L'explorateur de texte de JMP est un outil très puissant qui peut être utilisé pour organiser les réponses d'une enquête ou d'une série d'entretiens de type « voix du client » (VOC) et les préparer pour les tests. Dans cette présentation, je passe en revue toutes les étapes, en utilisant un exemple réel de mon organisation. Les enquêtes sont basées sur des questions fermées (évaluation à l'aide de 1 à 5 étoiles), partiellement fermées (réponses à choix multiples dans une liste d'options) ou ouvertes (champ de texte libre).
Comme prévu, les réponses des répondants aux questions ouvertes ou partiellement fermées sont beaucoup plus variées. Text Explorer permet de coder les réponses sous forme de termes et de phrases. Elles peuvent ensuite être traitées de nombreuses manières, permettant ainsi la modélisation prédictive et les tests d'hypothèses, comme le montre cette présentation.
Text Explorer peut également être utilisé pour regrouper les réponses VOC en rubriques utilisées ultérieurement comme facteurs de qualité dans un arbre CTQ. Construite de manière appropriée, cette méthode, que nous démontrons dans JMP, peut faire gagner du temps, tout en permettant d'obtenir de nouvelles perspectives.
Passer de l’analyse qualitative à l’analyse quantitative des enquêtes et de la voix du client est une façon d’établir une organisation qui se souvient.
De plus en plus quantitatif : Analyse de texte sur les enquêtes et la voix du client. Introduction. De nos jours, de nombreuses enquêtes sont menées parce que c'est très facile. Certaines enquêtes ne sont pas conçues correctement, et par conséquent, l'analyse post-évaluation devient difficile et les conclusions se font attendre.
Le cas 1 repose sur l'analyse d'une enquête sur la coopération entre les différentes équipes du département. Dans un projet Six Sigma, il est essentiel de mener la voix du client, la VOC, pour pouvoir comprendre ce qui apporterait de la valeur ajoutée au client. Cependant, s'il y a beaucoup de clients, ils ont probablement des avis différents. Comment rendre la VOC opérationnelle ? C'est le sujet du cas 2, basé sur 50 entretiens avec des clients internes et des parties prenantes.
Le texte est une donnée non structurée qui peut être traitée dans JMP Text Explorer pour permettre une analyse statistique, exploiter les informations cachées dans le texte ou réduire la complexité permettant l'interprétation. La voix du client peut, par exemple, prendre la forme d'une série d'entretiens. Les comptes-rendus de réunion issus de ces entretiens sont des données non structurées et difficiles à convertir en paramètres mesurables de manière objective. Cependant, en utilisant les fonctionnalités de Text Explorer, une procédure objective peut être mise en place.
Les questions de l'enquête peuvent être fermées, partiellement fermées ou ouvertes. Un exemple de question fermée pourrait être : Comment évalueriez-vous le Sommet de la découverte européenne 2024 ? Excellent, très excellent, de classe mondiale, de très grande classe mondiale ou bien sûr, le meilleur de l'univers. Une question partiellement fermée pourrait être : Quel est votre dessert préféré ? Et vous pouvez en choisir autant que vous le souhaitez. Vous pouvez choisir de la glace uniquement, de la glace et du gâteau, du gâteau et des fruits, de la glace aux fruits, des bonbons, des bonbons aux fruits, des bonbons uniquement, etc. Une question ouverte pourrait être : Comment décririez-vous la journée parfaite ?
Dans un projet Six Sigma, la voix du client, le besoin, doit être traduit en facteurs de qualité et en éléments mesurables essentiels à la qualité. Il s'agit de passer du domaine client, un espace plutôt flou et non structuré, à un domaine technique d'exigences et de spécifications fonctionnelles.
Passons maintenant à JMP pour la démonstration des deux cas. Le cas 1 est l'enquête sur la coopération entre les équipes de santé et de sécurité lors de la construction des parcs éoliens offshore. Le cas 2 est la voix du client introduite à partir d'un projet d'amélioration continue sur le processus de conception des parcs éoliens offshore.
Cas 1, l'enquête. Ce que vous voyez est une partie de l'enquête originale sur la collaboration au sein du département, où les réponses correspondent aux lignes et les questions aux colonnes. Tout d'abord, je voudrais vérifier la corrélation entre les réponses à deux questions fermées.
Question 1 : comment classeriez-vous votre poste ? Back office, première ligne ou autre ? En réponse à la question 4, à quelle fréquence collaborez-vous avec un collègue d'un autre département ou d'une autre région en dehors de vos tâches quotidiennes ? Chaque semaine, chaque jour, chaque mois ou moins souvent ?
Ici, je recommande fortement d'ordonner les options par ordre de valeur. Sinon, ce sera très déroutant. Comment faire ? Vous sélectionnez la colonne, faites un clic droit sur votre souris, choisissez Propriétés de la colonne, Ordre des valeurs. Vous pouvez voir que j'ai personnalisé l'ordre comme ceci, moins souvent, mensuellement, hebdomadairement, tous les jours. Lorsque vous avez terminé, vous cliquez sur OK.
Dans JMP, il existe trois façons d'effectuer cette analyse. Deux d'entre elles seront expliquées. Première méthode : nous allons sous Analyser, Recherche consommateur, Catégorie. Nous choisissons la question 1 comme X, la catégorie de regroupement, et la question 4 comme réponses. Désolé pour cela. Nous cliquons sur OK. Ce que vous voyez ici est un tableau contenant des cellules. À l'intérieur des cellules, nous avons la fréquence, c'est-à-dire le nombre observé, la part en pourcentages et le chi carré de la cellule, la valeur P.
Avec les données fournies, nous pouvons voir qu'il y a une réponse faible significative dans la cellule quotidienne de première ligne. Nous cliquons, sélectionnons cela, puis passons à la méthode suivante. Il s'agit de l'ajustement de Y par la plateforme X. De même, nous choisissons la question 1 comme X et la question 4 comme Y, la réponse. Nous cliquons sur OK. Ici, vous voyez que nous obtenons un tableau légèrement différent car au lieu de la valeur P, nous obtenons la valeur attendue. Nous la sélectionnons également. Ensuite, nous pouvons combiner les deux fenêtres pour obtenir le rapport complet.
Vous pouvez voir très clairement que la raison pour laquelle cette valeur P est significativement basse est que nous n'observons que 4 comptages dans cette cellule, alors que nous nous attendions à 12,6, et comme il s'agit d'humains, c'est en fait 13. La différence entre la valeur observée et la valeur attendue est si grande que cette valeur P devient significative. Il est peut-être nécessaire de prendre des mesures au sein du service pour améliorer ce point.
Cela clôturera le traitement des questions fermées. Revenons au tableau de données et passons à la question 14. Elle se présente comme suit : Qu'est-ce qui vous aide à collaborer au sein du service ? En fait, il s'agit d'une question partiellement fermée car le répondant a la possibilité de choisir plusieurs options comme la culture de collaboration, les réunions en face à face, les discussions informelles, le temps de réseautage au sein de l'entreprise pour savoir qui est qui, les outils informatiques, les réunions générales, etc.
Pour voir combien de réponses nous avons obtenues, nous pouvons afficher dans Graph Builder. Nous choisissons Graph Builder. Question 14, faites-la glisser et déposez-la dans les zones. Ensuite, nous choisissons la carte arborescente. Cliquez sur Terminé et agrandissez-la. Je pense qu'il est clair pour tout le monde que nous avons à peu près autant de façons de répondre à la réponse que nous avons de répondants, ce qui complique toute analyse, voire la rend impossible.
Cependant, nous pouvons quantifier les données si nous allons dans Text Explorer. Revenons au tableau de données. Sous Analyser, vous trouvez Text Explorer. Nous choisissons la question 14 comme colonne de texte. Nous laissons tout le reste tel quel et cliquons sur OK. Ce que vous voyez ici est la liste des termes et des phrases, et j'ajouterai toutes les phrases au terme en les mettant en surbrillance, en cliquant avec le bouton droit de la souris et en ajoutant une phrase.
Nous pouvons maintenant constater que cette liste donne des informations très variables. Nous pouvons voir que le réseautage informel par chat est celui qui compte le plus grand nombre de participants, suivi par les réunions en face à face, le soutien des dirigeants, la bonne gestion de projet, les réunions en ligne, etc.
Vous pouvez créer un très joli rapport à partir de cela. Si vous êtes n'importe où dans ce tableau, faites un clic droit et cliquez sur le transformer en tableau de données. Nous avons un nouveau tableau de données et je choisis de supprimer tous les termes sans importance. Ensuite, nous pouvons aller dans Distribution et choisir Terme comme Y et Nombre comme fréquence. Nous cliquons sur OK. Sous le point d'accès, vous pouvez empiler le rapport. Sous le point d'accès Terme, nous pouvons classer les nombres par ordre décroissant. Nous devrions peut-être modifier légèrement la couleur de l'histogramme. Nous avons maintenant un joli rapport, quelque chose que nous pouvons communiquer et sur lequel nous pouvons agir.
Examinons de plus près l'expression réseau de discussion informelle. Nous revenons à notre tableau de données et à notre texte, Explorer, et choisissons le terme réseau de discussion informelle. Si nous faisons un clic droit ici, nous pouvons voir que nous pouvons enregistrer un indicateur. Cela nous donnera un 1 ou un 0 pour savoir si le répondant a choisi cette option ou non. Nous le faisons.
Dans le tableau de données, nous pouvons voir que nous avons maintenant créé une colonne avec des uns ou des zéros. Je voudrais recoder cela en oui ou non. Si nous montons ici et cliquons sur Recoder, j'écrirai non au lieu de zéro. Nous acceptons de convertir la colonne en caractères, et oui au lieu de un. Comme ça, et nous cliquons sur Recoder. Nous avons maintenant une nouvelle colonne avec les mêmes informations, mais avec oui ou non au lieu de un ou de zéros.
Nous pouvons maintenant effectuer un test catégorique de corrélation entre, par exemple, la question numéro 5 : comment évalueriez-vous la collaboration au sein du département en général ? Très mauvaise, mauvaise, moyenne, bonne ou très bonne ? Par rapport à notre indicateur de réseautage de discussion informelle, oui ou non.
Comme nous l'avons vu précédemment, nous pouvons sous Analyser, trouver la plateforme de recherche de consommateurs et choisir Catégorique. Nous choisissons maintenant la question 5 comme X et notre indicateur de réseau de discussion informelle comme réponse. Nous cliquons sur OK. Comme précédemment, nous avons obtenu cette liste ou ce tableau. Je pense que nous devrions oublier les cellules très médiocres car nous n'avons obtenu que deux réponses dans ces cellules.
Cependant, nous pouvons voir que dans la cellule de réseautage pauvre et sans discussions informelles, nous avons obtenu une valeur P significativement faible. Presque tous ceux qui ont jugé la collaboration au sein du département comme médiocre n'utilisent pas le réseautage par discussions informelles. Je pense que c'est une information précieuse et peut-être quelque chose que le département devrait améliorer. C'était le traitement des questions partiellement fermées et aussi la fin du cas numéro 1.
Passons au cas numéro 2, les entretiens VOC. Le cas 2 est basé sur des comptes rendus de réunions transformés en autocollants. La raison était de pouvoir les regrouper sur le tableau. Chaque ligne représente un autocollant, et nous avons ici dans ce tableau de données 361 autocollants ou lignes, et ils proviennent de 50 répondants.
Comme vous l'avez peut-être remarqué, j'ai masqué l'entrée du diagramme d'affinité, qui correspond au texte sur les autocollants pour des raisons de sensibilité. Nous allons maintenant exécuter l'explorateur de texte et ajouter les termes comme nous l'avons fait auparavant. Je l'ai déjà fait comme vous le voyez ici. Toutes les phrases sont grisées, ce qui signifie qu'elles ont été ajoutées à la liste des termes.
Nous pouvons voir que nous avons un terme appelé projet et un autre appelé projets. Ici, nous avons un terme appelé processus, un autre processus. Pour nous débarrasser de ces redondances, nous pouvons aller sous le point d'accès et choisir les options de terme, la différenciation, la différenciation de tous les termes.
Pour un nettoyage plus poussé, nous avons quelques termes que nous ne pouvons pas vraiment utiliser car ils ne donnent aucune information utile, par exemple, Use. Si je choisis Use et que je clique avec le bouton droit de la souris et que je l'ajoute comme mot d'arrêt, il disparaîtra de la liste. Nous pouvons faire la même chose avec within. Ajouter un mot d'arrêt.
Nous avons ici un très joli tableau nettoyé sur lequel nous pouvons travailler. Je vais maintenant passer à la version JMP Pro car nous allons faire un SVD sémantique latent pour obtenir le SVD pivoté de l'analyse thématique. Le SVD transforme les données textuelles en un espace vectoriel à dimension fixe, le rendant ainsi modifiable par toutes sortes de techniques de clustering, de classification et de régression.
Si vous avez JMP Pro, vous pouvez le faire. Sous Hotspot, choisissez Analyse sémantique latente SVD. Nous cliquons sur OK. Sous ce hotspot, le hotspot TF-IDF centré et mis à l'échelle SVD, nous choisissons Analyse de sujet, SVD pivoté.
Ici, nous devons choisir le nombre de sujets que nous voulons, et dans ce cas, j'en choisis quatre. Je clique sur OK. Ce que nous voyons ici est le rapport de chargement par sujet le plus élevé, il se compose de quatre tableaux, un pour chaque sujet. Les termes de ces sujets sont ceux qui ont les plus grandes charges en valeurs absolues. Nous pouvons utiliser ce rapport pour déterminer les thèmes conceptuels de notre projet Six Sigma.
Si nous allons à nouveau dans le Hotspot et cliquons sur Renommer les sujets. Si nous examinons les termes du sujet 1, je choisis de l'appeler Thème pour l'efficacité des coûts. Le sujet 2, je l'appelle Système d'information. Et le sujet 3 concerne l'exécution du projet elle-même, donc cela pourrait être Exécution du projet. Le sujet 4, je choisis de l'appeler Partage des connaissances. Cliquez sur OK. C'est très, très bien, car nous avons maintenant produit quatre moteurs de qualité pour notre projet Six Sigma.
En utilisant des sujets, nous avons maintenant une agrégation objective des déclarations VOC, et non une agrégation manuelle individuelle, donc subjective. De plus, nous pouvons afficher les sujets sous forme de nuages de mots. Nous allons dans Options d'affichage, Nuages de mots par sujet. Ici, nous pouvons ouvrir et voir que nous obtenons pour l'instant les mêmes informations qu'un nuage de mots par sujet ou par facteurs de qualité, comme je l'appelais auparavant.
Si nous cliquons sur le Hotspot, nous pouvons voir que nous pouvons réellement enregistrer les vecteurs de sujets de document. Si nous faisons cela et que nous passons à notre tableau de données, nous pouvons voir que nous avons créé quatre nouvelles colonnes, chacune pour l'un des facteurs de qualité. Cela va être très utile lorsque nous arriverons à la phase d'amélioration de notre projet Six Sigma, car c'est là que nous devons discuter des solutions.
Ici, nous pouvons voir à quel client nous devons accorder une attention particulière lorsqu'il s'agit de discuter des solutions d'efficacité des coûts, du système d'information, de l'exécution du projet ou du partage des connaissances. Pour voir qui est qui, nous pouvons aller dans le générateur de graphiques et choisir, je vais le déplacer un peu, de choisir les sujets comme Y, X et le répondant comme X. Ensuite, nous pouvons choisir Bar Plot. Nous cliquons sur Terminé.
Ici, nous pouvons voir que lorsque nous voulons discuter de solutions avec nos clients, cette personne est la personne de référence en matière de rentabilité, tandis que cette personne est la personne à qui parler des solutions pour le système d'information. Ici, nous avons la personne qui partage les connaissances et ici la personne qui exécute le projet. Sur ce, je terminerai la démonstration dans JMP et je reviendrai à la présentation.
Grâce à JMP Pro Text Explorer, nous avons élargi la frontière entre le domaine de la voix du client et le domaine technique des exigences fonctionnelles et des spécifications. Nous avons utilisé JMP Text Explorer pour créer quatre objectifs avec des facteurs de qualité pour nous. Nous pouvons facilement en déduire des qualités critiques mesurables à partir de ces facteurs. Par conséquent, nous avons économisé beaucoup de temps et découplé le facteur humain.
Enfin, conclusion. Les réponses aux questions partiellement fermées ainsi que les textes complexes provenant, par exemple, d'entretiens avec la voix du client, peuvent être traités dans Text Explorer en termes et expressions. Les termes et expressions peuvent être transformés en sujets, facteurs de qualité ou indicateurs, permettant une interprétation objective des informations. JMP Text Explorer offre un moyen de passer d'une analyse de texte purement qualitative à une analyse quantitative. Grâce à ces nouvelles connaissances, nous pouvons améliorer la qualité de nos entretiens VOC et de nos enquêtes, et obtenir des conclusions solides sur les tests. Merci de votre attention.
