Conseguir empleados comprometidos se ha convertido en una prioridad para muchas organizaciones en los sectores público y privado. Los programas de la Voz del Empleado (VoE) desempeñan un papel clave en esos esfuerzos, al permitir recolectar, administrar y actuar de manera sistemática sobre el feedback y las aportaciones de los empleados sobre una variedad de temas relevantes para la empresa.
La relación entre Engagement y Voz del Empleado es muy parecida a la que existe entre la Voz del Cliente (VoC) y la Experiencia del Cliente. VoC proporciona las ideas que mejoran la experiencia del cliente. La Voz del Empleado tiene la misma función para el compromiso de los empleados. Ver: Voz del Empleado, Voz del Cliente y NPS
La Voz del Empleado recoge las necesidades, deseos, esperanzas y preferencias de todos los empleados dentro de una organización. La VoE toma en cuenta tanto las necesidades explícitas, tales como salarios, carrera profesional, salud y jubilación, así como las necesidades tácitas que pueden incluir la satisfacción en el trabajo y el respeto de los compañeros de trabajo y de los supervisores.
Fuentes de la Voz del Empleado
Los programas VoE típicamente usan una variedad de métodos para recolectar y analizar datos de los empleados, incluyendo encuestas como el eNPS, las encuestas de salida, las evaluaciones de desempeño, foros de empleados, redes sociales, o focus groups. A menudo la VoE viene expresada en diferentes idiomas.
El análisis numérico y cuantitativo es lógicamente esencial para realizar un análisis riguroso, pero la gente no habla en números. Para escuchar la voz del empleado es necesario escuchar lo que los empleados realmente dicen, en sus propias palabras.
Es necesario, por tanto, convertir la VoE tal y como nos llega, en ideas relevantes y prácticas que los gerentes pueden usar para impulsar el compromiso de los empleados, aumentar la productividad y mejorar los beneficios.
Dado que las organizaciones tienen sobreabundancia de datos, el análisis de la VoE necesita recurrir a plataformas de análisis como MeaningCloud para extraer el significado que se esconde detrás de las palabras. Para ello el análisis de la Voz del Empleado se vale de analítica de texto, el análisis de sentimiento y las herramientas de perfilado. Estas tecnologías nos permiten escuchar, analizar y medir para ser capaces de mejorar el clima laboral.
El análisis de datos aplicado a la Voz del Empleado en MeaningCloud
El procesamiento con máquinas del lenguaje natural presenta muchos desafíos para el análisis. El lenguaje natural está lleno de ambigüedades, polisemias, sinónimos que se diferencian por connotaciones sutiles, ironías, etc.
Incluso el análisis de texto realizado por expertos humanos tampoco es perfecto, dado que – debido a la ambigüedad del lenguaje – el porcentaje de coincidencia entre anotadores humanos no excede del 85-95%.
La calidad de un sistema de análisis de texto depende tanto de las tecnologías y algoritmos utilizados como de los recursos lingüísticos (diccionarios, ontologías, análisis morfosintácticos…) incorporados.
Los procesos de minería de texto se suelen construir como combinación de una serie de tareas, entre las que se encuentran la clasificación o categorización. Consiste en asignar un texto a una o varias categorías de entre una taxonomía predefinida teniendo en cuenta el contenido global del texto. En general requiere que previamente se haya entrenado o configurado un modelo de clasificación específico de la taxonomía que se desea utilizar. La clasificación se usa para identificar el tema (o temas) sobre los que trata el texto en su conjunto.
Un modelo de clasificación comprende, por tanto, la lista de categorías, así como los recursos necesarios para clasificar los documentos en las clases definidas. Por ejemplo, un modelo puede permitir la clasificación de las razones que dan los empleados en las entrevistas de salida.
La calidad o exactitud del análisis se evalúa generalmente en términos de precisión (la cantidad de elementos detectados que son relevantes) y exhaustividad (la cantidad de elementos relevantes que se detectan). En general, dada una determinada tecnología de análisis, la precisión y la exhaustividad son antagónicos: las mejoras en uno pueden empeorar el otro y viceversa. Por esta razón, la clave es encontrar un equilibrio entre los dos que es óptimo para la aplicación.
Modelo de clasificación de MeaningCloud para la Voz del Empleado
Un modelo de clasificación comprende la lista de categorías (taxonomía), así como los recursos necesarios para clasificar los documentos en las clases definidas.
El proceso de clasificación se basa en un algoritmo híbrido que combina algoritmos de clasificación como Support Vector Machines, que se valen de textos de entrenamiento, con reglas lingüísticas para lograr la máxima precisión de clasificación y control sobre los resultados.
El flujo de trabajo del proceso puede verse en la siguiente figura:
Taxonomy: categorías para la voz del empleado
Reward Reward>Benefits Reward>Salary Reward>Holidays Opportunity Opportunity>Growth&Development Opportunity>Training Opportunity>Feedback&Advice Reward>Benefits Reward>Salary Reward>Holidays Opportunity Opportunity>Growth&Development Opportunity>Training Opportunity>Feedback&Advice Work Work>Collaboration&Cooperation Work>WorkEnvironment Work>Adaptability Work>Autonomy Work>Resource Work>Equipment Work>Process Work>Technology Work>Premises Policies&Practices Policies&Practices>Communication Policies&Practices>CustomerFocus Policies&Practices>Ethics Policies&Practices>CorporateCulture Policies&Practices>Innovation Policies&Practices>ContinuousImprovement Policies&Practices>EmployeeMotivation Policies&Practices>Work/LifeBalance Policies&Practices>CompanyCommitment 35 Policies&Practices>StaffManagement Management Management>DecisionMaking Management>BusinessFocus People People>EmployeeSatisfaction People>Engagement People>Loyalty People>Expertise People>Supervisor People>Co-Worker People>Teamwork People>InformationTechnology People>Department
Por lo tanto, cada categoría del modelo (como “Reward>Salary”) incluye documentos de capacitación adicionales que le permiten al algoritmo aprender de ejemplos de textos que corresponden efectivamente a esa categoría. El modelo incluye además reglas basadas en recursos lingüísticos que mejoran la precisión en categoría “Reward>Salary”.
Se han aplicado muchas clases diferentes de algoritmos de aprendizaje automático a las tareas de Procesamiento del Lenguaje Natural (PLN). Los sistemas basados en algoritmos de aprendizaje automático tienen muchas ventajas sobre las reglas producidas a mano. Los sistemas basados en aprendizaje automático pueden hacerse más precisos simplemente suministrando más datos de entrada. Cada vez más la investigación se ha centrado en modelos estadísticos, que toman decisiones probabilísticas basadas en la asignación de pesos reales a cada característica de entrada. Tales modelos tienen la ventaja de que pueden expresar la certeza relativa de muchas respuestas posibles diferentes en lugar de sólo una, produciendo resultados más confiables.
Hoy por hoy, sin embargo, aunque se utilizan algoritmos en PLN, los recursos lingüísticos siguen siendo imprescindibles para aumentar la precisión de un modelo. Los algoritmos de aprendizaje automático pueden alcanzar el umbral del 60%-70% de precisión.
A partir de ahí es necesario recurrir a recursos lingüísticos para resolver las dificultades que plantea el lenguaje natural. Por ejemplo, si una entidad correspondiente al nombre de un lenguaje de programación que menciona un candidato en su currículum no se incluye en los recursos utilizados para la extracción de temas, apenas se detectará en el análisis. O, si se desea identificar qué departamentos de una empresa se mencionan, el modelo de clasificación de texto debe incluir categorías particulares que representan cada departamento.
Asimismo, sigue siendo imprescindible aplicar reglas para resolver problemas de ambigüedad, polisemia o la ironía.
MeaningCloud puede ayudar a extraer información de los comentarios de los empleados la solución de análisis de texto especializada en el área de recursos humanos.
Las fuentes de datos basadas en texto son un factor clave para cualquier organización que quiere entender los “porqués”
Como todas las organizaciones quieren entender mejor a los empleados, las fuentes de datos basadas en texto son un factor clave para que cualquier organización pueda comprender los “porqués” y actuar sobre ellos para mejorar las cosas.
People Analytics, la solución de analítica para recursos humanos de MeaningCloud, ayuda a las empresas a extraer valiosas conclusiones a partir de la realimentación que sus empleados proporcionan.
