Konzept: Keyword-Themenanalyse
Mitarbeiterkommentare bieten eine reichhaltige Quelle an Erkenntnissen und fügen quantitativen Antworten Kontext hinzu. Bei der Themenanalyse wird Natural Language Processing (NLP), ein Bereich des maschinellen Lernens, verwendet, um Kommentare von Mitarbeitern zu analysieren und wichtige Themen und Stimmungen zu identifizieren.
Textanalyse
Der Algorithmus kann sowohl branchenweite Themen zur Mitarbeitererfahrung als auch spezifische team- und zeitabhängige Themen aufdecken.
Sie müssen keine vordefinierten Begriffe verwenden oder manuell eigene Schlüsselwörter hinzufügen. Peakon fasst ein Thema zusammen, indem es die repräsentativsten Sätze aus mehreren Kommentaren kombiniert, um Ihnen einen aussagekräftigen Überblick zu bieten.
Peakon berechnet die Kommentarthemen, sobald die Umfragerunde am nächsten Tag um 1:00 Uhr UTC geschlossen ist.
Neue Themen werden generiert nach:
- Fragen aus 2 aktiven Kerntreiberfragen. Beispiel: Ein Treiber aus dem Fragensatz „Engagement“ und ein Treiber aus dem Fragensatz „Unternehmen“.
- 200 oder mehr Kommentare zu allen Arten von Fragensätzen in den letzten 3 Monaten für 1 Sprache.
Führungskräfte weiter unten in der Hierarchie verfügen über weniger Themen als Führungskräfte weiter oben in der Hierarchie, die Zugriff auf mehr Umfrageergebnisse und Kommentare haben.
Ältere Kommentare (älter als 3 Monate) können zu neuen, verwandten Themen beitragen. Sie können jedoch keine neuen Themen generieren.
Peakon wird versuchen, die Top 50 Themen zu füllen und die Themen dann unter dem jeweiligen Treiber zu platzieren. Möglicherweise gibt es trotz über 300 Kommentaren einige Treiber ohne Themen.
Stimmungsanalyse
Die Stimmungsanalyse besteht aus einem Algorithmus, der Textkommentare verarbeitet und ihnen einen numerischen Wahrscheinlichkeitswert für positiv oder negativ zuweist. Beispiel: Werte zwischen -1 und +1, wobei Null neutral ist.
Je mehr positive Wörter ein Satz enthält (Beispiel: großartig, freundlich, kenntnisreich), desto positiver ist die Stimmung. Ideen und Meinungen sind jedoch komplex. Peakon umgeht die potenziellen Ungenauigkeiten der Stimmungsanalyse, indem es die von den Mitarbeitern vergebenen Bewertungen verwendet.
Diese Bewertung ist zuverlässiger, da sie direkt von einem Mitarbeiter in Bezug auf eine bestimmte Fahrerfrage kommt, die einen Kontext vorgibt. Da Peakon nach jeder Frage um Feedback bittet, sind unsere Kommentare normalerweise kurz, einfach und fokussiert und drücken selten widersprüchliche Meinungen aus.
Relevante Themen
Der Peakon-Algorithmus findet Themen aus kurzen Textantworten, die dieselben Wörter enthalten, aber in unterschiedlichen Kontexten verwendet werden.
Beispiel 1. Auf die Frage nach der beruflichen Weiterentwicklung (
Ich habe das Gefühl, dass ich mich beruflich weiterentwickle
) könnte ein Mitarbeiter antworten: „Dank des Entwicklungsplans, den mein Manager erstellt hat, entwickle ich mich definitiv in eine Richtung, die für mich interessanter ist.“
Beispiel 2. Als Antwort auf eine offene Frage (
Wenn Sie einen Zauberstab hätten, was würden Sie an Kinetar ändern?
) könnte ein Mitarbeiter Folgendes sagen: „Ich wünschte wirklich, wir würden mehr Schulungen für Linienmanager anbieten, das wäre wirklich hilfreich
.“In Beispiel 1 bezieht sich das Wort
Manager
auf die Interaktion eines Mitarbeiters mit dem Manager. Beispiel 2 bezieht sich auf einen Manager, der mehr Schulungen verlangt.Anhand der Beispiele 1 und 2 würden wir feststellen, dass das Wort
„Manager“
wichtig ist, da es zweimal vorkommt. Da es jedoch keinen Kontext gibt, auf den wir reagieren können, erhalten wir keine interessanten, umsetzbaren Informationen darüber, warum das Wort wichtig ist.Mithilfe kontextbasierter Analysen macht der Peakon-Algorithmus Themen umsetzbarer und interessanter, indem er:
- Anhängen von Themen an Treiber, die den Themen Kontext verleihen. Anhand von Beispiel 1 könnte der Algorithmus„Entwicklungsplan“als Thema finden, wenn es sich um eine Kombination von Wörtern handelt, die im Zusammenhang mit Wachstum verwendet werden.
- Mehrwortthemen finden: Im Beispiel 1 enthielt die Antwort die WortkombinationEntwicklungsplan. Wenn diese Wortkombination in vielen Antworten vorkommt, hebt Peakon das Thema alsEntwicklungsplanund nicht alsEntwicklunghervor. Aus Beispiel 2 könnte das Thema, je nachdem wie oft die Wörter vorkommen,„Linienmanager-Schulung“,„Manager-Schulung“ oder„Schulung“lauten.
- Entfernen von Wörtern aus der Frageformulierung. Menschen neigen dazu, die Worte der Frage in der Antwort zu wiederholen. In Beispiel 1 enthält die Antwort das Wort„growing“, das auch in der Frage vorkam. Es ist nicht sinnvoll, dieses Wort als Thema zu finden, da wir bereits wissen, dass wir nach Wachstum fragen. Daher entfernt Peakon die Wörter automatisch aus der Frageformulierung.
- Reduzierung der Priorität häufig vorkommender Wörter. Der Algorithmus reduziert die Priorität von Wörtern ohne besondere Bedeutung, die in allen Umfrageantworten angezeigt werden.Managerwird nur dann als Thema angezeigt, wenn es im Kontext eines Treibers eine bestimmte Bedeutung hat und treiberspezifische Themen bereitstellt. Beispiel:BürooderZimmerfür den Umweltfahrer oderGehaltserhöhungfür die Fahrerprämie. Wenn wir häufig vorkommende Wörter nicht herunterstufen würden, wäre„Manager“für alle Fahrer ein Thema.
- Abgabe eines Themenauszuges. Der Algorithmus generiert einen Absatz aus den Sätzen, die für alle Kommentare zu einem Thema am aussagekräftigsten sind. Dieser Absatz gibt Ihnen einen Einblick in eine umfassende Konversation.
- Stellen Sie sicher, dass sich Ihre Themen im Laufe der Zeit ändern. Darüber hinaus nutzt Peakon auch etwaige ältere Kommentare, die ebenfalls zum Thema passen. Das Thema hängt jedoch von den Kommentaren der letzten drei Monate ab.