JMP의 텍스트 탐색기는 설문 조사 또는 고객 의견(VOC) 인터뷰 시리즈의 응답을 정리하고 테스트 준비를 하는 데 사용할 수 있는 매우 강력한 도구입니다. 이 프레젠테이션에서는 제 회사에서 실제로 사용한 사례를 통해 모든 단계를 자세히 설명합니다. 설문 조사는 객관식(1~5점 척도로 평가), 부분 객관식(선택지 목록에서 답변), 주관식(자유 응답) 질문으로 구성될 수 있습니다.
예상대로, 개방형 질문이나 부분적으로 폐쇄형 질문에 대한 응답자들의 답변에는 훨씬 더 많은 차이가 나타납니다. 텍스트 탐색기는 응답을 용어와 구문으로 코딩하는 방법을 제공합니다. 이렇게 코딩된 용어와 구문은 다양한 방식으로 처리될 수 있으며, 이를 통해 예측 모델링 및 가설 검정이 가능해집니다. 본 발표에서는 이러한 과정을 시연합니다.
텍스트 탐색기를 사용하면 VOC 응답을 CTQ 트리의 품질 동인으로 활용할 수 있는 주제별로 그룹화할 수도 있습니다. JMP에서 시연하는 이 방법을 올바르게 구성하면 시간을 절약하는 동시에 새로운 통찰력을 얻을 수 있습니다.
설문조사와 고객의 소리에 대한 질적 분석에서 양적 분석으로 전환하는 것은 기억에 남는 조직을 만드는 한 가지 방법입니다.
양적 분석의 성장: 설문조사 및 고객의 소리에 대한 텍스트 분석. 서론. 오늘날 설문조사는 매우 간편하기 때문에 많이 실시되고 있습니다. 그러나 일부 설문조사는 제대로 설계되지 않아 사후 분석이 어려워지고 결론 도출에 차질이 생깁니다.
사례 1은 부서 내 여러 팀 간 협력에 대한 설문 조사 분석을 기반으로 합니다. 식스 시그마 프로젝트에서 고객의 소리(VOC)를 수집하는 것은 고객에게 가치를 더하는 요소를 파악하는 데 필수적입니다. 하지만 고객이 많을수록 의견이 다를 가능성이 높습니다. 그렇다면 VOC를 어떻게 실질적으로 활용할 수 있을까요? 사례 2는 내부 고객 및 이해관계자 50명과의 인터뷰를 바탕으로 이 문제를 다룹니다.
텍스트는 비정형 데이터이며, JMP Text Explorer를 사용하여 통계 분석을 수행하거나, 텍스트에 숨겨진 정보를 활용하거나, 해석을 용이하게 하기 위해 복잡성을 줄일 수 있습니다. 예를 들어, 고객의 소리는 일련의 인터뷰로 구성될 수 있습니다. 이러한 인터뷰의 회의록은 비정형 데이터이므로 객관적인 방식으로 측정 가능한 매개변수로 변환하기 어렵습니다. 그러나 Text Explorer의 기능을 사용하면 객관적인 절차를 마련할 수 있습니다.
설문 문항은 객관식, 부분 객관식, 주관식일 수 있습니다. 객관식 문항의 예는 다음과 같습니다. "2024년 유럽 디스커버리 서밋을 어떻게 평가하시겠습니까? 훌륭함, 매우 훌륭함, 세계적 수준, 매우 세계적 수준, 또는 물론 우주 최고." 부분 객관식 문항의 예는 다음과 같습니다. "가장 좋아하는 디저트는 무엇입니까?" 원하는 만큼 선택할 수 있습니다. 아이스크림만, 아이스크림과 케이크, 케이크와 과일, 아이스크림과 과일, 사탕, 사탕 과일, 사탕만 등 다양하게 선택할 수 있습니다. 주관식 문항의 예는 다음과 같습니다. "완벽한 하루를 어떻게 묘사하시겠습니까?"
식스 시그마 프로젝트에서 고객의 목소리, 즉 고객의 요구사항은 품질 동인과 측정 가능한 품질 핵심 요소로 변환되어야 합니다. 이는 다소 모호하고 구조화되지 않은 고객 영역에서 기능 요구사항 및 명세라는 기술 영역으로 나아가는 것을 의미합니다.
이제 JMP를 사용하여 두 가지 사례를 살펴보겠습니다. 사례 1은 해상 풍력 발전소 건설 시 보건 및 안전팀 간의 협력에 대한 설문 조사입니다. 사례 2는 해상 풍력 발전소 설계 프로세스에 대한 지속적 개선 프로젝트에서 얻은 고객 의견입니다.
사례 1, 설문조사. 보시는 것은 부서 내 협업에 관한 원래 설문조사의 일부이며, 행은 응답, 열은 질문으로 구성되어 있습니다. 먼저, 두 개의 객관식 질문에 대한 응답 간의 상관관계를 확인하고자 합니다.
첫 번째 질문입니다. 귀하의 직무를 어떻게 분류하시겠습니까? 사무직, 현장직, 또는 기타? 네 번째 질문입니다. 일상적인 업무 외에 다른 부서 또는 지역의 동료와 얼마나 자주 협업하십니까? 주간, 매일, 월간, 또는 그보다 드물게?
여기서는 옵션 순서를 값 순으로 정렬하는 것을 강력히 권장합니다. 그렇지 않으면 매우 혼란스러울 수 있습니다. 어떻게 정렬하냐고요? 해당 열을 선택하고 마우스 오른쪽 버튼을 클릭한 다음, '열 속성'에서 '값 순서'를 선택합니다. 저는 '자주 안 함', '월간', '주간', '매일' 순으로 정렬했습니다. 이 작업을 마치면 '확인'을 클릭합니다.
JMP에서는 이 분석을 수행하는 세 가지 방법이 있습니다. 그중 두 가지를 설명하겠습니다. 첫 번째 방법은 분석(Analyze) 메뉴에서 소비자 조사(Consumer Research)를 선택하고 범주형(Categorical)을 선택하는 것입니다. 질문 1을 그룹화 범주(X)로, 질문 4를 응답으로 선택합니다. (이 부분은 잘못된 번역입니다.) 확인을 클릭합니다. 그러면 셀로 구성된 표가 나타납니다. 각 셀에는 빈도(관찰된 횟수), 백분율, 카이제곱 값(P값)이 표시됩니다.
제공된 데이터를 보면, 일선 현장 일상 업무 항목에서 응답률이 상당히 낮은 것을 알 수 있습니다. 해당 항목을 클릭하고 선택한 다음, 다음 방법인 'Y를 X로 맞추기' 플랫폼으로 이동합니다. 마찬가지로, 첫 번째 질문을 X로, 네 번째 질문을 Y(응답)로 선택합니다. '확인'을 클릭합니다. 그러면 P값 대신 기대값이 표시되는 약간 다른 표가 나타납니다. 기대값도 선택합니다. 그런 다음 두 창을 합쳐 전체 보고서를 확인할 수 있습니다.
이 결과의 P값이 상당히 낮은 이유는 해당 셀에서 관찰된 값이 4개에 불과한 반면, 예상 값은 12.6개였기 때문입니다. 실제 측정값은 사람이므로 13개입니다. 관찰값과 예상값의 차이가 너무 커서 P값이 유의미하게 나타나는 것입니다. 이 부분을 개선하기 위해 부서 차원에서 조치가 필요할 수도 있습니다.
이로써 객관식 질문 처리는 마무리하겠습니다. 데이터 표로 돌아가서 14번 질문으로 넘어가겠습니다. 질문은 다음과 같습니다. "부서 내 협업에 도움이 되는 것은 무엇입니까?" 사실 이 질문은 부분적으로 객관식입니다. 응답자는 협업 문화, 대면 회의, 비공식적인 대화, 사내 인맥 형성 시간, IT 도구, 전체 회의 등 여러 옵션을 선택할 수 있기 때문입니다.
응답 수를 확인하려면 그래프 빌더를 사용하면 됩니다. 그래프 빌더를 선택하고, 14번 질문을 드래그하여 영역에 놓습니다. 그런 다음 트리맵을 선택하고 완료를 클릭한 후 크기를 조정합니다. 응답자 수만큼이나 다양한 답변 방식이 존재하기 때문에 분석이 매우 복잡하고 심지어 불가능에 가깝다는 점은 누구나 쉽게 이해할 수 있을 것입니다.
하지만 텍스트 탐색기를 사용하면 데이터를 정량화할 수 있습니다. 다시 데이터 표로 돌아가서, 분석 메뉴에서 텍스트 탐색기를 찾습니다. 텍스트 열로 14번 질문을 선택합니다. 나머지는 그대로 두고 확인을 클릭합니다. 여기에 용어 및 구문 목록이 표시되는데, 각 구문을 선택하고 마우스 오른쪽 버튼을 클릭한 다음 구문 추가를 선택하여 용어에 추가하겠습니다.
이제 이 목록이 매우 다양한 정보를 제공한다는 것을 알 수 있습니다. 비공식적인 채팅 네트워킹이 가장 많은 비중을 차지하고 있으며, 그 뒤를 이어 대면 회의, 리더의 지원, 훌륭한 프로젝트 관리, 온라인 회의 등이 있습니다.
이 데이터를 활용하면 아주 멋진 보고서를 만들 수 있습니다. 표의 어느 위치에 있든 마우스 오른쪽 버튼을 클릭하고 '데이터 테이블로 만들기'를 선택하세요. 새 데이터 테이블이 생성되면 중요하지 않은 항목들을 모두 삭제합니다. 그런 다음 '분포'로 이동하여 Y축을 '항목'으로, 빈도를 '개수'로 선택합니다. '확인'을 클릭하면 히스토그램이 나타납니다. 히스토그램을 쌓는 옵션을 선택하고, 항목별 빈도를 내림차순으로 정렬합니다. 히스토그램 색상도 조금 조정하면 좋을 것 같습니다. 이제 보기 좋은 보고서가 완성되었으니, 이를 바탕으로 소통하고 실행 계획을 세울 수 있습니다.
'비공식 채팅 네트워킹'이라는 표현을 좀 더 자세히 살펴보겠습니다. 데이터 테이블과 텍스트 탐색기로 돌아가서 '비공식 채팅 네트워킹'이라는 용어를 선택합니다. 마우스 오른쪽 버튼을 클릭하면 '지표 저장' 옵션이 나타나는데, 응답자가 이 옵션을 선택했는지 여부를 1 또는 0으로 저장할 수 있습니다. 이제 이 옵션을 저장해 보겠습니다.
데이터 테이블에서 이제 1 또는 0으로 구성된 열이 생성된 것을 볼 수 있습니다. 이 열을 '예' 또는 '아니오'로 바꾸고 싶습니다. 위쪽에서 '재코딩'을 클릭하고 '0' 대신 '아니오'를 입력합니다. 열을 문자열로 변환하고 '1' 대신 '예'를 입력하는 것을 확인합니다. 이렇게 입력하고 '재코딩'을 클릭합니다. 이제 동일한 정보를 담고 있지만 '1' 또는 '0' 대신 '예' 또는 '아니오'가 표시된 새 열이 생성되었습니다.
이제 예를 들어 5번 질문, "부서 내 협업을 전반적으로 어떻게 평가하시겠습니까? 매우 나쁨, 나쁨, 보통, 좋음, 매우 좋음"과 비공식적인 채팅 네트워킹 지표(예/아니오) 간의 상관관계를 범주형 검정으로 분석할 수 있습니다.
앞서 살펴본 것처럼, 분석 메뉴에서 소비자 조사 플랫폼을 찾고 범주형을 선택합니다. 이제 5번 질문을 X 변수로, 비공식 채팅 네트워킹 지표를 응답 변수로 선택합니다. 확인을 클릭하면 이전과 같이 목록 또는 표가 나타납니다. 응답이 두 개밖에 없는 셀은 무시해도 될 것 같습니다.
하지만, 협업 수준이 낮거나 비공식적인 채팅을 전혀 하지 않는 그룹에서는 P값이 상당히 낮게 나타났습니다. 부서 내 협업 수준을 낮게 평가한 사람들은 거의 모두 비공식적인 채팅을 이용하지 않았습니다. 이는 매우 중요한 정보이며, 부서에서 개선해야 할 부분이라고 생각합니다. 이것으로 부분적으로 폐쇄형 질문으로 구성된 설문 조사 방식이 마무리되었고, 사례 연구 1번도 끝맺었습니다.
이제 두 번째 사례인 VOC 인터뷰로 넘어가 보겠습니다. 두 번째 사례는 회의록을 스티커로 변환한 것입니다. 이렇게 한 이유는 회의록을 게시판에 그룹화하기 위해서였습니다. 각 행은 스티커 하나를 나타내며, 이 데이터 테이블에는 361개의 스티커(행)가 있고, 이는 50명의 응답자로부터 나온 것입니다.
보시다시피, 민감한 정보 보호를 위해 친화도 다이어그램 입력란(스티커에 적힌 텍스트)을 숨겨 두었습니다. 이제 텍스트 탐색기를 실행하고 이전처럼 용어를 추가해 보겠습니다. 보시다시피 이미 추가해 두었습니다. 모든 문구가 회색으로 표시되어 있는데, 이는 용어 목록에 추가되었다는 의미입니다.
'프로젝트'라는 용어가 두 개 있고, 아래쪽에는 '프로세스'라는 용어가 두 개 있습니다. 이러한 중복을 제거하려면 핫스팟에서 '용어 옵션'을 선택하고 '어간 추출'을 선택한 다음 '모든 용어 어간 추출'을 선택하면 됩니다.
추가적인 정리를 위해, 유용한 정보를 제공하지 않는 몇몇 단어들을 사용하지 않도록 하겠습니다. 예를 들어, 'Use'라는 단어가 그렇습니다. 'Use'를 선택하고 마우스 오른쪽 버튼을 클릭하여 불용어에 추가하면 목록에서 사라집니다. 'inside'도 마찬가지로 불용어에 추가할 수 있습니다.
이제 깔끔하게 정리된 테이블을 사용할 수 있습니다. JMP Pro 버전으로 넘어가서 주제 분석에 사용할 회전된 특이값 분해(SVD)를 얻기 위해 잠재 의미 특이값 분해(Latent Semantic SVD)를 수행할 것입니다. 특이값 분해는 텍스트 데이터를 고정된 차원의 벡터 공간으로 변환하여 클러스터링, 분류 및 회귀 분석 기법에 적용할 수 있도록 합니다.
JMP Pro를 사용하고 있다면 이 작업을 수행할 수 있습니다. 핫스팟에서 잠재 의미 분석 SVD를 선택하고 확인을 클릭합니다. 이 핫스팟 아래의 SVD 중심 및 스케일링된 TF-IDF 핫스팟에서 토픽 분석, 회전된 SVD를 선택합니다.
여기서는 원하는 주제 개수를 선택해야 하는데, 저는 네 개를 선택했습니다. 확인을 클릭합니다. 그러면 주제별 최고 로딩 보고서가 표시됩니다. 이 보고서는 각 주제에 대한 표 네 개로 구성됩니다. 이 주제들에 포함된 용어들은 절댓값이 가장 큰 용어들입니다. 이 보고서를 활용하여 식스 시그마 프로젝트의 개념적 주제를 결정할 수 있습니다.
핫스팟으로 다시 이동하여 '주제 이름 바꾸기'를 클릭합니다. 첫 번째 주제는 '비용 효율성 테마'로, 두 번째 주제는 '정보 시스템'으로 이름을 지정합니다. 세 번째 주제는 프로젝트 실행 자체에 관한 것이므로 '프로젝트 실행'으로 지정할 수 있습니다. 네 번째 주제는 '지식 공유'로 지정합니다. '확인'을 클릭합니다. 이제 식스 시그마 프로젝트를 위한 네 가지 품질 동인을 생성했으므로 매우 좋습니다.
토픽을 사용함으로써 이제 VOC 진술을 객관적으로 집계할 수 있으며, 이전에는 수동으로 개별 진술을 집계했기 때문에 주관적인 결과가 나왔습니다. 또한 토픽을 워드 클라우드로 시각화할 수 있습니다. [표시 옵션]에서 [토픽별 워드 클라우드]를 선택하면 됩니다. 여기에서 토픽별 워드 클라우드 또는 제가 예전에 불렀던 '품질 동인'이라는 이름으로 토픽별 워드 클라우드를 통해 동일한 정보를 확인할 수 있습니다.
핫스팟을 클릭하면 문서 주제 벡터를 저장할 수 있다는 것을 알 수 있습니다. 저장 후 데이터 테이블로 이동하면 품질 동인 각각에 해당하는 네 개의 새로운 열이 생성된 것을 확인할 수 있습니다. 이는 식스 시그마 프로젝트의 개선 단계에서 매우 유용하게 활용될 것입니다. 개선 단계에서는 해결책을 논의해야 하기 때문입니다.
여기서 우리는 비용 효율성, 정보 시스템, 프로젝트 실행 또는 지식 공유에 대한 솔루션을 논의할 때 특별히 주의를 기울여야 하는 고객이 누구인지 확인할 수 있습니다. 누가 누구인지 확인하려면 그래프 빌더로 이동하여 (잠시 움직여서) Y축에 '주제'를, X축에 '응답자'를 선택합니다. 그런 다음 막대 그래프를 선택하고 '완료'를 클릭합니다.
여기서 우리는 고객과 솔루션을 논의할 때, 이 사람은 비용 효율성 측면에서 가장 적합한 사람이고, 이 사람은 정보 시스템 솔루션에 대해 이야기하기에 적합한 사람이라는 것을 알 수 있습니다. 이쪽은 지식 공유 담당자이고, 이쪽은 프로젝트 실행 담당자입니다. 이것으로 JMP 데모를 마치고 프레젠테이션으로 돌아가겠습니다.
JMP Pro Text Explorer를 사용하여 고객의 소리 영역과 기능 요구사항 및 명세라는 기술 영역 사이의 경계를 허물었습니다. JMP Text Explorer를 통해 품질 동인을 기반으로 네 가지 목표를 설정했습니다. 이러한 동인으로부터 측정 가능한 핵심 품질 요소를 쉽게 도출할 수 있습니다. 결과적으로 많은 시간을 절약하고 인적 요소를 배제할 수 있었습니다.
마지막으로 결론입니다. 텍스트 탐색기를 사용하면 부분적으로 폐쇄형 질문에 대한 답변은 물론, 고객 의견 인터뷰와 같은 복잡한 텍스트도 용어와 구문으로 분석할 수 있습니다. 이렇게 분석된 용어와 구문은 주제, 품질 동인 또는 지표로 변환되어 정보를 객관적으로 해석할 수 있게 해줍니다. JMP 텍스트 탐색기는 순수 정성적 텍스트 분석에서 정량적 텍스트 분석으로 나아갈 수 있는 방법을 제공합니다. 이러한 새로운 지식을 활용하여 고객 의견 인터뷰와 설문 조사의 질을 향상시키고, 테스트 결과에 대한 확실한 결론을 도출할 수 있습니다. 경청해 주셔서 감사합니다.
