Il faut des années pour bâtir la réputation d’une entreprise, mais seulement quelques secondes pour la détruire. Le suivi et la gestion de la réputation est donc d’une importance capitale pour les entreprises et les institutions publiques, ainsi que pour les investisseurs. La perception des médias est une composante importante de la réputation d’une firme: dans quelle mesure la couverture médiatique de la firme est-elle positive ou négative? La gestion et le suivi de cette réputation fait partie du budget marketing et constitue un indicateur utile pour identifier une possibilité ou un risque d’investissement pour les agents financiers.

Les progrès récents en analyse linguistique et analyse textuelle ont permis d’automatiser une partie des services de surveillance de la réputation. Des méthodes automatisées d’extraction de sujets peuvent être utilisées pour compléter la reconnaissance d’entités existantes afin d’obtenir la perception publique de certains sujets ou entités. La quantification automatisée de la réputation est possible lorsque des techniques d’analyse du sentiment textuel sont utilisées. Cette approche permet également une analyse quantitative de la série chronologique et des propriétés de dépendance en coupe transversale entre sujets ou entités. Un nombre incalculable d’implémentations sont possibles. Ainsi, le « data scientist » doit déterminer la combinaison la plus performante (e.g., méthode de calcul de sentiment, sujet, horizon temporel) selon l’objectif prescrit.

Dans cet atelier pratique, nous utiliserons l’analyse des sentiments pour le suivi de la réputation d’une entreprise, basée sur un grand nombre de textes sur une période de 15 ans. Nous montrerons comment sélectionner les textes utiles pour l’analyse, comment calculer les sentiments textuels, et comment choisir les meilleures combinaisons pour suivre au mieux la réputation de l’entreprise. L’analyse sera effectuée à l’aide de la librairie « sentometrics ».

REFERENCES

• Ardia, D., Bluteau, K., Borms, S., & Boudt, K. (2017). The R package sentometrics to compute, aggregate and predict with textual sentiment. https://dx.doi.org/10.2139/ssrn.3067734
• Ardia, D., Bluteau, K., & Boudt, K. (2018). Questioning the news about economic growth: Sparse forecasting using thousands of news-based sentiment values. International Journal of Forecasting, forthcoming. https://dx.doi.org/10.2139/ssrn.2976084