Использование текстовых данных для более полного представления о ваших сотрудниках

Это захватывающее время для практики людей: кажется, что каждый день появляется новая технология, обещающая сделать внутренние процессы более удобными, эффективными и управляемыми данными.

Несмотря на то, что эти инструменты, безусловно, приносят дополнительную пользу, не меньшая ценность остается на столе. Возьмем, к примеру, платформы для опросов вовлеченности: да, они значительно облегчили сбор данных обратной связи, но преобразование этих данных в обоснованные решения остается серьезной проблемой.

В частности, текстовые данные, такие как открытые комментарии в опросах вовлеченности, как известно, используются недостаточно. Основная причина того, что эта ценная информация остается неиспользованной, заключается в том, что она неструктурирована по своей природе: текстовые данные не соответствуют заранее определенному формату и, следовательно, требуют преобразования, чтобы их можно было использовать. Такая трансформация часто требует как времени, так и определенных технических знаний, которых у многих практиков просто нет, что побуждает сосредоточить внимание на данных, которые уже структурированы.

Проблема в том, что, хотя использование только структурированных данных действительно расскажет историю, эта история будет в основном неполной. Это можно сравнить с чтением копии «Моби Дика» с вырванной последней третью страниц: конечно, это будет рассказ, но будут ли сделанные выводы такими же, как если бы вы прочитали всю книгу? Возможно нет. И это ненадежно в организационном контексте, где выводы, к которым приходят лица, принимающие решения, имеют огромное влияние на компанию.

Однажды мы работали с крупным клиентом в технологическом секторе, у которого были проблемы с вознаграждением сотрудников. В числовых данных своего опроса о вовлеченности команда по работе с персоналом обнаружила, что сотрудники крайне недовольны вознаграждением в компании. Из лучших побуждений они истолковали это как то, что сотрудники заявили, что вознаграждения недостаточно высоки, и поэтому решили увеличить ценность всех вознаграждений за результативность на 30%.

К большому удивлению сотрудников отдела кадров, сотрудники пришли в ярость после этого изменения. Почему? Как можно понять из текстовых данных, большинство сотрудников считают, что суммы вознаграждений несправедливы, а скорее, процесс через которые они были распространены. Повышение стоимости только усугубило проблему и заставило рабочих почувствовать, что их игнорируют.

Этот пример показывает, что принятие решений, основанное исключительно на числовых (или структурированных) данных, без более полной картины, предоставляемой текстовыми (или неструктурированными) данными, может сбить с толку. Тем не менее, даже если текстовые данные лучше всего использовать в контексте People Ops, как насчет временных и технических ограничений для этого?

К счастью, есть несколько удивительных методов структурирования и интерпретации текстовых данных, которые некоторое время использовались в других областях и сейчас интегрируются в продукты People Ops. Например, обработка естественного языка в сочетании с машинным обучением в настоящее время используется для представления того, что кто-то говорит, с точки зрения данных, и определения того, как эти данные связаны с вашими людьми. Операционная практика. Вот лишь несколько примеров текстовых данных, которые вы можете использовать для дополнения числовых данных, чтобы принимать более обоснованные решения:

  • Используйте данные, полученные из резюме, для предварительного отбора кандидатов на основании как их лет опыта работы, так и релевантности этого опыта.
  • Сравните прошлые комментарии опроса о вовлеченности и добровольность текучести кадров, чтобы предсказать, кто может подвергнуться риску ухода из вашей организации в будущее
  • Анонимно анализируйте настроения и содержание электронной почты, чтобы определить, какие команды неэффективно общаются

Само собой разумеется, что у этих технологий есть свои ограничения, но они становятся лучше с каждым днем. Бремя облегчения использования неструктурированных данных в организациях ложится не на специалистов-практиков, а на такие компании, как мы, которые создают технологии People Ops завтрашнего дня.

На неструктурированные данные приходится более 80% всех данных в организациях, и это число будет только расти. В Shape мы стремимся сделать очистку, структурирование и визуализацию неструктурированных данных чем-то не только возможным. , но практично для людей, практикующих повсюду. Таким образом, мы надеемся, что компании получат целостное представление о своих сотрудниках и найдут еще больше способов помочь им добиться великих результатов.

[1] https://blogs.gartner.com/darin-stewart/2013/05/01/big-content-the-unstructured-side-of-big-data/