แบบสำรวจพนักงานและการวิเคราะห์ข้อความอิสระ

กำไร:

• ความสามารถในการวิเคราะห์คำตอบแบบสำรวจปลายเปิดตามหัวข้อ ความถี่ และอารมณ์
• ความสามารถในการตีความตัวชี้วัด เช่น eNPS และการมีส่วนร่วม และเปลี่ยนให้เป็นคำแนะนำในการดำเนินการ
• ความสามารถในการสร้างกรอบการวิเคราะห์แบบสำรวจที่ปราศจากอคติซึ่งรักษาความเป็นนิรนามและการรักษาความลับ

คุณดำเนินการสำรวจการมีส่วนร่วมของพนักงานและได้รับข้อความแสดงความคิดเห็นฟรีหลายร้อยรายการจากคน 400 คน อาจต้องใช้เวลาหลายวันในการอ่านทีละเล่มและแยกธีมหลักออกมา และมันจะเป็นอัตวิสัย: จากสายตาของผู้อ่านที่เหนื่อยล้า บางธีมจะโดดเด่นและบางธีมจะหายไป ปัญญาประดิษฐ์ (AI) จัดกลุ่มการตอบสนองปลายเปิดหลายร้อยรายการเป็นธีม ความถี่ และอารมณ์ในเวลาไม่กี่นาที สร้างภาพที่จะกระตุ้นให้ฝ่ายบริหารดำเนินการ แต่นี่คือจุดที่ความรับผิดชอบที่ละเอียดอ่อนที่สุดประการหนึ่งของฝ่ายทรัพยากรบุคคลเข้ามามีบทบาท: ความคิดเห็นเหล่านี้เป็นของบุคคล มีการสัญญาว่าจะไม่เปิดเผยตัวตน และสัญญานี้ไม่ควรผิด ในหน่วยนี้ เราจะได้เรียนรู้วิธีดำเนินการวิเคราะห์แบบสำรวจตั้งแต่ต้นจนจบและรักษาความเป็นนิรนามและความเป็นธรรม

ข้อกำหนดบางประการ: eNPS (employee Net Promoter Score) คือตัวชี้วัดที่วัดแนวโน้มของพนักงานที่จะแนะนำบริษัท หาได้โดยการนำเปอร์เซ็นต์ของ "ผู้ที่แนะนำ" ออกจากเปอร์เซ็นต์ของ "ผู้ที่ไม่แนะนำ" การมีส่วนร่วม/ความมุ่งมั่นหมายถึงความผูกพันทางอารมณ์ของพนักงานกับงานและบริษัท การวิเคราะห์ความรู้สึกเป็นการจัดประเภทโทนสีที่เป็นบวก/ลบ/เป็นกลางของข้อความ การเขียนโค้ดเฉพาะเรื่องเป็นกระบวนการแบ่งข้อความอิสระออกเป็นหัวข้อทั่วไป (เช่น ปริมาณงาน การจัดการ อาชีพ)

การกำหนดธีมการตอบกลับแบบปลายเปิด

AI เปลี่ยนข้อความอิสระให้เป็นข้อมูลเชิงลึกเชิงโครงสร้าง จุดสำคัญ: ทำให้การวิเคราะห์ไม่ระบุชื่อและรวบรวมไว้ กระบวนการทีละขั้นตอน:

1. ไม่ระบุชื่อข้อมูล ลบหรือสรุปชื่อ หน่วย รายละเอียดเชิงพรรณนา
2. แยกธีม ถามว่าแต่ละธีมปรากฏกี่ความคิดเห็น
3. เพิ่มสภาวะทางอารมณ์ แต่ละธีมเป็นบวกหรือลบ?
4. ขอใบเสนอราคาตัวอย่าง — แต่ราคาที่ปลอดภัย คำพูดตัวแทนที่จะไม่ให้ไปแต่ละบุคคล
5. เปลี่ยนมันเป็นการกระทำ ข้อเสนอแนะที่เป็นรูปธรรม 1-2 ข้อสำหรับแต่ละประเด็นสำคัญ
6. ตีความกับมนุษย์ อ่านตัวเลขพร้อมบริบท ความคิดเห็นสุดท้ายเป็นของคุณ

บทบาทของคุณ: นักวิเคราะห์ประสบการณ์ของพนักงาน งาน: วิเคราะห์ความคิดเห็นจากการสำรวจที่ไม่ระบุตัวตนต่อไปนี้ 1) จัดกลุ่มความคิดเห็นเป็นหัวข้อหลัก (เช่น การจัดการ ปริมาณงาน อาชีพ ค่าจ้าง วัฒนธรรม เครื่องมือ) ระบุจำนวนความคิดเห็นที่คุณมีสำหรับแต่ละธีม2) สรุปอารมณ์ทั่วไป (บวก/ลบ/เป็นกลาง) ของแต่ละธีม3) ระบุแง่มุมเชิงบวกที่มีการกล่าวถึงบ่อยที่สุด 3 ประการ และการพัฒนา 3 ประการ กฎ: อย่าพยายามจับคู่ความคิดเห็นกับผู้คน หากมีรายละเอียด (ชื่อ หน่วย เหตุการณ์เฉพาะ) ที่อธิบายถึงบุคคล ให้ระบุรายละเอียดทั่วไปเมื่อทำการสรุป อย่าอ้างอิงความคิดเห็นที่หายาก/เฉพาะเจาะจงเพียงอย่างเดียวที่อาจเปิดเผยบุคคลได้

พรอมต์นี้; มันสร้างผลลัพธ์ที่นำไปปฏิบัติได้สำหรับฝ่ายบริหาร เช่น "ธีมภาระงานปรากฏใน 78 ความคิดเห็น ซึ่งส่วนใหญ่เป็นเชิงลบ เหตุผลหลักคือกะเย็น" โดยไม่ได้เปิดเผยใครเลย

เคล็ดลับ: ความเสี่ยงด้านจริยธรรมที่ใหญ่ที่สุดในการวิเคราะห์แบบสำรวจคือการเปิดเผยตัวตน ความคิดเห็นเช่น "คนเดียวในแผนกบัญชีที่มีลูกเกิด" สามารถให้บุคคลออกไปได้ด้วยตัวเอง บอก AI อย่างชัดแจ้งให้สรุปรายละเอียดที่ระบุตัวบุคคล และไม่เน้นความคิดเห็นที่หายาก/เฉพาะเจาะจง

การตีความตัวชี้วัดและการแปลไปสู่การปฏิบัติ

จำนวนดิบเพียงอย่างเดียวไม่มีความหมาย "eNPS 12" ดีหรือไม่ดี? AI ช่วยกำหนดบริบทของตัวชี้วัดและแปลเป็นคำแนะนำในการดำเนินการ:

ตีความตัวชี้วัดการสำรวจด้านล่างและให้ข้อมูลสรุป 1 หน้าแก่ผู้จัดการ ข้อมูล:- eNPS: 12 (25 ปีที่ผ่านมา) - การมีส่วนร่วมโดยรวม: 3.6 จาก 5- ขอบเขตการให้คะแนนต่ำสุด: "การพัฒนาอาชีพ" (3.1)- ขอบเขตการให้คะแนนสูงสุด: "ความสัมพันธ์ในทีม" (4.4)จำเป็น:1) อธิบายด้วยภาษาธรรมดาว่าอะไรดีและอะไรน่าเป็นห่วง2) สมมติฐานที่เป็นไปได้สำหรับการลดลงของ eNPS (การสร้างเหตุผลที่แน่นอน สมมติฐาน)3) ข้อเสนอการดำเนินการที่เป็นรูปธรรมสำหรับ 3 ด้านที่สำคัญที่สุด

แบ่งความคิดเห็นเชิงลบเกี่ยวกับหัวข้อ "การพัฒนาอาชีพ" ออกเป็นหัวข้อย่อย (เช่น ความไม่แน่นอนในการเลื่อนตำแหน่ง ขาดการฝึกอบรม ขาดข้อเสนอแนะ) สำหรับแต่ละหัวข้อย่อย ให้จดจำนวนความคิดเห็นและแนวคิดในการดำเนินการ อย่าเปิดเผยบุคคลนั้น เก็บคำพูดที่ไม่ระบุชื่อและเป็นตัวแทน

มินิเคสสามอัน

กรณีที่ 1 — จากวันเป็นนาที ในบริษัทที่มีพนักงาน 600 คน ผู้เชี่ยวชาญด้านทรัพยากรบุคคลสองคนกำลังเขียนโค้ดความคิดเห็นแบบสำรวจประจำปีฟรี 1,400 รายการด้วยตนเองในหนึ่งสัปดาห์ เมื่อใช้ AI ธีมจะลดลงเหลือเพียงไม่กี่ชั่วโมง ทีมงานทุ่มเทเวลาในการวิเคราะห์ ตีความ และวางแผนปฏิบัติการ ความสอดคล้องในการเขียนโค้ดก็เพิ่มขึ้นเช่นกัน เนื่องจากมีการใช้เกณฑ์เดียวกันกับความคิดเห็นทั้งหมด

กรณีที่ 2 — การสกัดกั้นสัญญาณลับ ที่บริษัทผู้ผลิตแห่งหนึ่ง คะแนนโดยรวมอยู่ในเกณฑ์ดี แต่ AI เน้นหัวข้อ "ตารางการทำงาน" โดยมีความคิดเห็นเชิงลบ 46 รายการ นี่เป็นรูปแบบที่ถูกมองข้ามในการอ่านด้วยมือ ฝ่ายบริหารได้ทบทวนระบบกะ ในไตรมาสถัดมา ข้อร้องเรียนที่เกี่ยวข้องลดลงครึ่งหนึ่ง

กรณีที่ 3 — การป้องกันวิกฤติการไม่เปิดเผยตัวตน ในความพยายามครั้งแรก ผู้เชี่ยวชาญยังให้ข้อมูลยูนิตแก่ AI ด้วย เอกสารที่พิมพ์ออกมามีคำพูดเปิดเผย "เกี่ยวกับผู้จัดการแต่เพียงผู้เดียวในหน่วย X" ผู้เชี่ยวชาญสังเกตเห็นสิ่งนี้ก่อนตีพิมพ์ และแก้ไขกระบวนการ: ข้อมูลหน่วยถูกลบออก มีการแนะนำกฎเพื่อ "รายงานกลุ่มย่อยใด ๆ ที่มีความคิดเห็นน้อยกว่า 5 ความคิดเห็นแยกกัน" ความไว้วางใจถูกรักษาไว้

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

พร้อมท์ที่อ่อนแอ:สรุปความคิดเห็นแบบสำรวจเหล่านี้

ผลลัพธ์ที่ได้คือ ผิวเผิน มากมาย โดยไม่รับประกันการไม่เปิดเผยตัวตน บทสรุปที่สามารถแจกแจงรายบุคคลได้

ข้อความแจ้งที่มีประสิทธิภาพ:[ข้อมูลที่ไม่ระบุชื่อ + ธีมและการนับ + อารมณ์ + คำพูดที่ปลอดภัย/เป็นตัวแทน + "สรุปบุคคลทั่วไป อย่าเปิดเผยความคิดเห็นที่หายาก" + คำแนะนำในการดำเนินการ]

ผลลัพธ์: การวิเคราะห์ที่เป็นตัวเลข มีธีม มุ่งเน้นการดำเนินการ และรักษาความเป็นนิรนาม

กฎการไม่เปิดเผยตัวตนและความยุติธรรม

ความเสี่ยง

ข้อควรระวัง

การเปิดเผยของกลุ่มย่อย

แยกการรายงานกลุ่มย่อยที่มีผู้ตอบแบบสอบถามน้อยกว่า 5 คน

รายละเอียดเชิงพรรณนา

สรุปข้อมูลชื่อ/หน่วย/เหตุการณ์

อ้างอิงความคิดเห็นที่หายาก

ใช้เฉพาะคำพูดที่เป็นตัวแทนเท่านั้น

ความคิดเห็นที่มีอคติ

คำถามเกี่ยวกับการปฏิเสธกลุ่มอย่างเป็นระบบของ AI (อายุ เพศ ฯลฯ)

การส่งออกข้อมูลดิบไปยังเครื่องมือที่ไม่ปลอดภัย

ใช้เครื่องมือที่ผ่านการรับรอง/ของสถาบันและข้อมูลที่ไม่ระบุชื่อ

ข้อควรสนใจ: ข้อมูลการสำรวจเป็นข้อมูลส่วนบุคคล การวางความคิดเห็นดิบลงในเครื่องมือทั่วไปโดยไม่มีการรับประกันข้อมูลขององค์กรจะถือเป็นความเสี่ยงของ KVKK (เราจะเจาะลึกเรื่องนี้ในหน่วยถัดไป) การอนุมานธีมของ AI ก็สามารถผิดพลาดได้เช่นกัน มนุษย์ควรทบทวนตัวเลขและตัวอย่าง และทำการตีความขั้นสุดท้าย AI ค้นหารูปแบบ มนุษย์เป็นผู้กำหนดความหมายและการกระทำ

ข้อผิดพลาดทั่วไป

• ทำลายความไม่เปิดเผยตัวตน การใส่หน่วย/ชื่อ/รายละเอียดเฉพาะลงในการวิเคราะห์สามารถละทิ้งบุคคลได้
• การรายงานเป็นกลุ่มย่อย ผลลัพธ์ของหน่วย 3 คนแทบจะเป็นข้อมูลส่วนบุคคล
• สุ่มสี่สุ่มห้าเชื่อหมายเลขดิบ การจัดรูปแบบของ AI นั้นผิดพลาดได้ ตรวจสอบโดยการสุ่มตัวอย่าง
• ตอกย้ำความเห็นโดดเด่นที่หายาก มันสามารถเปิดเผยมากกว่าการเป็นตัวแทน
• ไม่เชื่อมโยงความคิดเห็นกับการกระทำ หากการวิเคราะห์ไม่ก่อให้เกิดขั้นตอนที่เป็นรูปธรรม การวิเคราะห์ก็จะยังคงอยู่บนชั้นวาง
• มองข้ามอคติ. คำถามว่า AI ปฏิเสธกลุ่มใดกลุ่มหนึ่งอย่างเป็นระบบหรือไม่

โดยสรุป

• AI จัดกลุ่มคำตอบปลายเปิดหลายร้อยรายการตามธีม ความถี่ และอารมณ์ เพื่อดึงข้อมูลเชิงลึกที่นำไปปฏิบัติได้สำหรับการจัดการ
• รักษาความเป็นนิรนาม: สรุปรายละเอียดที่ระบุตัวบุคคล ไม่เปิดเผยกลุ่มเล็กๆ และความคิดเห็นที่ไม่ค่อยพบเห็น
• ใส่ตัวชี้วัดเช่น eNPS และการมีส่วนร่วมในบริบท อย่าสร้างเหตุผลที่แน่ชัด แต่ขอตั้งสมมติฐาน
• เชื่อมโยงแต่ละประเด็นสำคัญเข้ากับการกระทำที่เป็นรูปธรรม การวิเคราะห์จะไม่สร้างมูลค่าหากไม่ก่อให้เกิดขั้นตอน
• ประมวลผลข้อมูลดิบด้วยเครื่องมือที่ปลอดภัย AI ค้นหารูปแบบ มนุษย์ทำการตีความขั้นสุดท้าย และตรวจสอบอคติ

งานสมัคร

เตรียมความคิดเห็นแบบสำรวจ 30-40 ความคิดเห็น เรื่องจริงหรือเรื่องสมมติ (จงใจใส่รายละเอียด "บอกเล่า") ไม่ระบุชื่อข้อมูลก่อน ให้ AI สร้างธีม การวิเคราะห์ความรู้สึก และจำนวนความคิดเห็นสำหรับแต่ละธีม ขอใบเสนอราคาที่ปลอดภัย/เป็นตัวแทน จากนั้นตรวจสอบผลลัพธ์: มีคำพูดใดบ้างที่แจกแจงบุคคลหรือไม่? กลุ่มย่อยที่มีความคิดเห็นน้อยกว่า 5 ความคิดเห็นถูกรายงานแยกกันหรือไม่ สุดท้าย ให้เขียนการดำเนินการที่เป็นรูปธรรมสำหรับ 3 หัวข้อที่สำคัญที่สุด

รายการตรวจสอบ

• [ ] ข้อมูลถูกทำให้เป็นนิรนามก่อนการวิเคราะห์ (ชื่อ/หน่วย/รายละเอียด) หรือไม่?
• [ ] มีการรายงานหัวข้อต่างๆ เป็นตัวเลข (มีกี่ความคิดเห็น)?
• [ ] แต่ละธีมมีการกำหนดอารมณ์ไว้หรือไม่?
• [ ] ไม่มีการรายงานกลุ่มย่อยที่มีการตอบกลับน้อยกว่า 5 รายการแยกกันใช่หรือไม่
• [ ] ราคาเป็นตัวแทนและไม่เปิดเผยหรือไม่?
• [ ] ผลลัพธ์ของ AI ถูกตั้งคำถามถึงอคติหรือไม่?
• [ ] ประเด็นสำคัญแต่ละประเด็นเชื่อมโยงกับการดำเนินการที่เป็นรูปธรรมหรือไม่?