Les IA génératives révolutionnent la façon dont on écoute la « voix » du client, que ce soit lors des interactions dans les centres de contacts, dans les enquêtes de satisfaction ou sur les réseaux sociaux. Grâce à une analyse exhaustive des verbatims écrits ou vocaux, associée à leur « expertise » inhérente à leur LLM, ces IA promettent en effet de répondre avec précision à des questions complexes et d’identifier de nouveaux sujets.
Les limites du speech analytics et du text analytics traditionnels
Le client s’exprime au travers de multiples canaux écrits ou vocaux – interactions avec le centre de contacts, enquêtes de satisfactions et réseaux sociaux. Ces verbatims constituent une mine d’informations que l’on exploite en direct ou en différé via des outils de text analytics ou de speech anaytics qui se sont beaucoup améliorés et démocratisés au cours des dernières années. Grâce à des algorithmes de NLP (Natural Language Processing) dopés au deep learning, ils sont ainsi capables d’identifier des mots ou des groupes de mots qui traduisent des sujets récurrents. Il s’agira par exemple de citations de concurrents ou d’irritants qui augmentent les risques de churn (perte d’un client). Ce type d’analyse atteint toutefois ses limites en termes de finesse, de complexité et de pertinence. Les irritants sont certes mis en évidence mais pour bien en comprendre les causes, il s’avère nécessaire de consulter manuellement les verbatims attachés au sujet. On doit ainsi compléter une analyse générale et imprécise par une analyse ciblée qui permet d’entrer dans les détails.
Les IA génératives révolutionnent l’analyse à froid ou à chaud
Capables d’avaler des millions de conversations écrites ou vocales, les IA génératives basées sur des LLM promettent une réconciliation entre exhaustivité et précision. Elles peuvent ainsi répondre à des questions complexes, tout en fournissant des synthèses de verbatims justifiant ces réponses. Par exemple, quand les outils de NLP classiques permettent d’identifier les concurrents cités par les clients, le LLM explique en détail les atouts et les handicaps de ces concurrents en termes de tarifs ou de qualité des offres ou du service. De plus, cette analyse prend en compte l’évolution dans le temps, voire les ruptures, comme un concurrent qui vient d’annoncer un produit plus performant ou moins cher. D’autre part, quand le NLP classique se contente de classifier des motifs de contacts que l’on a préalablement identifiés, l’IA générative détecte l’émergence de nouveaux motifs – implicitement présents dans les données sur lequel le LLM a été formé. Et lorsqu’une enquête de satisfaction est exploitée pour calculer un NPS (Net Promoter Score), l’analyse des verbatims de cette enquête fait émerger les raisons pour lesquelles les clients recommanderaient (ou pas) la marque dans son ensemble, ainsi que tel ou tel produit ou service.
Toutes ces informations peuvent être restituées sous de multiples formes : rapports destinés à la direction générale, arguments commerciaux pour les conseillers, suggestions de nouvelles actions marketing, mises à jour d’une base de connaissances. De plus, l’outil peut être mis entre les mains des métiers qui exprimeront leurs requêtes en langage naturel et obtiendront des réponses pertinentes, également en langage naturel. Enfin, la même IA générative peut réagir en temps réel avec la même précision, mais cette fois à l’échelle de chaque client et chaque demande, en déclenchant une alerte ou en suggérant une réponse ou une action marketing.
Depuis quelques mois, les éditeurs d’outils d’analyse de la voix du client s’engagent tous dans cette direction, avec toutefois des degrés de maturité encore très variables, notamment en ce qui concerne la capacité à traiter la langue française, ce qui rend d’autant plus critique le choix d’une solution.
Fatiha Zelmat, CEO & Co-founder Ornidex
