Skip to main content
Documentatie
Documentatie
Peakon
Laatst bijgewerkt: 2023-09-08
Concept: Analyse van trefwoordonderwerpen

Concept: Analyse van trefwoordonderwerpen

Opmerkingen van werknemers vormen een rijke bron van inzichten en voegen context toe aan kwantitatieve antwoorden. Bij onderwerpanalyse wordt gebruikgemaakt van Natural Language Processing (NLP), een vakgebied binnen machinaal leren, om opmerkingen van werknemers te analyseren en belangrijke thema's en sentimenten te identificeren.

Tekstanalyse

Het algoritme kan zowel onderwerpen over de werknemerservaring in de hele sector als specifieke team- en tijdsgebonden onderwerpen blootleggen.
U hoeft geen vooraf gedefinieerde termen te gebruiken of handmatig uw eigen trefwoorden toe te voegen. Peakon vat een onderwerp samen door de meest representatieve zinnen uit meerdere opmerkingen te combineren, zodat u een zinvol overzicht krijgt.
Peakon berekent de onderwerpen van de opmerkingen zodra de enquêteronde de volgende dag om 01:00 uur UTC sluit.
Nieuwe onderwerpen worden gegenereerd na:
  • Vragen over 2 actieve kerndrivervragen. Voorbeeld: Een driver uit de vragenset Betrokkenheid en een driver uit de vragenset Bedrijf.
  • 200 of meer opmerkingen in allerlei soorten vragenreeksen gedurende de afgelopen 3 maanden voor 1 taal.
Leiders die lager in de hiërarchie staan, hebben minder onderwerpen dan leiders die hoger in de hiërarchie staan. Zij hebben toegang tot meer enquêteresultaten en opmerkingen.
Oudere reacties (meer dan 3 maanden oud) kunnen bijdragen aan nieuwe, gerelateerde onderwerpen. Ze kunnen echter geen nieuwe thema's genereren.
Peakon probeert de top 50 onderwerpen in te vullen en plaatst deze vervolgens onder de betreffende driver. Er kunnen mogelijk enkele chauffeurs zijn zonder onderwerpen, ook al zijn er meer dan 300 reacties.

Sentimentanalyse

Sentimentanalyse bestaat uit een algoritme dat tekstuele opmerkingen verwerkt en een numerieke waarde toekent aan de waarschijnlijkheid van positief of negatief. Voorbeeld: Scores tussen -1 en +1, waarbij nul neutraal is.
Hoe meer positieve woorden een zin bevat (bijvoorbeeld geweldig, vriendelijk, deskundig), hoe positiever de boodschap zal zijn. Ideeën en meningen zijn echter complex. Peakon omzeilt de mogelijke onnauwkeurigheden in sentimentanalyse door gebruik te maken van de scores die werknemers geven.
Deze score is betrouwbaarder omdat deze rechtstreeks van een werknemer komt in relatie tot een specifieke chauffeursvraag, wat context schept. Omdat Peakon na elke vraag om feedback vraagt, zijn onze opmerkingen doorgaans kort, eenvoudig en gericht. We geven zelden tegenstrijdige gevoelens weer.

Relevante thema's

Het Peakon-algoritme vindt onderwerpen uit korte tekstantwoorden waarin dezelfde woorden voorkomen, maar die in verschillende contexten worden gebruikt.
Voorbeeld 1. Als een werknemer een vraag beantwoordt over zijn/haar persoonlijke groei (
Ik heb het gevoel dat ik professioneel groei
), kan hij/zij het volgende zeggen:
Ik groei zeker in een richting die voor mij interessanter is, dankzij het ontwikkelingsplan dat mijn manager heeft opgesteld
.
Voorbeeld 2. Beantwoord een open vraag ('
Als je een toverstaf had, wat zou je dan veranderen aan Kinetar?'
) Een werknemer zou het volgende kunnen zeggen:
Ik wou dat we meer trainingen voor lijnmanagers zouden aanbieden, dat zou heel nuttig zijn
.
In voorbeeld 1 verwijst het woord
manager
 naar de interactie tussen een werknemer en de manager. In voorbeeld 2 gaat het om een manager die om meer training vraagt.
Aan de hand van de voorbeelden 1 en 2 zien we dat het woord
manager
 belangrijk is, omdat het twee keer wordt weergegeven. Maar zonder context om op te handelen, krijgen we geen interessante, bruikbare informatie over waarom het woord belangrijk is.
Met behulp van contextuele analyse maakt het Peakon-algoritme onderwerpen bruikbaarder en interessanter door:
  • Onderwerpen aan drivers koppelen, waardoor er context aan onderwerpen wordt toegevoegd. Aan de hand van voorbeeld 1 zou het algoritme
    'ontwikkelingsplan'
     als onderwerp kunnen vinden als het een combinatie is van woorden die in relatie tot groei worden gebruikt.
  • Het vinden van onderwerpen met meerdere woorden: In voorbeeld 1 bevatte het antwoord de woordcombinatie
    ontwikkelingsplan
    . Wanneer deze woordcombinatie in veel antwoorden voorkomt, markeert Peakon het onderwerp als
    ontwikkelingsplan
     en niet
    ontwikkeling
    . In Voorbeeld 2 kan het onderwerp
    opleiding van lijnmanagers
    ,
    opleiding van managers
    of
    opleiding
     zijn, afhankelijk van hoe vaak de woorden voorkomen.
  • Woorden uit de vraagstelling verwijderen. Mensen hebben de neiging om de woorden van de vraag te herhalen in het antwoord. In Voorbeeld 1 bevat het antwoord het woord
    groeien
    , dat ook in de vraag stond. Het is niet nuttig om dit woord als onderwerp te zoeken, omdat we al weten dat we het over groei hebben. Daarom verwijdert Peakon automatisch de woorden uit de vraagstelling.
  • De prioriteit van veelvoorkomende woorden verlagen. Het algoritme verlaagt de prioriteit van woorden zonder specifieke betekenis die in alle antwoorden op de enquête voorkomen.
    Manager
     wordt alleen als onderwerp weergegeven als het een specifieke betekenis heeft in een drivercontext, waarbij onderwerpen worden aangeboden die specifiek zijn voor de driver. Voorbeeld:
    Kantoor
     of
    Ruimte
     voor de omgeving chauffeur of
    Loonsverhoging
     voor de chauffeursbeloning. Als we de vaak voorkomende woorden niet minder belangrijk zouden maken, zouden we
    manager
     als onderwerp voor alle drivers vinden.
  • Een onderwerpfragment aanleveren. Het algoritme genereert een alinea uit de zinnen die het meest typerend zijn voor de opmerkingen die binnen een onderwerp voorkomen. Deze paragraaf geeft u inzicht in een breed gesprek.
  • Zorg ervoor dat uw onderwerpen in de loop van de tijd veranderen. Peakon gebruikt ook oudere opmerkingen die relevant zijn voor het onderwerp. Het onderwerp is echter afhankelijk van de opmerkingen die in de laatste 3 maanden zijn geplaatst.