Aller au-delà de l'écoute sociale

Il s'agit d'une offre mature, mais elle présente deux problèmes principaux, comme le soulignent plusieurs rapports de recherche publiés par Forrester. Le premier est la précision. Le monde des médias sociaux est vaste et non structuré, rempli de blagues, de sarcasmes, d'hyperboles, d'émojis, d'expressions idiomatiques et, souvent, d'abréviations ou de phrases courtes. En outre, il existe de nombreuses façons de dire la même chose, ce qui rend très difficile pour le NLP traditionnel d'extraire le contexte et le sentiment appropriés.

Le deuxième problème de l'écoute sociale est qu'il est difficile de mesurer le retour sur investissement en tant qu'outil autonome. L'écoute sociale n'est pas une plateforme où l'on peut poser des questions spécifiques ; on obtient ce que l'on obtient, mais ce n'est peut-être pas l'information que l'on cherche ou qui a un sens sans l'analyse d'autres ensembles de données qui fournissent un contexte supplémentaire. En fait, malgré la perception selon laquelle les médias sociaux sont massivement remplis de messages positifs ou négatifs, la grande majorité (87 %) des sentiments sont neutres.

Cela signifie que davantage d'informations sont nécessaires pour extraire des données significatives et exploitables, telles que ce qui est important pour un consommateur, ce à quoi il s'intéresse, ce que fait le produit qu'il aime ou n'aime pas, les avantages ou autres attributs qu'il associe au produit, l'impact réel sur les ventes, et ainsi de suite.

Tout cela découle d'une meilleure compréhension du contexte (retour au point numéro un ci-dessus) et en connectant l'écoute sociale à d'autres ensembles de données, en brisant les silos de données pour créer une source unique de vérité.

La connexion de l'écoute sociale à d'autres ensembles de données à l'aide d'analyses avancées permet d'obtenir des informations exploitables.

Forrester indique que 42 % des personnes interrogées considèrent que le plus grand défi en matière d'écoute sociale est d'extraire des informations exploitables. Les données quantitatives sont nombreuses, mais les détails qualitatifs sont nécessaires pour informer les stratégies. La solution, selon Forrester, consiste à ajuster les attentes en matière d'écoute sociale et à la relier à un écosystème de données plus large, capable de raconter une histoire complète.

Les nouvelles avancées en matière d'analyse avancée et de NLP, combinées à des taxonomies élaborées, permettent de le faire au niveau de l'industrie et de la catégorie. L'analyse avancée peut ingérer une variété de sources de données, en allant en profondeur dans les plateformes d'écoute sociale pour extraire des "signaux" qui peuvent être validés en les comparant à des "signaux" tirés d'autres sources de données, générant ainsi des informations connectées.

Par exemple, en regardant le post Instagram suivant, comment une machine pourrait-elle comprendre ce dont il est question et comment cela se rapporte à d'autres produits sur le marché ?

 Sachant que nous traitons des soins de la peau, la première étape consiste à évaluer la phrase en fonction des éléments pertinents - le contexte (type de solution, caractéristique, avantages, occasion d'utilisation) et ensuite le sentiment. La taxonomie permet de classer le texte et de comprendre que cet article traite d'un sérum utilisé pour contrôler le sébum et la matité de la peau, et qui s'applique idéalement le matin et en été.

Ce n'est là qu' un exemple de la manière dont la Skai relève le défi, mais ce n' est bien sûr qu'un exemple parmi d'autres. Il y a 32 milliards de "personnes" actives sur Facebook chaque jour ; il y a 500 millions de tweets envoyés, 2 millions de posts LinkedIn, 4,2 milliards de likes Instagram et ainsi de suite. L'échelle des données à collecter et à classer est énorme. Signals Analytics collecte et ingère ces sources ainsi que d'autres sources de données externes telles que les évaluations de produits, les données de vente, les brevets, les messages d'influenceurs clés, les blogs, les forums et bien d'autres encore, afin de créer un ensemble de données catégorielles connectées. Les modèles analytiques évaluent ensuite les relations entre les différentes sources et font ressortir les tendances et les idées.

La capture d'écran ci-dessous donne vie à ce concept. Le modèle de gauche montre que les besoins des consommateurs en matière de sérums ne sont pas suffisamment pris en compte, en comparant le niveau de discussion des consommateurs avec les allégations des différents concurrents sur le marché. Les bulles situées en haut à droite du graphique représentent les tendances établies, tandis que les bulles situées en bas à gauche désignent les domaines naissants à explorer.

Si vous êtes un spécialiste du marketing, vous pouvez utiliser ce type de résultats pour vous assurer que les allégations relatives à votre produit correspondent aux avantages perçus et pour comprendre quelles autres entreprises concurrentes font des allégations similaires. Vous voudrez savoir si la perception des consommateurs est la même ou si elle diffère selon le canal et adapter vos campagnes de marketing ou vos messages en conséquence. Si vous travaillez dans le domaine de l'innovation produit ou de la la connaissance des consommateurs et du marchéSi vous gérez des initiatives de données pour votre entreprise, vous voudrez corréler ces données avec les ventes réelles, les données de vente syndiquées et d'autres sources afin d'informer votre véritable positionnement sur le marché.

De cette façon, la Skai aide à maximiser la valeur de l'écoute sociale en l'augmentant avec d'autres sources de données externes, en surmontant l'un des principaux inconvénients de compter sur les médias sociaux comme un outil autonome, et en faisant ressortir des informations significatives qui peuvent être exploitées.

-------------

*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.