Le Langage Naturel des Clients

Un des bénéfices inattendu de la reconnaissance vocale en langage naturel est la richesse du corpus de phrases prononcées par les utilisateurs, idéale pour analyser les attentes des clients. Ou formulé autrement : comment les questions ouvertes d'un portail vocal en langage naturel apportent-elles des informations sur ce que veulent vraiment vos clients ?...

On attend généralement d'un portail vocal en langage naturel qu'il oriente le client vers le bon service par l'analyse de la phrase prononcée.
En réalité, un portail en langage naturel peut par construction générer une source inestimable d'informations sur les attentes des clients : la source se trouve dans le corpus des réponses aux questions ouvertes du dialogue.
En effet, généralement un portail en langage naturel fonctionne par questions ouvertes ou semi ouvertes : un serveur vocal interactif (SVI) présente à l'utilisateur un message comme "bienvenue chez MonEntreprise, le spécialiste du crédit, merci de formuler clairement votre demande".

Le SVI transmet la réponse prononcée par l'utilisateur au moteur de reconnaissance vocale et celui-ci, à l'aide d'un modèle de langage, interprète la réponse et l'associe à la catégorie la plus proche afin d'orienter le client.
Les logs de ces phrases sont exploités par des transcripteurs comme chez nous à SoNear pour les transcrire, les annoter et enrichir le modèle de langage et le taux de reconnaissance vocale.

Mais il existe aussi une autre utilisation possible de ces données vocales et de leur transcription : leur exploitation à des fins d'analyse marketing. Le client étant invité à répondre par une question ouverte peut répondre par des formulations non prévues initialement. Il devient alors intéressant d'extraire des attentes ou des tendances de ce corpus et ceci de manière automatisée selon la procédure suivante :
Lorsqu'une phrase est prononcée par un utilisateur, le modèle sémantique du portail vocal en langage naturel essaye de la faire correspondre avec la catégorie qui s'en approche le plus (exemple "parler à un conseiller", "modifier son contrat", "connaître le magasin le plus proche", etc.). Du fait que la question est ouverte, un nombre non négligeable de phrases vont être éloignées des catégories prévues et ne pourront pas être classées par le modèle. L'analyse d'un échantillon de ce corpus de phrases non classées va permettre de créer de nouvelles catégories et d'enrichir le modèle.
Le classement s'enrichit ainsi dynamiquement d'informations intéressantes sur les nouvelles attentes, sur leur volume et sur leur évolution dans le temps. Il s'agit là d'une matière première intéressante pour le marketing.

Chez SoNear nous avons dans le cadre de sondages vocaux en langage naturel, mis en place des modèles de classification des phrases de réponses, le constat intéressant est que nous arrivions à analyser très rapidement (au bout de quelques jours) environ 70 % des réponses bien que le modèle soit encore incomplet et la reconnaissance vocale imparfaite (plus de 60 % d'erreur sur quelques mots des phrases prononcées). L'application de ce principe dans le cadre d'un portail vocal classique en langage naturel permet d'exploiter pour le marketing une richesse de données inattendue et devient notamment une justification économique supplémentaire pour un portail en langage naturel.