Text Explorer in JMP è uno strumento molto potente che può essere utilizzato per organizzare le risposte da un sondaggio o da una serie di interviste voice-of-the-customer (VOC) e prepararle per il test. In questa presentazione, esaminerò tutti i passaggi, utilizzando un esempio reale della mia organizzazione. I sondaggi si basano su domande chiuse (valutazione con 1-5 stelle), parzialmente chiuse (risposte a scelta multipla da un elenco di opzioni) o aperte (campo di testo libero).
Come previsto, c'è molta più variazione nelle risposte degli intervistati per domande aperte o parzialmente chiuse. Text Explorer offre un modo per codificare le risposte come termini e frasi. Possono quindi essere elaborate in molti modi, consentendo la modellazione predittiva e il test delle ipotesi, come dimostrato in questa presentazione.
Text Explorer può anche essere utilizzato per raggruppare le risposte VOC in argomenti utilizzati in seguito come driver di qualità in un albero CTQ. Costruito nel modo giusto, questo metodo, che dimostriamo in JMP, può far risparmiare tempo, consentendo al contempo nuove intuizioni.
Passare dall'analisi qualitativa a quella quantitativa dei sondaggi e della voce del cliente è un modo per creare un'organizzazione che rimanga impressa nella memoria.
Crescita quantitativa: analisi del testo su sondaggi e voce del cliente. Introduzione. Oggigiorno vengono condotti molti sondaggi perché è molto facile. Alcuni sondaggi non sono progettati correttamente e, pertanto, l'analisi post-valutazione diventa difficile e le conclusioni si svegliano.
Il caso 1 si basa sull'analisi di un sondaggio sulla cooperazione tra vari team nel dipartimento. In un progetto Six Sigma, condurre la voce del cliente, il VOC, è essenziale per essere in grado di capire cosa aggiungerebbe valore al cliente. Tuttavia, se ci sono molti clienti, probabilmente hanno opinioni diverse. Come si rende operativo il VOC? Ecco di cosa tratta il caso 2, basato su 50 interviste con clienti interni, stakeholder.
Il testo è un dato non strutturato e può essere trattato in JMP Text Explorer per abilitare l'analisi statistica, per utilizzare le informazioni nascoste nel testo o per ridurre la complessità consentendo l'interpretazione. La voce del cliente potrebbe, ad esempio, essere una serie di interviste. I verbali delle riunioni di queste interviste sono dati non strutturati e difficili da convertire in parametri misurabili in modo oggettivo. Tuttavia, utilizzando le funzionalità di Text Explorer, è possibile creare una procedura oggettiva.
Le domande del sondaggio possono essere chiuse, parzialmente chiuse o aperte. Un esempio di domanda chiusa potrebbe essere questo: Come valuteresti l'Europe Discovery Summit 2024? Eccellente, molto eccellente, di livello mondiale, molto di livello mondiale o, naturalmente, il migliore dell'universo. Una domanda parzialmente chiusa potrebbe essere questo: Qual è il tuo dessert preferito? E puoi sceglierne quanti ne vuoi. Puoi scegliere solo gelato, gelato e torta, torta e frutta, gelato alla frutta, caramelle, frutta caramellata, solo caramelle e così via. Una domanda aperta potrebbe essere questo: Come descriveresti la giornata perfetta?
In un progetto Six Sigma, la voce del cliente, l'esigenza, deve essere tradotta in driver di qualità e critici misurabili per la qualità. Si tratta di passare dal dominio del cliente, un luogo piuttosto soffice e non strutturato, a un dominio tecnico di requisiti e specifiche funzionali.
Passiamo a JMP per la dimostrazione dei due casi. Il caso 1 è il sondaggio sulla cooperazione tra i team di salute e sicurezza durante la costruzione di parchi eolici offshore. Il caso 2 è la voce del cliente introdotta da un progetto di miglioramento continuo sul processo di progettazione dei parchi eolici offshore.
Caso 1, il sondaggio. Ciò che vedete è una parte del sondaggio originale sulla collaborazione nel dipartimento, in cui le risposte sono uguali alle righe e le domande alle colonne. Innanzitutto, vorrei verificare la correlazione tra le risposte di due domande chiuse.
Domanda uno, come classificheresti il tuo ruolo lavorativo? Back office, frontline o altro? Rispetto alla domanda quattro, quanto spesso collabori con un collega di un'altra regione di reparto al di fuori delle tue attività di routine quotidiana? Settimanalmente, ogni giorno, mensilmente o meno spesso?
Qui, consiglio vivamente di ordinare le opzioni in base al valore. Altrimenti, sarà molto confusionario. Come si fa? Seleziona la colonna, fai clic con il pulsante destro del mouse, scegli Proprietà colonna, Ordine valore. Puoi vedere che ho personalizzato l'ordine in questo modo, meno spesso, mensilmente, settimanalmente, ogni giorno. Quando hai finito, fai clic su OK.
In JMP, ci sono tre modi per eseguire questa analisi. Due di questi saranno spiegati. Primo metodo, andiamo su Analizza, Ricerca consumatori, Categoriale. Scegliamo la domanda uno come X, la categoria di raggruppamento, e la domanda quattro come le risposte. Mi dispiace per questo. Clicchiamo su OK. Quello che vedi qui è una tabella contenente celle. All'interno delle celle, abbiamo la frequenza, ovvero il conteggio osservato, la quota in percentuale e il chi-quadrato della cella, P-value.
Con i dati forniti, possiamo vedere che c'è una risposta significativamente bassa nella cella quotidiana di prima linea. Clicchiamo, selezioniamo questo e poi passiamo al metodo successivo. Questa è la piattaforma fit Y by X. Allo stesso modo, scegliamo la domanda uno come X e la domanda quattro come Y, la risposta. Clicchiamo Okay. Qui vedi che otteniamo una tabella leggermente diversa perché invece del valore P, otteniamo il valore atteso. Selezioniamo anche quello. Quindi possiamo combinare le due finestre per ottenere il report completo.
Si può vedere molto chiaramente che il motivo per cui questo ha un valore P significativamente basso è perché osserviamo solo 4 conteggi in questa cella, ma ci aspettavamo 12,6 e, poiché si tratta di esseri umani, in realtà è 13. La differenza tra il valore osservato e quello atteso è così grande che questo valore P diventa significativo. Forse c'è bisogno di un'azione nel dipartimento per migliorare questo.
Questo chiuderà il trattamento delle domande chiuse. Torniamo alla tabella dei dati e passiamo alla domanda 14. È così: cosa ti aiuta a collaborare nel dipartimento? In effetti, questa è una domanda parzialmente chiusa perché il rispondente ha la possibilità di scegliere più opzioni come cultura della collaborazione, riunioni faccia a faccia, chat informali, tempo di networking all'interno dell'azienda per sapere chi è chi, strumenti IT, riunioni plenarie e così via.
Per vedere quante risposte abbiamo ottenuto, possiamo mostrarle in Graph Builder. Scegliamo Graph Builder. Domanda 14, trascinandola e rilasciandola nelle zone. Quindi scegliamo la mappa ad albero. Clicchiamo su Done e rendila grande. Penso che sia chiaro a tutti che abbiamo più o meno tanti modi di rispondere alla risposta quanti sono gli intervistati, e quindi complica qualsiasi analisi, se non la rende impossibile.
Tuttavia, possiamo quantificare i dati se andiamo su Text Explorer. Torniamo alla tabella dati. In Analyze, trovi Text Explorer. Scegliamo la domanda 14 come colonna di testo. Lasciamo tutto il resto così com'è e clicchiamo su Okay. Quello che vedi qui è l'elenco di termini e frasi, e aggiungerò tutte le frasi al termine evidenziandole, cliccando con il tasto destro e aggiungendo frase.
Ora possiamo vedere che questa lista fornisce informazioni molto variabili. Possiamo vedere che il networking informale tramite chat ha i conteggi maggiori, seguito da incontri faccia a faccia, supporto dei leader, buona gestione dei progetti, riunioni online e così via.
Puoi ricavarne un report molto bello. Se ti trovi in qualsiasi punto di questa tabella, fai clic con il pulsante destro del mouse e fai clic su Crea tabella dati. Abbiamo una nuova tabella dati e ho scelto di eliminare tutti i termini non importanti. Quindi possiamo andare su Distribuzione e scegliere Termine come Y e Conteggio come frequenza. Facciamo clic su OK. Sotto l'hotspot, puoi impilare il report. Sotto l'hotspot Termine, possiamo ordinare i conteggi per conteggio in ordine decrescente. Forse dovremmo cambiare un po' il colore dell'istogramma. Ora abbiamo un report bello, qualcosa che possiamo comunicare e su cui possiamo agire.
Diamo un'occhiata più da vicino alla frase informal chat networking. Torniamo alla nostra tabella dati e al nostro testo, Explorer, e scegliamo informal chat networking term. Se clicchiamo con il tasto destro qui, possiamo vedere che possiamo salvare un indicatore. Ciò ci darà un uno o uno zero per indicare se la risposta ha scelto questa opzione o meno. Lo facciamo.
Nella tabella dati, possiamo vedere che ora abbiamo creato una colonna con uno o zero. Vorrei ricodificarla in sì o no. Se andiamo qui e clicchiamo su Ricodifica, scriverò no invece di zero. Accettiamo di convertire la colonna in caratteri e sì invece di uno. In questo modo, e clicchiamo su Ricodifica. Ora abbiamo una nuova colonna con le stesse informazioni, ma con sì o no invece di uno o zero.
Ora possiamo eseguire un test categoriale della correlazione tra, ad esempio, la domanda numero 5, come valuteresti la collaborazione nel dipartimento in generale? Molto scarsa, scarsa, discreta, buona o molto buona? Rispetto al nostro indicatore di networking di chat informale, sì o no.
Come abbiamo visto prima, possiamo in Analyze, trovare la piattaforma di ricerca dei consumatori e scegliere Categorical. Ora scegliamo la domanda 5 come X e il nostro indicatore di rete di chat informale come risposta. Clicchiamo su Okay. Come prima, abbiamo ottenuto questo elenco o tabella. Penso che dovremmo dimenticare le celle molto scarse perché abbiamo ottenuto solo due risposte in quelle celle.
Tuttavia, possiamo vedere che nella cellula di networking povera e senza chat informali, abbiamo ottenuto un valore P significativamente basso. Quasi tutti coloro che hanno valutato la collaborazione nel dipartimento come scarsa non utilizzano il networking di chat informali. Penso che siano informazioni preziose e forse qualcosa che il dipartimento dovrebbe migliorare. Questo è stato il trattamento delle domande parzialmente chiuse e anche la fine del caso numero 1.
Passiamo al caso numero 2, le interviste VOC. Il caso 2 si basa su verbali di riunioni trasformati in adesivi. Il motivo era quello di poterli raggruppare sulla lavagna. Ogni riga rappresenta un adesivo e qui in questa tabella di dati abbiamo 361 adesivi o righe, e provengono da 50 intervistati.
Come avrete notato, ho nascosto l'input del diagramma di affinità, che sarebbe il testo sugli adesivi per motivi di riservatezza. Ora eseguiremo l'esploratore di testo e aggiungeremo la frase ai termini come abbiamo fatto prima. L'ho già fatto come vedete qui. Tutte le frasi sono in grigio, il che significa che sono state aggiunte all'elenco dei termini.
Possiamo vedere che abbiamo un termine chiamato progetto e un altro chiamato progetti. Qui sotto, abbiamo un termine chiamato processo, un altro processi. Per sbarazzarci di queste ridondanze, possiamo andare sotto l'hotspot e scegliere opzioni termine, stemming, stem tutti i termini.
Per un'ulteriore pulizia, abbiamo alcuni termini che non possiamo usare perché non forniscono informazioni preziose, ad esempio, Usa. Se scelgo Usa e clicco con il tasto destro e lo aggiungo come stop word, scomparirà dall'elenco. Possiamo fare lo stesso con within. Aggiungi una stop word.
Ecco una tabella pulita molto bella su cui possiamo lavorare. Ora passerò alla versione JMP Pro perché faremo un Latent Semantic SVD per ottenere l'analisi dell'argomento ruotata SVD. L'SVD trasforma i dati di testo in uno spazio vettoriale a dimensione fissa, rendendolo modificabile a tutti i tipi di tecniche di clustering, classificazione e regressione.
Se hai JMP Pro, puoi farlo. In Hotspot, scegli Latent Semantic Analysis SVD. Clicchiamo su Okay. In questo hotspot, l'hotspot SVD-Centered and Scaled TF-IDF, scegliamo Topic Analysis, Rotated SVD.
Qui dobbiamo scegliere quanti argomenti vogliamo, e in questo caso, ne scelgo quattro. Clicco su Okay. Quello che vediamo qui è il report top loading by topic, composto da quattro tabelle, una per ogni argomento. I termini in questi argomenti sono quelli con i maggiori caricamenti in valori assoluti. Possiamo usare questo report per determinare i temi concettuali per il nostro progetto Six Sigma.
Se torniamo all'Hotspot e clicchiamo su Rinomina argomenti. Se osserviamo i termini nell'argomento 1, scelgo di chiamarlo Tema per l'efficienza dei costi. Argomento 2, lo chiamo Sistema informativo. E l'argomento 3 riguarda l'esecuzione del progetto in sé, quindi potrebbe essere Esecuzione del progetto. Argomento 4, scelgo di chiamarlo Condivisione della conoscenza. Clicchiamo su Okay. Questo è molto, molto bello perché ora abbiamo effettivamente prodotto quattro driver di qualità per il nostro progetto Six Sigma.
Utilizzando gli argomenti, ora abbiamo un'aggregazione oggettiva delle dichiarazioni VOC, e invece di un'aggregazione manuale individuale dipendente da quindi soggettiva. Inoltre, possiamo mostrare gli argomenti come word cloud. Andiamo su Display Options, Word Clouds by topic. Qui sotto, possiamo aprire e vedere che per ora otteniamo le stesse informazioni come word cloud by topic o quality driver, come lo chiamavo prima.
Se andiamo all'Hotspot, clicchiamoci sopra e possiamo vedere che possiamo effettivamente salvare i vettori degli argomenti del documento. Se lo facciamo e li trasformiamo nella nostra tabella dati, possiamo vedere che abbiamo creato quattro nuove colonne, ciascuna per uno dei driver di qualità. Questo sarà molto prezioso quando arriveremo alla fase di miglioramento nel nostro progetto Six Sigma, perché lì dovremo discutere le soluzioni.
Qui possiamo vedere a quale cliente dobbiamo prestare particolare attenzione quando si tratta di discutere soluzioni per l'efficienza dei costi, il sistema informativo, l'esecuzione del progetto o la condivisione della conoscenza. Per vedere chi è chi, possiamo andare al Graph Builder e scegliere, lo sposterò un po', di scegliere Topics come Y, X e Respondent come X. Quindi possiamo scegliere Bar Plot. Facciamo clic su Done.
Qui possiamo vedere che quando vogliamo discutere di soluzioni con i nostri clienti, questa persona è la persona a cui rivolgersi quando si tratta di efficienza dei costi, mentre questa persona è brava a parlare di soluzioni per l'infosystem. Qui abbiamo la persona che condivide la conoscenza e qui la persona che esegue il progetto. A questo proposito, concluderò la dimostrazione in JMP e tornerò alla presentazione.
Utilizzando JMP Pro Text Explorer, abbiamo aperto il confine tra la voce del dominio del cliente e il dominio tecnico dei requisiti funzionali e delle specifiche. Abbiamo utilizzato JMP Text Explorer per creare quattro obiettivi con driver di qualità per noi. Possiamo facilmente ricavare criticità misurabili per le qualità da questi driver. Di conseguenza, abbiamo risparmiato molto tempo e disaccoppiato il fattore umano.
Infine, conclusione. Le risposte alle domande parzialmente chiuse e il testo complesso, ad esempio, delle interviste sulla voce del cliente, possono essere trattati in Text Explorer in termini e frasi. I termini e le frasi possono essere trasferiti in argomenti, driver di qualità o indicatori, consentendo un'interpretazione oggettiva delle informazioni. JMP Text Explorer offre un modo per passare dall'analisi puramente qualitativa a quella quantitativa del testo. Con questa nuova conoscenza, possiamo aumentare la qualità delle nostre interviste VOC e dei nostri sondaggi e ottenere solide conclusioni sui test. Grazie per l'attenzione.
