🔎 Contexte

Lors d’études sensorielles, l’entreprise collectait des centaines de commentaires consommateurs sur des produits très variés (goût, texture…).
Chaque commentaire devait être annoté manuellement afin de construire un plan de code : une liste d’attributs sensoriels reflétant ce qui plaît et ce qui déplaît aux consommateurs.
Ces annotations servaient ensuite à générer des tableaux récapitulatifs pour orienter R&D et marketing.

🎯 Défi

• Un processus trop long et coûteux
• Des erreurs d’interprétation fréquentes
• Une hétérogénéité dans la manière d’annoter et de créer les attributs d’un produit à l’autre

👉 Comment rendre ce processus plus rapide, plus fiable et standardisé ?

⚙️ Actions menées

• Exploration de modèles d’IA générative : OpenAI GPT et Google Gemini
• Conception d’un prompt spécialisé pour guider l’IA dans la tâche d’annotation sensorielle
• Développement d’une application interne permettant :
  • de transmettre les données brutes,
  • d’apporter un contexte ou des ajustements métier,
  • de modifier/valider les annotations proposées.
• Mise en place de métriques NLP pour évaluer les résultats

✅ Résultats obtenus

• Gain de temps considérable sur le processus d’annotation
• Homogénéité dans l’annotation des commentaires et dans la réalisation des plan de code d’un produit à l’autre
• Meilleure reproductibilité grâce à une méthodologie structurée et validée par l’IA

Possibilité de transférer la méthode à d’autres types de retours clients (SAV, enquêtes, réseaux sociaux)

💡 Valeur ajoutée business

👉 Des insights consommateurs obtenus plus rapidement
👉 Une standardisation des analyses, utile pour le suivi produit dans la durée
👉 Moins de temps passé à “coder” les données, plus de temps pour les interpréter et agir