L'explorateur de texte de JMP est un outil très puissant permettant d'organiser les réponses à un sondage ou à une série d'entretiens d'écoute client (VOC) et de les préparer pour les tests. Dans cette présentation, je détaille toutes les étapes à l'aide d'un exemple concret issu de mon organisation. Les sondages sont basés sur des questions fermées (notation de 1 à 5 étoiles), des questions partiellement fermées (réponses à choix multiples parmi une liste d'options) ou des questions ouvertes (champ de texte libre).
Comme prévu, les réponses aux questions ouvertes ou partiellement fermées présentent une plus grande variété. Text Explorer permet de coder les réponses sous forme de termes et d'expressions. Celles-ci peuvent ensuite être traitées de diverses manières, permettant ainsi la modélisation prédictive et la vérification d'hypothèses, comme illustré dans cette présentation.
L'explorateur de texte permet également de regrouper les réponses VOC par thèmes, qui serviront ensuite de facteurs de qualité dans un arbre CTQ. Correctement mise en œuvre, cette méthode, que nous illustrons avec JMP, permet de gagner du temps et d'obtenir de nouvelles informations.
Passer d'une analyse qualitative à une analyse quantitative des enquêtes et de la voix du client est un moyen de bâtir une organisation qui se souvient.
Développement de l'analyse quantitative : Analyse textuelle des enquêtes et de la voix du client. Introduction. De nombreuses enquêtes sont menées aujourd'hui, car c'est très facile. Cependant, certaines sont mal conçues, ce qui rend l'analyse post-évaluation difficile et conduit à des conclusions hâtives.
Le cas n° 1 repose sur l’analyse d’une enquête sur la coopération entre les différentes équipes du département. Dans un projet Six Sigma, recueillir la voix du client (VOC) est essentiel pour comprendre ce qui apporterait de la valeur ajoutée au client. Cependant, face à de nombreux clients, leurs opinions divergent probablement. Comment rendre la VOC opérationnelle ? C’est l’objet du cas n° 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 implicites ou réduire sa complexité afin de faciliter son interprétation. La voix du client peut, par exemple, se présenter sous la forme d'une série d'entretiens. Les comptes rendus de ces entretiens constituent des données non structurées et difficiles à convertir objectivement en paramètres mesurables. Cependant, grâce aux fonctionnalités de Text Explorer, une procédure objective peut être mise en œuvre.
Les questions d'un sondage peuvent être fermées, semi-fermées ou ouvertes. Voici un exemple de question fermée : « Comment évalueriez-vous le Sommet Europe Discovery 2024 ? » (Excellent, très excellent, de classe mondiale, de très grande classe mondiale, ou bien sûr, le meilleur de l'univers !). Une question semi-fermée pourrait être : « Quel est votre dessert préféré ? » Vous pouvez en choisir plusieurs : glace uniquement, glace et gâteau, gâteau et fruits, glace et fruits, bonbons, bonbons et fruits, bonbons uniquement, etc. Une question ouverte pourrait être : « Comment décririez-vous une journée parfaite ? »
Dans un projet Six Sigma, la voix du client, son besoin, doit être traduite en facteurs de qualité et en indicateurs critiques de qualité mesurables. Il s'agit de passer du domaine client, un espace plutôt flou et peu structuré, au domaine technique des exigences et spécifications fonctionnelles.
Passons maintenant à JMP pour illustrer les deux cas. Le premier cas concerne une enquête sur la coopération entre les équipes santé et sécurité lors de la construction de parcs éoliens offshore. Le second cas présente le point de vue du client, recueilli dans le cadre d'un projet d'amélioration continue relatif au processus de conception de ces mêmes parcs.
Cas n° 1 : l’enquête. Vous voyez ici un extrait de l’enquête originale sur la collaboration au sein du département, où les réponses correspondent aux lignes et les questions aux colonnes. Je souhaite tout d’abord vérifier la corrélation entre les réponses à deux questions fermées.
Première question : comment qualifieriez-vous votre rôle professionnel ? Administratif, opérationnel ou autre ? Quatrième question : à quelle fréquence collaborez-vous avec un collègue d’un autre département ou d’une autre région en dehors de vos tâches quotidiennes ? Hebdomadairement, quotidiennement, mensuellement ou moins souvent ?
Ici, je vous recommande vivement de trier les options par ordre de fréquence. Sinon, cela risque d'être très confus. Voici comment procéder : sélectionnez la colonne, faites un clic droit, choisissez Propriétés de la colonne, puis Ordre des valeurs. Comme vous pouvez le voir, j'ai personnalisé l'ordre ainsi : moins fréquent, mensuel, hebdomadaire, quotidien. Une fois terminé, cliquez sur OK.
Dans JMP, il existe trois méthodes pour réaliser cette analyse. Deux d'entre elles seront expliquées ici. Première méthode : accédez à Analyser > Études de consommation > Catégorielle. Choisissez la question 1 comme variable X (catégorie de regroupement) et la question 4 comme variable de réponse. Cliquez sur OK. Un tableau contenant des cellules s'affiche. Dans chaque cellule, vous trouverez la fréquence (nombre d'observations), la part en pourcentage et la valeur p du test du χ².
D'après les données fournies, on constate un taux de réponse significativement faible au sein de la cellule de première ligne. On clique, on sélectionne cette option, puis on passe à la méthode suivante : l'ajustement de Y par X. De même, on choisit la question 1 comme variable X et la question 4 comme variable Y (la réponse). On clique sur OK. On obtient alors un tableau légèrement différent, car au lieu de la p-valeur, on obtient la valeur attendue. On la sélectionne également. On peut ensuite combiner les deux fenêtres pour obtenir le rapport complet.
On constate clairement que la faible valeur p observée s'explique par le fait que nous n'avons relevé que 4 observations dans cette cellule, alors que nous en attendions 12,6. Or, comme il s'agit d'humains, le nombre observé est en réalité de 13. L'écart entre la valeur observée et la valeur attendue est tel que la valeur p devient significative. Il serait peut-être nécessaire que le département prenne des mesures pour améliorer ce point.
Ceci conclut le traitement des questions fermées. Revenons au tableau de données et passons à la question 14 : « Qu’est-ce qui vous aide à collaborer au sein du département ? » Il s’agit en réalité d’une question partiellement fermée, car le répondant peut choisir plusieurs options, telles que la culture de collaboration, les réunions en face à face, les échanges informels, les moments de réseautage interne pour se faire connaître, les outils informatiques, les réunions plénières, etc.
Pour visualiser le nombre de réponses obtenues, nous pouvons utiliser l'outil de création de graphiques. Sélectionnez-le, puis la question 14, et glissez-déposez-la dans les zones. Choisissez ensuite le format « Arbre de données ». Cliquez sur « Terminé » et agrandissez-le. Il est évident que le nombre de réponses possibles est quasiment égal au nombre de répondants, ce qui complique, voire rend impossible, toute analyse.
Cependant, nous pouvons quantifier les données en utilisant l'Explorateur de texte. Revenons au tableau de données. Sous Analyser, vous trouverez l'Explorateur de texte. Nous sélectionnons la question 14 comme colonne de texte. Nous laissons tous les autres paramètres inchangés et cliquons sur OK. Vous voyez ici la liste des termes et expressions. J'ajouterai toutes les expressions aux termes en les sélectionnant, puis en faisant un clic droit et en choisissant Ajouter une expression.
On constate que cette liste fournit des informations très variables. Les échanges informels par messagerie instantanée arrivent en tête, suivis des rencontres en face à face, du soutien de la direction, d'une bonne gestion de projet, des réunions en ligne, etc.
Vous pouvez créer un rapport très clair à partir de ces données. Si vous vous trouvez n'importe où dans ce tableau, faites un clic droit et sélectionnez « Convertir en tableau de données ». Un nouveau tableau de données est créé ; je choisis de supprimer tous les termes non pertinents. Ensuite, dans l'onglet « Distribution », sélectionnez « Terme » comme variable Y et « Nombre » comme fréquence. Cliquez sur « OK ». Dans la zone cliquable, vous pouvez empiler les données du rapport. Dans la zone cliquable « Terme », vous pouvez trier les effectifs par ordre décroissant. Il serait peut-être judicieux de modifier légèrement la couleur de l'histogramme. Nous avons maintenant un rapport clair et exploitable.
Examinons de plus près l'expression « réseautage informel par chat ». Retournons à notre tableau de données et à notre texte, Explorateur, et sélectionnons le terme « réseautage informel par chat ». Un clic droit nous permet de voir qu'il est possible d'enregistrer un indicateur. Celui-ci nous attribuera la valeur 0 ou 1 selon que la personne interrogée a choisi cette option ou non. Procédons à cet enregistrement.
Dans le tableau de données, nous constatons que nous avons créé une colonne contenant des 0 ou des 1. Je souhaite la convertir en « oui » ou « non ». En cliquant sur « Recoder », je remplace 0 par « non ». Je confirme la conversion de la colonne en caractères, et je remplace 1 par « oui ». Je clique ensuite sur « Recoder ». Nous obtenons ainsi une nouvelle colonne contenant les mêmes informations, mais avec « oui » ou « non » au lieu de 0 ou 1.
Nous pouvons maintenant effectuer un test catégoriel de corrélation entre, par exemple, la question numéro 5 : « Comment évalueriez-vous la collaboration au sein du département en général ? Très mauvaise, mauvaise, passable, bonne ou très bonne ? » et notre indicateur de réseautage informel par messagerie instantanée (oui ou non).
Comme nous l'avons vu précédemment, dans l'onglet Analyser, nous trouvons la plateforme d'études de marché et sélectionnons Catégorielle. Nous choisissons ensuite la question 5 comme variable dépendante (X) et notre indicateur de réseautage informel comme variable dépendante (R). Nous cliquons sur OK. Comme précédemment, nous obtenons cette liste ou ce tableau. Il est préférable d'ignorer les cellules contenant très peu de réponses, car elles ne contiennent que deux réponses.
Cependant, nous constatons que dans le groupe où les échanges informels sont faibles ou inexistants, la valeur p est significativement basse. Presque tous ceux qui ont jugé la collaboration au sein du département faible n'utilisent pas les échanges informels. Je pense que c'est une information précieuse et un point que le département devrait peut-être améliorer. Ceci conclut le traitement de la question partiellement fermée et l'étude de cas numéro 1.
Passons au cas numéro 2 : les entretiens VOC. Ce cas repose sur des comptes rendus de réunions transformés en étiquettes autocollantes. L’objectif était de pouvoir les regrouper sur un tableau. Chaque ligne représente une étiquette ; ce tableau de données contient 361 étiquettes (ou lignes), provenant de 50 répondants.
Comme vous l'avez peut-être remarqué, j'ai masqué le champ de saisie du diagramme d'affinités (le texte des étiquettes) pour des raisons de confidentialité. Nous allons maintenant utiliser l'explorateur de texte et ajouter les termes comme précédemment. C'est déjà fait, comme vous pouvez le voir. Tous les termes sont grisés, ce qui signifie qu'ils ont été ajoutés à la liste.
On constate la présence de deux termes : « project » et « projects ». Plus bas, on trouve « process » et « processes ». Pour supprimer ces redondances, il suffit de cliquer sur le bouton correspondant, puis de sélectionner « Options des termes », « Racine » et enfin « Racine tous les termes ».
Pour un nettoyage plus poussé, certains termes sont inutilisables car ils n'apportent aucune information pertinente, comme par exemple « Use ». Si je sélectionne « Use », que je clique avec le bouton droit et que je l'ajoute comme mot vide, il disparaîtra de la liste. On peut faire de même avec « within ». Ajouter un mot vide.
Voici un tableau bien propre sur lequel nous pouvons travailler. Je vais maintenant utiliser JMP Pro pour effectuer une décomposition en valeurs singulières sémantiques latentes (SVD) afin d'obtenir une SVD pivotée pour l'analyse thématique. La SVD transforme les données textuelles en un espace vectoriel de dimension fixe, les rendant ainsi compatibles avec toutes sortes de techniques de clustering, de classification et de régression.
Si vous disposez de JMP Pro, vous pouvez procéder comme suit. Dans le menu contextuel, sélectionnez « Analyse sémantique latente SVD ». Cliquez sur « OK ». Dans le menu contextuel « TF-IDF centré et mis à l'échelle SVD », sélectionnez « Analyse thématique », puis « SVD pivotée ».
Ici, nous devons choisir le nombre de sujets souhaités ; dans ce cas, j’en choisis quatre. Je clique sur OK. Le rapport affiché est celui des principaux facteurs de pondération par sujet. Il se compose de quatre tableaux, un pour chaque sujet. Les termes de ces sujets sont ceux qui présentent les pondérations les plus élevées en valeur absolue. Ce rapport nous permet de déterminer les thèmes conceptuels de notre projet Six Sigma.
Si nous retournons dans la zone interactive et cliquons sur « Renommer les sujets », examinons les termes du sujet 1. Je choisis de l'appeler « Thème de l'efficacité des coûts ». Le sujet 2 s'appelle « Système d'information ». Le sujet 3 concerne l'exécution du projet elle-même ; il pourrait donc s'appeler « Exécution du projet ». Le sujet 4 s'appelle « Partage des connaissances ». En cliquant sur « OK », nous obtenons quatre facteurs clés de qualité pour notre projet Six Sigma.
Grâce à l'utilisation des thèmes, nous obtenons une agrégation objective des déclarations VOC, au lieu d'une agrégation manuelle et donc subjective. De plus, nous pouvons afficher les thèmes sous forme de nuages de mots. Pour cela, rendez-vous dans Options d'affichage, puis Nuages de mots par thème. Vous y trouverez les mêmes informations qu'avec un nuage de mots par thème, ou par facteurs de qualité, comme je les appelais auparavant.
Si nous accédons à la zone d'intérêt, que nous cliquons dessus, nous pouvons constater que nous pouvons enregistrer les vecteurs thématiques des documents. En les intégrant à notre tableau de données, nous voyons apparaître quatre nouvelles colonnes, chacune correspondant à un facteur de qualité. Cela s'avérera très précieux lors de la phase d'amélioration de notre projet Six Sigma, car c'est à ce moment-là que nous devrons discuter des solutions.
Ici, nous pouvons identifier les clients auxquels nous devons accorder une attention particulière concernant les solutions d'optimisation des coûts, le système d'information, l'exécution du projet ou le partage des connaissances. Pour ce faire, nous pouvons accéder à l'outil de création de graphiques et sélectionner, après un léger déplacement, les sujets comme ordonnée (Y) et abscisse (X), et le répondant comme abscisse (X). Ensuite, nous pouvons choisir « Diagramme à barres » et cliquer sur « Terminé ».
On constate ici que, lorsqu'il s'agit de discuter de solutions avec nos clients, cette personne est la référence en matière de rentabilité, tandis que celle-ci est plus à même d'aborder les solutions relatives au système d'information. Nous avons donc d'un côté la personne chargée du partage des connaissances et de l'autre celle responsable de l'exécution du projet. Sur ce, je termine la démonstration dans JMP et je reprends la présentation.
Grâce à JMP Pro Text Explorer, nous avons estompé la frontière entre les besoins clients et les spécifications fonctionnelles. Nous avons défini quatre objectifs, chacun associé à un facteur de qualité, et pouvons facilement en déduire des indicateurs de qualité critiques. Par conséquent, nous avons gagné un temps précieux et minimisé l'influence du facteur humain.
En conclusion, les réponses aux questions partiellement fermées, ainsi que les textes complexes issus, par exemple, d'entretiens avec les clients, peuvent être traités dans Text Explorer et transformés en termes et expressions. Ces termes et expressions peuvent ensuite être regroupés en thèmes, facteurs de qualité ou indicateurs, permettant ainsi une interprétation objective des informations. JMP Text Explorer offre la possibilité de passer d'une analyse textuelle purement qualitative à une analyse quantitative. Grâce à ces nouvelles connaissances, nous pouvons améliorer la qualité de nos entretiens avec les clients et de nos enquêtes, et tirer des conclusions fiables de nos tests. Merci de votre attention.
