Les entreprises n’ont jamais collecté autant de retours clients : notes de satisfaction, enquêtes en ligne, avis Google, réclamations, commentaires libres, messages sur les réseaux sociaux. La matière est abondante. Elle déborde même parfois. Mais que fait-on réellement de ces verbatims ? Dans beaucoup d’organisations, ils sont stockés, exportés, triés, parfois repris dans des tableaux de bord. On lit quelques commentaires, on repère les plaintes les plus visibles, on suit une note moyenne. Puis la même difficulté revient : les données disent quelque chose, mais pas toujours assez clairement où agir.
Le problème tient à la nature même du verbatim. Une note se lit vite, mais elle dit peu. Un commentaire est plus riche, plus concret, mais aussi plus ambigu. Un client peut apprécier les prix tout en critiquant le parking. Il peut aimer les produits, mais signaler une table sale. Il peut donner une note correcte alors que son texte contient un problème opérationnel sérieux. L’intelligence artificielle permet ici de changer d’échelle. Non pas en remplaçant le jugement des managers, mais en entrant plus finement dans les commentaires. L’enjeu n’est plus seulement de classer les avis en “positifs”, “négatifs” ou “neutres”. Il s’agit d’identifier ce dont parle le client, de repérer l’opinion ou le sentiment associé, puis de relier ces éléments entre eux.
L’approche présentée ici est issue d’un travail de recherche mené par l’auteur sur l’analyse des verbatims clients par IA générative et théorie des graphes. Elle a donné lieu à un chapitre consacré à 3 000 avis Google Maps de Costco Wholesale à Los Angeles (Baray, 2026), ainsi qu’à un article publié dans Managerial and Decision Economics sur les magasins Starbucks UK (Baray & Cliquet, 2025). Ces travaux proposent un nouvel algorithme : au lieu de traiter chaque commentaire comme un bloc de texte, il extrait les relations entre attributs, opinions et sentiments, puis les organise sous forme de graphe. On ne regarde plus seulement les mots. On regarde ce qu’ils relient.
Une méthode nouvelle : associer IA générative et théorie des graphes
Un commentaire client parle rarement d'une seule chose. C'est même l'une de ses richesses. Il peut contenir plusieurs jugements, parfois contradictoires, parfois très proches de ce que vit réellement le client.
Prenons une phrase simple : « les prix sont intéressants, mais le parking est difficile et les tables sont sales ». Une analyse globale dira peut-être que le commentaire est mitigé. C'est exact, mais cela ne suffit pas. Pour agir, il faut aller plus loin.
Dans la méthode proposée, l'intelligence artificielle générative extrait
d'abord des couples ou triplets du type :
- attribut / sentiment
;
- attribut / opinion
;
- objet /
appréciation.
La phrase précédente peut ainsi être transformée en trois informations distinctes : prix / intéressant, parking / difficile, tables / sales. Ce découpage évite une erreur fréquente : ramener tout le commentaire à une tonalité moyenne. Ici, le même avis contient un levier de satisfaction, un point de friction et un signal à surveiller.
Dans le cas Costco, cette extraction a été réalisée à l'aide d'un grand modèle de langage, Mistral 7B, afin d'identifier les relations entre les attributs évoqués par les clients et les sentiments ou opinions associés (Baray, 2026). Dans l'étude Starbucks UK, une logique proche a été appliquée à des couples objet-sentiment pour construire un système d'aide à la décision destiné au pilotage de la satisfaction client dans un réseau de points de vente (Baray & Cliquet, 2025).
La seconde étape consiste à intégrer ces éléments dans un graphe. C'est ici que la théorie des graphes apporte quelque chose de décisif. Les attributs, les sentiments et les opinions sont représentés sous forme de nœuds. Les liens indiquent les relations observées dans les verbatims. Plus une relation revient souvent, plus elle devient significative.
La différence avec un simple comptage de mots est importante. Un mot fréquent attire l'attention, bien sûr. Mais une relation répétée entre un attribut et une opinion dit déjà quelque chose de plus opérationnel. Elle indique où se situe l'expérience client : dans le prix, le service, l'attente, la propreté, l'ambiance, le parking, ou ailleurs.
Enfin, des algorithmes de détection de communautés, dans la lignée des travaux de Newman et Girvan (2004) sur les structures communautaires dans les réseaux, permettent de repérer des ensembles cohérents. Ces ensembles peuvent faire apparaître des thèmes comme le prix et la valeur perçue, le personnel et la qualité de service, la propreté et la maintenance, le parking et l'affluence, ou encore l'expérience globale en magasin.
On peut résumer la logique assez simplement : l'IA extrait les signaux, la théorie des graphes les relie, puis le manager peut les transformer en décisions.
Ce que change le passage du texte au graphe
Cette façon de travailler modifie assez profondément l'usage des verbatims. Le commentaire n'est plus seulement une opinion générale. Il devient une série d'indices opérationnels.
Un avis isolé peut paraître anecdotique. Une relation répétée entre « parking » et « frustration », ou entre « personnel » et « aimable », ne l'est plus. Elle commence à signaler une structure de l'expérience client. Et cette structure peut être suivie, comparée, discutée, puis traduite en action.
C'est l'un des intérêts du graphe. Il ne se contente pas d'empiler des mots. Il montre comment les éléments de l'expérience client s'associent. Il permet aussi de repérer des proximités : par exemple, des commentaires sur l'attente peuvent être liés à la foule, à la caisse, au parking ou à l'organisation du magasin. Ce n'est pas la même décision à prendre selon le cas.
Il y a là un point assez important. Beaucoup d'outils d'analyse de verbatims donnent des listes de thèmes ou des nuages de mots. C'est utile, mais souvent insuffisant. Une cartographie relationnelle donne une autre lecture : elle montre les connexions entre les problèmes, les satisfactions et les attentes. Elle aide à comprendre ce qui va ensemble.
La figure 1 illustre cette cartographie relationnelle : les attributs, sentiments et opinions ne sont plus isolés, mais reliés au sein d'ensembles cohérents.
Une illustration : 3 000 avis clients Costco Los Angeles
Pour tester cette méthode, l'algorithme a été appliqué à 3 000 avis Google Maps portant sur Costco Wholesale à Los Angeles. Le choix de ce terrain permettait de travailler sur des verbatims variés, portant à la fois sur les prix, les produits, le personnel, la propreté, le parking, l'attente et l'expérience générale en magasin.
L'objectif n'était pas seulement de savoir si les commentaires étaient positifs ou négatifs. Il s'agissait d'identifier les relations récurrentes entre les attributs de l'expérience client et les sentiments exprimés : prix / satisfait, prix / bon marché, personnel / aimable, mais aussi sol / sale, chaises / cassées, parking / frustrant ou service / lent.
Pris isolément, ces éléments peuvent sembler limités. Pris ensemble, ils dessinent une cartographie beaucoup plus précise de l'expérience client. On voit ce qui satisfait. On voit ce qui gêne. On voit aussi les sujets qui ne dominent pas forcément les indicateurs globaux, mais qui reviennent assez souvent pour mériter attention.
Comprendre ce qui satisfait, pas seulement ce qui irrite
Les démarches d'expérience client parlent souvent d'« irritants ». Le terme est courant. Il a son utilité. Mais il oriente immédiatement l'analyse vers ce qui ne va pas.
Or les verbatims clients ne contiennent pas seulement des problèmes. Ils disent aussi ce qui fonctionne. Et cela compte beaucoup. Un point positif répété dans les commentaires peut être un facteur de fidélisation, un avantage concurrentiel, voire un élément de positionnement.
Dans le cas Costco, plusieurs leviers de satisfaction apparaissent nettement.
Le premier concerne le prix. Les associations autour de « prix » et « bon marché » ressortent fortement. Rien de très surprenant, dira-t-on, pour une enseigne comme Costco. Mais l'intérêt est précisément de le vérifier dans les verbatims, et non de le supposer. La perception de valeur reste un élément central de l'expérience client dans la grande distribution.
Le deuxième levier concerne le personnel et le service. Les commentaires associent fréquemment les employés à des termes comme « aimable » ou « serviable ». Ce résultat est important, car il rappelle que l'expérience client ne repose pas uniquement sur l'offre ou le prix. La relation de service reste décisive, y compris dans des formats commerciaux très rationalisés.
Le troisième levier renvoie à l'expérience globale en magasin : les produits, l'offre alimentaire, le système d'adhésion, le sentiment général de satisfaction. Ces éléments positifs ne doivent pas être considérés comme acquis. Ce sont des actifs d'expérience client. Il faut donc les suivre, les préserver, parfois les renforcer.
Les points de friction révélés par l'IA
L'analyse fait aussi ressortir des points de friction récurrents.
Le premier concerne la propreté et la maintenance. Plusieurs commentaires associent des éléments physiques du magasin, sols, tables, chaises, à des opinions négatives : sale, cassé, mal entretenu. Pour un manager, ce type d'information est directement utilisable. Elle ne dit pas seulement que certains clients sont mécontents. Elle indique où le problème se situe.
Le deuxième point concerne les interactions avec le personnel. C'est plus subtil. Le personnel apparaît comme un levier de satisfaction, mais certains commentaires signalent aussi des expériences négatives : échanges désagréables, lenteur, manque d'efficacité. On voit ici l'intérêt de ne pas raisonner par catégories trop simples. Un même domaine de l'expérience peut être à la fois une force et une faiblesse.
Le troisième point porte sur les enjeux opérationnels : parking, foule, attente, congestion, difficulté de circulation dans le magasin. Ces sujets peuvent sembler secondaires lorsqu'ils sont pris un à un. Pourtant, ils pèsent fortement sur l'expérience réelle. Un client peut apprécier les prix et les produits, tout en gardant une impression négative si l'accès, le stationnement ou le passage en caisse ont été vécus comme pénibles.
Figure 1 – Cartographie par IA et théorie des graphes des relations entre attributs, sentiments et opinions dans les avis Costco Los Angeles
La figure 1 montre que les verbatims ne forment pas une simple liste de mots isolés. Ils s'organisent en relations. Le prix est fortement associé à la valeur perçue ; le personnel et le service apparaissent comme des leviers importants de satisfaction, mais aussi comme des sources possibles d'expériences inégales ; la propreté, la maintenance, le parking et l'affluence ressortent davantage comme des zones de friction.
Figure 2 – Synthèse managériale des verbatims clients Costco Los Angeles : points forts, points faibles et signaux faibles
La figure 2 traduit la cartographie issue de l'IA générative et de la théorie des graphes en grille d'aide à la décision. Les cinq catégories identifiées sont rapprochées de trois niveaux de lecture : les points forts exprimés par les clients, les points faibles ou frictions récurrentes, et les signaux faibles qui ne dominent pas forcément les avis, mais méritent un suivi.
Pourquoi parler de signaux faibles ?
Un signal faible n'est pas forcément le thème le plus cité. C'est parfois un sujet discret, mais qui revient avec assez de régularité pour mériter attention. Il peut annoncer une dégradation future ou révéler une attente encore mal captée par les indicateurs habituels.
Quelques mentions de tables sales, de parking difficile ou d'attente excessive peuvent sembler marginales si elles sont lues séparément. Mais lorsqu'elles se concentrent sur certains moments, certains espaces ou certaines étapes du parcours client, elles deviennent plus significatives.
De la cartographie des verbatims aux décisions opérationnelles
Une cartographie de l'expérience client doit permettre de hiérarchiser les sujets, de distinguer ce qui relève d'une action rapide et ce qui demande une réponse plus structurelle, puis de suivre l'évolution des verbatims après les actions engagées.
Dans le cas Costco, plusieurs pistes apparaissent.
La première consiste à renforcer les leviers de satisfaction déjà identifiés. Si les clients valorisent fortement les prix et le rapport qualité-prix, cet avantage doit être maintenu et clairement communiqué. Si le personnel aimable est un facteur de satisfaction, la formation et la reconnaissance des équipes deviennent des enjeux importants.
La deuxième consiste à traiter les points de friction les plus visibles. Les problèmes de propreté et de maintenance peuvent faire l'objet d'actions assez rapides : meilleure fréquence de nettoyage, contrôle des espaces à forte fréquentation, remplacement du mobilier abîmé, suivi plus régulier des zones sensibles.
La troisième concerne les problèmes opérationnels plus structurels, comme le parking, la foule ou l'attente. Là, les réponses sont moins immédiates. Elles peuvent passer par la gestion des flux, l'information client, la réorganisation de certains espaces, l'adaptation des horaires ou des dispositifs de suivi en temps réel.
La quatrième piste concerne le pilotage dans la durée. L'IA peut être utilisée pour diagnostiquer, mais aussi pour mesurer l'effet des actions. Après une intervention, les verbatims changent-ils ? Les mentions négatives diminuent-elles ? De nouveaux sujets apparaissent-ils ? Les clients réutilisent-ils des termes plus positifs ? Ce suivi est essentiel, car une action décidée en interne n'a de valeur que si elle modifie réellement l'expérience vécue.
Une nouvelle manière d'écouter les clients
L'analyse automatisée des verbatims ne remplace pas le jugement des managers. Elle leur donne plutôt une base plus solide pour décider. Les résultats doivent être relus à la lumière du terrain : contraintes de personnel, horaires, flux de clientèle, configuration des espaces, organisation interne, spécificités locales.
Mais l'IA change l'échelle et la finesse de l'écoute client. Elle permet d'exploiter des milliers de commentaires sans les réduire à une note moyenne. Elle aide à repérer les attentes, les satisfactions, les frustrations et les signaux faibles. Elle permet surtout de relier ce que disent les clients à ce que l'entreprise peut faire.
Les verbatims contiennent souvent une partie des réponses. Encore faut-il pouvoir les structurer. Associée à la théorie des graphes, l'IA permet de transformer cette matière brute en carte d'aide à la décision : non pour remplacer le regard des managers, mais pour leur montrer plus vite où regarder.
