JMP의 Text Explorer는 설문 조사나 일련의 VOC(고객의 소리) 인터뷰의 응답을 구성하고 테스트할 준비를 하는 데 사용할 수 있는 매우 강력한 도구입니다. 이 프레젠테이션에서는 제 조직의 실제 사례를 사용하여 모든 단계를 살펴봅니다. 설문 조사는 폐쇄형(1~5개 별을 사용하여 평가), 부분적으로 폐쇄형(옵션 목록에서 다중 선택 답변) 또는 개방형(자유 텍스트 필드) 질문을 기반으로 합니다.
예상대로, 개방형 또는 부분적으로 폐쇄형 질문에 대한 응답자의 답변에는 훨씬 더 많은 변화가 있습니다. Text Explorer는 응답을 용어와 구문으로 코딩하는 방법을 제공합니다. 그런 다음 여러 가지 방법으로 처리하여 이 프레젠테이션에서 설명하는 예측 모델링 및 가설 검정을 활성화할 수 있습니다.
Text Explorer는 VOC 응답을 나중에 CTQ 트리의 품질 드라이버로 사용되는 주제로 그룹화하는 데에도 사용할 수 있습니다. JMP에서 보여주는 이 방법을 올바르게 구성하면 시간을 절약할 수 있고 새로운 통찰력도 얻을 수 있습니다.
설문조사와 고객의 의견을 정성적 분석에서 정량적 분석으로 전환하는 것은 기억하는 조직을 구축하는 한 가지 방법입니다.
양적 성장: 설문 조사 및 고객의 목소리에 대한 텍스트 분석. 서론. 오늘날 많은 설문 조사가 너무 쉽기 때문에 수행됩니다. 일부 설문 조사는 적절하게 설계되지 않아 평가 후 분석이 어려워지고 결론이 도출됩니다.
사례 1은 부서의 다양한 팀 간 협력에 대한 설문 조사 분석을 기반으로 합니다. Six Sigma 프로젝트에서 고객의 소리인 VOC를 수행하는 것은 고객에게 무엇이 가치를 더할 수 있는지 이해하는 데 필수적입니다. 그러나 고객이 많으면 서로 다른 의견을 가질 가능성이 큽니다. VOC를 어떻게 운영할 수 있을까요? 내부 고객, 이해 관계자와의 50건의 인터뷰를 기반으로 한 사례 2가 이에 대한 것입니다.
텍스트는 비정형 데이터이며 JMP Text Explorer에서 처리하여 통계 분석을 가능하게 하거나, 텍스트에 숨겨진 정보를 활용하거나, 해석을 가능하게 하는 복잡성을 줄일 수 있습니다. 예를 들어, 고객의 목소리는 일련의 인터뷰가 될 수 있습니다. 이러한 인터뷰의 회의록은 비정형 데이터이며 객관적인 방식으로 측정 가능한 매개변수로 변환하기 어렵습니다. 그러나 Text Explorer의 기능을 사용하면 객관적인 절차를 만들 수 있습니다.
설문 조사 질문은 폐쇄형, 부분 폐쇄형 또는 개방형일 수 있습니다. 폐쇄형 질문의 예는 다음과 같습니다. Europe Discovery Summit 2024를 어떻게 평가하시겠습니까? 훌륭함, 매우 훌륭함, 세계적 수준, 매우 세계적 수준 또는 물론 우주 최고. 부분적으로 폐쇄형 질문은 다음과 같습니다. 선호하는 디저트는 무엇입니까? 원하는 만큼 선택할 수 있습니다. 아이스크림만, 아이스크림과 케이크, 케이크와 과일, 아이스크림 과일, 사탕, 사탕 과일, 사탕만 등을 선택할 수 있습니다. 개방형 질문은 다음과 같습니다. 완벽한 하루를 어떻게 설명하시겠습니까?
Six Sigma 프로젝트에서 고객의 목소리, 즉 필요성은 품질 동인과 품질에 대한 측정 가능한 중요 요소로 변환되어야 합니다. 이는 고객 도메인, 다소 솜털 같고 구조화되지 않은 곳에서 기능적 요구 사항과 사양의 기술 도메인으로 이동하는 것입니다.
두 사례의 데모를 위해 JMP로 이동해 보겠습니다. 사례 1은 해상 풍력 발전소를 건설할 때 건강 및 안전 팀 간의 협력에 대한 설문 조사입니다. 사례 2는 해상 풍력 발전소의 설계 프로세스에 대한 지속적인 개선 프로젝트에서 소개된 고객의 목소리입니다.
사례 1, 설문 조사. 당신이 보는 것은 부서 내 협업에 대한 원래 설문 조사의 일부로, 응답은 행과 같고 질문은 열과 같습니다. 먼저, 두 개의 폐쇄형 질문의 응답 간의 상관 관계를 확인하고 싶습니다.
질문 1, 귀하의 직무 역할을 어떻게 분류하시겠습니까? 백오피스, 프런트라인 또는 기타? 질문 4에 반해, 일상 업무 외에 다른 부서 지역의 동료와 얼마나 자주 협업하십니까? 매주, 매일, 매월 또는 그보다 덜 자주?
여기서, 옵션의 값을 정렬하는 것을 강력히 권장합니다. 그렇지 않으면 매우 혼란스러울 것입니다. 어떻게 할까요? 열을 선택하고 마우스 오른쪽 버튼을 클릭하고 열 속성, 값 순서를 선택합니다. 이렇게 덜 자주, 매월, 매주, 매일과 같이 순서를 사용자 지정한 것을 볼 수 있습니다. 이것을 마치면 확인을 클릭합니다.
JMP에서 이 분석을 수행하는 방법은 세 가지가 있습니다. 그 중 두 가지를 설명하겠습니다. 첫 번째 방법은 분석, 소비자 조사, 범주형으로 이동합니다. 질문 1을 그룹화 범주인 X로 선택하고 질문 4를 응답으로 선택합니다. 죄송합니다. 확인을 클릭합니다. 여기서 보이는 것은 셀이 포함된 표입니다. 셀 내부에는 빈도, 즉 관찰된 횟수, 백분율로 표시된 점유율, 셀 카이제곱, P값이 있습니다.
주어진 데이터를 통해, 우리는 일선 일상 셀에서 상당히 낮은 반응이 있음을 알 수 있습니다. 우리는 클릭하고, 이것을 선택한 다음, 다음 방법으로 이동합니다. 그것은 Y x X 플랫폼에 적합합니다. 마찬가지로, 우리는 질문 1을 X로, 질문 4를 Y로 선택합니다. 그것은 반응입니다. 우리는 확인을 클릭합니다. 여기서 우리는 P-값 대신 기대값을 얻기 때문에 약간 다른 표를 얻습니다. 우리는 그것도 선택합니다. 그런 다음 두 창을 결합하여 전체 보고서를 얻을 수 있습니다.
이것이 P-값이 상당히 낮은 이유는 우리가 이 세포에서 4개의 카운트만 관찰했지만 12.6을 기대했고, 인간이기 때문에 실제로는 13이기 때문이라는 것을 아주 명확하게 알 수 있습니다. 관찰된 값과 기대된 값의 차이가 너무 커서 이 P-값이 상당해집니다. 아마도 이 부분을 개선하기 위해 부서에서 조치가 필요할 것입니다.
이것으로 폐쇄형 질문 처리를 마칩니다. 데이터 표로 돌아가서 질문 14로 넘어가겠습니다. 다음과 같습니다. 부서에서 협업하는 데 무엇이 도움이 되나요? 사실, 응답자는 협업 문화, 대면 회의, 비공식 채팅, 회사 내에서 누가 누구인지 알 수 있는 네트워킹 시간, IT 도구, 전체 회의 등 여러 옵션을 선택할 가능성이 있기 때문에 부분적으로 폐쇄형 질문입니다.
얼마나 많은 답변을 얻었는지 보려면 Graph Builder에 표시할 수 있습니다. Graph Builder를 선택합니다. 질문 14를 영역으로 끌어다 놓습니다. 그런 다음 트리 맵을 선택합니다. 완료를 클릭하고 크게 만듭니다. 응답자 수만큼 답변에 답하는 방법이 있다는 것은 모든 사람에게 분명할 것이라고 생각합니다. 따라서 분석이 복잡해지거나 불가능해집니다.
하지만 Text Explorer로 가면 데이터를 정량화할 수 있습니다. 데이터 테이블로 돌아갑니다. Analyze에서 Text Explorer를 찾습니다. 질문 14를 텍스트 열로 선택합니다. 나머지는 그대로 두고 Okay를 클릭합니다. 여기서 보이는 것은 용어와 구문 목록이고, 모든 구문을 강조 표시하고 마우스 오른쪽 버튼을 클릭한 다음 구문을 추가하여 용어에 추가하겠습니다.
이제 우리는 이 목록이 매우 다양한 정보를 제공한다는 것을 알 수 있습니다. 비공식 채팅 네트워킹이 가장 많은 수를 차지하며, 그 다음으로 대면 회의, 리더 지원, 좋은 프로젝트 관리, 온라인 회의 등이 뒤따릅니다.
이것으로 아주 좋은 보고서를 만들 수 있습니다. 이 표의 어느 곳에 있든 마우스 오른쪽 버튼을 클릭하고 데이터 표로 만들기를 클릭합니다. 새로운 데이터 표가 생겼고, 중요하지 않은 모든 용어를 삭제하기로 했습니다. 그런 다음 분포로 가서 Y로 용어를 선택하고 빈도로 개수를 선택할 수 있습니다. 확인을 클릭합니다. 핫스팟 아래에서 보고서를 쌓을 수 있습니다. 용어 핫스팟 아래에서 개수 내림차순으로 개수를 정렬할 수 있습니다. 히스토그램 색상을 조금 변경해야 할 수도 있습니다. 이제 좋은 보고서가 생겼고, 이를 통해 소통하고 조치를 취할 수 있습니다.
비공식 채팅 네트워킹이라는 문구를 자세히 살펴보겠습니다. 데이터 테이블과 텍스트 탐색기로 돌아가서 비공식 채팅 네트워킹 용어를 선택합니다. 여기서 마우스 오른쪽 버튼을 클릭하면 지표를 저장할 수 있습니다. 그러면 응답자가 이 옵션을 선택했는지 여부에 대한 1 또는 0이 제공됩니다. 그렇게 합니다.
데이터 테이블에서 이제 1 또는 0으로 된 열을 만든 것을 볼 수 있습니다. 이것을 예 또는 아니요로 다시 코딩하고 싶습니다. 여기로 가서 다시 코딩을 클릭하면 0 대신 아니요를 쓸 것입니다. 열을 문자로 변환하고 1 대신 예를 사용한다는 것을 수락합니다. 이렇게 하고 다시 코딩을 클릭합니다. 이제 동일한 정보가 있는 새 열이 생겼지만 1 또는 0 대신 예 또는 아니요가 있습니다.
이제 우리는 예를 들어 질문 번호 5와 같은 상관관계에 대한 범주형 테스트를 수행할 수 있습니다. 부서 전반의 협업을 어떻게 평가하시겠습니까? 매우 나쁨, 나쁨, 보통, 좋음 또는 매우 좋음? 비공식 채팅 네트워킹 지표에 대해 예 또는 아니요.
이전에 보았듯이, 분석에서 소비자 조사 플랫폼을 찾고 범주형을 선택합니다. 이제 질문 5를 X로 선택하고 비공식 채팅 네트워킹 지표를 응답으로 선택합니다. 확인을 클릭합니다. 이전과 마찬가지로 이 목록이나 표를 얻었습니다. 매우 낮은 셀은 잊어야 할 것 같습니다. 그 셀에서 응답이 두 개뿐이었기 때문입니다.
그러나 우리는 빈약하고 비공식 채팅 네트워킹 셀이 없는 셀에서 상당히 낮은 P-값을 얻었음을 알 수 있습니다. 부서의 협업을 빈약하다고 평가한 거의 모든 사람이 비공식 채팅 네트워킹을 사용하지 않습니다. 저는 그것이 귀중한 정보이며 아마도 부서가 개선해야 할 부분이라고 생각합니다. 그것은 부분적으로 닫힌 질문 처리였고 또한 사례 번호 1의 끝이었습니다.
사례 2, VOC 인터뷰로 넘어가겠습니다. 사례 2는 회의록을 스티커로 변환한 것입니다. 이유는 보드에 그룹화할 수 있기 때문입니다. 각 행은 스티커를 나타내며, 이 데이터 테이블에는 361개의 스티커 또는 행이 있으며, 이는 50명의 응답자에게서 나왔습니다.
알아차렸을 수도 있겠지만, 민감성 때문에 스티커에 있는 텍스트인 친화도 다이어그램 입력을 숨겼습니다. 이제 텍스트 탐색기를 실행하고 이전에 했던 것처럼 용어에 문구를 추가합니다. 여기에서 보시다시피 이미 그렇게 했습니다. 모든 문구가 회색으로 표시되어 용어 목록에 추가되었음을 의미합니다.
프로젝트라는 용어와 프로젝트라는 용어가 있는 것을 볼 수 있습니다. 여기 아래에는 프로세스라는 용어가 있고, 또 다른 프로세스라는 용어가 있습니다. 이러한 중복을 제거하려면 핫스팟으로 가서 용어 옵션, 어간 추출, 모든 용어 어간 추출을 선택할 수 있습니다.
추가 정리를 위해, 우리는 실제로 사용할 수 없는 몇 가지 용어가 있는데, 그것들은 가치 있는 정보를 제공하지 않기 때문입니다. 예를 들어, Use. Use를 선택하고 마우스 오른쪽 버튼을 클릭하여 중지 단어로 추가하면 목록에서 사라집니다. within에서도 같은 작업을 할 수 있습니다. 중지 단어를 추가합니다.
여기서 우리는 작업할 수 있는 매우 깔끔하게 정리된 테이블을 가지고 있습니다. 이제 주제 분석 회전 SVD를 얻기 위해 잠재 의미 SVD를 수행할 것이므로 JMP Pro 버전으로 이동하겠습니다. SVD는 텍스트 데이터를 고정 차원 벡터 공간으로 변환하여 모든 종류의 클러스터링, 분류 및 회귀 기술에 적용할 수 있게 합니다.
JMP Pro가 있다면, 이렇게 할 수 있습니다. Hotspot에서 Latent Semantic Analysis SVD를 선택합니다. Okay를 클릭합니다. 이 핫스팟, SVD-Centered and Scaled TF-IDF 핫스팟에서 Topic Analysis, Rotated SVD를 선택합니다.
여기서 우리는 원하는 주제의 수를 선택해야 하며, 이 경우 4개를 선택합니다. 확인을 클릭합니다. 여기서 보이는 것은 주제별 상위 로딩 보고서로, 각 주제별로 4개의 표로 구성되어 있습니다. 이러한 주제의 용어는 절대값으로 가장 큰 로딩을 가진 용어입니다. 이 보고서를 사용하여 Six Sigma 프로젝트의 개념적 주제를 결정할 수 있습니다.
다시 Hotspot으로 가서 주제 이름 바꾸기를 클릭합니다. 주제 1의 용어를 살펴보면, 저는 이것을 비용 효율성 테마라고 부르기로 했습니다. 주제 2에서는 정보 시스템이라고 부릅니다. 주제 3은 프로젝트 실행 자체에 대한 것이므로 프로젝트 실행이라고 할 수 있습니다. 주제 4에서는 지식 공유라고 부르기로 했습니다. 확인을 클릭합니다. 이것은 매우, 매우 좋은데, 왜냐하면 이제 우리는 실제로 Six Sigma 프로젝트를 위한 4가지 품질 드라이버를 만들어냈기 때문입니다.
주제를 사용함으로써, 우리는 이제 VOC 진술의 객관적인 집계를 가지게 되었고, 따라서 주관적인 집계에 의존하는 수동적인 개별 대신. 더욱이, 우리는 주제를 단어 구름으로 보여줄 수 있습니다. 우리는 디스플레이 옵션, 주제별 단어 구름으로 갑니다. 여기 아래에서, 우리는 열어서 지금은 주제별 단어 구름 또는 이전에 제가 부르던 품질 드라이버로 같은 정보를 얻는 것을 볼 수 있습니다.
Hotspot으로 가서 클릭하면 실제로 문서 주제 벡터를 저장할 수 있다는 것을 알 수 있습니다. 그렇게 하고 데이터 테이블로 바꾸면 품질 드라이버 각각에 대해 4개의 새 열이 생성되었음을 알 수 있습니다. 이것은 Six Sigma 프로젝트의 개선 단계에 도달할 때 매우 귀중할 것입니다. 왜냐하면 그곳에서 솔루션을 논의해야 하기 때문입니다.
여기서 우리는 비용 효율성, 정보 시스템, 프로젝트 실행 또는 지식 공유를 위한 솔루션을 논의할 때 어떤 고객에게 특별히 주의를 기울여야 하는지 볼 수 있습니다. 누가 누구인지 보려면 Graph Builder로 가서 조금 옮겨서 Y, X로 Topics를 선택하고 X로 Respondent를 선택할 수 있습니다. 그런 다음 Bar Plot을 선택할 수 있습니다. Done을 클릭합니다.
여기서 우리는 고객과 솔루션을 논의하고 싶을 때, 이 사람은 비용 효율성과 관련하여 찾아가는 사람인 반면, 이 사람은 정보시스템 솔루션에 대해 이야기하기에 좋다는 것을 알 수 있습니다. 여기에는 지식 공유자가 있고 여기에는 프로젝트 실행자가 있습니다. 그 점에 대해 JMP에서 데모를 마치고 프레젠테이션으로 돌아가겠습니다.
JMP Pro Text Explorer를 사용하여 고객의 목소리 도메인과 기능 요구 사항 및 사양의 기술 도메인 간의 경계를 열었습니다. JMP Text Explorer를 사용하여 품질 드라이버가 있는 네 가지 목표를 만들었습니다. 이러한 드라이버에서 품질에 대한 측정 가능한 중요도를 쉽게 도출할 수 있습니다. 결과적으로 많은 시간을 절약하고 인적 요소를 분리했습니다.
마지막으로 결론입니다. 부분적으로 닫힌 질문 응답과 예를 들어 고객 인터뷰의 음성에서 나온 복잡한 텍스트는 Text Explorer에서 용어와 구문으로 처리할 수 있습니다. 용어와 구문은 주제, 품질 드라이버 또는 지표로 전환하여 정보에 대한 객관적인 해석을 가능하게 합니다. JMP Text Explorer는 순전히 정성적인 텍스트 분석에서 정량적인 텍스트 분석으로 전환하는 방법을 제공합니다. 이 새로운 지식을 통해 VOC 인터뷰와 설문 조사의 품질을 높이고 테스트에서 확실한 결론을 얻을 수 있습니다. 관심을 가져주셔서 감사합니다.
