Développement nouveaux produits

Examen approfondi pour l’amélioration des produits

Ceci sera un court post, car je veux seulement signaler un article extrêmement intéressant par  Michael Graber intitulé « Use Customer Reviews as Consumer Insights« .  Je pense qu’il résume très efficacement le processus humain qui sous-tend une analyse efficace des examens :

« Tout d’abord, décidez quel secteur problématique ou territoire d’opportunité vous voulez explorer. Ensuite, localisez vos sources d’examen (….) puis recueillez les données.  (….) Commencez par les revues stellaires à cinq étoiles et exploitez-les pour des déclarations magiques telles que « si seulement elle faisait ceci…. ». (….) Maintenant, les besoins réels et les endroits que vous pouvez apprendre à propos de la catégorie sont intégrés dans les évaluations à étoile simple ou à étoile zéro. Rassembler tous les documents pertinents. (….) les trier par thèmes (…) Tirez les idées des thèmes et tracez les sous-catégories inhérentes à chacune des familles thématiques. »

J’ai pris la liberté de citer les passages les plus cruciaux, en effet, alors que Michael semble évoquer un processus complètement manuel, j’essaie ici de distinguer ce qui doit être manuel (bleu) de ce qui peut être automatisé par un logiciel spécialisé (rouge).

En particulier, la phase que l’on pourrait appeler « modélisation de domaine » devrait toujours être d’origine humaine : elle se compose principalement de la définition de la source, de l’énoncé du problème et de la définition des catégories (bien que la décision sur la catégorisation « arbre » puisse être rendue beaucoup plus facile et efficace en utilisant certains algorithmes de traitement du langage tels que l’extraction automatique des caractéristiques du produit et le regroupement sémantique).

D’autres tâches peuvent être effectuées par des logiciels spécialisés : bien sûr, la tâche d’exploration et de nettoyage des données, ainsi que la sélection d’examens pertinents sur la base d’attributs structurés tels que les « étoiles » sont des tâches tout à fait triviales pour un ordinateur.  Ce qui est moins commun, c’est l’analyse linguistique qui sous-tend la phase d’exploration des idées. La langue est une chose complexe et on peut mettre en doute la capacité d’une machine à la comprendre. Ces dernières années encore, le domaine du traitement du langage naturel (NLP) a fait d’énormes progrès et il est maintenant possible de produire des analyses fiables. Bien sûr, cela n’exclut pas le rôle de l’humain : mais lorsque vous avez des dizaines de milliers d’évaluations zéro étoiles, un logiciel qui peut automatiquement les classer, par exemple, en « manque de robustesse », « déchets esthétiques », « problèmes de livraison », « coût déraisonnable », etc. et pourrait donc accélérer le travail humain et augmenter la qualité.

Je voudrais conclure par une mise en garde sur les capacités d’analyse linguistique : l’analyse sémantique automatique est faisable, comme je l’ai dit, mais difficile.  Par exemple, mieux vaut ne pas faire confiance aux approches qui prétendent être  » indépendantes du langage  » : on peut automatiquement extraire de l’or (insights) des étoiles (revues), mais le faire indépendamment du langage des revues n’est que de la science-fiction.