Text Explorer en JMP es una herramienta muy potente que se puede utilizar para organizar las respuestas de una encuesta o una serie de entrevistas de voz del cliente (VOC) y prepararlas para la prueba. En esta presentación, repaso todos los pasos, utilizando un ejemplo real de mi organización. Las encuestas se basan en preguntas cerradas (calificación con 1 a 5 estrellas), parcialmente cerradas (respuestas de opción múltiple de una lista de opciones) o abiertas (campo de texto libre).
Como era de esperar, hay mucha más variación en las respuestas de los encuestados a las preguntas abiertas o parcialmente cerradas. Text Explorer ofrece una forma de codificar las respuestas como términos y frases. Luego, se pueden procesar de muchas maneras, lo que permite realizar modelos predictivos y pruebas de hipótesis, lo que se demuestra en esta presentación.
Text Explorer también se puede utilizar para agrupar las respuestas de VOC en temas que luego se utilizarán como impulsores de calidad en un árbol CTQ. Si se construye de la manera correcta, este método, que demostramos en JMP, puede ahorrar tiempo y, al mismo tiempo, permitir obtener nuevos conocimientos.
Pasar del análisis cualitativo al cuantitativo de las encuestas y de la voz del cliente es una forma de establecer una organización que recuerda.
Crecimiento cuantitativo: análisis de textos sobre encuestas y la voz del cliente. Introducción. Hoy en día, se realizan muchas encuestas porque es muy fácil. Algunas encuestas no están diseñadas adecuadamente y, por lo tanto, el análisis posterior a la evaluación se vuelve difícil y las conclusiones se pierden.
El caso 1 se basa en el análisis de una encuesta sobre la cooperación entre los distintos equipos del departamento. En un proyecto Six Sigma, llevar a cabo la voz del cliente, la VOC, es esencial para poder entender qué sería lo que aportaría valor al cliente. Sin embargo, si hay muchos clientes, es probable que tengan opiniones diferentes. ¿Cómo se hace operativa la VOC? De eso trata el caso 2, basado en 50 entrevistas con clientes internos y partes interesadas.
El texto es un dato no estructurado que se puede tratar en JMP Text Explorer para permitir el análisis estadístico, utilizar la información oculta en el texto o reducir la complejidad para facilitar su interpretación. La voz del cliente podría, por ejemplo, ser una serie de entrevistas. Las actas de las reuniones de estas entrevistas son datos no estructurados y difíciles de convertir en parámetros mensurables de forma objetiva. Sin embargo, utilizando las funciones de Text Explorer, se puede realizar un procedimiento objetivo.
Las preguntas de la encuesta pueden ser cerradas, parcialmente cerradas o abiertas. Un ejemplo de pregunta cerrada podría ser así: ¿Cómo calificaría Europe Discovery Summit 2024? Excelente, muy excelente, de clase mundial, de clase mundial o, por supuesto, el mejor del universo. Una pregunta parcialmente cerrada podría ser así: ¿Cuál es su postre preferido? Y puede elegir tantos como desee. Puede elegir solo helado, helado y pastel, pastel y fruta, helado de fruta, dulces, dulces de fruta, solo dulces, etc. Una pregunta abierta podría ser así: ¿Cómo describiría el día perfecto?
En un proyecto Six Sigma, la voz del cliente, su necesidad, tiene que traducirse en impulsores de calidad y en elementos críticos mensurables para la calidad. Se trata de pasar del ámbito del cliente, un lugar bastante superficial y desestructurado, a un ámbito técnico de requisitos y especificaciones funcionales.
Pasemos a JMP para la demostración de los dos casos. El caso 1 es la encuesta sobre la cooperación entre los equipos de salud y seguridad durante la construcción de los parques eólicos marinos. El caso 2 es la voz del cliente introducida a partir de un proyecto de mejora continua sobre el proceso de diseño de los parques eólicos marinos.
Caso 1, la encuesta. Lo que se ve es una parte de la encuesta original sobre la colaboración en el departamento, donde las respuestas equivalen a filas y las preguntas a columnas. Primero, me gustaría comprobar la correlación entre las respuestas de dos preguntas cerradas.
Pregunta 1: ¿cómo clasificaría su puesto de trabajo? ¿En la oficina administrativa, en primera línea u otro? En relación con la pregunta 4: ¿con qué frecuencia colabora con un colega de otra región del departamento fuera de sus tareas rutinarias diarias? ¿Semanalmente, todos los días, mensualmente o con menos frecuencia?
Aquí recomiendo encarecidamente ordenar las opciones por valores. De lo contrario, será muy confuso. ¿Cómo se hace? Seleccione la columna, haga clic con el botón derecho del mouse, elija Propiedades de columna, Orden de valores. Puede ver que personalicé el orden de esta manera: con menos frecuencia, mensualmente, semanalmente, todos los días. Cuando termine con esto, haga clic en Aceptar.
En JMP, hay tres formas de realizar este análisis. Se explicarán dos de ellas. En el primer método, vamos a Analizar, Investigación de consumidores, Categórico. Elegimos la pregunta uno como X, la categoría de agrupación, y la pregunta cuatro como las respuestas. Lo sentimos. Hacemos clic en Aceptar. Lo que ves aquí es una tabla que contiene celdas. Dentro de las celdas, tenemos la frecuencia, que es el recuento observado, la participación en porcentajes y el chi-cuadrado de la celda, el valor P.
Con los datos proporcionados, podemos ver que hay una respuesta significativamente baja en la celda de primera línea de todos los días. Hacemos clic, seleccionamos esto y luego pasamos al siguiente método. Eso es ajustar Y por la plataforma X. De manera similar, elegimos la pregunta uno como X y la pregunta cuatro como Y, la respuesta. Hacemos clic en Aceptar. Aquí puede ver que obtenemos una tabla ligeramente diferente porque en lugar del valor P, obtenemos el valor esperado. Lo seleccionamos también. Luego, podemos combinar las dos ventanas para obtener el informe completo.
Se puede ver muy claramente que la razón por la que este valor P es significativamente bajo es porque solo observamos 4 recuentos en esta celda, pero esperábamos 12,6 y, como se trata de seres humanos, en realidad son 13. La diferencia entre el valor observado y el esperado es tan grande que este valor P se vuelve significativo. Tal vez sea necesario que el departamento tome medidas para mejorar esto.
Esto cerrará el tratamiento de preguntas cerradas. Volvamos a la tabla de datos y pasemos a la pregunta 14. Dice así: ¿Qué le ayuda a colaborar en el departamento? De hecho, se trata de una pregunta parcialmente cerrada porque el encuestado tiene la posibilidad de elegir varias opciones, como la cultura de colaboración, las reuniones cara a cara, las charlas informales, el tiempo de networking dentro de la empresa para saber quién es quién, las herramientas de TI, las reuniones de todo el personal, etc.
Para ver cuántas respuestas obtuvimos, podemos mostrarlas en Graph Builder. Elegimos Graph Builder. Pregunta 14, la arrastramos y la soltamos en las zonas. Luego elegimos el mapa de árbol. Hacemos clic en Listo y lo agrandamos. Creo que está claro para todos que tenemos tantas formas de responder a la respuesta como encuestados, y por lo tanto complica cualquier análisis, si no lo hace imposible.
Sin embargo, podemos cuantificar los datos si vamos al Explorador de texto. Volvemos a la tabla de datos. En Analizar, encontramos el Explorador de texto. Elegimos la pregunta 14 como columna de texto. Dejamos todo lo demás como está y hacemos clic en Aceptar. Lo que vemos aquí es la lista de términos y frases, y agregaré todas las frases al término resaltándolas, haciendo clic derecho y agregando frase.
Ahora podemos ver que esta lista brinda información muy variable. Vemos que la red de chat informal es la que tiene mayor número de participantes, seguida de las reuniones presenciales, el apoyo de líderes, la buena gestión de proyectos, las reuniones en línea, etc.
Puedes hacer un informe muy bueno a partir de esto. Si estás en cualquier parte de esta tabla, haz clic derecho y haz clic en Convertir en tabla de datos. Tenemos una nueva tabla de datos y elijo eliminar todos los términos sin importancia. Luego podemos ir a Distribución y elegir Término como Y y Conteo como frecuencia. Hacemos clic en Aceptar. Debajo del punto de acceso, puedes apilar el informe. Debajo del punto de acceso Término, podemos ordenar los recuentos por valor descendente. Tal vez deberíamos cambiar un poco el color del histograma. Ahora tenemos un informe bueno, algo que podemos comunicar y en base a lo cual podemos actuar.
Analicemos más de cerca la frase informal chat networking. Volvemos a nuestra tabla de datos y a nuestro texto, Explorer, y elegimos el término informal chat networking. Si hacemos clic derecho aquí, podemos ver que podemos guardar un indicador. Eso nos dará un uno o un cero para saber si la respuesta ha elegido esta opción o no. Lo hacemos.
En la tabla de datos, podemos ver que ahora hemos creado una columna con unos o ceros. Me gustaría recodificar esto a sí o no. Si subimos aquí y hacemos clic en Recodificar, escribiré no en lugar de cero. Aceptamos que convirtamos la columna a caracteres, y sí en lugar de uno. Así, y hacemos clic en Recodificar. Ahora tenemos una nueva columna con la misma información, pero con sí o no en lugar de uno o ceros.
Ahora podemos realizar una prueba categórica de la correlación entre, por ejemplo, la pregunta número 5: ¿cómo calificaría la colaboración en el departamento en general? ¿Muy mala, mala, regular, buena o muy buena? En relación con nuestro indicador de redes de chat informales, sí o no.
Como vimos antes, podemos, en Analizar, buscar la plataforma de investigación de consumidores y elegimos Categórica. Ahora elegimos la pregunta 5 como X y nuestro indicador de red de chat informal como respuesta. Hacemos clic en Aceptar. Como antes, tenemos esta lista o tabla. Creo que deberíamos olvidarnos de las celdas muy pobres porque solo obtuvimos dos respuestas en esas celdas.
Sin embargo, podemos ver que en la celda de redes sociales con charlas informales deficientes y sin ellas, obtuvimos un valor P significativamente bajo. Casi todos los que calificaron la colaboración en el departamento como deficiente no utilizan redes sociales con charlas informales. Creo que esa es una información valiosa y tal vez algo que el departamento debería mejorar. Ese fue el tratamiento de preguntas parcialmente cerradas y también el final del caso número 1.
Pasemos al caso número 2, las entrevistas de VOC. El caso 2 se basa en actas de reuniones transformadas en pegatinas. El motivo era poder agruparlas en la pizarra. Cada fila representa una pegatina y tenemos aquí en esta tabla de datos 361 pegatinas o filas, y proceden de 50 encuestados.
Como habrás notado, he ocultado la entrada del diagrama de afinidad, que sería el texto de las etiquetas por razones de sensibilidad. Ahora ejecutaremos el explorador de texto y agregaremos la frase de los términos como hicimos antes. Ya lo hice como puedes ver aquí. Todas las frases están en gris, lo que significa que se han agregado a la lista de términos.
Podemos ver que tenemos un término llamado proyecto y otro llamado proyectos. Aquí abajo, tenemos un término llamado proceso, otro llamado procesos. Para deshacernos de estas redundancias, podemos ir al punto de acceso y elegir opciones de término, derivación, derivación de todos los términos.
Para una mayor limpieza, tenemos algunos términos que no podemos usar porque no brindan información valiosa, por ejemplo, "Usar". Si selecciono "Usar" y hago clic derecho y lo agrego como palabra vacía, desaparecerá de la lista. Podemos hacer lo mismo con "Inside". Agregar una palabra vacía.
Aquí tenemos una tabla muy bien limpia en la que podemos trabajar. Ahora pasaré a la versión JMP Pro porque vamos a hacer un SVD semántico latente para obtener el SVD rotado del análisis de temas. El SVD transforma los datos de texto en un espacio vectorial de dimensión fija, lo que lo hace adaptable a todo tipo de técnicas de agrupamiento, clasificación y regresión.
Si tiene JMP Pro, puede hacerlo. En Punto de acceso, elija Análisis semántico latente SVD. Hacemos clic en Aceptar. En este punto de acceso, el punto de acceso TF-IDF centrado y escalado SVD, elegimos Análisis de temas, SVD rotado.
Aquí tenemos que elegir cuántos temas queremos y, en este caso, elijo cuatro. Hago clic en Aceptar. Lo que vemos aquí es el informe de carga superior por tema, que consta de cuatro tablas, una para cada tema. Los términos de estos temas son los que tienen las cargas más altas en valores absolutos. Podemos utilizar este informe para determinar temas conceptuales para nuestro proyecto Six Sigma.
Si volvemos a la zona activa y hacemos clic en Cambiar nombre de temas, si observamos los términos del tema 1, elijo llamarlo Tema para la eficiencia de costos. El tema 2, lo llamo Sistema de información. Y el tema 3 trata sobre la ejecución del proyecto en sí, por lo que podría ser Ejecución del proyecto. El tema 4, elijo llamarlo Intercambio de conocimientos. Haga clic en Aceptar. Esto es muy, muy bueno porque ahora hemos producido cuatro impulsores de calidad para nuestro proyecto Six Sigma.
Al utilizar temas, ahora tenemos una agregación objetiva de las declaraciones de VOC, en lugar de una agregación individual manual que depende de ello. Además, podemos mostrar los temas como nubes de palabras. Vamos a Opciones de visualización, Nubes de palabras por tema. Aquí abajo, podemos abrir y ver que obtenemos la misma información por ahora como una nube de palabras por tema o impulsores de calidad, como solía llamarlo.
Si vamos al punto de acceso, hacemos clic en él y podemos ver que podemos guardar vectores de temas de documentos. Si lo hacemos y lo convertimos en nuestra tabla de datos, podemos ver que hemos creado cuatro columnas nuevas, cada una para uno de los impulsores de calidad. Esto será muy valioso cuando lleguemos a la fase de mejora en nuestro proyecto Six Sigma, porque allí tenemos que discutir soluciones.
Aquí podemos ver a qué cliente debemos prestar especial atención cuando se trata de discutir soluciones para la eficiencia de costos, el sistema de información, la ejecución del proyecto o el intercambio de conocimientos. Para ver quién es quién, podemos ir al generador de gráficos y elegir, lo moveré un poco, elegir Temas como Y, X y Respondiente como X. Luego podemos elegir Gráfico de barras. Hacemos clic en Listo.
Aquí podemos ver que cuando queremos discutir soluciones con nuestros clientes, esta persona es la persona a la que recurrir cuando se trata de eficiencia de costos, mientras que esta persona es buena para hablar sobre soluciones para el sistema de información. Aquí tenemos a la persona que comparte conocimientos y aquí a la persona que ejecuta el proyecto. En ese sentido, terminaré la demostración en JMP y volveré a la presentación.
Con JMP Pro Text Explorer, hemos abierto la frontera entre el dominio de la voz del cliente y el dominio técnico de los requisitos y especificaciones funcionales. Hemos utilizado JMP Text Explorer para crear cuatro objetivos con impulsores de calidad para nosotros. Podemos derivar fácilmente cualidades críticas mensurables a partir de estos impulsores. En consecuencia, hemos ahorrado mucho tiempo y hemos desvinculado el factor humano.
Finalmente, conclusión. Las respuestas a preguntas parcialmente cerradas, así como textos complejos, como, por ejemplo, entrevistas de voz del cliente, se pueden tratar en Text Explorer en términos y frases. Los términos y frases se pueden transferir a temas, impulsores de calidad o indicadores, lo que permite una interpretación objetiva de la información. JMP Text Explorer ofrece una forma de pasar del análisis de texto puramente cualitativo al cuantitativo. Con este nuevo conocimiento, podemos aumentar la calidad de nuestras entrevistas de voz del cliente y nuestras encuestas, y obtener conclusiones sólidas sobre las pruebas. Gracias por su atención.
