À l’écoute des consommateurs

Le contexte

Les avis clients révèlent les attentes et les difficultés rencontrées, mais leur format libre rend les comparaisons difficiles. Le projet visait à transformer ces retours en une analyse compréhensible pour éclairer les décisions de marque.

Comment j’ai travaillé

• Préparer et explorer. Nettoyage avec Python et Pandas, puis analyse exploratoire et visualisations pour comprendre la composition de l’échantillon avant d’interpréter les textes.
• Examiner les sentiments. Analyse des sentiments et NLP, avec Gemini pour faciliter l’interprétation des retours et des thèmes récurrents.
• Construire une recommandation argumentée. Regroupement du nettoyage, de l’exploration et de l’analyse assistée par IA dans un notebook final, en reliant les recommandations aux avis étudiés.

Livrables et enseignements

J’ai produit des visualisations et des recommandations argumentées. Le dépôt présente les étapes de nettoyage, d’exploration, d’analyse par IA et de synthèse. L’aperçu montre la composition de l’échantillon pour situer la comparaison.

Ce projet m’a appris à transformer des retours non structurés en un raisonnement analytique documenté, en distinguant ce que l’échantillon suggère de ce qu’il permet d’établir.

Portée et limites

L’échantillon d’avis n’est pas un sondage représentatif de tous les clients. Les écarts de taille entre échantillons et les sentiments attribués par modèle peuvent affecter les comparaisons. Les recommandations sont des propositions analytiques ; je n’ai mesuré ni leur adoption ni un résultat commercial ultérieur.