L’apport des concepts métiers pour la classification des questions ouvertes d’enquête

EDF utilise les techniques de Text Mining pour optimiser sa relation client, en analysant des reponses aux questions ouvertes d’enquete de satisfaction, et des retranscriptions de conversations issues des centres d’appels. Dans cet article, nous presentons les differentes contraintes applicatives liees a l’utilisation d’outils de text mining pour l’analyse de donnees clients. Apres une analyse des differents outils presents sur le marche, nous avons identifie la technologie Skill CartridgeTM fournie par la societe TEMIS comme la plus adaptee a nos besoins. Cette technologie nous permet une modelisation semantique de concepts lies au motif d’insatisfaction. L’apport de cette modelisation est illustree pour une tâche de classification de reponses d’enquetes de satisfaction chargee d’evaluer la fidelite des clients EDF. La modelisation semantique a permis une nette amelioration des scores de classification (F-mesure = 75,5%) notamment pour les categories correspondant a la satisfaction et au mecontentement.