Перевод статьи Using your employee survey data to prioritise Employee Experience projects

Автор Andrew Marritt

Использование данных опроса сотрудников для приоритизации проектов Employee Experience

Учитывая, что опыт сотрудников быстро поднимается в списке приоритетов организаций и HR-команд, может быть сложно понять, с чего начать. Цель этой статьи — предоставить обзор прагматичного подхода, используемого многими нашими клиентами.

В последней статье о смешении количественных и качественных подходов я упомянул, что одним из лучших способов использования качественных данных является исследовательский подход в начале проекта. Этот подход, при котором вы начинаете с непредвзятости и смотрите на данные, чтобы указать вам многообещающее направление, идеально подходит для определения того, на чем следует сосредоточиться с опытом сотрудников.

Что вам нужно

Текстовые комментарии в своих опросах являются богатым хранилищем информации, ценность которой лишь немногие компании максимизировали. Обычно фирмы задают широкие открытые вопросы, такие как «Что хорошего в работе здесь?» и «Что мы можем сделать, чтобы улучшить работу здесь?». Оба вопроса будут содержать богатую информацию об опыте людей. У вас также может быть текст, связанный с жизненным циклом сотрудника, например комментарии к опросам о выходе или наборе персонала.

В дополнение к тексту полезно добавить метаданные индивидуального уровня, чтобы предоставить некоторую информацию о том, кто предоставляет контент. Это должны быть не имена, а местонахождение, должность, бизнес-функции, класс или уровень. Если вы можете использовать такие данные, как пол и возраст, это может быть полезно, не в последнюю очередь для того, чтобы убедиться, что вы сосредоточены на предоставлении беспристрастных рекомендаций и охвате ключевых групп. Важно, чтобы вы не просто рекомендовали то, что важно для самых больших групп.

Одна часть данных, которая является очень ценной, если она доступна, — это некоторая форма показателя производительности. Хотя вы не обязательно хотите просто сосредоточиться на высокоэффективных сотрудниках, вы можете убедиться, что опыт, который вы предоставляете своим наиболее ценным сотрудникам, является премиальным.

Что говорится?

Первая задача состоит в том, чтобы классифицировать тексты по темам и подтемам. Думайте об этом как о структурировании данных. Фактически вы добавляете один или несколько тегов, которые позволяют сортировать или фильтровать данные и обеспечивают основу для ряда дальнейших статистических анализов.

Хотя в опросе сотрудников каждый комментарий, возможно, связан с опытом, не все комментарии так же полезны, как другие.

Многие ответы будут короткими: либо несколько слов, либо, во многих случаях, список вопросов. Их важно анализировать, поскольку они могут предоставить информацию о масштабах проблемы, но сами по себе вряд ли могут предоставить достаточную информацию, чтобы объяснить, в чем проблема, почему она вызывает опасения, каковы последствия проблемы и, в конечном счете, как вы ее решаете. начал бы обращаться к ним.

Сколько тем достаточно? Хитрость здесь заключается в том, чтобы быть достаточно детализированным, чтобы вы не объединяли темы, которые на самом деле нужно было бы рассматривать по отдельности, но и не так много, чтобы вы были перегружены.

Один из вариантов, который, как мы обнаружили, работает хорошо, заключается в том, чтобы сначала создать достаточно детализированную структуру, а затем начать присоединяться к похожим темам. Вполне вероятно, что вам может понадобиться создать разные группы в зависимости от варианта использования и группы заинтересованных сторон.

Существует несколько различных подходов к объединению схожих тем. Один из вариантов — начать с сортировки категорий по частоте использования. Затем вы работаете с самой маленькой группой, добавляя ее к большей, если чувствуете, что она очень похожа. Если он уникален, оставьте его отдельно или добавьте в «другую» группу. Это упражнение хорошо работает в группе, когда каждая тема написана на отдельном стикере.

Другой метод, который нам очень нравится, — это использование анализа совпадений — мы используем вероятностный подход для просмотра пар тем, которые, скорее всего, будут использоваться вместе, — чтобы определить темы, которые могут быть кандидатами на слияние.

Определите, какие темы вызывают наибольшую боль

Вот почему лучше всего фиксировать количественную переменную, такую ​​как eNPS, eSat или показатель простоты использования. С помощью этой оценки можно использовать статистические методы, чтобы определить, какая тема или темы, по-видимому, больше всего связаны с вариацией оценок (т. е. какие из них, если они упоминаются, могут показать особенно хорошие/плохие оценки).

Существует множество различных техник, которые можно использовать. Часть выбора будет зависеть от того, как вы задали вопрос о рейтинге. Хороший вариант — построить модель случайного леса и посмотреть на важность признаков. Другой вариант — рассмотреть один из многих методов относительной важности. Не существует «идеального» метода, поэтому может быть полезно попробовать несколько и обобщить результаты (или использовать метод голосования).

Определите ответы, которые связывают причину и следствие

Один класс ответов, которые особенно полезны, — это те, которые явно описывают как проблему, так и результаты этой проблемы. Например:

«Нехватка персонала заставляет всех остальных работать в два раза больше».

Здесь мы видим явную связь между нагрузкой и персоналом. Эти типы предложений особенно полезны, когда вы хотите построить свою историю о том, что происходит, поскольку ваши заинтересованные стороны смогут понять последствия проблемы.

Интересно определить, какие темы в этих предложениях связаны. Например, в приведенном выше предложении вопросы кадрового обеспечения вызывают большую нагрузку. Хотя это может быть правильным, предложение не связывает явно высокую рабочую нагрузку с кадровыми проблемами.

Определить совместное появление тем

Темы в вашем тексте будут сосуществовать с другими темами, и изучение моделей этих отношений поможет вам понять связи, которые, возможно, не были определены так четко, как выше.

Совместное появление в обследовании может быть на нескольких уровнях. Возможно, вы смотрите на совпадение в ответе. Однако вы также можете комбинировать ответы и смотреть на взаимосвязь между вопросами (например, у людей, которым нравится пенсионная схема, обычно возникают проблемы с родительской политикой).

Сеть совместного присутствия, показывающая, как связаны темы для крупной фирмы. Данные взяты из вопроса о том, «что мы можем сделать, чтобы улучшить работу здесь».

Посмотрите на оценки эмоций

Как мы упоминали ранее, мы не большие поклонники анализа настроений. Однако, хотя он недостаточно надежен, чтобы использовать его для сортировки комментариев между положительными и отрицательными, его можно использовать для выделения предложений, которые, возможно, заслуживают рассмотрения сильно написанных цитат. Часто это будут те, у кого более «экстремальные» оценки настроений.

Недостатком этого является то, что он рискует переоценить примеры с определенным стилем письма. Поэтому поиск правильных примеров может помочь, но не должен быть единственным используемым подходом.

Создавайте персонажей

Темы почти никогда не распределяются равномерно по организации. Конечно, в качестве отправной точки пути к дизайну определение тем или групп тем, которые, скорее всего, будут упоминаться схожими группами сотрудников, может стать отличным способом начать создавать надежные, информированные о данных персонажи.

Обычно мы проводим этот анализ в обоих направлениях, то есть мы смотрим, какие группы сотрудников чаще всего упоминают каждую тему, а также смотрим, какие темы чаще всего упоминают ключевые группы населения.

Создавайте подробные изображения ключевых вариантов выбора

При таком подходе вы сможете детально определить некоторые потенциальные варианты. Для каждого варианта вам понадобится:

• Описание проблемы (например, техническое обучение новых сотрудников)
• На кого влияет эта проблема (Новые присоединившиеся, особенно те, кто находится в области «X», их менеджеры, их коллеги)
• Каковы последствия этой проблемы? (требуется больше времени, чтобы войти в курс дела, коллеги и менеджеры не могут сосредоточиться на своих задачах, поскольку они принимают новых сотрудников, что увеличивает стресс и рабочую нагрузку в этой области, что связано с более высоким истощением.)
• Размер проблемы (Каждый год мы нанимаем «y» человек в этой области, убыль новых столяров составляет «z»…)

Оценить стоимость/выгоду каждого варианта

Эта часть не может быть выполнена только на основе данных опроса. Чтобы помочь определить приоритетность возможных вмешательств, вам необходимо определить вероятные затраты и выгоды, связанные с каждым из них.

Наш предпочтительный подход здесь состоит из двух компонентов.

• Определите компоненты, связанные с анализом затрат/выгод, используя анализ дерева решений.
• Определите вероятные значения, используя процесс Delphi.

Одним из преимуществ использования этого подхода является то, что при таком разложении проблемы, если кто-то оспаривает ваши расчеты, вы можете определить, связана ли проблема с вашими расчетами (возможно, вы что-то упустили) или с вашими значениями. В любом случае гораздо проще повторить анализ с другим сценарием.

Суть здесь не в том, чтобы получить наиболее точное число, а в том, чтобы иметь приблизительную цифру или диапазон, который можно использовать на этапе определения приоритетов проекта.

Определите дополнительные вопросы

Хотя нам нравится использовать массивные наборы текстовых данных для информирования о такой расстановке приоритетов, вы не должны полагать, что эти данные предоставят всю необходимую вам информацию.

• Возможно, вы захотите добавить дополнительные метаданные к данным посткодирования, чтобы более подробно изучить проблему. В приведенном выше примере вы можете создать флаг, указывающий на наличие или количество новых участников в команде, и назначить их членам команды, чтобы вы могли анализировать текстовые ответы в отношении этих данных. Возможно, вы захотите просмотреть другие данные по этим командам, например, убыль или болезнь коллег.
• Возможно, вам потребуется собрать количественные или качественные данные, чтобы лучше понять проблему. Однако анализ должен позволить вам уточнить, от каких групп или отдельных лиц вам нужно собрать больше данных. Для сбора качественных данных (например, интервью) теперь вы должны быть в состоянии сфокусировать разговор в гораздо большей степени.

Не может заменить хороших аналитиков

Хороший текстовый анализ — это сортировка и фильтрация, чтобы сосредоточить внимание аналитиков на том, что больше всего необходимо для построения истории. Маловероятно, что эти истории и презентации могут быть написаны автоматически в ближайшее время.

При этом, хотя интерпретация информации требует человеческого опыта, техническая и аналитическая «инфраструктура» для этого может быть стандартизирована. С точки зрения проекта этот тип анализа может значительно увеличить скорость проекта при одновременном сокращении количества ресурсов.

Вполне возможно, что вам было предложено взглянуть на какую-то область или «путешествие», о которой у вас просто нет достаточных данных — например, о международной мобильности, когда затронуто лишь небольшое количество людей. В этих случаях вам следует подумать о сборе данных — либо спрашивая тех, кто недавно прошел через этот процесс, и / или создавая процессы измерения для мониторинга опыта. Использование описанного выше подхода в качестве основы для работы с этими новыми данными — хорошее начало.