Pourquoi le client doit il être parfait ? - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Survey Magazine Année : 2019

Pourquoi le client doit il être parfait ?

Résumé

Nous sommes sans cesse sollicités pour répondre à des enquêtes de satisfaction. Si ces enquêtes peuvent être utiles aux entreprises, pouvons nous répondre sincèrement et comment les entreprises peuvent elles réellement utiliser nos données ? Quelles données clientèles ? Les données des clients ou futures clients ont toujours intéressés les entreprises pour mieux connaître et ainsi cibler leur offre. Ces dernières années les évolutions technologiques ont permis de stocker de très grandes quantités de données. Le problème ne réside donc plus dans le stockage des données mais dans le traitement de ces données. Depuis les années 60, les méthodes d'analyse de données permettent d'extraire des informations pertinentes sur des données issues d'enquêtes par exemple. Cependant, ces approches étaient essentiellement adaptées à des données quantitatives ou bien qualitatives ordinales ou nominales, mais toujours avec un nombre réduit de catégories. Si ces méthodes de traitement d'enquêtes ont évolué, notamment pour traiter de grandes quantités de données, elles ne permettent pas encore de bien tenir compte des questions ouvertes. En général, les questions ouvertes ne servent qu'à satisfaire le client et ne sont que peu traitées. Des méthodes de traitement automatique de la langue naturelle permettent tout de même d'extraire certaines informations, essentiellement à partir de mots clés à définir au préalable. Les approches d'analyse de données, qu'on appelle aussi maintenant fouille de données, peuvent être non supervisées (c'est-à-dire sans aucun a priori sur ce qui est à découvrir dans les données) ou supervisées (c'est-à-dire certains profils sont attendus, nommés les classes). Ces dernières années, avec la résurgence des approches des réseaux de neurones des années 80, aujourd'hui appelées deep learning, les méthodes supervisées ont montré leur efficacité lorsqu'une très grande quantité de données est disponible pour l'apprentissage de ces approches. Si l'évolution des technologies pour faire parler les données est constante, il ne sera possible d'en tirer des conclusions que si les données de base sont bien représentatives de la réalité. Qui peut dire que son opinion ou ses réponses sur une enquête de satisfaction est d'une part immuable mais surtout certaine et précise ? Comme nous l'avons vu précédemment, les méthodes de traitement ne sont pas adaptées à des questions ouvertes. Par exemple, si on vous demande le nombre de paquets de céréales que vous achetez par semaine, le questionnaire peut prévoir que vous n'achetez jamais de céréales, 1 paquet, 2 paquets, 3 paquets, ou plus. Une réponse ouverte est ainsi évitée, mais comment préciser, sur ce type de question, que certaines semaines vous n'en achetez pas et d'autres vous avez une consommation plus importante et vous achetez 2 paquets ? Comment préciser que vous n'êtes pas sûr de la réponse que vous donnez, par exemple parce que vous n'allez pas toujours faire les courses, voire même comment dire que vous ne savez pas répondre à cette question ? Derrière ces questions, trois notions importantes apparaissent : l'imprécision, l'incertitude et l'ignorance. Forcer une personne à répondre à une question sans lui permettre d'exprimer son imperfection dans sa réponse ne peut entraîner que des erreurs dans le traitement de ces données.
Fichier principal
Vignette du fichier
surveyIncertitude2.pdf (42.23 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-02409321 , version 1 (13-12-2019)

Identifiants

  • HAL Id : hal-02409321 , version 1

Citer

Arnaud Martin. Pourquoi le client doit il être parfait ?. Survey Magazine, 2019, pp.18-19. ⟨hal-02409321⟩
74 Consultations
45 Téléchargements

Partager

Gmail Facebook X LinkedIn More