Comment utiliser Agorapulse pour voir ce que vos clients pensent vraiment de vous

Plus de 50 % des consommateurs utilisent leurs plateformes de médias sociaux pour exprimer leurs points de vue et opinions sur les marques qu'ils ont déjà utilisées ou achetées. Après tout, l'analyse des sentiments (ou opinion mining) est l'une des disciplines les plus utiles à avoir à votre disposition.

Vous pouvez utiliser l'analyse des sentiments des médias sociaux pour traduire les pensées, les sentiments et les opinions des gens en données froides et concrètes que vous pouvez utiliser pour déterminer ce que vous devriez faire le plus et ce que vous devez faire le moins. Cela vous permet d'exploiter la puissance des médias sociaux pour soutenir les affaires.

Grâce aux outils automatisés d'analyse des sentiments, le travail de collecte, de tri et d'analyse de ces données est désormais encore plus rapide et encore plus facile. Sans lever le petit doigt, vous pouvez voir instantanément si le public a un avis positif, négatif ou neutre sur votre service ou vos produits.

Cette perspicacité permet à une entreprise de devenir vraiment agile. Savoir comment le marché se sent, en temps réel, peut éclairer des décisions rapides, inspirer des changements rapides, améliorer le produit ou le service et aider l'entreprise à gagner le cœur et l'esprit des clients plus rapidement et mieux que jamais.

Mais tu sais tout ça, n'est-ce pas ? Les avantages de l'analyse des sentiments ne sont pas nouveaux.

Ce que vous ne savez probablement pas, cependant, c'est comment utiliser Agorapulse pour effectuer une analyse des sentiments.

Comme « l'analyse des sentiments » n'est pas mentionnée comme une fonctionnalité d'Agorapulse, vous pourriez être surpris d'apprendre que vous pouvez utiliser la plateforme de gestion des médias sociaux pour effectuer une analyse précise des sentiments et établir ce que les gens disent de vous sur les médias sociaux.

Mais, avant de divulguer cette information clé, je dois d'abord aborder un problème majeur avec l'analyse des sentiments.

Le problème avec l'analyse automatisée des sentiments est de déterminer ce qu'est un sentiment positif ou négatif.

Par exemple, vous pouvez lire : "J'ADORE l'ÉNORME piscine de mon hôtel !" Est-ce un sentiment positif ou négatif ?

Sans voir la photo ci-jointe de la minuscule piscine, vous penseriez que c'était un commentaire positif, n'est-ce pas ? Eh bien, un outil automatisé d'analyse des sentiments le ferait aussi.

L'analyse automatisée des sentiments a un pourcentage de précision d'environ 60 %, car elle ne reconnaît pas le sarcasme, l'ironie, l'argot, le contexte ou les différents dialectes. Cela fausse les données et conduit à une mauvaise interprétation qui est catastrophique pour les entreprises qui cherchent à évoluer.

Pour mieux comprendre cela, établissons comment fonctionne l'analyse automatisée des sentiments.

Comment fonctionne l'analyse automatisée des sentiments

L'analyse automatisée des sentiments est alimentée par les algorithmes NLP (Natural Language Processing) et ML (Machine Learning). Fondamentalement, un groupe de bots prendra un tweet, un message, un commentaire ou une publication, divisera le contenu en morceaux, utilisera une échelle prédéterminée pour attribuer un score de sentiment à chaque morceau, puis comptabilisera ces scores pour déterminer si le message global est positif, négatif ou neutre.

Par exemple, disons que quelqu'un a tweeté ceci : « J'ai acheté le nouvel iPhone hier. J'ai été vraiment impressionné par le nouvel appareil photo. L'affichage était décevant, mais il est étonnamment difficile à battre en termes de prix.

Voici ce que feraient les robots de sentiment :

• "J'ai été vraiment impressionné" = +4
• "L'affichage était décevant" = -2
• "Difficile à battre sur le prix" = +3

À partir de là, ils comptaient les scores et déterminaient que, dans l'ensemble, le message était positif.

Cependant, comme nous l'avons établi, l'analyse des sentiments n'est pas toujours aussi simple.

Considérez ce qui s'est passé avec Morbius, le troisième film se déroulant dans l'univers Sony Spiderman. Lors de sa toute première sortie, ce fut un succès au box-office, entrant directement au n ° 1 et rapportant 39 millions de dollars lors de son premier week-end. Une semaine plus tard, cependant, il y a eu une baisse de 74% des ventes de billets (la deuxième pire performance jamais enregistrée pour un film de super-héros).

Après la sortie, il y a eu une vague d'activité sur les réseaux sociaux avec des tweets comme :

"J'ai entendu dire que c'était super bon, alors ils doivent continuer à le repousser parce que nous ne sommes pas encore capables de le gérer, parce que c'est si bon, que nous avons besoin de plus de temps pour évoluer en tant qu'espèce pour être mieux préparés à gérer un film aussi bon.

"J'aimerais que tout le monde se taise, j'essaie de me préparer mentalement pour le chef-d'œuvre cinématographique qu'est #morbius #morbiussweep"

«Je viens de regarder Morbius. Le film m'a mis les larmes aux yeux. L'intrigue, le jeu d'acteur, tout était tout simplement incroyable. C'était tellement bon que j'ai quitté les théâtres à mi-chemin parce que c'était bien au-dessus de mes standards. Sony s'est surpassé, c'est le plus grand film de la décennie !"

Maintenant, pour vous et moi, ces tweets sont clairement chargés de sarcasme et d'ironie. Mais pour un bot d'analyse des sentiments, avec des mots comme « incroyable », « super bon » et « chef-d'œuvre », le film a clairement été un énorme succès ! Le résultat? Les producteurs ont décidé d'aller de l'avant avec une deuxième version et de faire un Morbius 3, ce qui n'a fait qu'encourager un nouveau tollé sur les réseaux sociaux :

«Le résultat le plus drôle possible avec Morbius est qu'il floppe à nouveau massivement, déclenchant un autre cycle de mèmes ironiques, ce qui provoque une autre réédition dans les salles, qui floppe également, etc., etc. J'appelle cela la bande morbius.

C'est un excellent exemple d'analyse des sentiments qui a mal tourné.

Ainsi, bien que le concept d'analyse des sentiments semble utile, la réalité peut parfois être assez inutile : pouvez-vous vraiment faire confiance aux résultats suite à l'analyse des sentiments ? Une analyse de sentiment inexacte est à peu près aussi bonne qu'un pare-feu en chocolat.

Avant de décider que l'analyse des sentiments n'a pas sa place dans votre liste de tâches quotidiennes, il existe une autre façon d'effectuer une analyse des sentiments qui prend environ 10 % plus de temps, mais environ 85 % plus précise que l'utilisation d'un outil automatisé. Ce qui signifie que cela vaut le temps supplémentaire.

Comment utiliser Agorapulse pour une analyse précise des sentiments

L'analyse des sentiments menée par des humains a un pourcentage de précision moyen d'environ 85 %. C'est 25 % plus élevé qu'avec un outil d'analyse des sentiments dédié.

Maintenant, je ne suggère pas une minute que nous évitions la technologie qui est à notre disposition et que nous revenions à la saisie laborieuse de données et aux feuilles de calcul pour analyser le sentiment du public.

Je suggère que nous nous rencontrions au milieu.

L'idée est que nous devons transformer des données qualitatives, sous la forme de points de vue, de pensées et d'opinions, en données quantitatives, sous la forme de positions positives et négatives.

Vous pouvez le faire avec Agorapulse en attribuant des étiquettes positives et négatives à chaque commentaire, publication, message ou tweet entrant. Ensuite, comme vous avez ajouté des étiquettes à toutes vos interactions, vous pouvez voir la répartition en pourcentage des sentiments positifs et négatifs. via le rapport Label Distribution, que vous trouverez dans votre tableau de bord des rapports.

Vous pouvez garder les choses simples et garder vos étiquettes comme simplement "Positif" ou "Négatif". Ou, pour obtenir une analyse plus granulaire, vous pouvez créer et attribuer des étiquettes spécifiques, telles que "Churn" ou "Super-fan" à vos interactions.

Je sais ce que vous pensez : l'ajout d'étiquettes à toutes les interactions entrantes peut prendre un certain temps. Mais non seulement cette approche vous donnera un niveau de précision accru, mais en tant que sous-produit, vous aurez une idée naturelle de ce que dit le marché, de première main.

Mais je t'entends. Si vous avez des centaines de commentaires, publications, messages et tweets à consulter et à attribuer une étiquette à chaque jour, vous n'aurez pas le temps pour les tâches importantes et à haut retour sur investissement.

La bonne nouvelle est qu'il existe un moyen d'automatiser le processus d'attribution d'étiquettes de sentiment à vos interactions. L'Assistant de la boîte de réception attribue automatiquement les étiquettes que vous avez créées à chaque interaction qui arrive dans la boîte de réception en fonction d'un ensemble de règles que vous avez créées.

Un peu comme vous pouvez le faire avec votre boîte de réception. vous pouvez créer des règles qui déplacent automatiquement des e-mails spécifiques dans des dossiers pour vous aider à atteindre Inbox Zero. C'est le même principe.

Ainsi, bien que la précision ne soit pas aussi élevée que si vous attribuiez vos étiquettes manuellement si vous créez un ensemble de règles spécifiques et détaillées qui peuvent capter tous les sentiments positifs et négatifs importants, vous serez sur un gagnant.

Découvrez comment configurer et exécuter l'analyse des sentiments avec Agorapusle en lisant cet article d'aide.