Les entreprises ayant recours au social listening ont généralement une approche très « brute » de la collecte des données.
Cette collecte est donc envisagée comme un aspiration de données en passant, soit par des requêtes sémantiques ciblées, avec de simples « mots-clés », et soumises aux API des réseaux sociaux, soit par des pratiques plus « rustiques » en opérant un « scrapping sauvage » des données publiques, non mises à disposition par les API.
Ces procédés ne font que récolter, à la pelle, les informations disponibles relatives à un mot-clé. Ils ne tiennent pas compte des liens éventuels entre les documents ou des largesses des champs lexicaux définis au préalable. Il est pourtant essentiel d’effectuer un travail approfondi sur la pertinence des mots-clés ainsi que leurs associations entre eux.
C’est pourquoi Bloom a décidé de repenser la collecte elle-même avant même d’envisager une analyse plus poussée des données récoltées. Le concept de collecte a été élaboré pour être plus efficace, efficient et intelligible.
Grâce à ce concept et aux algorithmes développées à son service, Bloom est capable de mieux « entendre » la donnée en allant chercher, non seulement des données basées sur des requêtes plus fines, en se basant sur l’inférence sémantique et sociale qui permet des recommandations de termes à ajouter à la requête, mais aussi d’éliminer le bruit de documents non pertinents qui viendrait parasiter la requête.
Ensuite, et c’est ce qui fait la deuxième spécificité de Bloom, la démarche permet de recueillir, non pas seulement des documents indépendants les uns des autres répondant à la requête, mais surtout des « conversations » autour des éléments de la requêtes, soit les partages fait autour de ces documents, les liens qui unissent les documents entres eux, leur viralité, les likes, tout ces éléments qui font la structure conversationnelle reliant les documents les uns aux autres.
Enfin, Bloom a développé une DataVisualisation spécifique sous forme de « graphes » afin de concrétiser ces maillages de manière visuelle, entre les documents, leurs conversations mais également entre des requêtes différentes.
Une structure plus sociale, plus vivante, de la donnée pour une étude plus fine et plus pertinente à l’aide à la prise de décision.
Jérémie Kopaniak
C’est pourquoi Bloom a décidé de repenser la collecte elle-même avant même d’envisager une analyse plus poussée des données récoltées. Le concept de collecte a été élaboré pour être plus efficace, efficient et intelligible.
Bloom Social Analytics