Analyse et Prédiction des Sentiments Clients

📌 Objectif du Projet

Ce projet vise à :

• Prédire les notations des clients.
• Catégoriser les commentaires.
• Proposer des réponses automatiques.
• Analyser les sentiments des avis clients.

🚀 Approches Adoptées

1️⃣ Modèles de Classification

Utilisation de divers modèles de classification standards pour prédire le sentiment client en se basant sur :

• La longueur du commentaire.
• Le titre.
• La durée depuis la transaction.

Résultat : Une régression logistique simple a montré des performances notables.

2️⃣ Bag of Words avec TF-IDF et Count Vectorizer

L’application du Bag of Words combiné avec TF-IDF et Count Vectorizer a permis une bonne précision globale.
Cependant, des limitations subsistent dans la prédiction des sentiments négatifs.

3️⃣ Réseaux de Neurones Récurrents (GRU)

Les GRU ont surpassé les modèles précédents, atteignant une précision globale de plus de 91%,
améliorant notamment la prédiction des sentiments négatifs.

📌 Note : Le rééchantillonnage et la prise en compte du poids des classes ont été essentiels pour équilibrer les données.

🔍 Analyse des Retours Fournisseurs

Une approche parallèle a été adoptée, incluant :

• Feature engineering.
• Recherche d'une trame standard.
• Fine-tuning des modèles.

Observation : L’analyse a révélé des tendances spécifiques telles qu’une standardisation des réponses.

🧠 Exploration des Sentiments

Différentes techniques ont été testées :

• Word clouds pour une première visualisation.
• BERT pour capturer les nuances des sentiments.
• Modèles supervisés et semi-supervisés comme Naïve Bayes et Topic Modeling.

🤖 Intégration d’un Chatbot Interactif

Un chatbot a été mis en place pour :

• Évaluer les sentiments des commentaires.
• Présenter les quatre principaux sujets sous-jacents.
• Faciliter l’analyse des avis clients.

📊 Résultats et Perspectives

✔️ Un système efficace de prédiction des évaluations clients.
✔️ Une interface interactive pour exploiter les résultats.
✔️ Améliorations possibles : affiner les modèles et intégrer des analyses plus ciblées
👉 Diriger automatiquement les commentaires vers les départements concernés.

---

📌 Conclusion : Ce projet met en évidence l'importance de l'IA dans l’analyse des sentiments clients et ouvre la voie à des améliorations continues pour optimiser la prise de décision.

🚀 Améliorations futures : Affinement des paramètres et modélisation plus précise des sujets.

---

📁 Organisation des Notebooks du projet

--- 0_data_collection :
|
|        - 01_mdp_trustedshops_scraping_v1.0.ipynb
|   

--- 1_eda_dataviz
|
|        - 01_mdp_eda_redoute_reviews_1.0.ipynb
|        - 02_mib_eda_redoute_suppliers_1.0.ipynb
|        - 02_mib_eda_statistics_test_redoute_suppliers_2.0.ipynb 
|        - 03_mdp_eda_redoute_reviews_nlp_1.0.ipynb
|  

--- 2_models
|      
|--- Modèle baseline : 
|         - 01_baselines_models_04.ipynb
|         - 01_baselines_multiclass_02.ipynb
|    
|--- Modèles Bag of Words
|        - 02_text_processing_0.0.ipynb
|        - 02_vectorization_clf_multiclass_0.1.ipynb
|        - 02_vectorization_cvz_clf_binary_0.4.ipynb
|        - 02_vectorization_nn_models_02.ipynb
|        - 02_vectorization_tfidf_clf_binary_0.4.ipynb
|        - 02_vectorization_tfidf_gridscv_clf_binary_0.4.ipynb
|    
|--- Réseaux de neurones récurrents GRU
|        - 03_Sentiment_analysis_with_RNN_04.ipynb
|        - 03_Text_Processing_for_RNN.ipynb
|    
|--- Analyse de sentiments TexBlob, Vader, Bert
|        - 04_Sentiment_Analysis_tb_vd_0.2.ipynb
|        - 04_Sentiment_analysis_BERT_0.0.ipynb
|    
|--- Topic Modeling
|        - 05_topic_modeling_de_BERTopic.ipynb
|        - 05_topic_modeling_gensim.0.0.ipynb
|   
|--- DataViz
|         - 06_dviz_models_performance_02.ipynb
|