Cas d'usage clients
Analyse des comptes rendus d'intervention de 3000 techniciens
Voir le cas d'usage en vidéo
Contexte
L’objectif de notre interlocuteur était d’identifier les raisons expliquant les multiples visites de techniciens chez le même client. Avec plus de 3000 techniciens répartis sur l’ensemble du territoire, l’enjeu était important.
Pour ce faire, Nous avons analysé plus de 1.000.0000 de comptes rendus.
Source de données
Application métier (ERP).
Plus de 1.000.000 de comptes-rendus.
Résultat
Plus de 522 causes de visites multiples identifiées.
Nous faisons également des découvertes au sein de ces comptes-rendus :
- Des opportunités commerciales (devis à faire), non identifié par la partie commerciale
- Des situations à risque (signaux faibles) nécessitant une intervention immédiate
Analyser et faire le retour d'un questionnaire de plus de 20 questions ouvertes
Contexte :
Analyser et faire le retour d'un questionnaire de plus de 20 questions ouverte.
Un groupe de média français s’intéresse à son audience et lui demande de répondre à 20 questions ouvertes concernant sa programmation. Ce média fait le choix de ne pas orienter les réponses avec des questions fermées mais de laisser les répondants s’exprimer librement. Pour ce faire, la plateforme My_knowledge est utilisée afin d’identifier exhaustivement l’ensemble des idées exprimées.
Source de données :
Plateforme de consultation en ligne.
200.000 verbatims analysés.
Résultat
Une vingtaine d’idées exprimées par question ouverte, avec des réponses totalement libres qui permettent de ne pas orienter les réponses (contrairement à des questions fermées)
Emergence de signaux faibles (idée exprimée à moins de 1% mais importante)
Quantification de toutes les idées exprimées
Un croisement avec les profils des répondants (age, région, sexe…) qui nous permet d’avoir une idée précise des idées exprimées en fonction du public
Analyse des zones de texte CRM d'un groupe de services
Contexte :
Ce groupe dispose de commentaires et de remontées en provenance de leur client et de leurs collaborateurs internes stockés dans leur CRM. Bien que disposant d'informations sur la date, l'auteur du commentaire, sa direction régionale... ces contenus ne peuvent être exploités en l’état. Il était impossible de faire une analyse macro de ce qui se disait et de connaître les thématiques abordées.
Nous avons donc utilisé la plateforme My_Knowledge afin d'extraire rapidement les idées et tendances à valeur ajoutée.
Source de données :
Logiciel métier (outil CRM du groupe).
10.000 verbatims analysés.
Résultat :
Détection des irritants par proportion (classés en différentes catégories)
Détection des dysfonctionnements internes
Croisement des résultats par agence, direction régionale concernée, par période
Analyse des emails de contact pour un service public
Contexte :
Cet organisme ne comprend pas pourquoi il y a autant d’affluence dans ses agences. Il décide d’analyser l’ensemble des demandes reçus sur l’année via le site (formulaire de contact) qui représente 5 millions d’emails entrants. L’écrasante majorité de ces emails sont des demandes d’informations. Pour autant, l’ensemble des informations sont censées être disponibles sur le site web.
Source de données :
Emails provenant de leur formulaire de contact.
5 millions d'emails analysés.
Résultat :
- 5 motifs d’informations connus des services mais non renseignés sur le site
- 11 motifs d’informations découverts dont les services n’avaient pas connaissance.
Analyse de conversations issues d'un SAV par chat d'un groupe industriel
Contexte :
Un groupe industriel cherche à optimiser les interactions qu’il a avec ses revendeurs via son service de chat. L’objectif est de comprendre les sujets de conversation, de trouver des pistes d’amélioration notamment sur la qualité perçue de ses revendeurs. Pour ce faire, nous analysons 200.000 conversations issues de ce chat.
Source de données :
Conversations au sein d'un service support par messagerie instantanée.
Plus de 200.000 conversations analysées.
Résultat :
- 10 pistes d’amélioration de la qualité de service générale identifiées
- Une liste de 5 à 15 points d’amélioration par produit référencés au catalogue
- Des réorganisations ou optimisations ont eu lieu dans certains services (exemple : rajout d’une information dans la notice d’utilisation d’un produit)
Analyse des questions ouvertes provenant d'un questionnaire de satisfaction
Contexte
Lors d'une enquête réalisée à l'échelle nationale, une entreprise de service demande à ses clients de l'évaluer en employant le NPS (Net promoter score), qui est un indicateur de satisfaction représenté par un score. Par ailleurs, cette entreprise demande aussi à ses clients d'expliquer le score attribué et de répondre à d'autres questions ouvertes concernant leur satisfaction.
Source de données
Questionnaire de satisfaction.
Environ 5.000 verbatims
Résultat
- Plus d'une dizaine de tendances découvertes expliquant les notes attribuées par les répondants
- Une possibilité de visualiser les verbatims de chaque tendance par note (croisement avec données BI)
- Une prise d'action immédiate car les motifs d'insatisfaction sont clairement identifiés par priorité
Analyse des verbatims issus d'un logiciel d'enquête pour un assureur
Contexte :
Cet assureur français dispose d'un logiciel d'enquête via lequel il administre des questionnaires à ses clients. Une question ouverte l'intéresse particulièrement, elle concerne la perception du rôle d'un assureur dans le monde de demain.
Source de données :
Logiciel d'enquête.
Plus de 30.000 verbatims analysés.
Résultat :
- 28 types de réponses détectés classés par proportion (représentant plus d'1% du corpus)
- 36 signaux faibles detectés (représentant moins d'1 % du corpus)
- Les sujets connus de l'assureur ont pu être comptabilisés en termes de proportion, d'autres sujets non connus ont émergé et ont permis de mieux comprendre les attentes de ses clients
Révéler instantanément la valeur présente dans vos données textuelles
Avec Semdee, vous pouvez "chercher" sans avoir à trouver, notre plateforme My_Knowledge vous permet d'analyser vos données et de faire des découvertes sans configuration préalable. En fonction de ces découvertes, vous pouvez organiser vos contenus par thématique, et les faire correspondre avec vos données structurées (Business Intelligence).
Ils nous font confiance
