Share |

пятница, 14 июля 2017 г.

Как использование методов анализа текста изменяет опросы сотрудников

Перевод статьи How text analytics is changing the employee survey. Автор - рекомендуемый мною Эндрю Марритт (Andrew Marritt). Он уже переводился у нас в блоге несколько раз, см. Неосознанная предвзятость? Использование аналитики текста для понимания гендерных различий в оценке эффективности работы
Перевод выполнила Ирина Тимофеева, специалист по T&D из Санкт-Перебурга. Ссылка ведет на профиль в фейсбуке. Это уже второй перевод Ирины, см. также Как дорого обходится текучесть персонала? Бизнес-кейс
Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак,

Как использование методов анализа текста изменяет опросы сотрудников

В своей последней статье я рассказывал о процессе, который повышает и понижает вовлеченность персонала и как это можно использовать наиболее эффективным лидерам для долгосрочных изменений. В этой статье я рассмотрю смежный вопрос – что нам нужно изменить?
Мы, аналитики из OrganizationView, провели множество исследований за последние 6 лет.  За это время мы пришли к выводу, что развернутые письменные комментарии от сотрудников являются важным источником информации для управления. Проблема же состояла в том, как справиться с этими десятками тысяч комментариев на разных языках. Именно это и стало одной из причин, стоящим за нашим решением создать Workometry - нашу платформу по сбору обратной связи от сотрудников.
До появления надежной текстовой аналитики, анализ текстовых комментариев требовал значительных временных и денежных затрат. В значительной степени именно из-за этих ограничений появилось большинство методов опроса сотрудников. Аналогично тому как изменились подходы к статистике в связи с появлением широкого выбора легкодоступной вычислительной технике и меньшими затратами на получение данных, мы ожидаем, что измениться подход к пониманию сотрудников благодаря доступности текстовой аналитики.
Используя текстовые комментарии, мы делаем две вещи: первое – разделяем текст на одну или несколько тем, и второе - разносим текст по каким либо уровням или шкалам, например по уровню отношения к теме. Когда мы разделяем текст по подтемы – мы не просто привязываемся к словам, мы идем глубже. Мы смотрим в двух направлениях – сама тема (например, карьерное планирование) и ее контекст (например,  его отсутствие). Это нечто большее, чем просто поиск по ключевому слову. Мы привязываемся не просто к словам, мы создаем множественные связи. Все это дает нам дополнительную информацию относительно нашего текста.
Далее, мы можем применить к этим данным различные статистические методы. Как правило, мы выделяем 40-60 различных тем из ответа на любой текстовый вопрос.  А это эквивалентно добавлению 40-60 вопросов к самому опросу!  Благодаря такому подходу мы можем проводить более короткие опросы с сохранением частоты ответов респондентов и одновременно получать более обширные данные. При этом мы используем «бесконтрольный» подход, означающий, что темы предлагаются данными, а не закодированы предварительно на основе общих результатов. Одной из причин, по которой мы проводим такой анализ, является привлечение внимания менеджеров к той части информации, на которой они должны сосредоточиться.  В настоящее время мы делаем это, комбинируя эти две техники.
Одним из неоспоримых плюсов работы с данными сотрудников состоит в том, что мы, в большинстве случаев, имеем обширные данные о сотрудниках – кто они, какую роль они играют в компании, с кем они работают, как они работают и другие ключевые кадровые события (смена работы, повышение заработной платы и т.п.). Связывая эти данные с результатами опроса, позволяет нам получить более глубокое понимание о результатах, чем если бы мы просто анализировали данные опроса сами по себе. С помощью Workometry мы создаем прогностические модели для определения того, какие группы сотрудников вероятнее всего будут обсуждать какую тему. Также, мы можем объединить информацию из HR-систем, бизнес-систем и результаты опросов, проведенных в разное время – и посмотреть на отношение сотрудников, например, к процессу адаптации. В последствии, эти модели можно визуализировать, сфокусировав внимание менеджеров на наиболее интересных группах или результатах. Интерактивное представленные данных позволяет пользователю развернуть их по новому, посмотреть на них под новым углом, и, в конечном счете, увидеть, что скрывается за текстовыми комментариями.
Еще один очень простой, но, по нашему опыту, действенный способ посмотреть на текстовые данные по-новому –  это определить какие темы обсуждаются сотрудниками с высоким и низким уровнем вовлеченности. Вы видим четкую закономерность – требования к работе является транзакционной составляющей, влияющей на  вовлеченность людей. Это соответствует тем данным, которые мы получаем, при проведении интервью с сотрудниками при увольнении.  Мы четко видим два этапа в этом процессе – сначала идет снижение вовлеченности, а затем сотрудники уходят. Это подтверждает модель динамики систем, о которой я говорил в прошлой статье.
И напоследок, анализируя текстовые комментарии таким образом мы обнаружили, что текст дает информацию об изменениях намного раньше, чем опросы с использованием шкал при ответах. Так, для одного из наших клиентов мы увидели изменения в комментариях о технологиях на 3 месяца раньше, чем мы увидели те же изменения в опросе с использованием вопросов со шкалой оценки. Такой способ получения информации позволяет менеджерам замечать и исправлять проблемы в самом из зачатке, и именно это должно рассматриваться как ключевое преимущество сбора и анализа текста.
__________________________________________________________
На этом все, читайте нас в фейсбуке и телеграмме

Комментариев нет:

Отправить комментарий