résultats. Ensuite, les utilisateurs mentionnent également qu’il est difficile d’analyser finement les émotions, les sentiments et le sarcasme. Finalement, l’investissement, qu’il soit financier ou temporel, n’est pas à négliger. En effet, l’acquisition d’un outil de text-mining est perçue comme étant très coûteux.
L’objectif central de notre recherche est d’expliquer quels sont les facteurs qui favorisent ou pas l’utilisation du text-mining. Nous démontrons, tout d’abord, que le soutien de la direction de l’entreprise est primordial pour stimuler l’utilisation du système. La direction doit donc comprendre l’importance de l’adoption du text-mining mais aussi être impliquée dans le projet d’implémentation. Cela s’explique par le fait que non seulement le soutien de la tête de l’entreprise est important pour l’adoption de toute technologie de l’information mais aussi pour favoriser une orientation marché et donc assurer la dissémination des informations clients et leur prise en compte dans les décisions. Grâce aux outils de text-mining, l’information clients sera donc mieux analysée et viendra, en conséquence, enrichir la prise de décision.
Ensuite, comme pour toute nouvelle technologie, la facilité d’utilisation et l’utilité perçue stimule l’intention d’adopter un outil de text-mining. Les caractéristiques du système et plus précisément la qualité des résultats fournis par le système influence l’utilité perçue et la facilité d’utilisation des softwares de text-mining. Par qualité des résultats, nous entendons la pertinence et la nouveauté des informations fournies ainsi que la fiabilité et la facilité d’interprétation des résultats fournis par le système. D’une part, l’outil de text-mining sera perçu comme étant plus utile si les résultats sont pertinents – c’est-à-dire si l’information fournie par le software est applicable et utilisable dans le cadre de la prise de décision – ainsi que nouveaux – c’est-à-dire qu’ils ont une réelle valeur ajoutée par rapport aux connaissances que possède déjà l’analyste. D’autre part, le système de text-mining sera perçu comme facile à utiliser s’il fournit des résultats fiables et faciles à interpréter autrement dit des résultats sans erreurs et présentés dans un langage clair.
Par ailleurs, les softwares de text-mining sont également perçus comme étant facile à utiliser si les manageurs ont l’impression d’avoir les ressources et le support organisationnels nécessaires pour l’utiliser. Une ressource importante pour utiliser un outil de text-mining est bien évidemment du texte. Il faut que les données textes à traiter soient accessibles et soient disponibles en quantité suffisante. Deux types d’informations sont utilisés par nos répondants comme textes à traiter par le text-mining. On distingue les données primaires telles que les données collectées par le biais de recherches qualitatives et les données secondaires telles que les données textuelles provenant de sites web, de blogs ainsi que de réseaux sociaux tels que Facebook, Twitter et LinkedIn.
Finalement, au plus l’entreprise aura une orientation client, au plus les données textuelles seront disponibles et facilement accessibles. Les entreprises qui sont soucieuses de positionner le client au cœur de leurs préoccupations de sorte à développer leur rentabilité, collectent davantage d’informations sur les besoins de leurs clients par le biais de focus groupe ou d’entretiens individuels ou encore les encouragent à s’exprimer davantage à propos d’éventuels problèmes rencontrés que ce soit par l’intermédiaire de formulaires de réclamation sur leur site web ou via leur centre d’appels.
Pour conclure, outre les caractéristiques de l’outil de text-mining, l’orientation client et l’implication de la direction de l’entreprise jouent un rôle primordial dans l’adoption de ces outils. Il s’agit donc plus d’un choix qui est la conséquence de la stratégie globale de l’entreprise plaçant le client au cœur de ses préoccupations.
Cet article a été co-écrit avec Kristof Coussement, Enseignant-Chercheur, Directeur Académique du MSc Big Data Analytics for Business et co-Directeur du Centre d’Expertise pour le Marketing des Bases de Données à l’IESEG.
