Исследование ценностных моделей организации методами анализа корпоративных коммуникаций

После этого необходимо проинициализировать и написать функции, которые из стандартного текстового набора сделают формат, подходящий для модели обучения. Ранее из текста были удалены все лишние знаки препинания, обозначающие конец предложения (такие как «!», «?» и пр.) После этого необходимо сделать:

· Лемматизацию - приведение слова к лемме - её нормальной форме.

Например, из существительного «better» сделать «good» (Приложение 1. Рис. 13)

· Стемминг - процесс, который отрезает у слов лишние части (например, суффиксы).Например, из глагола «stopped» сделать глагол «stop».

· Добавление N-грамм - последовательность из N слов, которые образуют особый смысл, отличный от случая отдельного использования слов. В нашем случае будем использовать биграммы. (Приложение 1. Рис. 13)

· Токенезацию - процесс, который разделяет предложения на слова-компоненты (Приложение 1. Рис 12). Например, если дано предложение «Heisoneofthebestemployees!», токенезация возвратит список из [`he','is','one','of','the','best','employees','!']

· Исключить стоп-слова - те, которые выкидываются и текста после его обработки для того, чтобы «шум» не мешал алгоритмам классификации. Существуют стандартные библиотеки, которые содержат стоп слова, в них часто входят местоимения, артикли, междометия, союзы, числительные и прочее. Этот список можно обогатить, например, фамилиями сотрудников или названием исследуемой компании. (Приложение 1. Рис. 13)

· Исключить регулярные выражения. Это ни что иное, как некий «шаблон поиска». Чаще всего это последовательность символов, которая искажает текст (точки, запятые, переносы строк и прочее)

Таким образом, если мы рассмотрим пример, который уже был дан «Heisoneofthebestemployees!», нам возродится список [`good', `employee'], что сильно улучшит обучение классификатора.

После этого применим все эти функции к нашей выборке и представим датасет в виде «категория»; «предложение» (Приложение 1. Рис. 14)

Данные, состоящие из предложений внутренних и внешних коммуникаций, где каждое из них вручную было отнесен к одному или нескольким классам (ценностям), готовы для обучения. Разделим их на три разных датасета в случайном порядке, чтобы избежать переобучения под конкретные слова.

3.5 LDA классификатор. Термы и биграммы

После того, как была получена выборка для обучения, воспользуемся программой Class.SDK для обучения классификатора Latent Dirichlet Allocation. Результаты обучения получились следующими:

1. Для ценности Innovativeness самыми значимыми оказались следующие термы и биграммы (Рис 15).Действительно, слова и словосочетания Developing, innovating, electronics, sciencetechnology, performancematerial, innovationhub можно отнести к описываемой ценности.

2. Для ценности Loyalty самыми значимыми оказались следующие термы и биграммы (Рис 15). Действительно, слова и словосочетания Developing, innovating, electronics, sciencetechnology, performancematerial, innovationhub можно отнести к описываемой ценности.

3. Для ценности Mutualrespect самыми значимыми оказались следующие термы и биграммы (Рис 15). Действительно, слова и словосочетания dear, regard, effective, joined, goodregard, dearcolleague, pleaseannounce можно отнести к описываемой ценности.

4. Для ценности Responsibility самыми значимыми оказались следующие термы и биграммы (Рис 15). Действительно, слова и словосочетания joined, aligned, supervisor, meetingroom, canparticipate можно отнести к описываемой ценности.

5. Для ценности Successdesire самыми значимыми оказались следующие термы и биграммы (Рис 15). В данном случае видно, что эту ценность гораздо лучше передают именно биграммы, по сравнению с термами. Recruitment process, development program, net sale, ebitda pre относятся к понятиям, связанным с успехом.

Рис. 4. Значимые термы и биграммы для ценностей

6. Для ценности Targeting самыми значимыми оказались следующие термы и биграммы. В данном случае также, как и в предыдущем, видно, что эту ценность гораздо лучше передают именно биграммы, по сравнению с термами. Havejoined, pleasedannounce, moredetail относятся к понятиям, связанным с нацеленностью.

Нейтральные ценности рассматривать особого смысла нет, так как туда попало всё, что не попало в 6 ценностей.

3.6 LDA классификатор. Интерпретация результатов

После обучения модели, я получил возможность использовать обученный тематический классификатор для проверки гипотезы исследования. В качестве объекта классификации для случая внутренней коммуникации брались не отдельные предложения, а всё письмо целиком. Такое решение было принято, в частности, из-за того, что одно письмо может нести не только несколько ценностей, но и доля этих ценностей внутри писем может и будет отличаться. Также и в случае внешних коммуникаций классификации подвергался целый текст пресс-релиза, не разделённый на отдельные предложения.

Для начала тестируем выборку с внешними коммуникациями. На выход подаётся таблица с текстом пресс релиза, количеством термов и биграмм, и вероятности от 0 до 1 вхождения термов и биграмм в ту или иную категорию (ценность). Соответственно, для каждого предложения из внешних коммуникации мы получили по 7 значений пронормированных значений принадлежности к каждой ценности по термам и биграммам. Для того, чтобы оценить пресс-релизы в общем и целом, следует найти среднее. Получили следующие величины:

Рис. 5. Термы и биграммы по внешним коммуникациям

Как было выяснено из предыдущего параграфа, наиболее эффективно использовать биграммы, нежели термы, так как они более точно отражают принадлежность текста к ценности. Проверим, как соотносятся термы и биграммы во внешних и внутренних коммуникациях.

Рис. 6. Ценности во внешних коммуникациях

Как мы можем видеть, разделение по термам и биграммам различается, но в среднем не более, чем 10 процентных пунктов.

Проведём тестирование классификатора с внутренними коммуникациями:

Рис. 7. Термы и биграммы по внутренним коммуникациям

Как было выяснено из предыдущего параграфа, наиболее эффективно использовать биграммы, нежели термы, так как они более точно отражают принадлежность текста к ценности. Проверим, как соотносятся термы и биграммы.

Рис. 8. Ценности во внутренних коммуникациях

Как мы видим, во внутренних коммуникациях существует иная разбивка ценностей в сообщениях. Для наглядности сравним биграммы двух типов коммуникаций.

Рис. 9. Сравнение ценностей внешних и внутренних коммуникаций по биграммам

По диаграмме хорошо видно, что имеет место быть разное проявление ценностей во внутренних и внешних информационных потоках. Выделим три группы ценностей:

1. Ценности, которые хорошо проявляются во внешних коммуникациях и плохо во внутренних: Innovativeness, Successdesire, Neutral. Объяснение этому может быть довольно простое - во внешних коммуникациях, таких как пресс релизы, часто упоминаются какие-то новинки медицины, новые изобретения, соответственно гораздо сильнее проявляется инновационность. Neutral - в пресс релизах чаще приводятся какие-то общие факты, которые не относятся к корпоративным ценностям, по сравнению с внутренними, где каждое сообщение от отдела персонала, менеджмента организации направлено с большим акцентом на сотрудников, соответственно проявляя какие-либо ценности.

2. Ценности, которые хорошо проявляются во внутренних коммуникациях и плохо во внешних: Mutualrespect. Действительно, в пресс-релизах редко более одного раза употребляются выражения типа “kindregards”, `sincerelyyours', `dearcolleagues', которые выражают взаимное уважение. Во внутренних, наоборот, многие предложения состоят из данных слов.

3. Ценности, которые примерно одинаково проявляются в разных каналах коммуникации: Responsibility, Targeting, Loyalty.

Оказалось, что всего 3 из 6 (7) ценностей, которые были выделены, одинаково проявляются во внутренних и внешних коммуникациях. Соответственно, стоит говорить о том, что в случае исследованного массива данных с учетом выбранных для анализа текстов корпоративные ценности организации проявляются в разной степени во внутренних и внешних коммуникациях.

Вывод:

По результатам исследования можно сказать, что выборка писем и пресс-релизов повлияла на конечный вывод исследования. Ввиду того, что представленные информационные потоки не охватывали всё поле корпоративных коммуникаций компании, следует оговориться, что все выводы, которые были сделаны, основывались на тех данных, которые были выбраны для анализа. Кроме того, количество писем и пресс-релизов, которые было взято для построения классификатора, не гарантирует высокой точности полученных результатов. В дальнейшем исследовании возможно применение того же самого подхода при наличии более широкой выборки с точки зрения количества объектов и более качественной с точки зрения расширения рассматриваемых источников внутренних и внешних корпоративных коммуникаций. Подход, применённый в данной работе, показал, что организация может оставаться гибкой в проявлениях ценностей относительно разных слоёв людей, будь то клиенты, инвесторы или другие заинтересованные люди. Одной категории будет важна целеустремлённость, другой - инновационность, третьей - уважительный микроклимат. Благодаря этому компания может нацеливаться на разную целевую аудиторию в разных информационных каналах, в зависимости от текущей и долгосрочной потребности.

Заключение

В рамках данной выпускной квалификационной работы были решены все поставленные задачи, а именно:

1. Проанализирована важность внутренних и внешних коммуникаций для бизнеса. Рассмотрены публикации, содержащие примеры того, как внутренние и внешние информационные потоки могут влиять на бизнес и атмосферу в коллективе.

2. Изучены теоретические основы алгоритмов классификации- Bayes Naпve Classifier, KNN, Decisiontrees, Latent Dirichlet Allocation.

Изучены алгоритмы обработки естественного языка. Были выделены их основные типы и разобраны схемы работы алгоритмов машинного обучения в сентимент-анализе.

3. Выделены ценности организации, которые соответствовали внутренним политикам, находились в брендбуке компании, а также эмпирически проявлялись:

Innovativeness

Mutual respect

Success desire

Responsibility

Loyalty

Targeting

4. Была произведена экспертная оценка каждого предложения внутренних и внешних коммуникаций на соответствие выделенных корпоративных ценностей, путём ручного проставления каждому объекту-предложению метки принадлежности к классу.

5. Была выбрана релевантная модель классификации Latent Dirichlet Allocation, с помощью которой каждому тексту была сопоставлена степень принадлежности к классу.

6. Удалось сопоставить результаты относительных ценностных моделей, выявленных при анализе внутренних и внешних коммуникаций.

Главный вывод, который можно сделать на основе данного исследования - гипотеза о том, что одни и те же ценности организации во внутренних и внешних коммуникациях проявляются в одинаковой силе, не подтвердилась.

Только 3 из 6 (7, если считать вместе с нейтральными текстами) ценности в равной силе проявлялись во внутренних и внешних коммуникациях. Результат в какой-то степени стал неожиданным, но тем интереснее дальнейшие выводы, которые можно сделать на основе данной работы.

Список литературы

1. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. -- Stanford (2001).

2. Ivanov J.-B. Natural Language processing for Hackers (2018)

3. Stefano Baccianella. Sentiwordnet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining. European Language Resources Association (ELRA) (2010)

4. Lafferty, John. Latent Dirichlet Allocation. Journal of Machine Learning Research 3 (2003) 993-1022

5. T. Hofmann. Probabilistic latent semantic indexing. Proceedings of the Twenty-Second Annual International SIGIR Conference (2009). 50-57.

6. TextBlob documentation (https://textblob.readthedocs.io/).

7. Bannister K. - Understanding Sentiment Analysis: What It Is & Why It's Used (2018)

8. Tassi A, Mavromatis I., Piechoki R. Data in Brief (2019)

9. Senti World Net Interface (http://www.nltk.org/)

10. Bird, Steven, Edward Loper and Ewan Klein (2009), Natural Language Processing with Python. O'Reilly Media Inc.

11. Towards Data Science (https://towardsdatascience.com/) (Датаобращения 19.12.2019)

12. Class. SDK documentation (Class.API)

13. Zerfass, Ansgar, and Christine Viertmann. "Creating business value through corporate communication." Journal of Communication Management (2017).

14. Yeomans, Liz, and Liam FitzPatrick. "Internal communication." (2017).

15. Rogala, Anna. "The Dependencies Between Internal and External Communication of the Organization: The Problem of Coherence." Entrepreneurship, Business and Economics-Vol. 1. Springer, Cham, 2016. 485-500.

16. Peltonen, Tuulikki. "From" corporate mumbo jumbo" to relevancy: a case study of corporate values." (2016).

17. Ameer, Rashid, and Radiah Othman. "Corporate Values and Corporate Social Responsibility Communication Strategies in a Small Economy." Accounting for Sustainability: Asia Pacific Perspectives. Springer, Cham, 2018. 67-100.

18. Contreras, Alfredo, Aiyesha Dey, and Claire Hill. "Tone at the Top and the Communication of Corporate Values: Lost in Translation." Seattle UL Rev. 43 (2019): 497.

19. de Chernatony, Leslie; Drury, Susan and Segal-Horn, Susan (2004). Services brands' values: internal and external corporate communication. In: Academy of Marketing Conference, Jul 2004, Cheltenhem, UK.

20. Springer International Publishing Switzerland 2016 M.H. Bilgin, H. Danis (eds.), Entrepreneurship, Business and Economics - Vol. 1, Eurasian Studies in Business and Economics 3/1, DOI 10.1007/978-3-319-27570-3_36

21. Valeau, Patrick &Mignonac, Karim &Vandenberghe, Christian & Anne-Laure, Gatignon. (2013). A Study of the Relationships Between Volunteers' Commitments to Organizations and Beneficiaries and Turnover Intentions. Canadian Journal of Behavioural Science/Revue canadienne des sciences du comportement

22. Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space // In Proceedings of Workshop at ICLR. -- 2013a.

23. Rokach, Lior; Maimon, O. (2008). Data mining with decision trees: theory and applications. World Scientific Pub Co Inc.

24. Daniel T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining (2009)

25. David M. Blei, Andrew Y. Ng, Michael I. Jordan. Latent Dirichlet Allocation (2013)

26. Kanaev P. Program for Evaluating Students Performance Based on Fuzzy Clusterization Approach (2018)

Приложение

Программный код

Рис. 10. Получение данных из писем

Рис. 11. Преобразователь предложений

Рис. 12. Генерация обучающей выборки

Рис. 13. Реализация модели Байесовского Классификатора и подсчёт качества

Рис. 14. Конкатенирование источников данных

Рис. 15. Выгрузка очищенных данных

Рис. 16. Подключение библиотек

Рис. 17. Токенезация предложений

Рис. 18. Биграммы, стоп слова, лемматизация

Рис. 19. Преобразование в формат классификатора

Размещено на Allbest.ru