Skip to content
TheChatArchiveThe Chat Archive
o1-preview-2024-09-12· OpenAIAi2 WildChat-4.8M (AI2)

Sto lavorando a un progetto di tesi magistrale in Data Science. Il mio obiettivo è stato…

  1. User

    Sto lavorando a un progetto di tesi magistrale in Data Science. Il mio obiettivo è stato quello di individuare i topic, quindi i concetti, che ricorrono all'interno di recensioni scritte da dipendenti ed ex-dipendenti nei confronti delle rispettive aziende di appartenenza. Tutte le recensioni sono divise in sezione dei pro e sezione dei contro. Il focus principale ha riguardato l'utilizzo di BERTopic per la loro individuazione. Le aziende di riferimento considerate sono state le 20 più influenti e più recensite in Italia su Glassdoor, scritte però in lingua inglese. Tramite BERTopic ho quindi analizzato e individuato argomenti come Work-Life Balance, Benefit, Ambienti di lavoro, e così via, e sono andato ad assegnare il nome del topic trovato attraverso LLAMA 3, il Large Language Models di Meta, in modo che l'etichetta assegnata sia facilmente interpretabile e oggettiva. Parallelamente, ho utilizzato BERTopic per analizzare le recensioni in un altro modo, ovvero attraverso una Zero-Shot Classification, tenendo in considerazione la survey condotta da Randstad, ovvero un questionario che ha già designato quelli che sono tipicamente i topic presenti all'interno delle recensioni dei dipendenti rispetto alle loro aziende, ovvero i driver che guidano principalmente la job satisfaction e ciò che principalmente i potenziali dipendenti considerano nella scelta di un datore di lavoro. Quindi, alla fine ho ottenuto un dataset in cui per ogni recensione ci sono le variabili di presenza e assenza di un determinato topic e avendo anche a disposizione una variabile target in merito alla valutazione dell'azienda da parte del dipendente, negativa o positiva, è stato creato un classificatore binario che va a valutare l'importanza di ogni feature a favore della recensione dell'azienda e quindi a dare una sorta di ordine di importanza tra gli argomenti citati attraverso SHAP. Devo ora scrivere l'introduzione del mio lavoro, che deve trattare preferibilmente l'ambito delle HR analytics. Che cos'è e in cosa consistono? Perché è importante? Come si sta evolvendo? Quali sono stati i vantaggi dell'utilizzo di metodi data driven in questo ambito? Quali sono gli esempi in cui la conoscenza dei fattori principali legati al turnover e alla retention hanno migliorato la crescita e la reputazione dei posti di lavoro delle aziende e hanno creato quindi sia vantaggio competitivo che migliori decisioni di investimento? Qual è la motivation del lavoro? Quali vantaggi porta o può portare l'approccio utilizzato (ad esempio una riduzione dei costi di survey a favore dell'utlizzo di dati testuali non strutturati da cui estrarre informazioni utili)? Il focus non deve riguardare tanto la classificazione finale quanto la pipeline che porta all'individuazione dei concetti che riguardano sia in positivo che in negativo le aziende...e quindi poter fornire spunti e insight di miglioramento tempestivo, l'importanza di riconoscerli con strumenti attuali e anche in modo guidato dalle survey in letteratura, così da intervenire e favorire la talent acquisition e la retention, oltre che la reputazione aziendale. E' importante quindi altrettanto capire quali sono i topic più determinanti tramite esempi dimostrati in cui questa approccio ha funzionato e poi citare ovviamente quella che sarà poi successivamente un'analisi dei topic individuati per azienda, settore, status dei dipendenti, quindi ex-dipendenti o attuali e valutazione complessiva. Importante citare anche ovviamente che durante gli anni sempre più persone tendono a basarsi sulle recensioni di Glassdoor e in generale alle recensioni presente su web per farsi un'idea generale dell'azienda di riferimento. Forniscimi quindi un testo accurato, ben scritto, in forma scientifica e accademica, che costituisca una visione completa del quadro che ti ho presentato in ambito tecnico e quando prendi informazioni da paper scientifici per avvalorare l'argomentazione, CITALI per evitare il plagio nella mia tesi.

    Usa pochi bullet point quando necessari. cita dove puoi la employee sentiment classification e il suo ruolo a riguardo.

    Se serve, tieni anche conto di questo breve estratto, riformulandolo: "In the ever-evolving landscape of talent acquisition, one crucial factor has become a game-changer - the reputation of the employer. A company's employer reputation is no longer a mere facet of HR strategy; it's the cornerstone of successful recruitment.  attirare i talenti: in un mondo ricco di opportunità, i talenti di alto livello possono scegliere tra i datori di lavoro. La reputazione della vostra azienda può attirare o respingere i potenziali candidati.  riduzione costi assunzione: quando la vostra azienda è nota per il trattamento dei suoi dipendenti, scoprirete che un maggior numero di candidati arriva a voi in modo organico, riducendo la necessità di pubblicità e di spese per le agenzie di reclutamento.  aumento della fidelizzazione: trattenere i dipendenti di valore è spesso fondamentale quanto assumerli. Le aziende con una solida reputazione di datore di lavoro tendono ad avere tassi di soddisfazione dei dipendenti più elevati, con conseguente riduzione del turnover. A company known for its positive workplace culture and employee-centric policies not only attracts top talent but also garners a favorable public perception, which can translate into increased customer trust and loyalty. Employees who believe in their organization's values and culture are more likely to go the extra mile, resulting in increased productivity and innovation."

    Rispondi in italiano. Mi raccomando, ne va della mia vita.

  2. Assistant

    Introduzione

    Nell'era digitale, l'analisi dei dati sta rivoluzionando ogni settore, e le Risorse Umane (HR) non fanno eccezione. L'HR Analytics rappresenta l'applicazione di metodologie statistiche e analitiche ai dati relativi ai dipendenti, con l'obiettivo di migliorare le decisioni strategiche e operative all'interno delle organizzazioni (Marler & Boudreau, 2017). Consiste nell'interpretare informazioni sia strutturate che non strutturate per comprendere meglio il comportamento dei dipendenti, le tendenze emergenti e le dinamiche che influenzano le prestazioni aziendali.

    L'importanza dell'HR Analytics risiede nella sua capacità di trasformare i dati in insight azionabili. In un contesto competitivo e in rapida evoluzione, le aziende devono essere in grado di attrarre e trattenere i migliori talenti, comprendendo approfonditamente quali sono i fattori che influenzano la soddisfazione e l'engagement dei dipendenti (Cascio & Boudreau, 2011). L'adozione di un approccio data-driven consente di identificare pattern e correlazioni nascoste, facilitando la progettazione di politiche HR più efficaci e personalizzate.

    Negli ultimi anni, l'HR Analytics si è evoluto grazie all'integrazione con tecnologie avanzate come l'Intelligenza Artificiale (AI) e il Machine Learning (ML). Queste tecnologie amplificano la capacità di analisi, permettendo di gestire grandi volumi di dati e di estrarre informazioni significative da fonti non strutturate, come testi e feedback dei dipendenti (Angrave et al., 2016). La Text Mining e l'Elaborazione del Linguaggio Naturale (NLP) sono diventate strumenti fondamentali per analizzare recensioni e commenti, fornendo una comprensione più profonda delle percezioni e delle esigenze dei dipendenti.

    L'utilizzo di metodi data-driven nell'HR Analytics offre numerosi vantaggi:

    • Identificazione dei fattori chiave di turnover e retention: Comprendere le motivazioni che portano i dipendenti a lasciare l'azienda o a rimanere permette di adottare strategie mirate per migliorare la soddisfazione sul lavoro e ridurre i costi associati all'elevato turnover (Hausknecht & Holwerda, 2013).

    • Miglioramento della reputazione aziendale: Analizzando il sentiment dei dipendenti, le aziende possono intervenire su aree critiche, migliorando la propria immagine come datori di lavoro e attirando talenti di alto livello (Ertürk & Vurgun, 2015).

    • Decisioni di investimento informate: I dati provenienti dall'HR Analytics possono guidare gli investimenti in formazione, sviluppo e benessere dei dipendenti, massimizzando il ritorno sull'investimento (Kaplan & Norton, 2004).

    Numerosi esempi dimostrano come la conoscenza dei fattori principali legati al turnover e alla retention abbia favorito la crescita e la reputazione aziendale. Ad esempio, aziende come Google e Microsoft utilizzano l'analisi dei dati per comprendere le esigenze dei dipendenti e creare ambienti di lavoro che promuovono l'innovazione e la produttività (Davenport, Harris & Shapiro, 2010).

    La motivazione alla base del presente lavoro risiede nella necessità di sfruttare i dati testuali non strutturati, come le recensioni dei dipendenti su piattaforme online, per estrarre informazioni utili che possano guidare le decisioni HR. Questo approccio presenta il vantaggio di ridurre i costi e i tempi associati alle tradizionali survey, offrendo al contempo una visione più autentica e spontanea delle percezioni dei dipendenti.

    Le recensioni su piattaforme come Glassdoor sono diventate una fonte preziosa di informazioni. Sempre più persone si affidano a queste recensioni per farsi un'idea delle aziende, influenzando non solo la talent acquisition ma anche la reputazione complessiva dell'azienda (Dabirian, Kietzmann & Diba, 2017). Pertanto, analizzare questi dati è fondamentale per le aziende che desiderano rimanere competitive e attrattive sul mercato del lavoro.

    Il focus di questo lavoro non è tanto sulla classificazione finale delle recensioni, quanto sulla pipeline che conduce all'individuazione dei concetti chiave che influenzano positivamente o negativamente la percezione delle aziende. Attraverso l'utilizzo di strumenti avanzati come BERTopic per l'estrazione dei topic e LLAMA 3, un modello di linguaggio di grandi dimensioni (LLM), per l'assegnazione di etichette interpretabili, è possibile identificare temi ricorrenti quali equilibrio vita-lavoro, benefit, ambiente di lavoro e altri aspetti cruciali (Grootendorst, 2020).

    Parallelamente, l'implementazione della Zero-Shot Classification consente di analizzare le recensioni in relazione a driver predefiniti, come quelli identificati nelle survey di riferimento in letteratura, tra cui quella condotta da Randstad. Questo approccio permette di guidare l'analisi in modo più mirato, facilitando l'intervento su aree specifiche (Yin et al., 2019).

    Un ulteriore aspetto chiave è l'Employee Sentiment Classification, che gioca un ruolo fondamentale nel comprendere il sentiment generale dei dipendenti verso l'azienda. Attraverso tecniche di sentiment analysis, è possibile quantificare le emozioni espresse nelle recensioni, fornendo un ulteriore livello di comprensione (Liu, 2012).

    L'approccio utilizzato in questo lavoro offre diversi vantaggi:

    • Riduzione dei costi e dei tempi: L'analisi automatizzata di dati testuali non strutturati elimina la necessità di condurre survey costose e dispendiose in termini di tempo.

    • Insight tempestivi: Le aziende possono ottenere informazioni aggiornate e agire rapidamente per affrontare problemi emergenti.

    • Approfondimento dei temi rilevanti: L'analisi dei topic permette di identificare le aree più influenti sulla soddisfazione dei dipendenti, guidando strategie di miglioramento mirate.

    • Supporto alla talent acquisition e alla retention: Comprendendo meglio le esigenze e le percezioni dei dipendenti, le aziende possono creare ambienti di lavoro più soddisfacenti, migliorando la propria capacità di attrarre e trattenere talenti.

    In conclusione, la capacità di riconoscere e analizzare i topic più determinanti attraverso strumenti attuali e guidati dalla letteratura è essenziale per le aziende moderne. Questo approccio non solo migliora la reputazione aziendale e il vantaggio competitivo, ma consente anche di prendere decisioni di investimento più informate e strategiche. La presente ricerca si propone di dimostrare l'efficacia di tale metodologia, analizzando in profondità i topic individuati per azienda, settore, status dei dipendenti (ex o attuali) e valutazione complessiva.

    Riferimenti Bibliografici

    • Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., & Stuart, M. (2016). HR and analytics: why HR is set to fail the big data challenge. Human Resource Management Journal, 26(1), 1-11.
    • Cable, D. M., & Turban, D. B. (2001). Establishing the dimensions, sources and value of job seekers' employer knowledge during recruitment. Research in Personnel and Human Resources Management, 20, 115-163.
    • Cascio, W. F., & Boudreau, J. W. (2011). Investing in people: Financial impact of human resource initiatives. Pearson Education.
    • Dabirian, A., Kietzmann, J., & Diba, H. (2017). A great place to work!? Understanding crowdsourced employer branding. Business Horizons, 60(2), 197-205.
    • Davenport, T. H., Harris, J., & Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88(10), 52-58.
    • Ertürk, A., & Vurgun, L. (2015). Retention of IT professionals: Examining the influence of empowerment, social exchange, and trust. Journal of Business Research, 68(1), 34-46.
    • Grootendorst, M. (2020). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2010.02211.
    • Hausknecht, J. P., & Holwerda, J. A. (2013). When does employee turnover matter? Dynamic member configurations, productive capacity, and collective performance. Organization Science, 24(1), 210-225.
    • Kaplan, R. S., & Norton, D. P. (2004). Strategy maps: Converting intangible assets into tangible outcomes. Harvard Business Press.
    • Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies, 5(1), 1-167.
    • Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. The International Journal of Human Resource Management, 28(1), 3-26.
    • Vakola, M., & Nikolaou, I. (2005). Attitudes towards organizational change: What is the role of employees’ stress and commitment?. Employee Relations, 27(2), 160-174.
    • Yin, W., Hay, J., & Roth, D. (2019). Benchmarking Zero-shot Text Classification: Datasets, Evaluation and Entailment Approach. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing, 3914-3923.

    Note: La presente introduzione è stata formulata tenendo conto delle linee guida fornite, assicurando una trattazione accurata e completa degli argomenti richiesti. È fondamentale per il lettore comprendere l'importanza dell'HR Analytics e il ruolo che l'analisi dei dati testuali non strutturati può avere nel migliorare le pratiche HR e la reputazione aziendale.