Conceito: Análise de Tópicos de Palavras-chave
Os comentários dos funcionários fornecem uma rica fonte de insights e acrescentam contexto às respostas quantitativas. A análise de tópicos usa o Processamento de Linguagem Natural (PLN), um campo de aprendizado de máquina, para analisar comentários de funcionários e identificar temas e sentimentos importantes.
Análise de Texto
O algoritmo pode revelar tópicos de experiência de funcionários de todo o setor e tópicos específicos que dependem da equipe e do tempo.
Você não precisa usar termos predefinidos ou adicionar manualmente suas próprias palavras-chave. Peakon resume um tópico combinando as frases mais representativas de vários comentários para fornecer uma visão geral significativa.
O Peakon calcula os tópicos de comentários assim que a rodada da pesquisa termina à 1h UTC do dia seguinte.
Novos tópicos são gerados após:
- Perguntas de 2 perguntas de driver principais ativas. Exemplo: Um motivador do conjunto de perguntas de engajamento e um motivador do conjunto de perguntas da empresa.
- 200 ou mais comentários em todos os tipos de conjuntos de perguntas nos últimos 3 meses para 1 idioma.
Líderes de pessoas mais abaixo na hierarquia terão menos tópicos do que líderes mais acima na hierarquia, que têm acesso a mais resultados de pesquisas e comentários.
Comentários mais antigos (com mais de 3 meses) podem contribuir para novos tópicos relacionados. Entretanto, eles não podem gerar novos temas.
O Peakon tentará preencher os 50 principais tópicos e, então, colocá-los sob o respectivo driver. Você pode ter alguns drivers sem tópicos, apesar de haver mais de 300 comentários.
Análise de Sentimentos
A análise de sentimento consiste em um algoritmo que processa comentários de texto e atribui um valor numérico de probabilidade de positivo ou negativo. Exemplo: Pontuações entre -1 e +1, sendo zero neutro.
Quanto maior o número de palavras positivas contidas em uma frase (exemplo: ótimo, amigável, conhecedor), mais sentimento positivo ela terá. No entanto, ideias e opiniões são complexas. A Peakon contorna as potenciais imprecisões na análise de sentimentos usando as pontuações dadas pelos funcionários.
Essa pontuação é mais confiável, pois vem diretamente de um funcionário em relação a uma pergunta específica do motorista que define um contexto. Como a Peakon pede feedback após cada pergunta, nossos comentários geralmente são curtos, simples e focados, e raramente expressam sentimentos conflitantes.
Temas Relevantes
O algoritmo Peakon encontra tópicos em respostas de texto curto contendo as mesmas palavras, mas usadas em contextos diferentes.
Exemplo 1. Respondendo a uma pergunta sobre crescimento (
Sinto que estou crescendo profissionalmente
), um funcionário pode comentar: Definitivamente, estou crescendo em uma direção que é mais interessante para mim, graças ao plano de desenvolvimento que meu gerente criou
.Exemplo 2. Respondendo a uma pergunta aberta (
Se você tivesse uma varinha mágica, o que mudaria na Kinetar?
), um funcionário poderia comentar: Eu realmente gostaria que oferecêssemos mais treinamento para gerentes de linha, isso seria muito útil
.No exemplo 1, a palavra
gerente
se refere à interação de um funcionário com o gerente. No exemplo 2, refere-se a um gerente que solicita mais treinamento.Usando os exemplos 1 e 2, descobriremos que a palavra
gerente
é importante porque ela aparece duas vezes. Entretanto, sem contexto para agir, não obtemos informações práticas interessantes sobre por que a palavra é importante.Usando análise contextual, o algoritmo Peakon torna os tópicos mais acionáveis e interessantes por:
- Anexar tópicos aos drivers, o que adiciona contexto aos tópicos. Usando o Exemplo 1, o algoritmo pode encontraro plano de desenvolvimentocomo um tópico se for uma combinação de palavras usadas em relação ao crescimento.
- Encontrando tópicos com várias palavras: No exemplo 1, a resposta incluiu oplano de desenvolvimentode combinação de palavras. Quando essa combinação de palavras aparece em muitas respostas, Peakon destaca o tópico comoplano de desenvolvimentoe nãodesenvolvimento. No Exemplo 2, o tópico pode sertreinamento de gerente de linha,treinamento de gerenteoutreinamento,dependendo da frequência com que as palavras ocorrem.
- Removendo palavras da formulação da pergunta. As pessoas têm uma tendência a repetir as palavras da pergunta na resposta. No Exemplo 1, a resposta inclui a palavragrowing, que também estava na pergunta. Não é útil encontrar essa palavra como tópico, pois já sabemos que estamos perguntando sobre crescimento. Portanto, o Peakon remove automaticamente as palavras da formulação da pergunta.
- Reduzir a prioridade em palavras que ocorrem com frequência. O algoritmo reduz a prioridade de palavras sem significado específico que aparecem em todas as respostas da pesquisa.O gerenciadorsó é exibido como um tópico se tiver um significado específico no contexto do driver, fornecendo tópicos específicos para o driver. Exemplo:EscritórioouSalapara o motorista do meio ambiente ouAumento salarialpara a recompensa do motorista. Se não rebaixássemos a prioridade das palavras mais comuns, encontraríamosgerentecomo um tópico para todos os motoristas.
- Entregando um extrato do tópico. O algoritmo gera um parágrafo a partir das frases mais indicativas de todos os comentários que compõem um tópico. Este parágrafo lhe dá uma visão de uma conversa ampla.
- Garantir que seus tópicos mudem ao longo do tempo. Peakon também usa comentários mais antigos que também sejam relevantes ao tópico. No entanto, o tópico dependerá dos comentários feitos nos últimos 3 meses.