Les avis clients sont une mine d'or d'informations souvent inexploité car non structurée. Une simple analyse de sentiment (Positif/Négatif) ne suffit pas à comprendre les causes racines de l'insatisfaction. Ce projet vise à automatiser l'extraction d'insights à partir de milliers d'avis textuels pour identifier les points de friction spécifiques sans lecture manuelle.
- Langage : Python 3.x
- Bibliothèques : Pandas, Scikit-learn (NMF, TF-IDF), Seaborn.
- NLP : Nettoyage de texte (Regex), Stopwords, Lemmatization.
- Algorithme : Non-Negative Matrix Factorization (NMF) pour le Topic Modeling.
- Nettoyage des caractères spéciaux et normalisation (minuscules).
- Vectorisation TF-IDF pour transformer le texte en matrice numérique, en filtrant les termes trop fréquents ou trop rares.
Utilisation de l'algorithme NMF pour extraire 5 thèmes latents dans le corpus d'avis.
- Identification des thèmes : Analyse des mots-clés les plus pondérés pour chaque topic.
- Topic 0 identifié : Problèmes de Taille/Coupe ("Size", "Fit", "Small", "Large").
Corrélation entre le sujet dominant d'un avis et la note attribuée par le client.
L'analyse a révélé une disparité critique dans la satisfaction client selon le sujet abordé :
| Sujet (Topic) | Thème Identifié | Impact sur la Satisfaction |
|---|---|---|
| Topic 0 | Taille & Coupe (Sizing) | 🔴 Impact Négatif Majeur (Note la plus basse) |
| Topic X | Qualité/Matière | 🟢 Neutre / Positif |
| Topic Y | Style/Esthétique | 🟢 Positif |
Les données montrent que le "Sizing" est le principal vecteur d'insatisfaction (Pain Point). Action recommandée : Audit immédiat du guide des tailles sur le site e-commerce et implémentation d'un outil d'aide au choix de la taille pour réduire le taux de retours.