Concept : Analyse des sujets de mots clés
Les commentaires des employés constituent une riche source d’informations et ajoutent du contexte aux réponses quantitatives. L'analyse des sujets utilise le traitement du langage naturel (NLP), un domaine de l'apprentissage automatique, pour analyser les commentaires des employés et identifier les thèmes et sentiments importants.
Analyse de texte
L'algorithme peut révéler à la fois des sujets liés à l'expérience des employés à l'échelle de l'industrie et des sujets spécifiques à l'équipe et au temps.
Vous n’avez pas besoin d’utiliser des termes prédéfinis ou d’ajouter manuellement vos propres mots-clés. Peakon résume un sujet en combinant les phrases les plus représentatives de plusieurs commentaires pour vous fournir un aperçu significatif.
Peakon calcule les sujets de commentaires une fois le cycle d'enquête terminé à 1h00 UTC le lendemain.
De nouveaux sujets sont générés après :
- Questions provenant de 2 questions de pilotes de base actifs. Exemple : un pilote de l’ensemble de questions Engagement et un pilote de l’ensemble de questions Société.
- 200 commentaires ou plus sur tous les types de questions au cours des 3 derniers mois pour 1 langue.
Les dirigeants situés plus bas dans la hiérarchie auront moins de sujets à traiter que les dirigeants situés plus haut dans la hiérarchie, qui ont accès à davantage de résultats d'enquête et de commentaires.
Les commentaires plus anciens (datant de plus de 3 mois) peuvent contribuer à de nouveaux sujets connexes. Cependant, ils ne peuvent pas générer de nouveaux thèmes.
Peakon cherchera à renseigner les 50 principaux sujets, puis à placer les sujets sous le pilote respectif. Il est possible que vous ayez potentiellement des pilotes sans sujet, malgré plus de 300 commentaires.
Analyse des sentiments
L'analyse des sentiments consiste en un algorithme qui traite les commentaires textuels et attribue une valeur numérique de probabilité positive ou négative. Exemple : scores compris entre -1 et +1, zéro étant neutre.
Plus le nombre de mots positifs contenus dans une phrase est élevé (exemple : génial, amical, compétent), plus elle aura un sentiment positif. Cependant, les idées et les opinions sont complexes. Peakon contourne les inexactitudes potentielles dans l’analyse des sentiments en utilisant les scores attribués par les employés.
Ce score est plus fiable car il provient directement d'un employé en relation avec une question de conducteur spécifique qui définit un contexte. Comme Peakon demande des commentaires après chaque question, nos commentaires sont généralement courts, simples et ciblés, et expriment rarement des sentiments contradictoires.
Thèmes pertinents
L'algorithme Peakon trouve des sujets à partir de réponses textuelles courtes contenant les mêmes mots mais utilisés dans des contextes différents.
Exemple 1. En répondant à une question sur la croissance (
je sens que je grandis professionnellement
), un employé pourrait commenter : Je grandis définitivement dans une direction qui m'intéresse davantage, grâce au plan de développement créé par mon manager
.Exemple 2. En réponse à une question ouverte (
Si vous aviez une baguette magique, quelle est la seule chose que vous changeriez chez Kinetar ?
), un employé pourrait commenter : J'aimerais vraiment que nous proposions davantage de formations aux responsables hiérarchiques, ce serait vraiment utile
.Dans l’exemple 1, le mot
manager
fait référence à une interaction d’un employé avec le manager. Dans l’exemple 2, il s’agit d’un manager qui demande davantage de formation.En utilisant les exemples 1 et 2, nous constaterons que le mot
gestionnaire
est important car il s’affiche deux fois. Cependant, sans contexte sur lequel agir, nous n’obtenons aucune information intéressante et exploitable sur les raisons pour lesquelles ce mot est important.En utilisant l'analyse contextuelle, l'algorithme Peakon rend les sujets plus exploitables et intéressants en :
- Associer des sujets aux pilotes, ce qui ajoute du contexte aux sujets. En utilisant l'exemple 1, l'algorithme pourrait trouverle plan de développementcomme sujet s'il s'agit d'une combinaison de mots utilisés en relation avec la croissance.
- Recherche de sujets à plusieurs mots : Dans l'exemple 1, la réponse comprenait la combinaison de motsplan de développement. Lorsque cette combinaison de mots apparaît dans de nombreuses réponses, Peakon met en évidence le sujet comme étantplan de développementet nondéveloppement. À partir de l'exemple 2, le sujet pourrait êtrela formation des responsables hiérarchiques,la formation des managersoula formation, selon la fréquence à laquelle les mots apparaissent.
- Suppression de mots dans la formulation de la question. Les gens ont tendance à répéter les mots de la question dans la réponse. Dans l'exemple 1, la réponse inclut le mot« growing », qui était également dans la question. Il n’est pas utile de trouver ce mot comme sujet, puisque nous savons déjà que nous parlons de croissance. Par conséquent, Peakon supprime automatiquement les mots de la formulation de la question.
- Réduire la priorité accordée aux mots fréquemment utilisés. L'algorithme réduit la priorité des mots sans signification spécifique qui s'affichent dans toutes les réponses de l'enquête.Le gestionnaires'affiche uniquement en tant que sujet s'il a une signification spécifique dans le contexte d'un pilote, fournissant des sujets spécifiques au pilote. Exemple :BureauouChambrepour le chauffeur de l'environnement ouAugmentation de salairepour la récompense du chauffeur. Si nous ne réduisions pas la priorité des mots fréquemment utilisés, nous trouverions« manager »comme sujet pour tous les conducteurs.
- Fournir un extrait de sujet. L'algorithme génère un paragraphe à partir des phrases les plus révélatrices de tous les commentaires qui composent un sujet. Ce paragraphe vous donne un aperçu d’une conversation générale.
- S’assurer que vos sujets évoluent au fil du temps. Peakon utilise également tous les commentaires plus anciens qui sont également pertinents pour le sujet. Cependant, le sujet dépendra des commentaires faits au cours des 3 derniers mois.