Text Explorer in JMP è uno strumento molto potente che può essere utilizzato per organizzare le risposte a un sondaggio o a una serie di interviste "Voice of the Customer" (VOC) e prepararle per i test. In questa presentazione, illustro tutti i passaggi, utilizzando un esempio reale della mia organizzazione. I sondaggi si basano su domande a risposta chiusa (valutazione con una scala da 1 a 5 stelle), parzialmente chiuse (risposte a scelta multipla da un elenco di opzioni) o aperte (campo di testo libero).
Come previsto, la variabilità nelle risposte degli intervistati è molto maggiore per le domande aperte o parzialmente chiuse. Text Explorer offre un modo per codificare le risposte come termini e frasi. Queste possono quindi essere elaborate in molti modi, consentendo la modellazione predittiva e la verifica delle ipotesi, come dimostrato in questa presentazione.
Text Explorer può anche essere utilizzato per raggruppare le risposte VOC in argomenti, successivamente utilizzati come driver di qualità in un albero CTQ. Se costruito correttamente, questo metodo, che dimostriamo in JMP, può far risparmiare tempo, consentendo al contempo di ottenere nuove informazioni.
Passare dall'analisi qualitativa a quella quantitativa dei sondaggi e della voce del cliente è un modo per creare un'organizzazione che si ricorda.
Crescita quantitativa: analisi del testo nei sondaggi e voce del cliente. Introduzione. Oggigiorno si conducono molti sondaggi perché sono molto semplici. Alcuni sondaggi non sono progettati correttamente e, di conseguenza, l'analisi post-valutazione diventa difficile e le conclusioni sono imprevedibili.
Il Caso 1 si basa sull'analisi di un sondaggio sulla cooperazione tra i vari team del dipartimento. In un progetto Six Sigma, la raccolta della voce del cliente, il VOC, è essenziale per comprendere cosa apporterebbe valore aggiunto al cliente. Tuttavia, se i clienti sono molti, è probabile che abbiano opinioni diverse. Come si rende operativo il VOC? È questo l'obiettivo del Caso 2, basato su 50 interviste con clienti interni e stakeholder.
Il testo è costituito da dati non strutturati e può essere elaborato in JMP Text Explorer per consentire analisi statistiche, utilizzare le informazioni nascoste nel testo o ridurne la complessità, facilitando l'interpretazione. La voce del cliente potrebbe, ad esempio, essere una serie di interviste. I verbali 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 elaborare una procedura oggettiva.
Le domande del sondaggio possono essere chiuse, parzialmente chiuse o aperte. Un esempio di domanda chiusa potrebbe essere: Come valuteresti l'Europe Discovery Summit 2024? Eccellente, molto eccellente, di livello mondiale, di livello mondiale o, naturalmente, il migliore dell'universo. Una domanda parzialmente chiusa potrebbe essere: 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: Come descriveresti la giornata perfetta?
In un progetto Six Sigma, la voce del cliente, l'esigenza, deve essere tradotta in driver di qualità e fattori critici misurabili per la qualità. Si tratta di passare dal dominio del cliente, un luogo piuttosto vago e non strutturato, a un dominio tecnico di requisiti e specifiche funzionali.
Passiamo a JMP per la dimostrazione dei due casi. Il caso 1 riguarda l'indagine sulla cooperazione tra i team di salute e sicurezza durante la costruzione di parchi eolici offshore. Il caso 2 è la voce del cliente, presentata da un progetto di miglioramento continuo sul processo di progettazione dei parchi eolici offshore.
Caso 1, il sondaggio. Quello che vedete è una parte del sondaggio originale sulla collaborazione nel dipartimento, in cui le risposte sono disposte in righe e le domande in colonne. Innanzitutto, vorrei verificare la correlazione tra le risposte a due domande chiuse.
Domanda uno: come classificheresti il tuo ruolo lavorativo? Back office, frontline o altro? In risposta alla domanda quattro, con quale frequenza collabori con un collega di un altro dipartimento al di fuori delle tue attività quotidiane? Settimanalmente, quotidianamente, 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. Al termine, fai clic su OK.
In JMP, ci sono tre modi per eseguire questa analisi. Due di questi saranno spiegati. Nel primo metodo, andiamo su Analizza, Ricerca sui consumatori, Categoriale. Scegliamo la domanda uno come X, la categoria di raggruppamento, e la domanda quattro come le risposte. Ci scusiamo per questo. Clicchiamo su OK. Quello che vedete 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, il valore P.
Con i dati forniti, possiamo vedere che c'è una risposta significativamente bassa nella cella "Frontline Daily". Clicchiamo, selezioniamo questo e poi passiamo al metodo successivo. Si tratta della piattaforma "fit Y by X". Allo stesso modo, scegliamo la domanda uno come X e la domanda quattro come Y, la risposta. Clicchiamo su "Ok". Qui vediamo 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 valore P è 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 è necessario un intervento nel dipartimento per migliorare la situazione.
Con questo si conclude la trattazione delle domande a risposta chiusa. Torniamo alla tabella dei dati e passiamo alla domanda 14. La risposta è la seguente: Cosa ti aiuta a collaborare nel reparto? In realtà, si tratta di una domanda parzialmente a risposta chiusa, perché il rispondente ha la possibilità di scegliere tra diverse opzioni, come la cultura della collaborazione, gli incontri di persona, le chat informali, il tempo dedicato al networking all'interno dell'azienda per conoscere meglio chi è chi, gli strumenti IT, le riunioni plenarie e così via.
Per vedere quante risposte abbiamo ottenuto, possiamo visualizzarle in Graph Builder. Selezioniamo Graph Builder. Domanda 14, trasciniamola nelle zone. Quindi selezioniamo la mappa ad albero. Clicchiamo su "Fatto" e ingrandiscila. Penso che sia chiaro a tutti che abbiamo tanti modi per rispondere alla domanda quanti sono gli intervistati, il che complica qualsiasi analisi, se non la rende impossibile.
Tuttavia, possiamo quantificare i dati se andiamo su Esplora Testo. Torniamo alla tabella dati. Sotto Analizza, troviamo Esplora Testo. Scegliamo la domanda 14 come colonna di testo. Lasciamo tutto il resto così com'è e clicchiamo su OK. Quello che vedete 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 il numero maggiore di partecipanti, seguito dagli incontri faccia a faccia, dal supporto dei leader, dalla buona gestione dei progetti, dagli incontri online e così via.
Si può ricavare un ottimo report da questo. Se ci si trova in un punto qualsiasi di questa tabella, fare clic con il pulsante destro del mouse e scegliere "Trasforma in tabella dati". Abbiamo creato 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. Clicchiamo su OK. Sotto l'hotspot, è possibile impilare il report. Sotto l'hotspot Termine, possiamo ordinare i conteggi per valore decrescente. Forse dovremmo cambiare leggermente il colore dell'istogramma. Ora abbiamo un ottimo report, qualcosa che possiamo comunicare e su cui possiamo agire.
Diamo un'occhiata più da vicino all'espressione "informal chat networking". Torniamo alla nostra tabella dati e al nostro testo, Explorer, e selezioniamo il termine "informal chat networking". Se clicchiamo con il tasto destro del mouse qui, possiamo vedere che possiamo salvare un indicatore. Questo ci darà un 1 o uno 0 per indicare se l'intervistato ha scelto questa opzione o meno. Lo facciamo.
Nella tabella dati, possiamo vedere che ora abbiamo creato una colonna con valori 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, clicchiamo su "Ricodifica". Ora abbiamo una nuova colonna con le stesse informazioni, ma con valori sì o no invece di "uno" o "zeri".
Ora possiamo eseguire un test categorico di 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 informale tramite chat, sì o no.
Come abbiamo visto prima, possiamo andare su Analizza, trovare la piattaforma di ricerca sui consumatori e scegliere "Categorico". Ora scegliamo la domanda 5 come X e il nostro indicatore di networking informale come risposta. Clicchiamo su "Ok". Come prima, otteniamo questo elenco o tabella. Penso che dovremmo dimenticare le celle con i risultati peggiori, perché in quelle celle abbiamo ottenuto solo due risposte.
Tuttavia, possiamo osservare che nella cella con scarsa collaborazione e assenza di chat informali, abbiamo ottenuto un valore P significativamente basso. Quasi tutti coloro che hanno valutato la collaborazione nel dipartimento come scarsa non utilizzano le chat informali. Penso che questa sia un'informazione preziosa e forse un aspetto che il dipartimento dovrebbe migliorare. Questo è stato il caso del trattamento con 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. L'obiettivo era quello di poterli raggruppare sulla lavagna. Ogni riga rappresenta un adesivo, e in questa tabella di dati abbiamo 361 adesivi o righe, provenienti da 50 intervistati.
Come avrete notato, ho nascosto l'input del diagramma di affinità, ovvero il testo sugli adesivi, per motivi di riservatezza. Ora eseguiamo l'esploratore di testo e aggiungiamo la frase ai termini come abbiamo fatto prima. L'ho già fatto, come potete vedere 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", e un altro ancora "processi". Per eliminare queste ridondanze, possiamo andare sotto l'hotspot e scegliere le opzioni del termine, "stemming", "stemming" per tutti i termini.
Per un'ulteriore pulizia, abbiamo alcuni termini che non possiamo usare perché non forniscono informazioni utili, ad esempio "Uso". Se scelgo "Uso", clicco con il pulsante destro del mouse e lo aggiungo come stop word, scomparirà dall'elenco. Possiamo fare lo stesso con "dentro". Aggiungi una stop word.
Ecco una tabella pulita e ben definita su cui possiamo lavorare. Ora passerò alla versione JMP Pro perché realizzeremo un SVD semantico latente per ottenere l'SVD ruotato dell'analisi degli argomenti. L'SVD trasforma i dati di testo in uno spazio vettoriale a dimensione fissa, rendendolo adattabile a tutti i tipi di tecniche di clustering, classificazione e regressione.
Se hai JMP Pro, puoi farlo. In Hotspot, seleziona Analisi semantica latente SVD. Clicchiamo su OK. In questo hotspot, l'hotspot TF-IDF centrato su SVD e scalato, selezioniamo Analisi argomento, SVD ruotato.
Qui dobbiamo scegliere quanti argomenti vogliamo, e in questo caso ne scelgo quattro. Clicco su OK. Quello che vediamo qui è il report con caricamento dall'alto per argomento, composto da quattro tabelle, una per ogni argomento. I termini in questi argomenti sono quelli con i carichi maggiori in valori assoluti. Possiamo usare questo report per determinare i temi concettuali per il nostro progetto Six Sigma.
Torniamo all'Hotspot e clicchiamo su "Rinomina argomenti". Se osserviamo i termini dell'argomento 1, scelgo di chiamarlo "Tema per l'efficienza dei costi". L'argomento 2 lo chiamo "Sistema informativo". E l'argomento 3 riguarda l'esecuzione del progetto in sé, quindi potrebbe essere "Esecuzione del progetto". L'argomento 4 lo scelgo "Condivisione della conoscenza". Clicchiamo su "OK". Questo è davvero fantastico, perché ora abbiamo effettivamente prodotto quattro driver di qualità per il nostro progetto Six Sigma.
Utilizzando gli argomenti, ora disponiamo di un'aggregazione oggettiva delle dichiarazioni VOC, anziché di un'aggregazione manuale individuale, quindi soggettiva. Inoltre, possiamo visualizzare gli argomenti come nuvole di parole. Andiamo su Opzioni di visualizzazione, Nuvole di parole per argomento. Qui sotto, possiamo aprire e vedere che per ora otteniamo le stesse informazioni di una nuvola di parole per argomento o, come la chiamavo prima, per fattori di qualità.
Se andiamo all'Hotspot, clicchiamoci sopra e vediamo che possiamo effettivamente salvare i vettori degli argomenti del documento. Se lo facciamo e li convertiamo nella nostra tabella dati, possiamo vedere che abbiamo creato quattro nuove colonne, ciascuna per uno dei driver di qualità. Questo sarà molto utile quando arriveremo alla fase di miglioramento del 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 Generatore di Grafici e scegliere, lo sposterò leggermente, Argomenti come Y, X e Rispondente come X. Quindi possiamo scegliere Grafico a Barre. Clicchiamo su Fine.
Qui possiamo vedere che quando vogliamo discutere di soluzioni con i nostri clienti, questa persona è il punto di riferimento per quanto riguarda l'efficienza dei costi, mentre questa persona è adatta per parlare di soluzioni per il sistema informativo. Qui abbiamo la persona che condivide la conoscenza e qui la persona che si occupa dell'esecuzione del progetto. A questo proposito, concluderò la dimostrazione in JMP e tornerò alla presentazione.
Utilizzando JMP Pro Text Explorer, abbiamo aperto il confine tra il dominio "voice of the customer" e quello tecnico dei requisiti funzionali e delle specifiche. Abbiamo utilizzato JMP Text Explorer per creare quattro obiettivi con driver di qualità per noi. Da questi driver possiamo facilmente ricavare elementi critici misurabili per la qualità. Di conseguenza, abbiamo risparmiato molto tempo e svincolato il fattore umano.
Infine, una conclusione. Le risposte a domande parzialmente chiuse e i testi complessi, ad esempio quelli provenienti da interviste con la voce del cliente, possono essere trattati in Text Explorer in termini e frasi. Termini e frasi possono essere trasformati in argomenti, driver di qualità o indicatori, consentendo un'interpretazione oggettiva delle informazioni. JMP Text Explorer offre un modo per passare dall'analisi testuale puramente qualitativa a quella quantitativa. Grazie a queste nuove conoscenze, possiamo aumentare la qualità delle nostre interviste VOC e dei nostri sondaggi e trarre conclusioni solide dai test. Grazie per l'attenzione.
