Concepto: Análisis de temas de palabras clave
Los comentarios de los empleados proporcionan una rica fuente de información y añaden contexto a las respuestas cuantitativas. El análisis de temas utiliza el procesamiento del lenguaje natural (PLN), un campo del aprendizaje automático, para analizar los comentarios de los empleados e identificar temas y sentimientos importantes.
Análisis de texto
El algoritmo puede descubrir temas de experiencia de los empleados de toda la industria y temas específicos del equipo y dependientes del tiempo.
No es necesario utilizar términos predefinidos ni agregar manualmente palabras clave propias. Peakon resume un tema combinando las oraciones más representativas de múltiples comentarios para brindarle una descripción general significativa.
Peakon calcula los temas de los comentarios una vez que la ronda de la encuesta cierra a la 1:00 AM UTC del día siguiente.
Los nuevos temas se generan después de:
- Preguntas de 2 controladores básicos activos. Ejemplo: Un conductor del conjunto de preguntas de Compromiso y un conductor del conjunto de preguntas de Empresa.
- 200 o más comentarios en todo tipo de conjuntos de preguntas durante los últimos 3 meses para 1 idioma.
Los líderes que se encuentran más abajo en la jerarquía tendrán menos temas que los líderes que se encuentran más arriba en la jerarquía, quienes tienen acceso a más resultados de encuestas y comentarios.
Los comentarios antiguos (con más de 3 meses de antigüedad) pueden contribuir a temas nuevos relacionados. Sin embargo, no pueden generar nuevos temas.
Peakon buscará completar los 50 temas principales y luego colocarlos bajo el impulsor respectivo. Es posible que haya algunos conductores sin temas, a pesar de que haya más de 300 comentarios.
Análisis de sentimientos
El análisis de sentimientos consiste en un algoritmo que procesa los comentarios de texto y asigna un valor numérico de probabilidad de ser positivo o negativo. Ejemplo: Puntuaciones entre -1 y +1, siendo cero neutral.
Cuanto mayor sea el número de palabras positivas contenidas en una oración (Ejemplo: genial, amigable, conocedor), más sentimiento positivo tendrá. Sin embargo, las ideas y las opiniones son complejas. Peakon evita las posibles inexactitudes en el análisis de sentimientos al utilizar las puntuaciones otorgadas por los empleados.
Esta puntuación es más confiable ya que proviene directamente de un empleado en relación con una pregunta específica del conductor que establece un contexto. Como Peakon solicita comentarios después de cada pregunta, nuestros comentarios suelen ser breves, simples y centrados, y rara vez expresan sentimientos conflictivos.
Temas relevantes
El algoritmo Peakon encuentra temas a partir de respuestas de textos cortos que contienen las mismas palabras pero utilizadas en diferentes contextos.
Ejemplo 1. En respuesta a una pregunta de crecimiento (
Siento que estoy creciendo profesionalmente
) un empleado podría comentar: Definitivamente estoy creciendo en una dirección que es más interesante para mí, gracias al plan de desarrollo que creó mi gerente
.Ejemplo 2. En respuesta a una pregunta abierta (
si tuvieras una varita mágica, ¿qué cambiarías de Kinetar?
), un empleado podría comentar: Realmente desearía que brindáramos más capacitación a los gerentes de línea, esto sería realmente útil
.En el ejemplo 1, la palabra
gerente
se relaciona con la interacción de un empleado con el gerente. En el ejemplo 2, se refiere a un gerente que solicita más capacitación.Usando los ejemplos 1 y 2, encontraríamos que la palabra
manager
es importante porque aparece dos veces. Sin embargo, al no tener un contexto sobre el cual actuar, no obtenemos información práctica interesante sobre por qué la palabra es importante.Utilizando el análisis contextual, el algoritmo Peakon hace que los temas sean más prácticos e interesantes al:
- Adjuntar temas a los controladores, lo que agrega contexto a los temas. Utilizando el Ejemplo 1, el algoritmo podría encontrarel plan de desarrollocomo tema si se trata de una combinación de palabras utilizadas en relación con el crecimiento.
- Búsqueda de temas de varias palabras: En el ejemplo 1, la respuesta incluía la combinación de palabrasplan de desarrollo. Cuando esta combinación de palabras aparece en muchas respuestas, Peakon resalta el tema comoplan de desarrolloy nodesarrollo. En el ejemplo 2, el tema podría sercapacitación del gerente de línea,capacitación del gerenteocapacitación, dependiendo de la frecuencia con la que aparezcan las palabras.
- Eliminar palabras de la formulación de la pregunta. La gente tiene tendencia a repetir las palabras de la pregunta en la respuesta. En el ejemplo 1, la respuesta incluye la palabracreciendo, que también estaba en la pregunta. No es útil buscar esta palabra como tema, ya que sabemos que estamos preguntando sobre crecimiento. Por lo tanto, Peakon elimina automáticamente las palabras de la formulación de la pregunta.
- Reducir la prioridad en palabras que aparecen comúnmente. El algoritmo reduce la prioridad de las palabras sin un significado específico que aparecen en todas las respuestas de la encuesta.El administradorsolo se muestra como un tema si tiene un significado específico en el contexto de un controlador y proporciona temas específicos para el controlador. Ejemplo:OficinaoSalapara el conductor del medio ambiente oAumento de sueldopara la recompensa del conductor. Si no priorizáramos las palabras que aparecen con frecuencia, encontraríamos"gerente"como un tema para todos los conductores.
- Entregando un extracto del tema. El algoritmo genera un párrafo a partir de las frases más indicativas de todos los comentarios que componen un tema. Este párrafo le dará una idea de una conversación amplia.
- Asegurarse de que sus temas cambien con el tiempo. Peakon también utiliza cualquier comentario antiguo que también sea relevante para el tema. Sin embargo, el tema dependerá de los comentarios realizados en los últimos 3 meses.