Semeon, la startup montréalaise qui analyse le sentiment des clients grâce à l’intelligence artificielle

19 novembre 2018

Le 23 novembre prochain, lors d’une conférence organisée par Microsoft, Desjardins Assurances va venir partager son expérience récente d’utilisation de l’intelligence artificielle afin d’analyser la voix de ses clients, quel que soit le volume de données. Rencontre avec Semeon Insights, l’entreprise d’ici qui est derrière cette solution novatrice.

Semeon développe depuis 2012 un algorithme de déchiffrage de texte. Quatre ans de recherche et développement ont été nécessaires pour créer et lancer la technologie. Aujourd’hui, tous ces efforts commencent à payer : la compagnie montréalaise, qui compte une vingtaine de salariés et une trentaine de clients, s’apprête à tripler ses revenus en un an.

Sa solution permet d’analyser les retours clients à travers différents canaux : les données publiques que l’on retrouve sur les réseaux sociaux, les blogs, les forums ou les sites de nouvelles… mais aussi les courriels envoyés par ces mêmes clients. Ou comment mesurer ce qui se dit sur sa marque en temps réel.

Et si l’avenir du marketing client passait par l’intelligence artificielle ? On en parle avec Alkis Papadopoullos, son fondateur et CTO.

Pouvez-vous nous présenter plus en détail votre technologie et son fonctionnement ?

Alkis Papadopoullos : En deux mots, nous résumons l’ensemble des sentiments exprimés par les clients d’une marque en une vision globale. Comment ? En réunissant l’ensemble des canaux de feedback clients dans un même système grâce à un algorithme d’apprentissage supervisé et semi supervisé.

En fait, on se sert de ces algorithmes pour extraire automatiquement les faits saillants de ce qui est dit. Nous sommes ainsi capables de regarder les thèmes évoqués les plus importants et de savoir de quelle source ils proviennent. Ce ne sont pas les mêmes personnes qui utilisent les médias sociaux ou les centres d’appel par exemple, donc les retours peuvent varier.

Quels sont les intérêts principaux pour vos clients ?

A.K. : Notre solution leur permet de mieux comprendre quels sont les problèmes importants rencontrés par leurs utilisateurs et de voir ce que leurs clients apprécient. C’est en fait un outil qui leur permet de voir ce qui est urgent de régler et, au final, d’améliorer le service à leur clientèle.

Par ailleurs, de plus en plus de compagnies utilisent des sondages pour comprendre les besoins de leurs clients. Mais le problème est souvent la longueur de ces derniers. Donc ils optent pour des questionnaires plus courts avec des questions qualitatives et quelques questions ouvertes.

Sauf qu’avant, devant un nombre de répondants élevés, il était difficile de traiter ces réponses ouvertes qui pouvaient aborder des sujets très différents. Aujourd’hui, on peut utiliser notre algorithme pour traiter ces types de question.

Donc au final, on offre une grande force de frappe tout en pouvant traiter de la donnée à une vitesse accélérée et donc à coût moindre.

Donc on parle d’enjeux de coûts et de rapidité.

A.K. : Oui. Il faut bien voir que, dans un marché global où les produits sont très compétitifs, les séries de fonctionnalités deviennent de plus en plus similaires. Donc la différenciation se fait par la qualité de la livraison du service. C’est là où Semeon entre en jeu.

Nous optimisons le temps à déceler les problèmes de manière à les corriger rapidement.

Mais, pour y arriver, en soi, la volumétrie de ce type de donnée est telle que cela peut coûter plusieurs dollars par message à analyser. Or avec Semeon, on parle de quelques dizaines de sous !

Comment fonctionne votre algorithme justement ?

A.K. : Nous avons créé un système qui est conscient de la richesse des expressions utilisées. Habituellement, ce type de solution fonctionne par mot clé. Le problème, c’est que, si l’on parle d’une compagnie d’assurance, le mot qui va revenir le plus souvent est bien évidemment « Assurance ». Or, c’est un mot vide. On évacue ainsi ces mots trop évidents pour nous concentrer sur la mise en contexte sémantique.

Le plus important, c’est l’expression qui accompagne et qui décrit le contexte de la mention. Notre système a été entraîné pour aller chercher ces perles un peu plus rares qui vont aider à contextualiser ce que les gens pensent vraiment.

Personnellement, cela fait 25 ans que je travaille dans ce domaine des moteurs sémantiques. Et en cumulé, notre équipe technique compte plus d’une centaine d’années personne à bâtir des moteurs sémantiques qui cherchent à comprendre le contexte de ce qui se dit autour d’une marque et d’y rattacher un sentiment.

En bref, non seulement nous essayons de comprendre ce qui a été dit à propos d’une marque, mais comment est-ce que cela a été dit (de façon dithyrambique, agressive, furieuse, heureuse, etc.) C’est important de rattacher les deux.

Quel est votre principal atout par rapport à vos concurrents ?

A.K. : Il existe deux types de compagnies dans ce domaine. Celles qui traitent des données publiques, notamment des réseaux sociaux (Meltwater, Synthesio, Brandwatch). Mais aucune ne travaille sur les autres canaux de feedback moins visible mais peut-être plus lié à un problème comme les courriels. On est les seuls à intégrer en plus ces données « privées » et de les intégrer à l’analyse. Et d’autres compagnies ne s’intéressent qu’à ce type de données (Clarabridge).

Par ailleurs, peu de compagnies travaillent de manière aussi poussée pour décortiquer les faits saillants et isoler les problèmes principaux perçus par le client.

Sachant que nous sommes sur un marché estimé entre à 2 milliards de dollars US et qui augmente de manière très rapide. Donc il y a une vraie opportunité.

Faites-vous aussi du traitement de la voix ?

A.K. : Notre algorithme est spécialisé pour faire de l’apprentissage sur des données texte. Mais finalement nous faisons appel à des partenaires qui vont réussir à convertir de la voix en texte pour que nous puissions en faire ensuite notre analyse.

Concrètement, que peut-on mesurer avec votre outil ?

A.K. : Tout d’abord, on présente l’arborescence du sentiment consommateur sous forme d’un nuage sémantique ou d’un arbre avec les concepts principaux et secondaires.

Il est aussi possible d’avoir une vue sur les sentiments des consommateurs en mesurant l’évolution des concepts positifs et négatifs dans le temps. Ce qui permet de voir l’augmentation d’un problème ou sa résolution.

Nous avons aussi une vue sur le ratio de sentiment global (combien de mentions positives pour une négative).

Par rapport aux données publiques, on peut également voir les personnes les plus influentes dans les conversations. Pas forcément celles qui s’expriment le plus en quantité mais celles qui ont vraiment un impact.

Nous réalisons enfin une analyse d’intention, ce qui permet de comprendre pourquoi la personne écrit ce message. C’est assez unique comme fonctionnalité. Cela va bien au-delà du sentiment et de la sémantique. On voit si tel type de message est écrit avec l’intention d’informer (par exemple sur un forum technologique), de critiquer, de faire éloge, etc. Tout cela vient compléter la vue dans les tableaux de bord.

Ainsi, on est capable de mesurer :

• Qu’est-ce qui s’est dit
• Comment ça s’est dit (avec le sentiment)
• et pourquoi ça s’est dit (intention)

Quand on combine tout cela, en plus avec l’évolution dans le temps, on dispose d’un plus grand pouvoir pour comprendre ses clients. Et ainsi de pouvoir se concentrer sur leurs vrais problèmes.

 

D’autres articles qui pourraient vous intéresser :