Michael Anderson, PhD, ingénieur systèmes JMP, SAS
Chris Gotwalt, PhD, JMP Directeur de la recherche et du développement statistiques, SAS
JMP 13 a introduit Text Explorer. Cette nouvelle plateforme permet de trier du texte libre et de générer des analyses thématiques et des termes importants. Bien qu'extrêmement utile, ce n'est qu'une première étape pour résoudre le problème posé. Souvent, l'objectif principal est d'identifier les mots-clés d'un ensemble de documents fortement associés à une réponse particulière, comme un comportement d'achat ou des avis clients. Cette approche est généralement réalisée à l'aide d'une analyse de sentiment traditionnelle, qui s'appuie sur des listes de mots fournies par des fournisseurs tiers et qui ne prennent pas en compte le contexte spécifique de l'entreprise ni la population cible. Une approche alternative, parfois appelée analyse de sentiment par apprentissage supervisé, combine l'analyse de texte et la modélisation prédictive pour déterminer les mots et expressions les plus pertinents pour le problème posé. Elle utilise les données pour déterminer la direction et la force de l'association des termes des documents avec la réponse, grâce à un exercice de modélisation relativement accessible. Avec JMP Pro 13, l'analyse de sentiment par apprentissage supervisé est désormais plus simple que jamais, comme nous le démontrerons à l'aide d'une série d'études de cas issues d'études de consommation et de médias sociaux.
Données de l'enquête sur les casinos de Toronto
