Concetto: analisi degli argomenti delle parole chiave
I commenti dei dipendenti forniscono una ricca fonte di informazioni e aggiungono contesto alle risposte quantitative. L'analisi degli argomenti utilizza l'elaborazione del linguaggio naturale (NLP), un campo dell'apprendimento automatico, per analizzare i commenti dei dipendenti e identificare temi e sentimenti importanti.
Analisi del testo
L'algoritmo è in grado di individuare sia argomenti relativi all'esperienza dei dipendenti a livello di settore, sia argomenti specifici relativi al team e al tempo.
Non è necessario utilizzare termini predefiniti o aggiungere manualmente parole chiave personalizzate. Peakon riassume un argomento combinando le frasi più rappresentative provenienti da più commenti per fornirti una panoramica significativa.
Peakon calcola gli argomenti dei commenti una volta chiuso il sondaggio, alle ore 01:00 UTC del giorno successivo.
I nuovi argomenti vengono generati dopo:
- Domande da 2 domande attive sui driver principali. Esempio: un driver dal set di domande Engagement e un driver dal set di domande Company.
- 200 o più commenti su tutti i tipi di set di domande negli ultimi 3 mesi per 1 lingua.
I leader che occupano posizioni più basse nella gerarchia avranno meno argomenti da discutere rispetto ai leader che occupano posizioni più alte nella gerarchia, che hanno accesso a più risultati di sondaggi e commenti.
I commenti più vecchi (quelli che risalgono a più di 3 mesi fa) possono contribuire a nuovi argomenti correlati. Tuttavia, non possono generare nuovi temi.
Peakon cercherà di popolare i primi 50 argomenti e poi di inserirli sotto il rispettivo driver. Potresti avere alcuni driver senza argomenti, nonostante ci siano più di 300 commenti.
Analisi del sentimento
L'analisi del sentiment consiste in un algoritmo che elabora i commenti di testo e assegna un valore numerico di probabilità di positivo o negativo. Esempio: punteggi compresi tra -1 e +1, dove zero è neutro.
Maggiore è il numero di parole positive contenute in una frase (ad esempio: fantastico, amichevole, competente), maggiore sarà il sentimento positivo che trasmetterà. Tuttavia, idee e opinioni sono complesse. Peakon aggira le potenziali inesattezze nell'analisi del sentiment utilizzando i punteggi forniti dai dipendenti.
Questo punteggio è più affidabile perché proviene direttamente da un dipendente in relazione a una domanda specifica del conducente che definisce un contesto. Poiché Peakon chiede un feedback dopo ogni domanda, i nostri commenti sono solitamente brevi, semplici e mirati e raramente esprimono sentimenti contrastanti.
Temi rilevanti
L'algoritmo Peakon trova gli argomenti a partire da risposte di testo brevi contenenti le stesse parole ma utilizzate in contesti diversi.
Esempio 1. Rispondendo a una domanda sulla crescita (
Sento che sto crescendo professionalmente
), un dipendente potrebbe commentare: Sto sicuramente crescendo in una direzione che mi interessa di più, grazie al piano di sviluppo creato dal mio responsabile
.Esempio 2. Rispondendo a una domanda aperta (
Se avessi una bacchetta magica, qual è la cosa che cambieresti di Kinetar?
), un dipendente potrebbe commentare: Vorrei davvero che fornissimo più formazione ai responsabili di linea, sarebbe davvero utile
.Nell'esempio 1, la parola
manager
si riferisce all'interazione di un dipendente con il manager. Nell'esempio 2, si riferisce a un manager che chiede maggiore formazione.Utilizzando gli esempi 1 e 2, scopriremmo che la parola
manager
è importante perché viene visualizzata due volte. Tuttavia, in assenza di un contesto su cui agire, non otteniamo informazioni interessanti e fruibili sul perché la parola sia importante.Utilizzando l'analisi contestuale, l'algoritmo Peakon rende gli argomenti più praticabili e interessanti:
- Associazione di argomenti ai driver, che aggiungono contesto agli argomenti. Utilizzando l'esempio 1, l'algoritmo potrebbe trovareil piano di sviluppocome argomento se si tratta di una combinazione di parole utilizzate in relazione alla crescita.
- Ricerca di argomenti composti da più parole: nell'esempio 1, la risposta includeva la combinazione di parolepiano di sviluppo. Quando questa combinazione di parole compare in molte risposte, Peakon evidenzia l'argomento comepiano di sviluppoe nonsviluppo. Nell'esempio 2, l'argomento potrebbe essereformazione del responsabile di linea,formazione del manageroformazione, a seconda della frequenza con cui si presentano le parole.
- Eliminazione di parole dalla formulazione della domanda. Le persone tendono a ripetere le parole della domanda nella risposta. Nell'esempio 1, la risposta include la parolacrescita, presente anche nella domanda. Non è utile cercare questa parola come argomento, poiché sappiamo già che stiamo parlando di crescita. Pertanto Peakon rimuove automaticamente le parole dalla formulazione della domanda.
- Ridurre la priorità delle parole più ricorrenti. L'algoritmo riduce la priorità delle parole prive di significato specifico che compaiono in tutte le risposte al sondaggio.Il gestoreviene visualizzato come argomento solo se ha un significato specifico nel contesto del driver, fornendo argomenti specifici per il driver. Esempio:Ufficioostanzaper l'autista rispettoso dell'ambiente oppureaumento di stipendioper il premio dell'autista. Se non declassassimo le parole più ricorrenti, troveremmola parola managercome argomento per tutti i conducenti.
- Fornire un estratto dell'argomento. L'algoritmo genera un paragrafo dalle frasi più indicative tra tutti i commenti che compongono un argomento. Questo paragrafo offre uno spaccato di una conversazione di ampio respiro.
- Garantire che gli argomenti cambino nel tempo. Peakon utilizza anche eventuali commenti più vecchi pertinenti all'argomento. Tuttavia, l'argomento dipenderà dai commenti fatti negli ultimi 3 mesi.