竹间NLP为零售巨头洞察数万员工之声

2022-12-20    

聆听并洞察员工之声是企业激活人才积极性以增强市场竞争力的最有效手段之一。福布斯一项调查指出:74%的职场受访者表示,当感到自己被倾听时,会有更高的工作效率。在零售业场景中,企业员工大多分散在全国各城市,面对的客户与实际工作环境,都不尽相同,自然也会有不同的工作感受。更何况,门店员工最靠近前线,常常能直击业务痛点,给出第一手建议。因此,收集和分析一线员工的反馈,无论是对短期业务调整还是长期企业发展,都有至关重要的作用。

 

洞察一线员工之声

提高企业效率

 

竹间的客户——某国际咖啡零售巨头,非常注重客户体验,已然发现了一线员工反馈的重要性并早已付诸行动。该企业在中国设有超过5000家门店,拥有近6万名门店员工,在员工日常工作中,通过发放调查问卷的形式收集员工反馈。反馈内容往往体现了不同区域的员工工作状态、意见、想法等;同时也有业务上的信息反馈,比如售卖产品、环境、工作流程上的缺陷和不足,这些数据往往可以通过分析,针对最高频的员工之声和最急迫的员工需求来制定并推行改善措施,完善服务,同时提升员工和客户的体验,维护企业品牌形象及声誉。

 

依靠员工之声传统分析方式

无法提供有用的洞察

 

传统的员工之声主要依赖于专家经验,通常,一位业务专家的日常工作流程为:手动下载数据,逐条查看,对每条数据进行手工分类,然后在其中发觉关键得失点,手动排序,最后尽可能在文字中提炼反馈现象背后的原因。


传统的分析模式在如今面临三大困难:

1、每位专家在文字中提炼的信息可能不同,很难做到客观且有统一的分类标准,人工判断经常掺杂主观意见,无法完全统一,分类结果稳定性差

2、专家适合处理有限量的文本数据,有海量文本数据时,人的阅读上限速度限制了专家的工作效率。

3、由于人类记忆有局限性,通常一批次仅能精确处理10个左右的标签,再多的话就容易模糊便签之间的边界,造成数据的不稳定。

 

数据分类的结果是数据洞察的基础,如基础数据的准确率无法保证,必然造成后续洞察结果的不精确,进而做出错误的商业决策,严重时可能造成企业重大经济损失。

 

 

以NLP驱动的智能标签语意分类产品

可提供精准智能洞察

 

竹间智能的标准化产品Emoti-Insight 可以提供认知洞察的全流程服务。在算法模型能力上,搭配输入了专家知识并可持续迭代的标签模型——保证了分析结果的稳定和统一;在系统层面上,具备完整的从数据接入到分类处理及结果展示的流程 ——保证了分析的及时性。

 

由此,竹间智能 Emoti-Insight标准化产品的NLP(自然语言处理)认知洞察能力技术,为该企业员工之声洞察量身创制了一套多层级NLP标签体系。Emoti-Insight依靠卓越的NLP能力,基于上下文对意图、情感、观点进行多对象、多维度的精确识别,从自然语义层面来完成细颗粒度的数据解析与分类,由点带面地优化了整体流程架构,提升了分析效率和准确率。

 

全新的标签体系上线后,经一段时间运营,F1值(正确率*召回率*2/(正确率 + 召回率) ) 稳定在85%以上,标签准确度高,比人工作业更快、更好、更精确,为企业真正反映出一线员工之声,进而形成可行动的客户体验与业务流程改进方案,并降低了人力成本,以及加速员工调查问卷分析的完成。

 

项目沟通实施过程标准化

 

项目早期,竹间与企业方充分沟通,商讨定义好标签体系及颗粒度。随后,依托Emoti-Insight,针对数据和场景做解析,结合长期沉淀的众多预训练行业模型,及竹间特有的NLP机器学习平台,只经过少量的语料训练及测试,便快速搭建起了远比过去精细的初始NLP标签模型,包括标签树构建、训练语料集,再经过测试集的验证来做调优,端到端的过程循环迭代,使得多层级标签体系最终成型,对应门店工作满意度、新品发布反馈、排班合理性、新流程试用反馈等不同维度。



 

标签体系一旦建成,便可对原有数据分类流程实施升级改造,一劳永逸地做到自动化处理,大幅度减少对人力的依赖。首先,自动获取员工反馈数据,接着AI根据新创立的标签体系自动在后台进行分类,自动处理文本内容,最后输出洞察结果,业务专家可以进入系统查看已标准化分类完毕的数据。并且,标签体系完全开放,专家可以对其进行持续运营,并且随着历史数据日积月累,在机器学习辅助之下能够充分挖掘新问题及改进点,不断查漏补缺,达到正向循环。

 

对非结构化文本内容进行精准化、自动化、多元化的标签分析与分类,是Emoti-Insight主要核心技术能力之一,为企业品牌做深层次的业务分析与获得可行动建议提供强劲的智能支撑。



写在最后

 

数据只是原料,不经过妥当的加工,就不可能转变成企业的数据资产,在企业数字化转型过程中,没有妥善处理的数据越多,企业浪费的机会就越多。竹间智能创建人兼CEO简仁贤表示:“企业核心业务所产生的大量碎片化数据,都可以通过Emoti-Insight及竹间NLP来高效分类,实现洞察分析。我们积累了丰富的AI行业模型、行业算法模型和预置标签数据,标签树分层不设上限,无需复杂部署,而且目前已经推出了SaaS版本,企业可自主应用,轻量级运行,快速上传数据,训练AI标签模型,便捷地完成高准确率的标签分析。

 

零售行业里,除了员工调查问卷,还有大量客户数据、销售数据、产品使用反馈需要分类。其他行业同样也存在旺盛的需求,比如制造业(故障排查和维修数据)、医药业(临床报告与体检记录)、保险业(退保记录)、房地产行业(楼盘数据和物业数据)等等,不一而足。

 

快速行动起来!只有将企业中过去积存的离散、非标准化的数据转化为数据资产,并实现数据智能化,才能在如今的经济形势中,抓住先机,快速应对市场变化,实现逆势增长。

 

免责声明:本文转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,亦不负任何法律责任。 本站所有资源全部收集于互联网,分享目的仅供大家学习与参考,如有版权或知识产权侵犯等,请给我们留言。