Le text mining suscite un intérêt certain lors de l’analyse de corpus massifs de textes. C’est en effet face au Big Data, à la multiplication des contenus en ligne et à leur facilité d’accès, que les méthodes du text mining révèlent l’entièreté de leur potentiel.
Le text mining, également appelé traitement automatique du langage, peut être défini comme étant un ensemble de techniques issues de l’intelligence artificielle, alliant plusieurs domaines : la linguistique, la sémantique, le langage, les statistiques et l’informatique. Combinées ensemble, ces techniques permettent d’extraire des données pour recréer de l’information à partir de corpus de textes en les classifiant et les analysant de manière à établir des tendances. Le text mining est notamment beaucoup employé dans le secteur du marketing, mais également dans de nombreux autres domaines tels que la communication, les sciences politiques et la recherche.
Le texte mining, ou fouille de textes, respecte deux étapes principales. La première étape, l’analyse, consiste à analyser les corpus de textes de manière à en reconnaître les mots, les phrases, les rôles grammaticaux ainsi que les relations et les sens de ces derniers entre eux. Cette première étape, commune à tous les traitements, ne trouve sa pertinence que lorsqu’elle est couplée à la seconde étape : l’interprétation de l’analyse. Cette étape permet de sélectionner des textes en particuliers parmi d’autres. Un exemple d’application concret de cette seconde étape étant la classification de courriers mails en spam, c’est-à-dire dans la catégorie des mails non sollicités, ou bien en non spam, c’est-à-dire en mails devant être lus par le destinataire.
Les outils de text mining ont donc pour vocation d’automatiser la structuration de documents faiblement structurés, afin de générer de l’information sur le contenu d’un document texte, cette information n’étant alors pas présentée de manière explicite dans la forme initiale du document. Le text mining se révèle notamment utile pour :
Les solutions de text mining revêtent donc plusieurs usages et services.
Les applications courantes du text mining sont nombreuses. Nous pouvons citer, par exemple, l’analyse d’une base d’emails adressés à une entreprise, permettant de classer automatiquement les emails entrants dans différentes catégories grâce à l’établissement de modèles prédictifs. L’automatisation permet alors d’adresser rapidement le mail au service approprié, de manière à augmenter la satisfaction client.
Le text mining se révèle également utile avec l’émergence des réseaux sociaux puisqu’il permet d’analyser les sentiments exprimés par les internautes, science appelée l’opinion mining. Il s’agit d’analyser des sources textuelles volumineuses, afin d’en dégager les principaux sentiments exprimés ainsi que les tonalités émotionnelles. L’opinion mining permet alors de quantifier et qualifier les réactions positives ou négatives exprimées par une communauté de clients, de salariés, etc, afin de mieux percevoir leurs opinions.
Le nouveau challenge du text mining, plus que jamais d’actualité, est relatif à la détection des données sensibles issues des zones de texte libre présentes dans les applications métier (les CRM par exemple). La détention de ces données sensibles (opinions politiques, origines raciales, convictions religieuses, orientation sexuelle, santé, etc) est interdite par la CNIL. Une problématique fondamentale depuis l’entrée en vigueur du Règlement Général sur la Protection des Données (RGPD), pouvant être en partie résolue par les algorithmes de text mining développés dans ce contexte.
Le text mining révèle également tout son potentiel dans la résolution d’une multitude d’autres problématiques, telles que l’analyse d’actions marketing, la gestion de la relation client et notamment de la fidélisation via l’analyse de questionnaires de satisfaction, ou bien l’optimisation de contenus web dans le cadre de l’amélioration du référencement naturel. De manière générale, dès lors que des données textuelles peuvent donner lieu à une représentation numérique, les algorithmes classiques du data mining, dont font partie ceux du text mining, peuvent alors être appliqués.
