QWAM Text Analytics

Basée sur les technologies d'Intelligence Artificielle, QWAM Text Analytics permet de traiter et d'analyser facilement de grandes masses de textes (contenus non structurés) pour en tirer les éléments essentiels et indicateurs clés. QWAM Text Analytics répond aux usages et besoins dans les domaines suivants :

  • Sales, Market and Business Intelligence,
  • E-réputation,
  • Ressources Humaines,
  • Analyse des avis collaborateurs, clients…,
  • Médias et Edition de contenus (SEO, contextualisation, génération de méta-données, aide à la création de contenu…)

L'enjeu de l'analyse de contenus non structurés

Le développement du web et la transformation numérique des entreprises ont conduit à une explosion des données textuelles qui, pour l’essentiel, ne sont pas ou très peu structurées :

  •  sur le web : pages de sites, articles de presse, commentaires, contributions sur les média sociaux, avis clients, etc.
  •  au sein des organisations : rapports, études, documents réglementaires, contrats, enquêtes et réseaux sociaux internes, etc.

QWAM est conscient des enjeux économiques liés à la maîtrise des technologies d’extraction et d’analyses des données textuelles. Ces enjeux concernent tous les secteurs économiques et les métiers de l’entreprise, s’inscrivant dans leurs projets de transformation numérique. Grâce à des investissements majeurs, notamment par des programmes de recherche ambitieux en Intelligence Artificielle, nous avons développé QWAM Text Analytics.

QWAM Text Analytics : pour quoi faire ?

Enquêtes d’opinion, avis clients, remontées d’information des collaborateurs… tous ces échanges se font aujourd’hui à travers les médias numériques. QWAM Text Analytics permet d’automatiser les traitements associés à l’ensemble des textes en les personnalisant selon chaque contexte métier. En particulier, un module spécifique d’analyse du sentiment, prenant en compte le contexte applicatif, permettra de qualifier la tonalité des expressions analysées.

La transformation numérique des entreprises commence souvent par une numérisation de ses données.
QWAM Text Analytics  – grâce à des modules d’extraction – permet de caractériser efficacement chaque document via un calcul des métadonnées. Il est ainsi facile de construire un « moteur de recherche par facettes », chaque métadonnée étant vue comme l’une de ces facettes. La recherche de documents peut donc se faire par étapes successives : à partir d’une simple requête, l’utilisateur pourra se focaliser sur un sous-ensemble de documents répondant à certains critères (facettes) puis préciser sa recherche. De la même façon, il est possible d’automatiser le classement de documents via les caractéristiques qui en sont extraites.
QWAM Text Analytics permet de mettre en place de tels processus en personnalisant les méta-données afin qu’elles répondent aux besoins des métiers et applications.

Pour les corpus volumineux de données textuelles QWAM Text Analytics regroupe les documents en fonction de critères spécifiques (besoins client) et extrait des informations clés. Il est alors possible de construire de nouvelles données à partir d’extractions réalisées et d’identifier les relations entre les entités extraites (par exemple, montrer qu’une personne est liée à un ensemble de sociétés). Ainsi les textes sont organisés et accessibles en sous-ensembles cohérents et suivant vos problématiques métier via des tableaux de bord et/ou un moteur de recherche.

QWAM Text Analytics : comment ça marche ?

QWAM Text Analytics est construit autour de trois composants principaux qui vont réaliser l’ensemble des traitements proposés :

  • Le « moteur d’extraction » qui va détecter à partir de règles et traitements spécifiques, des noms de société, personnes, des concepts plus généraux, …
  • Le « moteur de découverte » qui propose des regroupements de documents, de l’enrichissement sémantique comme par exemple l’analyse du sentiment ou la détection de concepts d’actualité pour un domaine donné.
  • Le module de « screening » qui permet à un analyste de contrôler les résultats des deux premiers moteurs et le cas échéant de les corriger.

L’architecture générale de Qwam Text Analytics est présentée à la figure ci-après.

Architecture fonctionnelle générale de QWAM Text Analytics

Témoignages…

Eric Roustit

Responsable Informatique Editoriale - Le Figaro
Face à la croissance importante des documents que nous traitons, il est devenu indispensable d’automatiser les tâches d’enrichissement sémantique et de génération de tags. QWAM nous a apporté un outil performant qui permet d’associer à chaque article une liste d’expressions significatives qui reflètent bien le contenu de l’article et de proposer d’autres papiers sur des sujets proches.

Jacques Sallou

Capitaine de corvette - Marine Nationale
Le bien-être et les conditions de vie et de travail sont au cœur des préoccupations. Dans l’armée c’est encore plus vrai, car les militaires risquent leur vie pour notre pays etleur bon moral est garant de la réussite de leurs missions. Nous avons donc le devoir de leur offrir les meilleures conditions de travail possibles. Pour cela, les retours qu’ils nous font par le biais des différentes enquêtes (telles que l’i2M, l’indicateur de mesure du moral) et des sondages sont soumis à des études poussées. Notre rôle est de fournir à nos décideurs une cartographie précise des attentes des marins, en quantifiant la force de ces préoccupations. Ils peuvent ainsi prendre les mesures nécessaires à l’amélioration des conditions d’exercice de leur métier. […]

Découvrez la solution QWAM Text Analytics en détails