Text Explorer in JMP ist ein sehr leistungsstarkes Tool, mit dem die Antworten aus einer Umfrage oder einer Reihe von Voice-of-the-Customer-Interviews (VOC) organisiert und für Tests vorbereitet werden können. In dieser Präsentation gehe ich anhand eines realen Beispiels aus meiner Organisation alle Schritte durch. Umfragen basieren entweder auf geschlossenen (Bewertung mit 1-5 Sternen), teilweise geschlossenen (Multiple-Choice-Antworten aus einer Liste von Optionen) oder offenen (Freitextfeld) Fragen.
Wie erwartet gibt es bei offenen oder teilweise geschlossenen Fragen viel mehr Variationen in den Antworten der Befragten. Text Explorer bietet eine Möglichkeit, Antworten als Begriffe und Phrasen zu kodieren. Sie können dann auf viele Arten verarbeitet werden, was prädiktive Modellierung und Hypothesentests ermöglicht, was in dieser Präsentation demonstriert wird.
Mit Text Explorer können Sie außerdem VOC-Antworten in Themen gruppieren, die später als Qualitätstreiber in einem CTQ-Baum verwendet werden. Richtig aufgebaut kann diese Methode, die wir in JMP demonstrieren, Zeit sparen und gleichzeitig neue Erkenntnisse ermöglichen.
Der Übergang von der qualitativen zur quantitativen Analyse von Umfragen und der Stimme des Kunden ist eine Möglichkeit, eine Organisation aufzubauen, die im Gedächtnis bleibt.
Quantitativer Fortschritt: Textanalyse bei Umfragen und der Stimme des Kunden. Einführung. Heutzutage werden viele Umfragen durchgeführt, weil es so einfach ist. Manche Umfragen sind nicht richtig konzipiert, und daher wird die Analyse nach der Auswertung schwierig und es werden Schlussfolgerungen gezogen.
Fall 1 basiert auf der Analyse einer Umfrage zur Zusammenarbeit zwischen verschiedenen Teams in der Abteilung. In einem Six Sigma-Projekt ist die Erhebung der Stimme des Kunden (VOC) unerlässlich, um zu verstehen, was für den Kunden einen Mehrwert darstellen würde. Wenn es jedoch viele Kunden gibt, haben diese wahrscheinlich unterschiedliche Meinungen. Wie macht man die VOC einsatzbereit? Darum geht es in Fall 2, der auf 50 Interviews mit internen Kunden und Stakeholdern basiert.
Text ist ein unstrukturierter Datensatz und kann im JMP Text Explorer verarbeitet werden, um statistische Analysen zu ermöglichen, die versteckten Informationen im Text zu nutzen oder die Komplexität zu reduzieren, um eine Interpretation zu ermöglichen. Die Stimme des Kunden könnte beispielsweise aus einer Reihe von Interviews bestehen. Die Besprechungsprotokolle dieser Interviews sind unstrukturierte Daten und lassen sich nur schwer objektiv in messbare Parameter umwandeln. Mithilfe der Funktionen im Text Explorer kann jedoch ein objektives Verfahren durchgeführt werden.
Umfragefragen können entweder geschlossen, teilweise geschlossen oder offen sein. Ein Beispiel für eine geschlossene Frage könnte so lauten: Wie würden Sie den Europe Discovery Summit 2024 bewerten? Ausgezeichnet, sehr ausgezeichnet, Weltklasse, sehr Weltklasse oder natürlich das Beste im Universum. Eine teilweise geschlossene Frage könnte so lauten: Was ist Ihr Lieblingsdessert? Und Sie können so viele auswählen, wie Sie möchten. Sie können nur Eis, Eis und Kuchen, Kuchen und Obst, Eis mit Obst, Süßigkeiten, Süßigkeiten mit Obst, nur Süßigkeiten usw. wählen. Eine offene Frage könnte so lauten: Wie würden Sie den perfekten Tag beschreiben?
In einem Six Sigma-Projekt muss die Stimme des Kunden, sein Bedarf, in Qualitätstreiber und messbare Qualitätskriterien übersetzt werden. Es geht darum, aus der Kundendomäne, einem eher schwammigen und unstrukturierten Bereich, in eine technische Domäne funktionaler Anforderungen und Spezifikationen zu gelangen.
Kommen wir nun zu JMP, um die beiden Fälle zu demonstrieren. Fall 1 ist die Umfrage zur Zusammenarbeit zwischen den Gesundheits- und Sicherheitsteams beim Bau der Offshore-Windparks. Fall 2 ist die Stimme des Kunden, die aus einem kontinuierlichen Verbesserungsprojekt zum Designprozess der Offshore-Windparks hervorgegangen ist.
Fall 1, die Umfrage. Was Sie sehen, ist ein Teil der ursprünglichen Umfrage zur Zusammenarbeit in der Abteilung, bei der die Antworten Zeilen und die Fragen Spalten entsprechen. Zunächst möchte ich die Korrelation zwischen den Antworten auf zwei geschlossene Fragen überprüfen.
Frage eins: Wie würden Sie Ihre berufliche Rolle einordnen? Backoffice, Frontline oder Sonstiges? Gegen Frage vier: Wie oft arbeiten Sie außerhalb Ihrer täglichen Routineaufgaben mit einem Kollegen aus einer anderen Abteilung zusammen? Wöchentlich, täglich, monatlich oder seltener?
Hier empfehle ich dringend, die Optionen nach Werten zu ordnen. Andernfalls wird es sehr verwirrend. Wie geht das? Sie wählen die Spalte aus, klicken mit der rechten Maustaste und wählen „Spalteneigenschaften“, „Wertereihenfolge“. Sie können sehen, dass ich die Reihenfolge folgendermaßen angepasst habe: seltener, monatlich, wöchentlich, täglich. Wenn Sie damit fertig sind, klicken Sie auf „Okay“.
In JMP gibt es drei Möglichkeiten, diese Analyse durchzuführen. Zwei davon werden erklärt. Bei der ersten Methode gehen wir zu Analysieren, Verbraucherforschung, Kategorisch. Wir wählen Frage eins als X, die Gruppierungskategorie, und Frage vier als Antworten. Tut mir leid. Wir klicken auf OK. Was Sie hier sehen, ist eine Tabelle mit Zellen. In den Zellen haben wir die Häufigkeit, also die beobachtete Anzahl, den Anteil in Prozent und den Chi-Quadrat-Wert der Zelle, den P-Wert.
Anhand der angegebenen Daten können wir erkennen, dass es in der Zelle „Frontline Everyday“ eine signifikant niedrige Antwort gibt. Wir klicken, wählen dies aus und gehen dann zur nächsten Methode. Das ist die Y-x-Plattform anpassen. Ebenso wählen wir Frage eins als X und Frage vier als Y, die Antwort. Wir klicken auf „Okay“. Hier sehen Sie, dass wir eine leicht andere Tabelle erhalten, weil wir anstelle des P-Werts den erwarteten Wert erhalten. Das wählen wir ebenfalls aus. Dann können wir die beiden Fenster kombinieren, um den vollständigen Bericht zu erhalten.
Sie können sehr deutlich sehen, dass der Grund für den signifikant niedrigen P-Wert darin liegt, dass wir in dieser Zelle nur 4 Zählungen beobachten, aber 12,6 erwartet haben, und da es sich um Menschen handelt, liegt der Wert tatsächlich bei 13. Der Unterschied zwischen dem beobachteten und dem erwarteten Wert ist so groß, dass dieser P-Wert signifikant wird. Vielleicht muss die Abteilung etwas unternehmen, um dies zu verbessern.
Damit ist die Behandlung der geschlossenen Fragen abgeschlossen. Kehren wir zur Datentabelle zurück und fahren mit Frage 14 fort. Sie lautet: Was hilft Ihnen bei der Zusammenarbeit in der Abteilung? Tatsächlich handelt es sich dabei um eine teilweise geschlossene Frage, da der Befragte die Möglichkeit hat, mehrere Optionen auszuwählen, wie etwa die Zusammenarbeitskultur, persönliche Treffen, informelle Gespräche, Networking-Zeit innerhalb des Unternehmens, um zu erfahren, wer wer ist, IT-Tools, All-Hands-Meetings usw.
Um zu sehen, wie viele Antworten wir bekommen haben, können wir sie im Graph Builder anzeigen. Wir wählen Graph Builder. Frage 14 ziehen wir per Drag & Drop in die Zonen. Dann wählen wir Tree Map. Klicken auf Fertig und vergrößern es. Ich denke, es ist jedem klar, dass wir ungefähr so viele Möglichkeiten haben, auf die Antwort zu antworten, wie wir Befragte haben, und dass dadurch jede Analyse komplizierter, wenn nicht sogar unmöglich wird.
Wir können die Daten jedoch quantifizieren, wenn wir zum Text Explorer gehen. Zurück zur Datentabelle. Unter Analysieren finden Sie den Text Explorer. Wir wählen Frage 14 als Textspalte. Alles andere lassen wir so wie es ist und klicken auf OK. Was Sie hier sehen, ist die Liste der Begriffe und Phrasen, und ich werde alle Phrasen zum Begriff hinzufügen, indem ich sie markiere, mit der rechten Maustaste klicke und Phrase hinzufüge.
Nun können wir sehen, dass diese Liste sehr unterschiedliche Informationen liefert. Wir können sehen, dass das informelle Chat-Networking die größten Zahlen aufweist, gefolgt von persönlichen Treffen, Unterstützung durch Führungskräfte, gutem Projektmanagement, Online-Meetings und so weiter.
Sie können daraus einen sehr schönen Bericht erstellen. Wenn Sie sich irgendwo in dieser Tabelle befinden, klicken Sie mit der rechten Maustaste und klicken Sie auf „In Datentabelle umwandeln“. Wir haben eine neue Datentabelle und ich entscheide mich, alle unwichtigen Begriffe zu löschen. Dann können wir zu „Verteilung“ gehen und „Begriff“ als Y und „Anzahl“ als Häufigkeit wählen. Wir klicken auf „Okay“. Unter dem Hotspot können Sie den Bericht stapeln. Unter dem Hotspot „Begriff“ können wir die Anzahlen nach Anzahl absteigend sortieren. Vielleicht sollten wir die Histogrammfarbe ein wenig ändern. Jetzt haben wir einen schönen Bericht, etwas, das wir kommunizieren und auf das wir reagieren können.
Schauen wir uns den Begriff informelles Chat-Networking genauer an. Wir gehen zurück zu unserer Datentabelle und unserem Text Explorer und wählen den Begriff informelles Chat-Networking. Wenn wir hier mit der rechten Maustaste klicken, sehen wir, dass wir einen Indikator speichern können. Das gibt uns eine Eins oder eine Null, ob der Befragte diese Option gewählt hat oder nicht. Das tun wir.
In der Datentabelle können wir sehen, dass wir jetzt eine Spalte mit Einsen oder Nullen erstellt haben. Ich möchte diese in Ja oder Nein umkodieren. Wenn wir hier hochgehen und auf Umkodieren klicken, schreibe ich Nein statt Null. Wir akzeptieren, dass wir die Spalte in Zeichen umwandeln, und Ja statt Eins. So, und wir klicken auf Umkodieren. Jetzt haben wir eine neue Spalte mit denselben Informationen, aber mit Ja oder Nein statt Einsen oder Nullen.
Jetzt können wir einen kategorischen Test der Korrelation zwischen beispielsweise Frage Nummer 5 durchführen: „Wie würden Sie die Zusammenarbeit in der Abteilung im Allgemeinen bewerten? Sehr schlecht, schlecht, mittelmäßig, gut oder sehr gut?“ und unserem Indikator für informelles Chat-Networking: „Ja“ oder „Nein“.
Wie wir zuvor gesehen haben, können wir unter „Analysieren“ die Verbraucherforschungsplattform finden und „Kategorisch“ auswählen. Jetzt wählen wir Frage 5 als X und unseren Indikator für informelle Chat-Netzwerke als Antwort. Wir klicken auf „Okay“. Wie zuvor erhalten wir diese Liste oder Tabelle. Ich denke, wir sollten die sehr schlechten Zellen vergessen, da wir in diesen Zellen nur zwei Antworten erhalten haben.
Wir können jedoch sehen, dass wir in der Zelle „schlechte und keine informellen Chats zum Netzwerken“ einen signifikant niedrigen P-Wert erhalten haben. Fast alle, die die Zusammenarbeit in der Abteilung als schlecht bewertet haben, nutzen keine informellen Chats zum Netzwerken. Ich denke, das sind wertvolle Informationen und vielleicht etwas, das die Abteilung verbessern sollte. Das war die Behandlung mit teilweise geschlossenen Fragen und auch das Ende von Fall Nummer 1.
Kommen wir zu Fall Nummer 2, den VOC-Interviews. Fall 2 basiert auf Besprechungsprotokollen, die in Aufkleber umgewandelt wurden. Der Grund war, sie auf dem Board gruppieren zu können. Jede Zeile stellt einen Aufkleber dar, und wir haben hier in dieser Datentabelle 361 Aufkleber oder Zeilen, und sie stammen von 50 Befragten.
Wie Sie vielleicht bemerkt haben, habe ich die Eingabe für das Affinitätsdiagramm, also den Text auf den Aufklebern, aus Sensibilitätsgründen ausgeblendet. Jetzt führen wir den Text-Explorer aus und fügen die Begriffe wie zuvor hinzu. Wie Sie hier sehen, habe ich das bereits getan. Alle Ausdrücke sind ausgegraut, was bedeutet, dass sie der Begriffsliste hinzugefügt wurden.
Wir können sehen, dass wir einen Begriff namens Projekt und einen anderen namens Projekte haben. Hier unten haben wir einen Begriff namens Prozess und einen anderen namens Prozesse. Um diese Redundanzen zu beseitigen, können wir unter den Hotspot gehen und „Begriffsoptionen“, „Stemmen“ und „Alle Begriffe stammeln“ auswählen.
Zur weiteren Bereinigung haben wir einige Begriffe, die wir nicht wirklich verwenden können, da sie keine wertvollen Informationen liefern, z. B. „Verwenden“. Wenn ich „Verwenden“ wähle, mit der rechten Maustaste klicke und es als Stoppwort hinzufüge, verschwindet es aus der Liste. Dasselbe können wir mit „innerhalb“ tun. Ein Stoppwort hinzufügen.
Hier haben wir eine sehr schöne, aufgeräumte Tabelle, an der wir arbeiten können. Jetzt werde ich zur JMP Pro-Version wechseln, weil wir eine latente semantische SVD durchführen werden, um die gedrehte SVD der Themenanalyse zu erhalten. Die SVD transformiert Textdaten in einen Vektorraum mit fester Dimension und macht sie so für alle Arten von Clustering-, Klassifizierungs- und Regressionstechniken nutzbar.
Wenn Sie JMP Pro haben, können Sie dies tun. Wählen Sie unter Hotspot Latent Semantic Analysis SVD. Wir klicken auf OK. Unter diesem Hotspot, dem SVD-Centered and Scaled TF-IDF-Hotspot, wählen wir Topic Analysis, Rotated SVD.
Hier müssen wir auswählen, wie viele Themen wir möchten. In diesem Fall wähle ich vier. Ich klicke auf „Okay“. Was wir hier sehen, ist der Bericht „Top Loading by Topic“ (Top-Laden nach Thema). Er besteht aus vier Tabellen, eine für jedes Thema. Die Begriffe in diesen Themen sind diejenigen mit den größten Ladungen in absoluten Werten. Wir können diesen Bericht verwenden, um konzeptionelle Themen für unser Six Sigma-Projekt zu bestimmen.
Gehen wir erneut zum Hotspot und klicken auf „Themen umbenennen“. Wenn wir uns die Begriffe in Thema 1 ansehen, nenne ich es Thema für Kosteneffizienz. Thema 2 nenne ich „Infosystem“. Und Thema 3 handelt von der Projektdurchführung selbst, es könnte also Projektdurchführung heißen. Thema 4 nenne ich „Wissensaustausch“. Klicken Sie auf „Okay“. Das ist sehr, sehr gut, denn jetzt haben wir tatsächlich vier Qualitätstreiber für unser Six Sigma-Projekt erstellt.
Durch die Verwendung von Themen haben wir nun eine objektive Aggregation der VOC-Aussagen, und zwar statt einer manuellen, individuellen und damit subjektiven Aggregation. Darüber hinaus können wir die Themen als Wortwolken anzeigen. Wir gehen zu Anzeigeoptionen, Wortwolken nach Thema. Hier unten können wir aufklappen und sehen, dass wir jetzt die gleichen Informationen erhalten wie bei einer Wortwolke nach Thema oder Qualitätstreibern, wie ich sie früher genannt habe.
Wenn wir zum Hotspot gehen, klicken wir darauf und sehen, dass wir tatsächlich Dokumentthemenvektoren speichern können. Wenn wir das tun und zu unserer Datentabelle wechseln, sehen wir, dass wir vier neue Spalten erstellt haben, jede für einen der Qualitätstreiber. Dies wird sehr wertvoll sein, wenn wir in unserem Six Sigma-Projekt in die Verbesserungsphase kommen, weil wir dort Lösungen diskutieren müssen.
Hier können wir sehen, welchen Kunden wir besondere Aufmerksamkeit schenken müssen, wenn es um die Diskussion von Lösungen zur Kosteneffizienz, zum Informationssystem, zur Projektdurchführung oder zum Wissensaustausch geht. Um zu sehen, wer wer ist, können wir zum Graph Builder gehen und – ich verschiebe es ein wenig – Themen als Y, X und Befragter als X auswählen. Dann können wir Balkendiagramm auswählen. Wir klicken auf Fertig.
Hier können wir sehen, dass diese Person die richtige Ansprechpartnerin ist, wenn wir mit unseren Kunden Lösungen besprechen möchten, wenn es um Kosteneffizienz geht, während diese Person gut geeignet ist, um über Lösungen für das Infosystem zu sprechen. Hier haben wir die Person, die Wissen weitergibt, und hier die Person, die das Projekt ausführt. In diesem Sinne werde ich die Demonstration in JMP beenden und zur Präsentation zurückkehren.
Mithilfe des JMP Pro Text Explorer haben wir die Grenze zwischen der Stimme des Kundenbereichs und dem technischen Bereich der funktionalen Anforderungen und Spezifikationen geöffnet. Mithilfe des JMP Text Explorer haben wir vier Ziele mit Qualitätstreibern für uns erstellt. Aus diesen Treibern können wir leicht messbare kritische Qualitäten ableiten. Dadurch haben wir viel Zeit gespart und den menschlichen Faktor entkoppelt.
Zum Schluss noch ein Fazit. Teilweise geschlossene Fragen und komplexe Texte, beispielsweise aus Voice of the Customer-Interviews, können im Text Explorer in Begriffe und Phrasen aufbereitet werden. Begriffe und Phrasen können in Themen, Qualitätstreiber oder Indikatoren umgewandelt werden, was eine objektive Interpretation der Informationen ermöglicht. JMP Text Explorer bietet eine Möglichkeit, von der rein qualitativen zur quantitativen Textanalyse zu gelangen. Mit diesem neuen Wissen können wir die Qualität unserer VOC-Interviews und Umfragen verbessern und solide Schlussfolgerungen zu Tests ziehen. Vielen Dank für Ihre Aufmerksamkeit.
