Analyse des verbatims : text mining ou codification manuelle ?

Analyse des verbatims : text mining ou codification manuelle ?

Dans les enquêtes de mesure de l’expérience client, la présence de questions ouvertes pour collecter du verbatim est essentielle. 

Ce verbatim sert à mieux comprendre les attentes des clients et les points faibles détectés dans l’analyse. 

Il est très utile également pour son aspect « pédagogique » : il est parfois plus impactant et plus convaincant d’illustrer un axe de travail prioritaire par quelques verbatims caractéristiques plutôt que de chercher à les convaincre à l’appui d’une montagne de chiffres, notamment auprès des équipes opérationnelles.

 Le verbatim dans les enquêtes NPS 

Avec le développement des « enquêtes NPS », le verbatim client est le centre de toutes les attentions. Dans ces enquêtes, on ne pose qu’une seule question fermée – la note de recommandation qu’attribue le client sur une échelle de 0 à 10-, et on demande au client d’expliquer pourquoi il a attribué cette note. Une variante existe pour déjà séparer et quantifier le positif du négatif, en posant deux questions ouvertes :

  • une pour collecter un point ou une remarque positive que le client souhaite donner,
  • une deuxième pour inciter le client à donner un axe d’amélioration ou quelque chose qui lui aurait déplu.

Deux approches de traitement possibles


1. Une méthode traditionnelle de codification manuelle des verbatims
(lecture approfondie d’un échantillon de verbatim, création d’un plan de classification et classification manuelle des commentaires),

2. Le recours à un outil de text mining (voir notre article listant les principaux outils disponibles sur le marché)

Quelle méthode choisir


Le choix de recourir à une méthode plutôt qu’à l’autre dépend d’une combinaison de facteurs.

#1 Le volume de verbatim à analyser

Plus le volume est grand et plus l’investissement dans un outil sera pertinent tant d’un point de vue méthodologique que d’un point de vue budgétaire. Dès que le seuil de la dizaine de milliers est atteint, la codification manuelle s’avère longue, fastidieuse et nécessite le recours de plusieurs chargés d’études. Cela augmente les biais et réduit donc la qualité du traitement. Il est donc préférable d’avoir recours au text-mining. A l’inverse, sur plusieurs milliers de verbatim, on se posera la question :  » est-il nécessaire de traiter l’intégralité des verbatim,  pour quelle utilisation ? (cf. #2), » à quelle nouvelle fréquence ce volume de verbatims sera-t-il de nouveau à analyser ? (cf. #4).

#2 L’objectif et l’utilisation du verbatim

Si le volume global de verbatim à analyser peut faire pencher la balance vers le logiciel de text-mining, ce n’est pas toujours le cas. Tout va dépendre également d’un autre élément : l’utilisation du verbatim et l’objectif attendu.

Nous avons conduit récemment une enquête de perception sur le parcours clients au niveau d’un important réseau de distribution pour laquelle via une enquête web, près 23 000 verbatims ont été collectés. Ces verbatims ont été redescendus au niveau des 150 points de vente sous forme de verbatims bruts (un peu plus d’une centaine par point de vente) pour lecture, inspiration, illustration pour les opérationnels. Une extraction représentative de 5 000 verbatims avec une codification manuelle a été restituée au niveau de la Direction des Etudes pour disposer des grandes thématiques soulevées par les clients. La codification de l’intégralité des 23 000 verbatim n’aurait pas apporté beaucoup plus de finesse au niveau de la vision groupe/national. La codification au niveau des points de vente sur la base d’une centaine de retours présentait un faible intérêt.

 


#3 Le délai disponible pour traiter ce verbatim

Dans les programmes les plus avancés de customer feedback, l’écoute des clients en continu et en temps réel requiert aussi une analyse en continu et donc un traitement automatisé du verbatim. Dans ces cas, aucune hésitation, il faut privilégier le text mining ! On peut alors disposer tous les matins de l’analyse des grands irritants et des grands facteurs d’hyper satisfaction de la veille.

#4 La récurrence 

Les solutions de text-mining sont particulièrement adaptées quand, aux volumes importants, s’ajoutent une notion de récurrence. En effet, ces outils nécessitent une phase de calage (les plans de classification nécessitent un certain volume de données pour se stabiliser). Cette phase de calage génère un coût de mise en place qui ne peut s’amortir que grâce à des volumes et des récurrences d’analyse fortes.

En conclusion, si les méthodes traditionnelles ne sont pas à bannir dans certains cas,  l’apport de solutions puissantes de text-mining  est à envisager quand fréquence, volume et récurrence sont au rendez-vous !

Imprimer cet article
Stéphanie Passareira

Stéphanie Passareira

Directrice Générale Adjointe d'INIT.
20 ans d'expérience dans le secteur des études marketing client.

Me contacter
Stéphanie Passareira

Les derniers articles par Stéphanie Passareira (tout voir)

Directrice Générale Adjointe d'INIT. 20 ans d'expérience dans le secteur des études marketing client. Me contacter

0 Avis

Laisser une réponse

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*