Discussion :

[Halpness]

Bonjour,


Les verbatims ... autrement dit un ensemble des mots et phrases employés par une population lors d’une enquête à une entreprise. Des données textuelles ayant donc une visée marketing (illustration).

J'ai d'important volume de données et je ne sais pas encore trop comment m'y prendre pour les analyser et en faire ressortir les tendances principales. Evidemment, il ne s'agit pas pour moi de faire ça manuellement mais d'automatiser la chose. Je pensais essayer de quantifier un peu ces données pour pouvoir en ressortir quelque chose de pertinent mais je bloque complètement sur la façon dont je pourrais m'y prendre.

Je ne suis pas contre un peu d'aide à ce sujet. A noter que je peux travailler sous EXCEL (non VBA), SAS ou R pour cette analyse.



Cordialement,
Halpness.

[stendhal666]

C'est un sujet très intéressant. Voici quelques directions:
- pour débroussailler un peu, tu peux chercher les associations fréquentes: par exemple, tu peux chercher les associations les plus fréquentes avec le mot SAV: si { SAV, injoignable, désagréable, ignorant } fait partie des associations fréquentes ça te donne une tendance à présenter. Tu devrais trouver facilement en R une bibliothèque avec des algorithmes tels que a priori, fp growth. Cela pourrait te permettre aussi d'élaguer un petit peu: s'il y a trop d'associations fréquentes qui ne donnent aucune indication intéressante, tu peux les écarter des verbatim.
- tu peux faire de l'analyse de sentiment: il y a des algorithmes bayesiens et d'autres fondés sur les SVM (support vectors machine) qui permettent de déceler le sentiment d'un message. La difficulté est qu'il faut les entraîner un peu. Là encore, en cherchant une bibliothèque de machine learning pour R tu devrais trouver ton bonheur. Tu pourrais peut-être faire deux classificateurs bayesiens, un pour déterminer l'existence d'un avis (en creux, la notoriété), ce qui te permettrait d'écarter ceux qui disent: je ne connais pas l'entreprise, je n'ai pas d'avis, je ne me prononce pas, etc. puis un autre pour distinguer ceux qui pensent du bien et du mal de l'entreprise.