Der Text Explorer in JMP ist ein leistungsstarkes Werkzeug, mit dem sich die Antworten aus Umfragen oder Kundenbefragungen (Voice-of-the-Customer, VOC) organisieren und für Tests vorbereiten lassen. In dieser Präsentation zeige ich Ihnen alle Schritte anhand eines Beispiels aus meinem Unternehmen. Die Umfragen basieren entweder auf geschlossenen Fragen (Bewertung mit 1–5 Sternen), teilweise geschlossenen Fragen (Multiple-Choice-Antworten aus einer Liste von Optionen) oder offenen Fragen (Freitextfeld).
Wie erwartet, variieren die Antworten der Befragten bei offenen oder teilweise geschlossenen Fragen deutlich stärker. Text Explorer bietet die Möglichkeit, Antworten als Begriffe und Phrasen zu kodieren. Diese können anschließend auf vielfältige Weise verarbeitet werden, was prädiktive Modellierung und Hypothesenprüfung ermöglicht, wie in dieser Präsentation demonstriert wird.
Der Text Explorer kann auch verwendet werden, um VOC-Antworten in Themen zu gruppieren, die später als Qualitätstreiber in einem CTQ-Baum dienen. Richtig angewendet, spart diese Methode, die wir in JMP demonstrieren, Zeit und ermöglicht gleichzeitig neue Erkenntnisse.
Der Übergang von der qualitativen zur quantitativen Analyse von Umfragen und Kundenmeinungen ist ein Weg, eine Organisation zu etablieren, die in Erinnerung bleibt.
Zunehmende Bedeutung quantitativer Methoden: Textanalyse von Umfragen und Kundenmeinungen. Einleitung. Heutzutage werden viele Umfragen durchgeführt, da dies so einfach ist. Manche Umfragen sind jedoch nicht optimal konzipiert, was die anschließende Auswertung erschwert und zu falschen Schlussfolgerungen führt.
Fallbeispiel 1 basiert auf der Analyse einer Umfrage zur Zusammenarbeit verschiedener Teams innerhalb der Abteilung. In einem Six-Sigma-Projekt ist die Erfassung der Kundenstimme (Voice of the Customer, VOC) unerlässlich, um zu verstehen, welchen Mehrwert die Kunden erzielen. Bei einer großen Anzahl von Kunden bestehen jedoch wahrscheinlich unterschiedliche Meinungen. Wie lässt sich die VOC also operativ umsetzen? Genau darum geht es in Fallbeispiel 2, das auf 50 Interviews mit internen Kunden und Stakeholdern basiert.
Text ist unstrukturierter Datenbestand und kann im JMP Text Explorer so bearbeitet werden, dass statistische Analysen möglich sind, verborgene Informationen im Text genutzt werden können oder die Komplexität reduziert wird, um die Interpretation zu erleichtern. Kundenfeedback kann beispielsweise aus einer Reihe von Interviews bestehen. Die Protokolle dieser Interviews sind unstrukturierte Daten und lassen sich nur schwer objektiv in messbare Parameter umwandeln. Mithilfe der Funktionen des Text Explorers ist jedoch ein objektives Verfahren möglich.
Umfragefragen können geschlossen, teilweise geschlossen oder offen sein. Ein Beispiel für eine geschlossene Frage wäre: Wie würden Sie den Europe Discovery Summit 2024 bewerten? Ausgezeichnet, sehr ausgezeichnet, Weltklasse, Weltklasse oder natürlich das Beste überhaupt. Eine teilweise geschlossene Frage könnte lauten: Was ist Ihr Lieblingsdessert? Sie können beliebig viele Optionen auswählen. Sie können beispielsweise nur Eis, Eis und Kuchen, Kuchen und Obst, Eis und Obst, Süßigkeiten, Süßigkeiten und Obst, nur Süßigkeiten usw. angeben. Eine offene Frage könnte 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, vom eher vagen und unstrukturierten Kundenbereich zum technischen Bereich mit funktionalen Anforderungen und Spezifikationen zu gelangen.
Wechseln wir nun zu JMP, um die beiden Fallstudien zu demonstrieren. Fall 1 ist eine Umfrage zur Zusammenarbeit der Arbeitsschutzteams beim Bau von Offshore-Windparks. Fall 2 ist die Kundenmeinung aus einem Projekt zur kontinuierlichen Verbesserung des Planungsprozesses von Offshore-Windparks.
Fall 1, die Umfrage. Sie sehen einen Ausschnitt der ursprünglichen Umfrage zur Zusammenarbeit in der Abteilung. Die Antworten entsprechen den Zeilen, die Fragen den Spalten. Zunächst möchte ich die Korrelation zwischen den Antworten auf zwei geschlossene Fragen untersuchen.
Frage eins: Wie würden Sie Ihre berufliche Rolle einordnen? Backoffice, Kundendienst oder Sonstiges? Frage vier: Wie häufig arbeiten Sie außerhalb Ihrer regulären Aufgaben mit Kollegen aus anderen Abteilungen/Regionen zusammen? Wöchentlich, täglich, monatlich oder seltener?
Hier empfehle ich dringend, die Optionen nach Wert zu sortieren. Andernfalls wird es sehr unübersichtlich. Wie das geht? Markieren Sie die Spalte, klicken Sie mit der rechten Maustaste, wählen Sie „Spalteneigenschaften“ und dann „Wertreihenfolge“. Wie Sie sehen, habe ich die Reihenfolge folgendermaßen angepasst: seltener, monatlich, wöchentlich, täglich. Klicken Sie anschließend auf „OK“.
In JMP gibt es drei Möglichkeiten, diese Analyse durchzuführen. Zwei davon werden im Folgenden erläutert. Bei der ersten Methode wählen wir „Analysieren“, „Konsumentenforschung“ und „Kategorisch“. Wir wählen Frage 1 als X (Gruppierungskategorie) und Frage 4 als Antwortmöglichkeiten. Wir klicken auf „OK“. Daraufhin wird eine Tabelle mit Zellen angezeigt. In den Zellen finden wir die Häufigkeit (die beobachtete Anzahl), den prozentualen Anteil und den Chi-Quadrat-Wert (p-Wert).
Anhand der vorliegenden Daten erkennen wir eine signifikant niedrige Antwortrate in der alltäglichen Telefonzelle. Wir klicken darauf, wählen dies aus und gehen dann zur nächsten Methode: der Plattform „Y durch X anpassen“. Analog wählen wir Frage eins als X und Frage vier als Y (die Antwortvariable). Wir klicken auf „OK“. Hier sehen wir eine leicht abweichende Tabelle, da anstelle des p-Werts der Erwartungswert angezeigt wird. Diesen wählen wir ebenfalls aus. Anschließend können wir die beiden Fenster kombinieren, um den vollständigen Bericht zu erhalten.
Man kann deutlich erkennen, dass der niedrige p-Wert darauf zurückzuführen ist, dass wir in dieser Zelle nur 4 Fälle beobachtet haben, erwartet wurden jedoch 12,6. Da es sich um menschliche Daten handelt, sind es tatsächlich 13. Die Differenz zwischen beobachtetem und erwartetem Wert ist so groß, dass der p-Wert signifikant wird. Möglicherweise besteht im Fachbereich Handlungsbedarf, um dies zu verbessern.
Damit ist die Bearbeitung der geschlossenen Frage abgeschlossen. Kehren wir zur Datentabelle zurück und gehen wir zu Frage 14 über. Sie lautet: Was fördert die Zusammenarbeit in Ihrer Abteilung? Tatsächlich handelt es sich um eine teilweise geschlossene Frage, da die Befragten mehrere Optionen auswählen können, wie z. B. eine kollaborative Unternehmenskultur, persönliche Treffen, informelle Gespräche, Networking innerhalb des Unternehmens, um die wichtigsten Ansprechpartner kennenzulernen, IT-Tools, Betriebsversammlungen usw.
Um die Anzahl der Antworten zu sehen, können wir den Graph Builder verwenden. Wir wählen den Graph Builder aus, ziehen Frage 14 per Drag & Drop in die entsprechenden Bereiche und wählen dann „Baumdiagramm“. Anschließend klicken wir auf „Fertig“ und vergrößern die Ansicht. Es ist wohl jedem klar, dass es ungefähr so viele Antwortmöglichkeiten wie Befragte gibt, was jede Analyse erschwert, wenn nicht gar unmöglich macht.
Wir können die Daten jedoch quantifizieren, indem wir den Text-Explorer öffnen. Zurück zur Datentabelle. Unter „Analysieren“ finden Sie den Text-Explorer. Wir wählen Frage 14 als Textspalte aus. Alle anderen Einstellungen bleiben unverändert, und wir klicken auf „OK“. Hier sehen Sie die Liste der Begriffe und Phrasen. Ich füge alle Phrasen dem jeweiligen Begriff hinzu, indem ich sie markiere, mit der rechten Maustaste klicke und „Phrase hinzufügen“ auswähle.
Wir sehen nun, dass diese Liste sehr unterschiedliche Informationen liefert. Informelle Chat-Netzwerke weisen die höchste Anzahl auf, gefolgt von persönlichen Treffen, Unterstützung durch Führungskräfte, gutem Projektmanagement, Online-Meetings usw.
Daraus lässt sich ein sehr aussagekräftiger Bericht erstellen. Klicken Sie mit der rechten Maustaste auf einen beliebigen Eintrag in dieser Tabelle und wählen Sie „In Datentabelle umwandeln“. Wir erhalten eine neue Datentabelle, in der ich alle irrelevanten Begriffe lösche. Anschließend wählen wir unter „Verteilung“ den Begriff als Y-Achse und die Anzahl als Häufigkeit aus. Wir klicken auf „OK“. Unter dem Hotspot können Sie den Bericht stapeln. Unter dem Hotspot „Begriff“ können wir die Anzahlwerte absteigend sortieren. Vielleicht sollten wir die Histogrammfarbe noch etwas anpassen. Nun haben wir einen übersichtlichen Bericht, den wir kommunizieren und auf dessen Grundlage wir Maßnahmen ergreifen können.
Betrachten wir den Begriff „informelles Chat-Netzwerken“ genauer. Wir kehren zu unserer Datentabelle und unserem Textfeld „Explorer“ zurück und wählen den Begriff „informelles Chat-Netzwerken“ aus. Ein Rechtsklick zeigt uns, dass wir einen Indikator speichern können. Dieser gibt uns eine 1 oder 0, je nachdem, ob der Befragte diese Option gewählt hat oder nicht. Das tun wir.
In der Datentabelle sehen wir, dass wir eine Spalte mit Einsen oder Nullen erstellt haben. Ich möchte diese in „Ja“ oder „Nein“ umwandeln. Wenn wir hier oben auf „Umwandeln“ klicken, schreibe ich „Nein“ anstelle von Null. Wir bestätigen die Umwandlung der Spalte in Zeichenketten und schreiben „Ja“ anstelle von Eins. So, und wir klicken erneut auf „Umwandeln“. Nun haben wir eine neue Spalte mit denselben Informationen, aber mit „Ja“ oder „Nein“ anstelle von Einsen oder Nullen.
Nun können wir einen kategorischen Korrelationstest durchführen, beispielsweise zwischen Frage Nummer 5 – 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-Netzwerken (Ja/Nein).
Wie bereits erwähnt, können wir unter „Analysieren“ die Marktforschungsplattform auswählen und „Kategorisch“ wählen. Nun wählen wir Frage 5 als X und unseren Indikator für informelle Chat-Netzwerke als Antwort. Wir klicken auf „OK“. Wie zuvor erhalten wir diese Liste bzw. Tabelle. Ich denke, wir können die Zellen mit sehr wenigen Antworten ignorieren, da wir in diesen Zellen nur zwei Antworten erhalten haben.
Wir konnten jedoch feststellen, dass in der Gruppe mit geringer oder fehlender informeller Kommunikation ein signifikant niedriger p-Wert ermittelt wurde. Fast alle, die die Zusammenarbeit im Fachbereich als schlecht bewerteten, nutzen keine informellen Kommunikationskanäle. Ich halte dies für eine wertvolle Information und möglicherweise einen Bereich, den der Fachbereich verbessern sollte. Dies war die Behandlung der teilweise geschlossenen Frage und gleichzeitig das Ende von Fall 1.
Kommen wir nun zu Fall 2, den VOC-Interviews. Fall 2 basiert auf Sitzungsprotokollen, die in Aufkleber umgewandelt wurden. Dies diente dazu, die Protokolle auf dem Board gruppieren zu können. Jede Zeile repräsentiert einen Aufkleber. In dieser Datentabelle finden sich 361 Aufkleber bzw. Zeilen, die von 50 Befragten stammen.
Wie Sie vielleicht bemerkt haben, habe ich die Eingabe für das Affinitätsdiagramm – also den Text auf den Aufklebern – aus Datenschutzgründen ausgeblendet. Jetzt öffnen wir den Text-Explorer und fügen die Begriffe wie zuvor hinzu. Das habe ich bereits erledigt, wie Sie hier sehen. Alle Begriffe sind ausgegraut, was bedeutet, dass sie der Begriffsliste hinzugefügt wurden.
Wir sehen, dass wir einen Begriff namens „Projekt“ und einen weiteren namens „Projekte“ haben. Weiter unten haben wir einen Begriff namens „Prozess“ und einen weiteren namens „Prozesse“. Um diese Redundanzen zu beseitigen, können wir im Hotspot die Begriffsoptionen auswählen, z. B. „Stemming“ oder „Stem aller Begriffe“.
Zur weiteren Bereinigung gibt es einige Begriffe, die wir nicht verwenden können, da sie keine nützlichen Informationen liefern, zum Beispiel „Verwenden“. Wenn ich „Verwenden“ auswähle, mit der rechten Maustaste klicke und es als Stoppwort hinzufüge, verschwindet es aus der Liste. Dasselbe können wir mit „innerhalb“ tun. Fügen Sie einfach ein Stoppwort hinzu.
Hier haben wir eine übersichtliche, aufgeräumte Tabelle, mit der wir arbeiten können. Ich wechsle nun zu JMP Pro, da wir eine latente semantische Singulärwertzerlegung (LSS) durchführen werden, um die rotierte Singulärwertzerlegung für die Themenanalyse zu erhalten. Die Singulärwertzerlegung transformiert Textdaten in einen Vektorraum fester Dimension und ermöglicht so die Anwendung verschiedenster Clustering-, Klassifizierungs- und Regressionsverfahren.
Wenn Sie JMP Pro besitzen, können Sie dies tun. Wählen Sie unter „Hotspot“ die Option „Latent Semantic Analysis SVD“. Klicken Sie auf „OK“. Unter diesem Hotspot, dem Hotspot „SVD-Centered and Scaled TF-IDF“, wählen Sie „Topic Analysis“, „Rotated SVD“.
Hier müssen wir die Anzahl der gewünschten Themen auswählen. In diesem Fall wähle ich vier. Ich klicke auf OK. Daraufhin sehen wir den Bericht „Top-Ladung nach Thema“. Er besteht aus vier Tabellen, eine für jedes Thema. Die Begriffe in diesen Themen sind diejenigen mit den höchsten absoluten Ladungen. Mithilfe dieses Berichts können wir konzeptionelle Themen für unser Six-Sigma-Projekt ermitteln.
Wenn wir erneut zum Hotspot gehen und auf „Themen umbenennen“ klicken, sehe ich mir die Begriffe in Thema 1 an und nenne es „Kosteneffizienz“. Thema 2 nenne ich „Informationssystem“. Thema 3 behandelt die Projektdurchführung selbst, also könnte es „Projektdurchführung“ heißen. Thema 4 nenne ich „Wissensaustausch“. Ich klicke auf „OK“. Das ist großartig, denn wir haben nun vier Qualitätstreiber für unser Six-Sigma-Projekt definiert.
Durch die Verwendung von Themen erhalten wir nun eine objektive Zusammenfassung der VOC-Aussagen anstelle einer manuellen, von Einzelperson abhängigen und daher subjektiven Zusammenfassung. Darüber hinaus können wir die Themen als Wortwolken darstellen. Wir gehen zu „Anzeigeoptionen“ und dann zu „Wortwolken nach Thema“. Dort können wir die Option öffnen und sehen, dass wir nun dieselben Informationen als Wortwolke nach Thema oder Qualitätsfaktoren, wie ich es früher nannte, erhalten.
Wenn wir zum Hotspot gehen und darauf klicken, sehen wir, dass wir Dokumentthemenvektoren speichern können. Wenn wir das tun und dann zu unserer Datentabelle wechseln, sehen wir, dass wir vier neue Spalten erstellt haben, jede für einen der Qualitätstreiber. Das wird sehr wertvoll sein, wenn wir in die Verbesserungsphase unseres Six-Sigma-Projekts kommen, denn dort müssen wir Lösungen diskutieren.
Hier sehen wir, welchem Kunden wir besondere Aufmerksamkeit schenken müssen, wenn es um Lösungen für Kosteneffizienz, das Informationssystem, die Projektdurchführung oder den Wissensaustausch geht. Um die einzelnen Kunden zu identifizieren, öffnen wir den Diagramm-Generator und wählen – ich verschiebe ihn kurz – „Themen“ als Y- und X-Achse und „Befragter“ als X-Achse. Anschließend wählen wir „Balkendiagramm“ und klicken auf „Fertig“.
Hier sehen wir, dass diese Person der Ansprechpartner für Kosteneffizienz ist, wenn wir mit unseren Kunden über Lösungen sprechen möchten, während diese Person der richtige Ansprechpartner für IT-Systemlösungen ist. Hier haben wir die Person für Wissensaustausch und hier die Person für die Projektdurchführung. Damit beende ich die Demonstration in JMP und kehre zur Präsentation zurück.
Mithilfe des JMP Pro Text Explorers haben wir die Grenze zwischen Kundenbedürfnissen und den technischen Anforderungen und Spezifikationen aufgehoben. Wir haben den JMP Text Explorer verwendet, um vier Ziele mit Qualitätskriterien zu definieren. Aus diesen Kriterien lassen sich messbare, kritische Qualitätsmerkmale ableiten. Dadurch haben wir viel Zeit gespart und den menschlichen Faktor minimiert.
Abschließend noch ein Fazit. Sowohl teilweise geschlossene Fragen als auch komplexe Texte, beispielsweise aus Kundenbefragungen, lassen sich im Text Explorer in Begriffe und Phrasen zerlegen. Diese Begriffe und Phrasen können dann in Themen, Qualitätsfaktoren oder Indikatoren umgewandelt werden, was eine objektive Interpretation der Informationen ermöglicht. Der JMP Text Explorer bietet somit die Möglichkeit, von rein qualitativer zu quantitativer Textanalyse zu gelangen. Mit diesem neuen Wissen können wir die Qualität unserer Kundenbefragungen und Umfragen verbessern und fundierte Schlussfolgerungen aus Tests ziehen. Vielen Dank für Ihre Aufmerksamkeit.
