Srovnání s trhem vám řekne, co je ještě v pořádku, a co už ne
Představte si to: Uděláte si interní výzkum spokojenosti mezi zaměstnanci a vyjde vám třeba že s akustikou v kancelářích jsou spokojení na 87%. Je to dobrá zpráva nebo průšvih? Je šest lidí, co si stěžují na hlučné kopírky objektivní problém nebo subjektivní zpětná vazba? Kolik stížností na teplotu je v kancelářích normální a kolik už je za hranou? A jak tyhle výsledky poměřit mezi sebou?
Přesně na tyhle otázky teď umíme odpovědět díky srovnání s trhem. Je to asi jako byste si udělali výzkum v desítkách dalších firem a ptali se, s čím tam měli problémy, jaký to mělo dopad na jejich zaměstnance, a jak je vyřešili.
V praxi vypadá srovnání s trhem takhle:
Legenda
% = reálná zpětná vazba z vašich kanceláří
Ø = vážený průměr všech měřených kanceláří
barva = odchylka od průměru na trhu
Teď srovnáme obsazenost zasedaček s kvalitou kávy nebo akustikou
Využili jsme data z desítek firem, postavili vedle sebe spokojenost s různými faktory (viz graf níže) a vytvořili matematický model, který je dokáže srovnat. Pro kvalitní pracovní prostředí z toho vychází dvě důležité věci:
Vážené průměry
Třeba vážený průměr spokojenosti s teplotou je 60 %, s kvalitou stolů a židlí (Ergonomie) 71 %, s firemní kulturou 80 % a tak dále. To je hodnota, u které srovnání s trhem začíná.
Grafy normálního rozložení
Řekněme, že váš výsledek u ergonomie je 61 % tj. 10 % pod váženým průměrem trhu. Jak velký je to problém? Tady nastupuje graf normálního rozložení hodnot. Ukázalo se, že 10 % u ergonomie až takový problém není (viz pomalé stoupání a klesání její křivky v grafu), ale třeba u firemní kultury už je rozdíl 10 % zásadní (viz strmá zelená křivka).
Další na řadě je analýza sentimentu
Právě pracujeme na algoritmu, který automaticky rozpozná klíčová slova ve zpětné vazbě zaměstnanců (kuchyňky, teplota, židle, hluk…) a přiřadí k nim sentiment (dobrý, neutrální, špatný). Pak budeme s informacemi jako “Ruší mě jak kolega, vedle u stolu neustále telefonuje” umět pracovat statisticky a spočítat jejich dopad na celou firmu, což nám pomůže ještě lépe rozlišovat objektivní a subjektivní informace.