01 / EXPLORER
Des commentaires aux indicateurs
Jeu de démonstration fictif, sans représentativité statistique d’Olist. Les indicateurs ci-dessous décrivent uniquement la sélection affichée.
Chargement des exemples…
Sentiment du texte
Une catégorie par avis, y compris les avis sans texte. Total : 100 % avant arrondi.
Thèmes détectés
Un avis peut citer plusieurs thèmes ou aucun. Les parts ne totalisent pas nécessairement 100 %.
02 / RELIRE
Les avis derrière les chiffres
| Avis | Note | Sentiment | Thèmes | Score du modèle |
|---|
Télécharger le fichier préparé
03 / COMPRENDREUne méthode explicite,
Une méthode explicite,
des résultats à interpréter.
Cette démo montre la restitution de l’outil Python. Les exemples ont été analysés une fois avant publication. Vos filtres et téléchargements sont traités dans votre navigateur.
Découvrir l’étude de cas Olist ↗Comment le sentiment est-il calculé ?
Le modèle multilingue XLM-T distingue positif, négatif et neutre. Les résultats sous un seuil de score ou de marge sont marqués « Indéterminé ». Le score n’est pas une probabilité de justesse validée. La note ne détermine pas le sentiment.
Comment les thèmes sont-ils détectés ?
Par des mots et expressions en français, portugais et anglais. Les règles sont personnalisables dans l’application Python. Un thème ne constitue pas une preuve du sens exact du commentaire.
Puis-je importer mes propres fichiers ?
Dans la version Python, oui : CSV, Excel, TXT, JSON/JSONL, DOCX et PDF texte. Cette démo publique utilise uniquement ses exemples intégrés ; elle n’envoie pas de commentaires à un service d’IA.
Instructions et modèle téléchargeable ↗Quelles sont les limites ?
Ironie, contexte et fautes peuvent induire des erreurs. Les exemples fictifs ne mesurent pas la satisfaction des clients Olist ni la précision du modèle. L’application locale propose une relecture et des corrections manuelles.