用算法和员工对话

陆易

每天，全世界的人要发送超过2000亿份邮件，无数条微博、朋友圈。单单通过人力没办法从这些庞大的数据里找到头绪，把信息中的主题和众多信息所呈现的趋势连接起来。不过，人做不到的事，计算机正在慢慢学着做。

经过超过10年的研究，研究人员已经成功开发出一些计算机程序，能够获取大量信息，并通过抓取的数据理解一个想法或者一个产品所激荡起的人类情感。有了这种技术，老板们可以听到员工们真正的心声。

情感分析的出现和应用

情感分析又称为倾向性分析或者意见挖掘，指的是计算机对带有情感色彩的主观性文本进行分析、处理、归纳、推理的过程。

这一技术首先被应用于市场调研。最初，公司运用算法来收集线上的客户评论，以分析自己产品的用户体验或者了解竞争对手的产品特点。通过计算机算法所得到的信息比传统的客户调研（用户填写调查表，勾选满意程度）能够展示更多的用户情绪和体验信息。

后来，情感分析逐渐成为一个更大、更赚钱的产业。现在，一些初创企业专门为其他公司提供这种分析服务，而一些大的科技公司内部则自行开发了内部的情感分析软件。

现在，许多企业已经开始面向内部员工使用这些情感分析技术。英特尔、IBM、推特等公司已经开始用软件来了解自己的员工，了解员工们对于工作的感受，并且能够通过算法尽早发现在年度评价中被忽略的问题。

企业了解员工的新途径

一个企业想要发现运营中存在的问题其实并不容易。管理者需要运用社交倾听的能力，引导下级真实地反映自己的所思所想，还要有效地摘除冗余的马屁、无用的意见，最终筛选出真正有效的建议。这既考验管理者的智慧，又占据着公司精英的宝贵时间，繁杂低效。但决策者如果因此就不去了解员工的思想，就不能及时发现公司存在的问题，也就很难做出正确的决定，经营的状况很可能会因为某个工作节点的失误而走向滑铁卢。现在有了情感分析技术，过去花一两个月时间都不一定做得到的事情，依靠技术就能够实时反映出问题，了解员工的真实想法。

美国著名的社交网站推特公司雇佣了一家分析公司专门对员工的工作情况展开调研。调研每年进行两次，内容包含许多开放式问题。推特每个月向1/6的员工发送这些调查表，增加了开放性问题的比例。分析公司的分析工具会仔细从这些开放性问题的回答中摘取重要信息，进行分析，将得到的结果提供给高管参考。

其他公司关注于正式审核或调研以外的信息材料，比如员工闲聊的内容。员工的不满或者意见通过统一的调查表格很难看得出来，为了了解员工的真实想法，以及验证公司政策的实际运行效果，IBM公司多年来在公司内部的社交网络平台收集员工发布的个人状态和他们的评论。

IBM公司的这个平台叫做“连接”，IBM公司遍及全球170多个国家的38万员工都在使用这一平台。它集合了脸书、云盘和维基百科的多种功能，员工可以在这个内部平台上发布状态，评论他人发布的内容，设立群组。他们采用一款内部开发的情况分析工具——“社交脉搏”监测员工发布的状态和他们的留言，找寻数据的流向，标注大家普遍反映的意见趋势。

去年，IBM甚至做出调整，将这个程序加入到员工绩效考核体系。人力资源部门专门建立了一个论坛，对设立新系统征求反馈意见和建议，他们收到了几十万条回复。IBM没有依靠人力去梳理这些回复的内容，而是通过社交脉搏来获取需要的数据。这一软件成功帮助公司了解到一些员工的不满：员工不希望用曲线评分标准（又称正态评分，不是按照实际表现的成绩，而是按照一定的正态分布划定等级，并不能准确反映出员工的绩效）来衡量他们的表现。因此，公司立即做出回应，废除了这一旧制度。

要了解，也要尊重

上文所说那个帮推特分析员工调查结果的软件公司，还提供面向整个工作和社交网络的反馈分析服务。他们的一种产品能够进行“员工敬业度跟踪”，随着时间变化追踪员工的情绪，判断其处于积极情绪还是消极状态当中。公司领导可以运用这个产品中的搜索功能，查看员工的情绪状态分析，因人制宜地分配工作或者發布消息，避免效率低下或者造成不必要的冲突。

体察员工的情绪状态和真实意见固然是出于好的意图，但是一不小心就可能踩过界，窥探到别人的私人空间。如果把信息挖掘的来源从员工调查表和员工反馈拓展到社交媒体监察，很容易侵犯员工的个人隐私。正是因为这样，IBM限制其数据来源，只从全公司共享的文章和评论中获取数据，不触碰邮件、对话框或者私人小组的互动内容。

亟待改进的分析技术

现阶段，情绪分析技术还很不成熟。计算机理解人类自然语言的能力还很有限，想要准确理解人的意思非常困难。一项研究测试了基本分析工具分析邮件信息内容的能力，发现分析工具理解人类意图的准确率不超过30%（不过，让两个人来做同样的事，准确率也只能达到75%）。依靠计算机算法来进行情感分析虽然便捷高效，但是仅仅依靠这一技术似乎是不够的。

检测人类元素仍然是情绪感知算法中非常重要的一项工作。即便是IBM公司用了3年的社交脉搏软件也需要人类参与辅助工作。该系统需要一组人类分析师定期检查系统所辨认的信息流，确保系统在得出结果并送交给管理者之前能够正确理解数据。

机器学习技术的发展使得计算机算法理解人类文字的能力已经有了很大程度的提升，但是研究者们不局限于这一种途径，许多科学家已经开始找寻各种新手段来优化情感分析技术。两位印度的计算机科学家去年发表了一篇论文，提议采取新的方式确定员工的态度和幸福感——面部识别。他们所创造的系统在每次员工进入公司的时候采集他们的面部信息，辨别他们的情绪是开心、伤心、沮丧还是愤怒，这样可以根据这些数据来优化分析生产率和员工绩效。