Boucler la boucle du feedback à grande échelle : automatiser l'analyse du sentiment client pour une marque de vêtements mondiale.

À propos du client

La Société O est l'un des plus grands fournisseurs mondiaux de chaussures et de vêtements de sport. Elle recueillait les retours de ses clients sur presque tous les canaux de transaction (son site web, les enquêtes en magasin, les centres d'appels et les enquêtes par e-mail) dans le cadre d'une démarche plus large centrée sur l'expérience client, le positionnement de la marque et l'image de marque.

Contexte sectoriel

Le Net Promoter Score, mis au point en 2003 par Fred Reichheld avec Bain & Company et Satmetrix, était devenu l'un des indicateurs de fidélité client les plus largement adoptés dans les secteurs orientés grand public, apprécié pour sa simplicité mais traditionnellement calculé à partir de petits échantillons d'enquêtes plutôt que de l'ensemble des retours clients d'une entreprise. Attensity, dont la plateforme Analyze était au cœur de ce projet, comptait parmi les principaux éditeurs d'analyse de texte et de gestion de l'expérience client. Pour les grandes marques grand public générant bien plus d'un million de commentaires par mois, le véritable défi n'était pas de recueillir les retours mais d'en exploiter réellement la quasi-totalité ; passer d'un petit échantillon examiné manuellement à une analyse de la population complète constituait un tournant décisif que de nombreuses entreprises centrées sur l'expérience client opéraient à cette même période.

Situation actuelle

La Société O souhaitait utiliser ses données de la voix du client pour identifier rapidement les problèmes et y répondre, améliorer la performance de ses opérations internes, renforcer le positionnement et les messages de sa marque et valoriser son image de marque. Cependant, avec plus d'un million de commentaires clients par mois, le volume était bien trop important pour être lu et analysé manuellement ; la Société O a donc acheté le logiciel Analyze d'Attensity et a demandé à Iknow de configurer le produit et de mettre en place la méthodologie d'analyse des données.

• Un volume ingérable de retours clients. La Société O recueillait plus d'un million de commentaires clients par mois, un volume bien trop important pour être lu et analysé manuellement.
• La majorité des retours clients restait non lue et inexploitée. Avant ce projet, la Société O ne pouvait lire et traiter qu'une fraction des retours qu'elle recueillait, laissant l'essentiel des contributions des clients inutilisé.
• Un indicateur de fidélité clé fondé sur un échantillon non représentatif. Le Net Promoter Score de la Société O était calculé à partir d'un petit échantillon seulement de ses retours clients réels, ce qui limitait sa précision et son utilité.
• Aucun moyen cohérent de classer et d'acheminer les retours. La Société O avait besoin d'un moyen de classer de manière cohérente d'énormes volumes de commentaires textuels verbatim non structurés et de les acheminer vers les bonnes équipes internes pour action.

• Configurer le logiciel Analyze d'Attensity et établir une méthodologie d'analyse des données pour le programme de voix du client de la Société O.
• Élaborer un ensemble complet de catégories pour classer les commentaires des clients.
• Automatiser le traitement, la classification et l'analyse de sentiment de l'intégralité du volume de commentaires clients de la Société O.
• Instaurer un processus de reporting interne acheminant les résultats vers les dirigeants chargés d'y donner suite.

Comment Iknow a structuré la mission

Iknow a structuré la mission autour de la construction d'une taxonomie de catégories à partir d'un échantillon représentatif, de l'automatisation de la classification à pleine échelle, puis de la validation et de l'acheminement des résultats, reflétant la méthodologie de classification automatisée de contenu d'Iknow pour transformer un volume ingérable de retours non structurés en un processus de reporting fiable et exploitable.

Activités et décisions clés

• Élaboration de la taxonomie de catégories. Iknow a examiné un sous-ensemble représentatif des données et, en collaboration avec les équipes marketing, commerce numérique et informatique décisionnelle de la Société O, a élaboré les catégories de classement des commentaires ; plus de 130 catégories ont finalement été retenues.
• Classification automatisée par apprentissage par l'exemple. Iknow a utilisé la fonctionnalité learn-by-example (LBE) d'Analyze pour automatiser le traitement des commentaires textuels, en lisant et en analysant chaque phrase afin d'en déterminer le sens et le sentiment, et en la classant dans l'une des catégories définies.
• Tests et validation. Iknow a travaillé avec la Société O pour tester et valider les résultats de la classification automatisée.
• Processus de reporting interne. Iknow a instauré le processus de reporting interne, acheminant les résultats vers des dirigeants précis dans toute l'entreprise afin qu'ils puissent traiter les problèmes relevant de leur périmètre de responsabilité.
• Traitement à pleine échelle et calcul du NPS. Iknow a traité et analysé plus de cinq millions de commentaires, les a catégorisés et a calculé le Net Promoter Score.

Parties prenantes et collaboration

Iknow est intervenue comme sous-traitant d'Attensity, maître d'œuvre de la mission, en travaillant directement avec les équipes marketing, commerce numérique et informatique décisionnelle de la Société O tout au long de l'élaboration des catégories, des tests et de la conception du reporting.

Transformer un flot de commentaires non structurés en matière classifiable

Plus d'un million de commentaires par mois, pour l'essentiel verbatim et non structurés, risquait de devenir un flot de texte ingérable plutôt qu'un signal exploitable. Iknow y a répondu en examinant d'abord un sous-ensemble représentatif des données et en travaillant directement avec les équipes marketing, commerce numérique et informatique décisionnelle de la Société O pour construire une taxonomie véritablement complète et pertinente pour le métier, de plus de 130 catégories, avant toute tentative d'automatisation.

Faire confiance à une classification entièrement automatisée à très grande échelle

Classer automatiquement et à grande échelle un langage client nuancé et chargé d'émotion, sans relecture humaine de chaque commentaire, exigeait une réelle confiance dans le modèle sous-jacent. Iknow y a répondu en testant et en validant rigoureusement les résultats de la classification par learn-by-example sur les propres données de la Société O avant de s'y appuyer pour le reporting, et en acheminant les résultats dans un processus interne structuré afin que des dirigeants précis puissent vérifier les constats et agir dans leurs propres domaines.

Résultats quantitatifs

• Volume de retours : plus d'un million de commentaires clients recueillis chaque mois via le site web, les enquêtes en magasin, les centres d'appels et les enquêtes par e-mail de la Société O.
• Taxonomie de classification : plus de 130 catégories élaborées pour classer les commentaires des clients.
• Commentaires traités : plus de cinq millions de commentaires traités, analysés et catégorisés au cours de la mission.
• Couverture des retours atteinte : la couverture est passée d'un petit échantillon à 100 pour cent des commentaires et retours clients.
• Durée de la mission : mission de six mois.

Résultats qualitatifs

Ce projet a mis en place un processus permanent de collecte, d'analyse et d'exploitation des données de la voix du client et de calcul du Net Promoter Score. Avant ce projet, la Société O ne lisait et ne traitait qu'une fraction des retours qu'elle recueillait, et son Net Promoter Score était calculé à partir d'un petit échantillon de données seulement ; la Société O lit et restitue désormais électroniquement 100 pour cent des commentaires et retours clients qu'elle reçoit. La Société O a obtenu des améliorations significatives dans l'ensemble de ses opérations en bouclant la boucle de rétroaction entre ses clients et les départements et fonctions internes qui les servent.

Délai d'impact

En l'espace d'une mission d'environ six mois, Iknow a fait passer la Société O d'un examen manuel des retours fondé sur des échantillons à un processus entièrement automatisé et fonctionnant en continu couvrant 100 pour cent des commentaires clients entrants, dont les résultats parviennent aux dirigeants responsables d'y donner suite.

Compétences clés

• Classification automatisée de texte et analyse de sentiment
• Conception de programmes de voix du client
• Analytique du Net Promoter Score
• Configuration de modèles d'apprentissage par l'exemple

Méthodes et cadres de travail

• Échantillonnage représentatif et élaboration de taxonomies de catégories
• Tests et validation de la classification automatisée
• Conception d'un reporting interne acheminé vers les dirigeants

Technologies et outils

• Attensity Analyze (application d'analytique client et d'engagement)
• Classification automatisée de texte learn-by-example (LBE)