El Explorador de Texto de JMP es una herramienta muy eficaz que permite organizar las respuestas de una encuesta o una serie de entrevistas de voz del cliente (VOC) y prepararlas para las pruebas. En esta presentación, explico todos los pasos con un ejemplo real de mi organización. Las encuestas se basan en preguntas cerradas (calificación de 1 a 5 estrellas), parcialmente cerradas (respuestas multiopción de una lista de opciones) o abiertas (campo de texto libre).
Como era de esperar, existe una mayor variación en las respuestas de los encuestados a preguntas abiertas o parcialmente cerradas. Text Explorer ofrece una forma de codificar las respuestas como términos y frases. Estas pueden procesarse de diversas maneras, lo que permite el modelado predictivo y la comprobación de hipótesis, como se demuestra en esta presentación.
El Explorador de Texto también permite agrupar las respuestas de VOC en temas que posteriormente se utilizarán como impulsores de calidad en un árbol CTQ. Si se construye correctamente, este método, que demostramos en JMP, puede ahorrar tiempo y, al mismo tiempo, generar 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 texto en encuestas y la voz del cliente. Introducción. Hoy en día, muchas encuestas se realizan por su facilidad. Algunas no están bien diseñadas, lo que dificulta el análisis posterior a la evaluación y dificulta la obtención de conclusiones.
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, la voz del cliente (VOC) es esencial para comprender qué valor le aportaría. Sin embargo, si hay muchos clientes, es probable que tengan opiniones diferentes. ¿Cómo se logra que la VOC sea operativa? De eso trata el Caso 2, basado en 50 entrevistas con clientes internos y partes interesadas.
El texto es un dato no estructurado que puede procesarse en JMP Text Explorer para permitir el análisis estadístico, utilizar la información oculta en el texto o reducir la complejidad, facilitando así su interpretación. La voz del cliente podría, por ejemplo, ser una serie de entrevistas. Las actas de las reuniones resultantes de estas entrevistas son datos no estructurados y difíciles de convertir en parámetros medibles de forma objetiva. Sin embargo, con 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: ¿Cómo calificarías la Cumbre Europea de Descubrimiento 2024? Excelente, muy excelente, de primera clase, de primera clase o, por supuesto, la mejor del mundo. Una pregunta parcialmente cerrada podría ser: ¿Cuál es tu postre preferido? Puedes elegir todos los que quieras. Puedes elegir solo helado, helado con pastel, pastel con fruta, helado con fruta, dulces, dulces con fruta, solo dulces, etc. Una pregunta abierta podría ser: ¿Cómo describirías un día perfecto?
En un proyecto Six Sigma, la voz del cliente, su necesidad, debe traducirse en impulsores de calidad y en elementos medibles y críticos para la calidad. Se trata de pasar del ámbito del cliente, un espacio bastante impreciso y desestructurado, a un ámbito técnico de requisitos y especificaciones funcionales.
Pasemos a JMP para la demostración de dos casos. El caso 1 es la encuesta sobre la colaboración entre los equipos de salud y seguridad durante la construcción de parques eólicos marinos. El caso 2 es la opinión del cliente, presentada a partir de un proyecto de mejora continua sobre el proceso de diseño de parques eólicos marinos.
Caso 1: la encuesta. Lo que ven es 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 uno: ¿Cómo clasificaría su puesto? ¿En la oficina, en primera línea u otro? En relación con la pregunta cuatro, ¿con qué frecuencia colabora con un compañero de otra región del departamento fuera de sus tareas diarias? ¿Semanalmente, diariamente, mensualmente o con menos frecuencia?
Aquí, recomiendo encarecidamente ordenar las opciones por valores. De lo contrario, resultará muy confuso. ¿Cómo hacerlo? Seleccione la columna, haga clic derecho y elija "Propiedades de columna" > "Orden por valores". Puede ver que he personalizado el orden así: con menos frecuencia, mensualmente, semanalmente y diariamente. Al terminar, haga clic en "Aceptar".
En JMP, hay tres maneras de realizar este análisis. Se explicarán dos de ellas. En el primer método, nos dirigimos a Analizar, Investigación del Consumidor, Categórico. Seleccionamos la pregunta uno como X (categoría de agrupación) y la pregunta cuatro como respuestas. Disculpen. Hacemos clic en Aceptar. Lo que ven aquí es una tabla con celdas. Dentro de las celdas, tenemos la frecuencia (el recuento observado), la proporción en porcentajes y el chi-cuadrado de la celda (valor p).
Con los datos proporcionados, podemos ver que hay una respuesta significativamente baja en la celda de primera línea diaria. Hacemos clic, seleccionamos esta opción y pasamos al siguiente método: ajustar Y por la plataforma X. De igual forma, elegimos la pregunta uno como X y la pregunta cuatro como Y, la respuesta. Hacemos clic en "Aceptar". Aquí se ve que obtenemos una tabla ligeramente diferente, ya que 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 claramente que la razón por la que este valor p es significativamente bajo se debe a que solo observamos 4 recuentos en esta célula, pero esperábamos 12,6, y como se trata de humanos, en realidad son 13. La diferencia entre el valor observado y el esperado es tan grande que este valor p se vuelve significativo. Quizás el departamento deba tomar medidas para mejorar esto.
Esto cerrará el tratamiento de preguntas cerradas. Regresemos a la tabla de datos y pasemos a la pregunta 14. Dice así: ¿Qué les ayuda a colaborar en el departamento? De hecho, esta es una pregunta parcialmente cerrada, ya que el encuestado puede elegir entre varias opciones, como cultura de colaboración, reuniones presenciales, charlas informales, tiempo para hacer networking dentro de la empresa para conocer a los empleados, herramientas de TI, reuniones generales, etc.
Para ver cuántas respuestas obtuvimos, podemos usar el Constructor de Gráficos. Seleccionamos el Constructor de Gráficos. Pregunta 14, la arrastramos y soltamos en las zonas. Luego, seleccionamos el mapa de árbol. Hacemos clic en "Listo" y lo ampliamos. Creo que está claro para todos que tenemos tantas maneras de responder como encuestados, lo que complica cualquier análisis, o incluso lo imposibilita.
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. Seleccionamos 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. Agregaré todas las frases al término resaltándolas, haciendo clic derecho y seleccionando "Agregar frase".
Ahora podemos ver que esta lista proporciona información muy variable. Vemos que las redes de chat informales son las más utilizadas, seguidas de las reuniones presenciales, el apoyo del líder, la buena gestión de proyectos, las reuniones en línea, etc.
Puedes crear un informe muy útil con esto. Si te encuentras en cualquier parte de la tabla, haz clic derecho y selecciona "Convertir en tabla de datos". Se ha creado una nueva tabla de datos y selecciono eliminar todos los términos irrelevantes. Luego, podemos ir a "Distribución" y seleccionar "Término" como Y y "Conteo" como frecuencia. Hacemos clic en "Aceptar". Debajo del punto de acceso, puedes apilar el informe. En el punto de acceso "Término", podemos ordenar los conteos por valor descendente. Quizás deberíamos cambiar un poco el color del histograma. Ahora tenemos un informe útil, algo que podemos comunicar y aplicar.
Analicemos la frase "redes informales de chat" con más detalle. Regresamos a nuestra tabla de datos y a nuestro texto, Explorador, y seleccionamos el término "redes informales de chat". Si hacemos clic derecho aquí, podemos guardar un indicador. Esto nos dará un uno o un cero indicando si la respuesta ha elegido esta opción o no. Lo hacemos.
En la tabla de datos, vemos que hemos creado una columna con unos o ceros. Quiero recodificarla como sí o no. Si subimos aquí y hacemos clic en "Recodificar", escribiremos "no" en lugar de "cero". Aceptamos convertir la columna a caracteres y "sí" en lugar de "uno". De esta manera, hacemos clic en "Recodificar". 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 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, en "Analizar", buscamos la plataforma de investigación de consumidores y seleccionamos "Categórico". Ahora, seleccionamos la pregunta 5 como X y nuestro indicador de redes de chat informal como respuesta. Hacemos clic en "Aceptar". Como antes, obtenemos esta lista o tabla. Creo que deberíamos olvidarnos de las celdas con resultados muy bajos, ya que solo obtuvimos dos respuestas.
Sin embargo, podemos observar que en la celda de redes sociales con poca colaboración y sin charlas informales, obtuvimos un valor p significativamente bajo. Casi todos los que calificaron la colaboración en el departamento como deficiente no utilizan las charlas informales. Creo que esta información es valiosa y quizás 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. Este caso se basa en actas de reuniones transformadas en pegatinas. El motivo fue poder agruparlas en la pizarra. Cada fila representa una pegatina, y en esta tabla de datos tenemos 361 pegatinas o filas, provenientes de 50 encuestados.
Como habrán notado, he ocultado la entrada del diagrama de afinidad, que correspondería al texto de las etiquetas, por motivos de sensibilidad. Ahora, ejecutaremos el explorador de texto y añadiremos los términos como hicimos antes. Ya lo hice, como pueden ver aquí. Todas las frases aparecen en gris, lo que significa que se han añadido a la lista de términos.
Podemos ver que tenemos un término llamado proyecto y otro llamado proyectos. Aquí abajo, tenemos un término llamado proceso y otro llamado procesos. Para eliminar estas redundancias, podemos ir al punto de acceso y elegir opciones de término, derivación, derivación de todos los términos.
Para mayor claridad, tenemos algunos términos que no podemos usar porque no aportan información valiosa, por ejemplo, "Usar". Si selecciono "Usar", hago clic derecho y lo añado como palabra vacía, desaparecerá de la lista. Podemos hacer lo mismo con "dentro". Añada una palabra vacía.
Aquí tenemos una tabla limpia y ordenada con la que podemos trabajar. Ahora pasaré a la versión JMP Pro, ya que vamos a realizar una SVD semántica latente para obtener la SVD rotada del análisis de temas. La 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 la sección "Zona activa", seleccione "Análisis semántico latente SVD". Haga clic en "Aceptar". En esta zona activa (la zona activa TF-IDF centrada en SVD y escalada), seleccione "Análisis de temas, SVD rotado".
Aquí debemos elegir cuántos temas queremos; 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 la mayor carga en valores absolutos. Podemos usar este informe para determinar temas conceptuales para nuestro proyecto Six Sigma.
Si volvemos al Punto de Acceso y hacemos clic en "Cambiar Nombre de Temas", observamos los términos del tema 1: "Tema para la Eficiencia de Costos". El tema 2: "Sistema de Información". El tema 3: "Ejecución del Proyecto". El tema 4: "Intercambio de Conocimiento". Haga clic en "Aceptar". Esto es fantástico, ya que hemos desarrollado cuatro factores de calidad para nuestro proyecto Six Sigma.
Al usar temas, ahora contamos con una agregación objetiva de las declaraciones de VOC, en lugar de una agregación manual individual, que depende, por lo tanto, de una agregación subjetiva. Además, podemos mostrar los temas como nubes de palabras. Vaya a Opciones de visualización, Nubes de palabras por tema. Aquí abajo, podemos abrir y ver que, por ahora, obtenemos la misma información que una nube de palabras por tema o por impulsores de calidad, como solía llamarlo.
Si vamos al punto de acceso, hacemos clic en él y vemos que podemos guardar los vectores de temas del documento. Si lo hacemos y lo volvemos a nuestra tabla de datos, vemos que hemos creado cuatro nuevas columnas, cada una para un factor de calidad. Esto será muy útil en la fase de mejora de nuestro proyecto Six Sigma, ya que allí tendremos que analizar soluciones.
Aquí podemos ver a qué cliente debemos prestar especial atención al discutir soluciones para la rentabilidad, el sistema de información, la ejecución del proyecto o el intercambio de conocimientos. Para ver quién es quién, podemos ir al Constructor de Gráficos y seleccionar (lo moveré un poco) Temas como Y, X y Encuestado como X. Luego, podemos seleccionar Gráfico de Barras. Hacemos clic en Listo.
Aquí podemos ver que, cuando queremos discutir soluciones con nuestros clientes, esta persona es la persona de referencia en cuanto a rentabilidad, mientras que esta persona es ideal para hablar sobre soluciones para el sistema de información. Aquí tenemos a la persona encargada de compartir conocimientos y aquí a la encargada de la ejecución del proyecto. Dicho esto, terminaré la demostración en JMP y volveré a la presentación.
Con JMP Pro Text Explorer, hemos superado la barrera entre la voz del cliente y el ámbito técnico de los requisitos y especificaciones funcionales. Utilizamos JMP Text Explorer para crear cuatro objetivos con indicadores de calidad. A partir de estos indicadores, podemos derivar fácilmente indicadores críticos medibles de calidad. 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, pueden procesarse en Text Explorer en términos y frases. Estos términos y frases pueden transferirse a temas, impulsores de calidad o indicadores, lo que permite una interpretación objetiva de la información. JMP Text Explorer ofrece una manera de pasar del análisis de texto puramente cualitativo al cuantitativo. Con este nuevo conocimiento, podemos mejorar la calidad de nuestras entrevistas de voz del cliente y nuestras encuestas, y obtener conclusiones sólidas en las pruebas. Gracias por su atención.
