Dopamine - Data driven Innovation - Solutions d’Innovation B2C connectées au marché
Dopamine - Data driven Innovation - Solutions d’Innovation B2C connectées au marché
C'est une autre technique de captation d’insights marché utilisant la data disponible sur Internet focalisée sur l'écoute des réseaux sociaux.
Les sources de données du Social listening sont les réseaux sociaux et les forums soit des environnements dits conversationnels.
Nous nous concentrons sur l'expression d'avis consommateurs que l'on trouve sur les plateformes e-commerce, les sites d'évaluation, les apps de services ainsi que dans des dizaines d'autres types de sources de données sans dimension conversationnelle.
Un point commun : le marché adressé par ces deux techniques est identique puisque dépendant de la présence de données publiques : le marché B2C.
Un autre point commun qui est très positif dans les deux approches : la quantité de données accessibles quelle que soit la thématique de travail est dans les deux cas massive.
Quantité de données : Les sites de e-commerce génèrent un grand volume de données d'avis de consommateurs. Cela signifie que vous avez accès à un grand nombre de commentaires sur un produit ou service, ce qui peut vous aider à comprendre les tendances et les préférences des clients.
Ratio d'insigts/volume de data brute : Les avis consommateurs ont l'avantage de présenter un ratio d'insights par volume de data brute très important ce qui n'est pas le cas des données issues des réseaux sociaux.
Data faiblement biaisée : Les avis consommateurs, contrairement aux discussions sociales, sont des expressions isolées. Ils ne sont donc pas soumis aux biais de groupe. Pas de bais d'ancrage, de biais de cadrage, de biais de conformisme, d'effet de halo...
Qualité des données : Les avis des consommateurs sur les sites de e-commerce sont généralement plus détaillés et plus fiables que ceux que l'on trouve sur les réseaux sociaux. Les consommateurs qui achètent un produit ou service ont généralement une expérience plus concrète et sont plus enclins à donner des commentaires honnêtes et précis.
Structure des données : Les données de type avis consommateurs sont systématiquement mieux structurées dans les plateformes e-commerce permettant une captation plus aisée de l'information. Ceci amène à des résultats d'analyse plus fiables parce qu'il y a moins d'erreurs dans le traitement massif de cette donnée.
Biais dans la récurrence d'expression d'avis négatifs : Les clients qui ont une expérience négative sont plus enclins à laisser des commentaires que ceux qui ont une expérience positive. Cela peut conduire à un biais dans le comptage de la récurrence d'expression des avis négatifs en comparaison aux avis positifs. Pour cette raison, ce n'est pas une donnée que nous utilisons. Nous ne travaillons d'ailleurs pas de statistiques générales sur les corpus d'avis. Dans le cadre du calcul de statistiques sur la récurrence d'expression, notre travail se veut spécifique à chaque attente détectée. Nous analysons par exemple la prédominance d'une frustration spécifique par rapport aux autres frustrations exprimées. Nous ne sommes donc pas impactés par ce biais puisque nous comparons des avis négatifs avec d'autres avis négatifs. Il en est de même pour les avis positifs.
Qualité des données : Bien que les avis des consommateurs sur les sites de e-commerce soient généralement plus fiables que ceux que l'on trouve sur les réseaux sociaux, il peut y avoir des commentaires peu fiables ou malveillants (concurrents, bots) qui peuvent fausser les résultats. Dopamine n'est pas sensible à ce point puisque nos analyses ne cherchent pas à quantifier les problématiques exprimées par les consommateurs mais bien à déterminer leurs natures. Or, les faux commentaires n'apportent jamais de nouveautés dans les thématiques qu'ils abordent. Que ce soit avec des faux commentaires positifs (production artificielle par une marque pour booster sa notation) ou négatifs (concurrents qui cherchent à saboter un produit), les faux avis sont toujours de deux types : soit très pauvres en contenu, et donc ne présentant pas de véritables insights à collecter puisque ne présentant pas une problématique ou un plébiscite précis. Soit copiés sur d'autres avis et donc n'apportant pas de nouveaux insights. De part leurs natures, ils ne font jamais preuve de créativité dans l'invention de nouveaux points clés. Cela serait très consommateur de ressources au regard de l'objectif qu'ils servent à savoir : influencer la notation globale.
Contexte social : Les avis des consommateurs sur les réseaux sociaux sont souvent plus contextuels, car ils sont souvent publiés dans le cadre de conversations ou de discussions avec d'autres consommateurs. Cela peut aider à comprendre comment les opinions des consommateurs se forment et évoluent au prix d'une analyse de détail très poussée.
Bruit de fond : Les réseaux sociaux génèrent un grand volume de données, y compris des conversations qui ne sont pas liées aux produits ou services que vous surveillez. Cela peut rendre la tâche de filtrage des données et de séparation des conversations liées aux produits ou services plus difficile et donc amener à une fiabilité des résultats moins bonne.
Fiabilité des données : Les commentaires sur les réseaux sociaux peuvent être imprécis, ambigus ou même trompeurs, car les utilisateurs peuvent utiliser un langage informel ou cryptique. En outre, les commentaires peuvent être influencés par des facteurs externes tels que des campagnes de marketing virales, des trolls, des bots ou des commentaires négatifs postés par les concurrents. Contrairement aux avis consommateurs où l'influence des faux avis est nulle dans la compréhension des attentes consommateurs (parce qu'ils ne rajoutent pas de nouveaux insights et ne font que modifier les récurrences d'expression), dans le cas de discussions sociales et à cause des biais d'influences conversationnelles, les résultats sont fortement impactés par la présence de faux agents.
Absence de structure : Contrairement aux sites e-commerce, les commentaires sur les réseaux sociaux ne sont souvent pas structurés de manière cohérente. Cela peut rendre plus difficile la collecte de données précises sur les attentes des consommateurs et donc amener à une fiabilité des résultats moins bonne.
Cohérence des données : Les commentaires des consommateurs sur les réseaux sociaux peuvent être très différents selon la plateforme utilisée, le contexte social, le moment et le lieu de la publication. Cela peut rendre difficile la comparaison des commentaires sur différentes plateformes ou à différents moments et donc amener à une fiabilité des résultats moins bonne.