L’analyse d’enquêtes augmentée par l’IA Générative

En entreprise, la compréhension approfondie des dynamiques internes est devenue une priorité pour les entreprises souhaitant rester compétitives et attractives.

Les enquêtes internes, baromètres du climat organisationnel, sont ainsi largement utilisées pour mesurer la satisfaction des employés, identifier les points forts et les axes d’amélioration, et in fine, favoriser un environnement de travail propice à la performance et à l’épanouissement personnel.

Traditionnellement, ces enquêtes se déroulent sous la forme de questionnaires structurés, combinant des questions fermées pour collecter des données quantitatives facilement mesurables, et des espaces de commentaires libres pour recueillir des informations qualitatives plus nuancées. Si l’analyse des données quantitatives est généralement bien maîtrisée grâce aux outils statistiques et aux indicateurs clés de performance, le traitement des données qualitatives reste un défi majeur. Les avis et commentaires, riches en insights, exigent une analyse minutieuse pour être pleinement exploités, ce qui nécessite du temps et des ressources humaines importantes. Les établissements de santé ont de plus en plus recours à l’analyse des verbatims de leurs patients plutôt qu’à des questions fermées*, dont les limites sont observables également dans le contexte de l’entreprise.

C’est ici qu’intervient l’Intelligence Artificielle (IA), et plus spécifiquement l’IA Générative. Cette technologie a le potentiel de transformer radicalement la manière dont nous abordons l’analyse des enquêtes en automatisant le traitement des données qualitatives. En s’appuyant sur des modèles avancés de traitement du langage naturel, l’IA générative peut non seulement accélérer le processus d’analyse, mais aussi en améliorer la fiabilité et la profondeur, en croisant efficacement les données qualitatives avec les données quantitatives.

Dans cet article, nous explorerons comment l’IA Générative peut être intégrée dans le processus d’analyse des enquêtes internes pour en optimiser les résultats. Nous aborderons la méthodologie à adopter, en restant d’abord agnostiques des solutions technologiques, puis en proposant une mise en œuvre concrète dans un environnement Microsoft, avant d’ouvrir la réflexion à d’autres cas d’usage tels que les enquêtes B2B dans une démarche de product management.

Classification par sentiments et thématiques : L’analyse des commentaires libres issus des enquêtes internes peut être structurée autour de deux axes principaux : la classification par sentiments et la classification par thématiques.

Classification par sentiments : Cette étape consiste à déterminer le ton émotionnel des commentaires. L’objectif est d’identifier si les employés expriment des sentiments positifs, négatifs ou neutres à l’égard de différents aspects de leur environnement de travail. Cette analyse permet de détecter rapidement les zones de satisfaction ou d’insatisfaction au sein de l’organisation.

Classification par thématiques : Une fois le sentiment général identifié, il est crucial de comprendre les sujets spécifiques auxquels ces sentiments sont liés. La classification par thématiques regroupe les commentaires en catégories pertinentes, telles que la communication interne, le management, les perspectives de carrière, les conditions de travail, etc. Cette segmentation facilite l’identification des domaines nécessitant une attention particulière de la part de la direction.

Pour mettre en œuvre cette méthodologie, un processus structuré est nécessaire.

Voici les étapes clés :

1. Collecte des données : Recueillir les réponses de l’enquête, incluant les données quantitatives et les commentaires libres.
2. >Pré-traitement des données : Nettoyer les données textuelles pour éliminer les erreurs, les doublons et les informations non pertinentes (par exemple, la suppression des mentions personnelles pour respecter la confidentialité).
3. Analyse des sentiments : Utiliser des algorithmes de traitement du langage naturel pour attribuer un score de sentiment à chaque commentaire.
4. Classification thématique : Appliquer des méthodes de clustering ou de classification supervisée pour regrouper les commentaires par thèmes.
5. Croisement des données :
   1. Associer les résultats des analyses qualitatives avec les données quantitatives pour une compréhension plus approfondie (par exemple, croiser les scores de satisfaction avec les sentiments exprimés dans les commentaires).
   2. Associer les sentiments et les thématiques pour définir des tendances et des axes d’amélioration.
6. Visualisation et rapport : Présenter les résultats sous forme de tableaux de bord interactifs, de graphiques et de rapports détaillés pour faciliter l’interprétation et la prise de décision.

Pour illustrer concrètement cette méthodologie, envisageons une solution intégrée au sein de l’environnement Microsoft, en tirant parti de MS Forms et des Copilot Agents.

Collecte des données avec MS Forms
MS Forms est un outil convivial permettant de créer des enquêtes en ligne. Il offre une interface utilisateur intuitive pour concevoir des questionnaires avec des types de questions variés (choix multiples, échelles de notation, champs de texte libre, etc.). Les données collectées sont stockées de manière sécurisée et peuvent être facilement exportées ou connectées à d’autres services Microsoft pour le traitement ultérieur.

Analyse augmentée avec Copilot Agents

Les Copilot Agents sont des assistants virtuels alimentés par l’IA générative. Ils peuvent programmés pour traiter automatiquement les données textuelles.

Processus d’analyse intégré

En orchestrant les Copilot Agents avec la Power Platform, le processus devient fluide et automatisé.
Le schéma suivant illustre cette intégration :

L’approche décrite pour l’analyse des enquêtes internes peut être étendue à de nombreux autres domaines, offrant ainsi des opportunités pour améliorer la prise de décision et la satisfaction des parties prenantes.

Enquêtes B2B dans une démarche de product management

Dans le contexte du product management, la compréhension approfondie des besoins et des retours des clients est essentielle pour orienter le développement produit. Les enquêtes B2B permettent de recueillir des informations précieuses sur les attentes des clients professionnels, leurs défis spécifiques et leur satisfaction vis-à-vis des produits ou services fournis.

En appliquant la même méthodologie d’analyse augmentée par l’IA :

• Analyse des sentiments : Identifier les perceptions positives ou négatives des clients à l’égard des produits.
• Classification thématique : Déceler les fonctionnalités les plus appréciées ou les points de frustration.
• Croisement des données : Relier les retours qualitatifs aux métriques commerciales (taux de renouvellement, montant des transactions, etc.) pour prioriser les actions.

Autres applications potentielles

• Relation client : Analyser les retours textuels de clients pour identifier les problèmes récurrents et améliorer le service.
• Veille concurrentielle : Examiner les commentaires publics sur les produits concurrents pour repérer des opportunités de différenciation.
• Ressources humaines : Utiliser l’analyse des feedbacks lors des entretiens de départ pour réduire le turnover.
• Marketing : Évaluer les réactions à une campagne publicitaire à travers les commentaires sur les réseaux sociaux.

Les entreprises n’ont pas attendu l’émergence des LLM pour analyser les verbatims de leurs clients et collaborateurs. Dès 2019, Airbnb utilisait des méthodes de traitement du langage naturel pour analyser les retours de ses utilisateurs**.

* https://www.sciencedirect.com/science/article/pii/S0398762023004200#sec0001
**https://pubosphere.fr/les-outils-digitaux-a-lorigine-du-succes-dairbnb/