Analyse par aspects des données d'enquête des employés

Client

Le client est le département RH d'une entreprise mondiale basée aux États-Unis. Le client a contacté l’équipe DataSqueeze, une Entreprise de développement de logiciels NLP, pour les aider à traiter et analyser les résultats d'une enquête d'entreprise annuelle auprès des employés comportant des réponses textuelles libres aux questions.

Défi : Analyser les données des enquêtes RH avec LLM, effectuer une analyse de sentiment basée sur les aspects des données des enquêtes, mettre en évidence les principaux problèmes mentionnés par les employés

Pour accomplir la tâche, l’équipe de DataSqueeze a traité plusieurs questions et réponses incluant des réponses au format libre et le niveau d'accord avec une liste d'énoncés. Les questions couvraient divers aspects de la vie en entreprise et la satisfaction des employés, permettant des réponses libres. Au total, 11 questions ont été posées et chacune a reçu plus de 1400 réponses.

Le défi technologique consistait à traiter automatiquement toutes les données, mettre en évidence les principaux problèmes, Définir le sentiment des employésles réponses des employés et en résumer le contenu. Il était essentiel de fournir au département RH des informations clés décrivant l’humeur générale des employés dans l’entreprise et leur attitude envers divers aspects de la vie d’entreprise tels que la satisfaction au travail, le leadership, le management, le travail en équipe, le salaire, etc. Les résultats devaient également être segmentés par département, ville et pays pour une analyse plus détaillée.

Solution : Analyse de sentiment basée sur les aspects des données d'enquête RH, résumé des réponses et identification des aspects les plus cités par les employés

Notre équipe de développeurs NLP a traité les résultats de l'enquête en résumant les sentiments et l'attitude des employés envers divers aspects de la vie en entreprise tels que le leadership, le travail, la communication, etc., et a analysé ces sentiments.

De chaque réponse des employés, nous avons extrait des aspects de la vie d'entreprise qu'ils ont mentionnés, et défini le ton émotionnel et les sentiments. Nous avons regroupé ces aspects extraits en catégories sémantiques, les avons intitulées, et analysé la fréquence de leurs mentions dans les réponses des employés. Pour les réponses à chaque question, nous avons mené analyse de sentiment dans les RH, et visualisé la distribution des sentiments.

Pour aider le client à comprendre l'attitude des employés envers l'entreprise, nous avons résumé leurs réponses, les avons catégorisées et analysé l’analyse de sentiment des employés et l’engagement des employés. Nos scientifiques des données ont porté attention aux aspects les plus fréquemment mentionnés et en ont dressé un tableau pour chaque groupe de sentiment, étayant chaque aspect par des citations d’employés.

Exemples d'aspects et de catégories :

À quoi ressemblent les données finales (distribution par catégorie) :

Distribution des sentiments dans une catégorie :

Schéma d'approche :

Pendant le projet, nos scientifiques des données ont travaillé avec des données originales multilingues (réponses des employés en 5 langues) et un LLM open source (LLAMA3 70B). Notre équipe a également utilisé Helsinki pour traduire les résultats finaux en anglais et Python docx pour générer le rapport final.

Examinez de plus près la chaîne de traitement du projet :

1. Détecter les aspects mentionnés dans les réponses et attribuer des noms à ces aspects
2. Catégoriser les aspects en plusieurs catégories
3. Détecter le sentiment lié à ces aspects
4. Extraire des segments de texte décrivant l'aspect (LLAMA3 70B)
5. Traduire tous les textes en anglais (Helsinki modèles)
6. Créer un résumé en utilisant différentes agrégations :
   
   a. Pour chaque question pour chaque valeur de sentiment
   
   b. Pour la question en général (LLAMA3 70B)
7. Combiner les données dans un fichier docx pour chaque question et fournir
   
   a. Résumé génératif
   
   b. Principaux aspects avec statistiques
   
   c. Distribution des sentiments
   
   d. Exemple de citation pour chaque catégorie/sentiment/question (Python docx).

Résultat : Analyse de texte alimentée par NLP pour les RH

En conséquence, DataSqueeze, une entreprise de solutions de traitement du langage naturel, a développé une solution d'analyse de sentiments basée sur les aspects pour l'analyse des données d'enquête des employés. Elle résume automatiquement toutes les réponses à chaque question et les données globales de l'enquête, identifie les aspects les plus fréquemment mentionnés et fournit des citations des employés comme preuves des principales conclusions du résumé.

Nous avons aidé le client à analyser automatiquement l’enquête annuelle RH d’entreprise avec des réponses en texte libre et à obtenir des insights précieux sur les ressentis et émotions des employés. Désormais, cela permet à l’équipe RH et à la direction d’élaborer rapidement des stratégies pour renforcer la marque employeur de l’entreprise en se concentrant sur les axes d’amélioration.

Par exemple, pour plus de Cas d'usage du NLP, veuillez visiter la page.