Explorance MLY : transformer le feedback qualitatif en informations exploitables grâce à l'apprentissage automatique

Les commentaires publiés ne sont conservés que pendant deux semaines dans le back-end de MLY avant d'être supprimés. Cette mesure est prise uniquement à des fins d'assistance et d'assurance qualité. Les commentaires sont stockés sur l'infrastructure Microsoft Azure aux États-Unis.

Vos données vous appartiennent. Les commentaires publiés sur MLY ne sont utilisés à aucune autre fin que l'analyse demandée. De plus, les données des clients ne sont utilisées pour l'entraînement de MLY que si le client a donné son consentement écrit.

MLY analyse des données qualitatives et les synthétise sous forme de Feedback et d'analyses quantitatives, telles que des sentiments, des alertes, des recommandations et des thèmes. Grâce au traitement du langage naturel (NLP), MLY est capable de détecter des tendances et des corrélations cachées dans les données, de les regrouper et de les classer, et de s'améliorer au fur et à mesure qu'il traite davantage de données.

Explorance utilise une approche d'apprentissage automatique supervisé pour entraîner MLY. Cette méthodologie garantit que MLY est entraîné uniquement à partir de commentaires officiellement approuvés dans le cadre d'un processus d'annotation en aveugle mené en interne. Ce processus fait appel à trois annotateurs travaillant de manière indépendante, et un commentaire n'est approuvé que si les trois s'accordent à l'unanimité sur son interprétation.

Les principaux atouts de MLY résident dans sa catégorisation spécialisée et ses informations exploitables. Conçue pour comprendre l'expérience des étudiants et des salariés, cette analyse génère des informations plus ciblées et pertinentes, avec des thèmes et une terminologie spécifiques au thème traité. De plus, MLY permet de prendre des mesures décisives grâce à ses modèles de recommandations et d'alertes, offrant ainsi un point de départ pour aborder les thèmes les plus critiques mis en évidence par les données.

MLY est capable d'analyser diverses sources de feedback, telles que les enquêtes d'engagement, les Évaluations de l'enseignement, les bilans de performance, les enquêtes d'expérience, les évaluations par les pairs, les évaluations de programmes, les réseaux sociaux, les sites d'avis, les forums de discussion, etc.

Au cours d'une analyse, chaque commentaire se voit attribuer un score d'alerte compris entre 0 et 100. Le système compare ce score au seuil d'alerte et affiche dans les résultats tous les scores égaux ou supérieurs à ce seuil sous forme d'alerte. Le seuil par défaut est de 50, mais il peut être augmenté ou diminué afin de s'adapter aux politiques, au niveau de tolérance ou à la culture de votre organisation concernant les commentaires devant faire l'objet d'un examen en vue d'un éventuel suivi.

Il est possible de créer plusieurs glossaires afin de prendre en compte l'utilisation d'acronymes ou d'abréviations spécifiques à différents départements, facultés, sites, etc., puis de les appliquer à ces commentaires.