Analyse textuelle : Quelles technologies sont disponibles aux entreprises souhaitant prendre le pouls du sentiment employé?

Les commentaires écrits ont longtemps été le meilleur moyen pour les employeurs de capter la voix des employés et de comprendre comment ils se sentent.

Qu’il s’agisse de commentaires sur un sondage d’engagement ou de rétroaction fournie sur le site d’évaluation d’un employeur, les commentaires écrits des employés offrent un aperçu précieux des facettes qu’une organisation doit prioriser afin de prendre des mesures efficaces pour améliorer l’expérience globale des employés.

Traditionnellement, les entreprises collectent les données textuelles des employés, mais ne les analysent pas. Ce type de données peut être difficile à analyser et à quantifier tout en nécessitant énormément de ressources. Les entreprises passent donc malheureusement à côté du réel objectif de cette rétroaction : identifier les histoires et les sentiments qui influencent profondément la satisfaction, l’engagement et la rétention des employés.

La valeur des commentaires écrits a été fermement établie dans les dernières années, et la plupart des employeurs se sont tournés vers différents outils et méthodes d’analyse textuelle en vue d’examiner les commentaires de leurs employés.

Découvrez BlueML, la solution d’analyse de commentaires d’Explorance

Nous décrivons ci-dessous les méthodes d’analyse des commentaires les plus populaires ainsi que certaines des options révolutionnaires pouvant mieux surmonter les barrières à l’analyse textuelle et ainsi réaliser une véritable analyse des sentiments.

1. Analyse de mots clés

Face à de l’information, nous recherchons automatiquement le sens qu’elle peut avoir et à en saisir les grandes lignes. C’est pour cette raison que, devant une quantité substantielle de données textuelles, l’une des approches consiste à rechercher les éléments d’information les plus simples, soit les mots-clés.

En règle générale, l’analyse des mots clés se concentre sur des termes hautement qualitatifs, tels que « bon » ou « mauvais » ainsi que sur la fréquence à laquelle ils apparaissent. Cette approche est soutenue par la définition de termes servant de synonymes relatifs par rapport à ceux-ci (p. ex. « super » pour « bon », « horrible » pour « mauvais »). En croisant le qualitatif (p. ex. « bon ») avec la quantité (p. ex. « bon » utilisé 40 fois dans 50 évaluations, par opposition à « mauvais » utilisé 5 fois dans le même nombre d’évaluations), on arrive à en tirer certaines conclusions.

L’analyse des mots clés peut être utilisée pour traiter d’énormes blocs de texte et en extraire des résultats de base. Elle peut être particulièrement utile pour identifier la prévalence d’un terme ou d’un nom de marque particulier sur les médias sociaux sur une période de temps définie.

Cette méthode a cependant une faiblesse inhérente pour ceux qui cherchent à suivre le sentiment de façon précise. En effet, il ne rendra généralement aucun résultat si une section de texte n’utilise pas ces termes exacts. De plus, la subtilité et la flexibilité de la langue signifient que toute mention contextuelle de ces termes peut être interprétée de façon erronée. Par exemple, une phrase telle que « J’avais une mauvaise performance jusqu’à ce que l’entreprise fournisse cette formation particulière » soit taguée uniquement pour l’utilisation du terme négatif « mauvaise ». De même, les formules linguistiques telles que l’ironie ou le sarcasme peuvent passer complètement inaperçues.

2. Analyse textuelle à l’aide de dictionnaires fixes

Si ce type d’analyse de mots clés basée sur les définitions est si limité, c’est principalement en raison de l’étirement des définitions sous-jacentes au-delà de leur portée.

Lorsqu’on souhaite comprendre quelque chose, on le cherche dans un dictionnaire. Cela ne signifie toutefois pas que nous pouvons reconnaître les nuances de ce concept, ou même que nous pourrions reconnaître cette chose exacte si nous la rencontrions en vrai, à moins qu’elle ne corresponde exactement à la description dans le dictionnaire. Voilà la lacune de l’analyse textuelle basée sur un dictionnaire lorsque celle-ci est associée à un contenu sous forme libre.

De plus, lorsqu’on utilise un outil basé sur un dictionnaire pour l’analyse des commentaires, chaque fois sera la première fois. Celui-ci n’a tout simplement pas la capacité d’étiqueter, d’apprendre et de s’appuyer sur la reconnaissance de l’information qualitative.

Néanmoins, la puissance d’une définition, à la fois concise et faisant autorité, combinée à l’automatisation, fournit une base pour l’analyse textuelle depuis de nombreuses années. Celle-ci peut prouver concrètement que quelque chose a été dit, mais pas exactement ce qui a été exprimé. Tout comme une personne peut avoir besoin du contexte, de connaître les modèles et d’une expérience riche pour identifier de manière fiable quelque chose qui lui a été présenté, l’analyse textuelle doit prendre cette mesure pour être prise en charge dans chaque cas où l’on essaie d’identifier le sentiment de manière fiable.

Une méthode plus efficace consiste à réorienter cette capacité enrichie vers des quantités suffisantes de contenu qui reflètent les préoccupations et les expériences des employés.

3. Découverte de tendances / Apprentissage machine

Les nouvelles applications de l’apprentissage machine (ML) sont un moyen de surmonter la barrière posée par les définitions.

En traitant des quantités massives de données, les systèmes employant l’apprentissage machine ont été formés sur la façon de reconnaître les définitions fournies traditionnellement par les dictionnaires, mais aussi sur la façon de reconnaître le tissu conjonctif et contextuel qui entoure ces concepts. Il s’agit d’un processus de formation qui tend vers un modèle appliqué réellement efficace en matière de tri de données textuelles.

Une fois ce processus d’apprentissage terminé, le contenu textuel libre peut être traité et rapidement catégorisé. On peut l’affiner et le construire de manière continue, fournissant essentiellement la « mémoire » appliquée nécessaire pour reconnaître le sentiment avec de plus en plus de précision.

Cette capacité de tri améliorée peut s’avérer inestimable pour une organisation souhaitant analyser rapidement la rétroaction d’un grand nombre de répondants. En croisant suffisamment de données, une image réellement précise des préoccupations et des sentiments peut être obtenue.

Lorsque suffisamment de données sont fournies au fil du temps, des aperçus prédictifs sont même possibles, offrant ainsi le plus de renseignements possible à une organisation soucieuse de se frayer un chemin à travers des temps incertains.

Une plateforme d’apprentissage machine basée sur la gestion de l’expérience employé (EXM) telle que BlueML utilise des millions de commentaires émis par de vrais employés, permettant ainsi au système de reconnaître, de reformuler et de réorganiser en permanence les modèles qu’il détecte dans les commentaires.

Comment Blue ML fournit une analyse approfondie des commentaires écrits en quelques secondes