L’engagement de l’audience sur les réseaux sociaux joue un rôle crucial dans la croissance et le succès des entreprises B2B. Dans une perspective de communication bidirectionnelle, savoir si une publication sur les réseaux sociaux va engager les clients est d’une grande valeur. L’objectif principal de cette recherche est d’évaluer l’utilisation des caractéristiques linguistiques (linguistic features) et de l’apprentissage automatique (machine learning) pour prédire le succès des publications sur les médias sociaux à l’aide de mesures d’engagement des utilisateurs, telles que les mentions j’aime (likes), les commentaires et les partages.
Pour répondre à cette question, nous avons analysé 51 615 publications Facebook de 121 entreprises B2B afin de développer des modèles basés sur l’apprentissage automatique pouvant prédire le succès d’une publication. Nous avons utilisé les réactions des utilisateurs (likes, commentaires, partages) comme indicateurs de succès et avons annoté les données en fonction de ces derniers. Ensuite, nous avons utilisé les données annotées pour entraîner des modèles automatiques afin de prédire le succès des publications Facebook dans l’engagement des utilisateurs, en utilisant les mots les plus fréquents dans nos données comme mots caractéristiques et trois algorithmes d’apprentissage automatique bien connus : Support Vector Machine, Naïve Bayes et Multi-layer Perceptron.
Les performances de nos modèles sur l’ensemble des données test ont montré que nos modèles pouvaient prédire le succès des publications Facebook en termes d’engagement des utilisateurs avec une précision modérée. De plus, l’analyse statistique des données annotées a démontré que l’utilisation de certains termes spécifiques peut affecter l’engagement des utilisateurs. Ainsi, plusieurs découvertes issues de nos analyses peuvent aider les gestionnaires de réseaux sociaux à créer du contenu plus engageant et ainsi à optimiser leurs stratégies de communication :
- Utiliser des mots inspirants et positifs : Des mots comme « inspirant », « heureux », « moment » ou « bienvenue » peuvent augmenter significativement l’engagement des utilisateurs.
- Intégrer des références temporelles : Des mots en lien avec des dates ou des périodes spécifiques dans les publications, tels que « semaine », « année », « été » ou les différents mois, peuvent capter l’attention et l’intérêt des utilisateurs.
- Expérimenter avec différents types de contenu : Notre recherche s’est concentrée sur les contenus publiés sur Facebook. Cependant, nous recommandons de tester et adapter ces stratégies sur différentes plateformes de réseaux sociaux afin d’obtenir des insights supplémentaires et aider à affiner les approches pour différents publics. En effet, nos analyses ont démontré que les mots liés aux produits et au développement des entreprises pouvaient avoir un intérêt pour l’audience des entreprises B2B sur Facebook, mais nous pouvons supposer que ces derniers auraient encore plus de succès sur un réseau professionnel tel que LinkedIn.
- Adapter le contenu en fonction des données analytiques : Bien que la présente recherche offre des pistes d’amélioration, nous recommandons d’utiliser des outils d’analyse pour identifier les caractéristiques linguistiques qui fonctionnent le mieux pour votre audience spécifique et ajuster vos publications en conséquence.
En mettant en œuvre des stratégies basées sur les données, les entreprises B2B peuvent améliorer l’efficacité de leurs efforts de communication sur les réseaux sociaux en instaurant une communication bidirectionnelle engageante qui favorisera des relations plus solides avec leurs clients et partenaires.
Si vous ne deviez retenir qu’un élément de cet article : Utilisez des outils de machine learning pour adapter votre discours et ainsi optimiser l’engagement sur vos réseaux sociaux et renforcer votre présence en ligne.
Source :
Saravani, S.H.H., Boeck, H., Bourguignon, B. (2024). Using Linguistic Features to Predict Social Media Engagement: Proposing an Approach Based on Machine Learning and Natural Language Processing. In: Reis, J.L., Zelený, J., Gavurová, B., Santos, J.P.M.d. (eds) Marketing and Smart Technologies. ICMarkTech 2023. Smart Innovation, Systems and Technologies, vol 386. Springer, Singapore. https://doi.org/10.1007/978-981-97-1552-7_27