Viele HR-Führungskräfte haben nicht genug Zeit, sich mit den Details der Funktionsweise von KI, wie zum Beispiel der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), zu beschäftigen. Doch wir wissen auch, dass es einige gibt, die mehr darüber erfahren möchten. In diesem kurzen Artikel erfahren Sie mehr über:
- Die Technologie hinter der Mitarbeiterstimmungsanalyse
- Warum qualitative Daten so wichtig sind
- Wie Natural Language Processing (NLP) die Daten interpretiert
- Wie man erkennt, wann man einen Trend sieht
Dieser Artikel geht davon aus, dass Sie bereits wissen, was Mitarbeiterstimmungsanalyse ist und warum Sie diese in Ihrem Unternehmen einsetzen möchten. Wenn Sie mehr über die Messung der Mitarbeiterstimmung erfahren möchten, lesen Sie unseren englischsprachigen Artikel dazu.
Was ist Natural Language Processing (NLP) und warum verwenden wir es?
Mitarbeiterstimmungsanalyse interpretiert ganz einfach die Daten, die Menschen schreiben und sagen, und ermittelt, wie sie sich fühlen. Dabei wird ein maschinelles Lernverfahren namens Natural Language Processing (NLP) eingesetzt. NLP ist dabei nicht dasselbe wie Neuro-Linguistisches Programmieren, das manchmal von Coaches für persönliche Entwicklung und Selbstreflexion genutzt wird.
NLP-Technologie hat zahlreiche Anwendungsmöglichkeiten und hat sich in den letzten Jahren erheblich weiterentwickelt, unter anderem durch die Entwicklung von KI-Programmen wie Microsoft Co-Pilot. Wenn Sie schon einmal eine Suchmaschine oder eine Spracherkennungssoftware verwendet haben, haben Sie bereits NLP-Systeme in Aktion erlebt.
Die menschliche Sprache ist jedoch voller Eigenheiten. Besonders die englische Sprache ist hier ein gutes Beispiel. Homophone, doppelte Negationen, Redewendungen und mehr – es gibt viel, was zu berücksichtigen ist. Aber das ist erst der Anfang.
NLP kann insbesondere dabei helfen, wie unsere Ansichten und Erfahrungen unbewusst unsere Sprache beeinflussen. So trägt es zur Messung der Mitarbeiterstimmung bei.
Qualitative versus quantitative Daten
In traditionellen Mitarbeiterbefragungen oder Leistungsbeurteilungen bestehen viele Antworten aus Zahlen. Diese Ergebnisse lassen sich einfach in eine Durchschnittszahl oder eine Art Skala umwandeln, sodass man eine Zahl erhält, die als Statistik zitiert werden kann. Doch hier liegt nicht der wahre Wert. Die besten Analysen findet man in den qualitativen Antworten – den geschriebenen Antworten, die uns wirklich zeigen, wie sich Menschen fühlen.
Wenn Sie beispielsweise Ihre Mitarbeitenden bitten, ihre Arbeitsumgebung mit einer Note von 1 bis 10 zu bewerten, könnten Sie eine 7 erhalten. Doch das ist alles, was Sie wissen. Sie erfahren nicht, warum jemand drei Punkte abgezogen hat oder was der Mitarbeitende an seinem Büro schätzt, um eine 7 zu geben. Außerdem wissen Sie nicht, ob eine 7 gut oder schlecht ist.
In der Theorie ist eine „Durchschnittsbewertung“ eine 5 von 10. Aber wie oft haben Sie sich über einen Film oder ein Videospiel gefreut, bei dem eine 5 „gut“ bedeutet? Sehr oft sind eine 7 oder 8 der Durchschnitt. Alles darunter gilt als schlechte Bewertung.
Die Interpretation der Daten in der Mitarbeiterstimmungsanalyse
Wenn Sie qualitative Fragen verwenden, können Sie die Ergebnisse mit NLP analysieren. Da Mitarbeitende ihre Antworten in eigenen Worten schreiben, kann die Sentiment-Analyse sogar dann noch ihre wahren Gefühle erfassen, wenn jemand diplomatisch ist.
Ein Beispiel für NLP-Analyse
Nehmen wir an, Sie evaluieren den Bedarf für hybride Arbeitsmodelle und fragen Ihre Mitarbeitenden nach ihren Pendelerfahrungen.
4 Personen stimmen der Aussage „Ich bin produktiv und fokussiert, wenn ich im Büro bin“ zu. 2 Personen stimmen „stark zu“, 4 Personen stimmen „nicht zu“ oder „stark nicht zu“.
So könnten Ihre Ergebnisse aussehen:
- Traditionelle Statistik: 60 % der Mitarbeitenden stimmen zu oder stimmen stark zu, dass sie gerne im Büro arbeiten.
- NLP-Analyse: Viele Mitarbeitende möchten die Option haben, auch von zu Hause zu arbeiten.
Wo liegt der Unterschied? Der erste Datenpunkt berücksichtigt nicht die Kommentare, die die Mitarbeitenden abgeben (oder den Druck, den sie verspüren, eine positive Bewertung abzugeben).
Die NLP-Analyse hingegen erkennt, dass viele Menschen lange Pendelzeiten, schlechten Verkehr und den Stress, die Kinder abzuholen, erwähnen. Mitarbeitende werden nicht unbedingt schreiben „Mein Arbeitsweg ist schrecklich, ich hasse es, früh aufzustehen und zur Arbeit zu fahren, noch bevor der Zahnpasta-Geschmack aus dem Mund verschwunden ist, und die Kinder sind schon im Bett, wenn ich nach Hause komme“, da dies als unprofessionell gelten könnte.
Aber die Sentiment-Analyse fasst alle unscheinbaren Aussagen zusammen und erkennt ein Muster. Sie weist darauf hin, dass einige Mitarbeitende davon profitieren würden, zumindest einen Teil der Zeit von zu Hause aus zu arbeiten. Sie können dann Ihre Vorschläge so anpassen, dass sie die Perspektiven von Eltern und Betreuenden berücksichtigen.
Warum NLP so gut für die Sentiment-Analyse geeignet ist
Mit NLP-Algorithmen können Sie tiefer in ein Problem eintauchen.
Eine linguistische Entscheidung für ein bestimmtes Wort oder eine Phrase könnte als Zufall angesehen werden oder als jemand, der „einen schlechten Tag“ hat. Ehrlich gesagt, wenn Sie die Analyse selbst durchführen würden, würden Sie es wahrscheinlich ignorieren. Aber wenn mehrere ähnliche Aussagen kommen, insbesondere zu einem ähnlichen Thema oder im gleichen Bereich des Unternehmens, entsteht ein Muster.
Mitarbeitende sagen vielleicht nicht direkt, dass sie Ihr neues Großraumbüro hassen. Doch wenn immer mehr Beschwerden über Lärm oder Bedenken bezüglich des mangelnden Datenschutzes auftauchen, gibt es nur wenige Ursachen oder Büromodifikationen, die diese Reaktionen hervorrufen können.
Die Sentiment-Analyse hilft Ihnen, zu verstehen, was Menschen wirklich denken – nicht nur das, was sie denken, dass Sie hören möchten. Und genau das macht dieses Tool so wertvoll.
Wie wir NLP in Engage365 einsetzen
Engage365 verfügt über eine integrierte NLP-Engine. Sie nutzt maschinelles Lernen, um das Sentiment von Feedback und Gesprächen, die Teil des Mitarbeiter-Check-ins sind, zu verstehen. Wir verwenden eines der größten natürlichen Sprachdatensätze weltweit, um maximale Genauigkeit zu gewährleisten. Eine unabhängige Studie aus dem Jahr 2019 zeigte, dass unsere Datensätze eine Gesamtgenauigkeit von 77 % aufwiesen, wenn man sie mit einer manuellen Beurteilung des Textes vergleicht.
Neben der Erkennung des Sentiments des Textes innerhalb eines Check-ins analysiert Engage365 auch das Sentiment der gestellten Frage. Dies liefert ein gewogenes Sentiment, das die tatsächliche Rückmeldung besser widerspiegelt.
Was die Sentiment-Daten Ihnen sagen
Es gibt keinen „guten“ oder „schlechten“ Sentiment-Wert, sondern es sollte als ein relatives Maß betrachtet werden. Denn die Kultur verschiedener Organisationen führt zu unterschiedlichen Kommunikationsstilen, und oft sehen wir große Unterschiede im „Grundsentiment“ zwischen Organisationen, die Sie vielleicht nicht erwarten würden, basierend auf anderen Engagement-Werten.