https://github.com/aubainmbk/analyse-des-avis-clients-amazon

Utiliser l’analyse des sentiments et le clustering sur des avis Amazon à des fins de marketing et de satisfaction des clients.
https://github.com/aubainmbk/analyse-des-avis-clients-amazon

clustering marketing-analytics nlp-machine-learning nltk pca spacy vader-sentiment-analysis

Last synced: 5 days ago
JSON representation

Utiliser l’analyse des sentiments et le clustering sur des avis Amazon à des fins de marketing et de satisfaction des clients.

• Host: GitHub
• URL: https://github.com/aubainmbk/analyse-des-avis-clients-amazon
• Owner: AubainMbk
• Created: 2025-02-04T15:10:57.000Z (6 days ago)
• Default Branch: main
• Last Pushed: 2025-02-04T16:10:14.000Z (6 days ago)
• Last Synced: 2025-02-04T17:23:21.765Z (6 days ago)
• Topics: clustering, marketing-analytics, nlp-machine-learning, nltk, pca, spacy, vader-sentiment-analysis
• Language: Jupyter Notebook
• Homepage:
• Size: 571 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# 📌 Analyse des Avis Clients Amazon - NLP & Clustering

## 📖 Description

Ce projet vise à analyser les avis clients Amazon en utilisant des techniques de **Traitement du Langage Naturel (NLP)** et de **clustering** afin d’extraire des insights pertinents pour améliorer la stratégie marketing.

Les principales étapes incluent :

✅ Extraction et nettoyage des données 📊

✅ Analyse de sentiment avec **VADER** 🔍

✅ Clustering des avis pour identifier des segments d’audience 🎯

✅ Visualisation des résultats pour une meilleure compréhension 📈

## 📂 Données

Nous utilisons l’**Amazon Review Polarity Dataset**, un ensemble de données contenant des millions d’avis clients classés en **positif** et **négatif**. Nous avons travaillé sur un échantillon représentatif pour optimiser les performances.

## 🛠️ Outils et Technologies

- **Python** 🐍

- **NLTK & spaCy** (NLP & analyse de sentiment) 🧠

- **Scikit-learn** (Clustering & Machine Learning) 🤖

- **Matplotlib & Seaborn** (Visualisation des données) 📊

- **WordCloud** (Analyse des mots-clés) ☁️

## 📊 Résultats et Visualisations

### 📌 Répartition des sentiments

![image](https://github.com/user-attachments/assets/347fcc74-ec5a-47a0-be77-51c1c2a501cf)

### 📌 Clustering des avis

![image](https://github.com/user-attachments/assets/7ace6810-1b96-4985-bea1-2728ad2ff840)

### 📌 Word Clouds des clusters

![image](https://github.com/user-attachments/assets/849f31d2-842c-42b6-a847-06e995b22837)

### 📌 Matrice de distribution des sentiments par cluster

![image](https://github.com/user-attachments/assets/e62624c3-a969-4a42-926f-6a3becb4f69d)

## 🎯 Insights Clés & Recommandations

🔹 Identification de segments d’utilisateurs ayant des attentes spécifiques (ex : mentions fréquentes des problèmes de **livraison** ou **qualité du produit**).

🔹 Meilleure compréhension des attentes clients grâce aux **Word Clouds**.

🔹 Proposition d’actions marketing ciblées pour améliorer l’expérience utilisateur.

## 🏆 Prochaines Améliorations

- Tester d'autres modèles d’analyse de sentiment (ex: **BERT** 🦾)

- Expérimenter avec d'autres techniques de clustering (ex: **DBSCAN**)

- Étendre l’analyse aux **catégories de produits** pour des insights plus granulaires

📢 **N’hésitez pas à partager vos suggestions et contributions !** 😃

---

✉️ Contact : [email protected]