Memahami Pentingnya Text Mining dan Analisa Teks Dalam Pengelolaan SDM
Heru Wiryanto
Senior Technical Advisor at BDO, People-Data Scientist
Natural Process Processing atau NLP, dan jangan salah mengerti ini bukan NLP yang Neuro Linguistic Program ya, yang pelatihan dan sertifikasinya banyak banget akhir akhir ini. NLP disini adalah sebuah teknologi komputer untuk memahami bahasa alami manusia. NLP adalah cabang dari kecerdasan buatan yang berhubungan dengan bahasa yang secara alami digunakan untuk berinteraksi antara komputer dan manusia. Sebagian besar algoritme NLP digunakan untuk mendorong terciptanya makna dan informasi baru dari bahasa manusia. Misalnya, analisis sentimen, kategorisasi teks, mesin penerjemah adalah beberapa aplikasi analitik teks yang saat ini dikembangkan.
Apa pentingnya NLP dalam konteks Manajemen Sumber Daya Manusia? Algoritma Natural Language Program (NLP) meliputi kegiatan mengambil data-data berupa teks, menganalisisnya, dan membuat prediksi dengan tingkat akurasi yang tinggi. NLP menggunakan data teks secara historis untuk menunjukkan kepada manajer dan pimpinan, hasil yang lebih baik dan membantu mereka mendapatkan keputusan yang lebih baik dengan menghabiskan waktu yang lebih singkat.
Manfaat menggunakan NLP sangat banyak, sesuai dengan berbagai tingkat keterlibatan dan investasi yang dilakukan oleh pengelola sumber daya manusia.
Pada 2019, lebih dari 473.400 tweet dan lebih dari 100 juta pesan telah dikirim setiap menitnya secara global. Algoritme NLP memungkinkan untuk menganalisis jumlah data ini dalam waktu singkat dan memberikan banyak informasi detail kepada pemilik bisnis tentang sikap pelanggan dan karyawan mereka di media sosial. Prosesnya dapat dimulai dengan analitik teks generik (analisis sentimen), dilanjutkan dengan insight lanjutan (melalui model linguistik komputasi) dan bahkan dapat mencakup potensi semi-otomatisasi bahkan melibatkan machine learning di dalamnya.
Fakta menunjukkan
• 90% konten dan data tidak berstruktur seperti text saat ini tidak dikelola dengan baik oleh organisasi
• 80% data terbarukan tumbuh dari konten dan data tidak berstruktur seperti text (email, dokumen, gambar, video dan audio)
• 60% Pimpinan kehilangan informasi yang berharga dalam mengambil keputusan penting
• 50% data dan koneten mengenai Organisasi menjadikan sebuah resiko tanpa menghasilkan nilai bisnis.
Kasus-kasus penggunaan NLP di HR yang signifikan
Perekrutan: Algoritme NLP dapat memilih dan memberi peringkat kandidat berdasarkan kemampuan mereka dan menyaringcalon karyawan terbaik untuk SDM dan departemen lain secara otomatis berdasarkan resume pelamar dan “motivation letter” yang dikirimkan oleh pelamar.
Umpan Balik Karyawan: Dengan memiliki begitu banyak umpan balik berupa data teks, manajer dan pengelola SDM harus menghabiskan banyak waktu untuk membahas masing-masing data tersebut untuk mengetahui area utama dan tujuan umpan balik. Analisis sentimen dan kategorisasi topik (topic modelling) dapat membantu mereka di bidang ini untuk mendapatkan insight cepat yang baik tentang seluruh umpan balik dan memahami apa topik utama dan perasaan mereka tanpa menghabiskan waktu dan energi yang banyak.
Analisis media sosial: NLP memungkinkan untuk memantau perilaku sosial, minat, dan persepsi karyawan untuk mengidentifikasi peluang atau masalah di dalam perusahaan.
Saat ini akumulasi jumlah data teks di organisasi meningkat pesat. Departemen SDM adalah salah satu sumber daya utama yang memiliki aktif yang utama dalam mengumpulkan dan menganalisis data-data ini dan menggunakannya untuk mendapatkan keputusan yang lebih baik bagi perusahaan.
Penggunaan algoritma yang canggih dari Text Mining dan solusi Text Analysis dapat membantu perusahaan menghabiskan waktu yang lebih sedikit untuk memahami data teks yang mereka miliki dan mendapatkan keputusan yang lebih baik berdasarkan umpan balik dari orang-orang disekitar mereka.
Saatnya Para Profesional dan Pimpinan sumber Daya Manusia mulai melirik potensi sumber daya data yang tidak berstruktur berupa text ini memanfaatkan potensi tersebut dengan melakukan pengumpulan, melakukan eksplorasi, melakukan analisa untuk mendapatkan “actionable insight” yang akan meningkatkan kualitas keputusan yang akan diambil. Jangan terjebak pada menyia-nyiakan sumber daya data yang melimpah tetapi miskin akan informasi untuk mengambil keputusan atau istilahnya “Data Rich, Information Poor (DRIP).