Saviez-vous que plus de 40 % des Nord-Américains sont préoccupés par les odeurs corporelles ? Avez-vous déjà ressenti ce sentiment désagréable de « pfff, j’ai vraiment besoin d’une douche » en randonnée, dans le bus ou tout simplement au cours de votre vie quotidienne ? Dans cette présentation, nous mettrons en lumière la puissance des outils qualitatifs et analytiques de la plateforme JMP Analyze pour identifier les opportunités de développement technologique. Nous vous montrerons comment exploiter Text Explorer, les méthodes multivariées, le filtrage et la modélisation prédictive à partir de différentes sources de données. L’analyse de données structurées et non structurées révèle d’importantes opportunités et des informations précieuses. Nous vous montrerons comment la combinaison de ces informations stimule l’innovation et l’apprentissage continu dans le domaine des soins de la peau et des soins personnels. Chez Procter & Gamble, ces outils contribuent au développement de nouveaux produits et d’idées novatrices pour servir des millions de personnes chaque jour avec des marques de confiance. Rejoignez-nous pour une présentation interactive de JMP et découvrez comment exploiter les enquêtes et les avis des consommateurs pour créer des produits de soins de la peau et des soins personnels de qualité supérieure.
Bonjour, bonjour ou bonsoir, selon l'heure à laquelle vous regardez cette vidéo. Je suis chercheur principal chez Procter & Gamble et je suis ravi d'être parmi vous. Notre mission au sein de l'entreprise est de proposer des produits et services de marque d'une qualité et d'une valeur supérieures afin d'améliorer la vie de nos consommateurs. Notre rôle en recherche et développement est essentiel pour stimuler l'innovation et développer de nouveaux produits et technologies.
Aujourd'hui, j'aimerais aborder avec vous un aspect précis de la R&D. Je travaille en étroite collaboration avec les équipes de formulation, de marketing et de vente afin de mieux comprendre les consommateurs. Mon rôle consiste notamment à appréhender en profondeur leurs comportements, leurs préférences et leurs besoins non satisfaits. Cela nous permet d'identifier les opportunités de développement de produits qui répondent à leurs attentes. Au cours de cette session, je vous présenterai certains des outils que j'utilise sur la plateforme JMP pour recueillir ces informations. Nous réalisons en permanence des études de marché et des études consommateurs, et nous collectons des données pour comprendre leurs habitudes d'achat, leur satisfaction vis-à-vis des produits et les tendances.
Nous utilisons différentes approches, comme la lecture des avis clients, des e-mails et des publications concernant nos produits. Parfois, nous sollicitons également l'avis de nos clients via des enquêtes. JMP propose une suite d'outils facilitant l'analyse de données non structurées, telles que le texte des avis clients, et de données structurées, comme les scores des indicateurs clés de performance (KPI). Je vous présenterai certaines des fonctionnalités intéressantes de JMP pour l'analyse de texte et l'analyse catégorielle, et je partagerai avec vous quelques techniques d'apprentissage automatique. Je pourrai également vous montrer des analyses approfondies que j'effectue habituellement avec mes données.
Commençons par l'analyse des données non structurées. Les avis en ligne publiés sur des plateformes comme Amazon ou Walmart constituent une source typique de données non structurées. Ces avis permettent d'évaluer dans quelle mesure les produits achetés répondent aux attentes des consommateurs. D'autres sources de données non structurées peuvent être les commentaires laissés par les consommateurs après utilisation de nos produits. Ce type de données nous aide à répondre à des questions telles que : de quoi parlent les consommateurs ? Quels sont les thèmes abordés dans les avis les plus positifs et les plus négatifs ?
Comme pour toute analyse, le processus global comprend le nettoyage et le contrôle qualité des données, l'exploration, puis l'analyse. Pour analyser des données non structurées, il faut d'abord les importer et les nettoyer dans JMP. Je vous recommande de modifier le type de modélisation de votre colonne de texte en « données non structurées ». Voici la procédure à suivre dans JMP pour toute analyse de texte.
Ouvrez d'abord le fichier contenant les données à analyser. Lors de l'importation de vos données dans jump, l'aperçu est toujours utile pour vérifier que la colonne contenant les données souhaitées est bien présente et importée. Après l'importation, confirmez la présence de la colonne avec la texture (dans mon exemple, il s'agit d'une colonne d'avis Amazon). Consultez ensuite les informations de la colonne et, si nécessaire, modifiez le type de modélisation en « test d'instructeur », comme indiqué précédemment. Je vous recommande d'enregistrer votre fichier après ces modifications et avant de commencer le nettoyage et l'exploration, afin de toujours disposer de vos données dans un format jump. Une fois les données importées, vous pouvez utiliser la suite Text Explorer pour les nettoyer et commencer l'exploration.
Permettez-moi de vous faire une démonstration. Dans le menu Analyse, sélectionnez Explorateur de texte, puis placez la colonne de texte dans l'espace prévu à cet effet. Je souhaite comprendre ce que les gens apprécient et ce qu'ils n'apprécient pas. J'effectuerai une analyse par notation (étoiles). Ces avis étant en anglais, je limiterai mon analyse aux mots d'au moins trois caractères. Vous pouvez parcourir le menu déroulant ou simplement sélectionner des mots clés pour l'exploration. Selon votre expérience et vos connaissances sur le sujet, JMP permet d'obtenir rapidement des informations pertinentes. La liste des termes et expressions affichée vous donne une idée des termes les plus fréquemment mentionnés dans le texte analysé. Mon analyse étant basée sur la notation (étoiles), je peux facilement distinguer les avis ayant une note faible de ceux ayant une note élevée. Vous pouvez ensuite nettoyer vos données très facilement au fur et à mesure de votre exploration dans JMP. J'aime utiliser l'outil WordLabs.
Vous pouvez sélectionner le mot à exclure de l'analyse, puis cliquer sur « Ajouter un mot vide » dans le menu d'exploration. Vous pouvez également faire un clic droit après avoir sélectionné le mot à éliminer et choisir « Ajouter un mot vide ». Une fois vos données nettoyées et explorées, vous pouvez poursuivre l'analyse. Par exemple, dans la catégorie « déodorants », j'ai identifié des thèmes intéressants mentionnés dans les notes statistiques faibles et élevées. Je vais vous montrer comment l'outil Explorateur de texte permet de visualiser facilement l'impact des thèmes identifiés.
Dans l'espace d'analyse de texte des colonnes, vous pouvez modifier le texte de votre nuage de points. L'outil de gestion des colonnes vous permet de formater vos données par volume sur les colonnes clés. Ici, j'ai choisi de les analyser par notes (étoiles). J'aime modifier la couleur de mon graphique pour visualiser l'impact des notes sur mon texte : vert pour les commentaires associés aux notes élevées et rouge pour ceux associés aux notes faibles. Plus la couleur du mot est rouge ou verte, plus ce sujet est susceptible d'influencer mon indicateur clé de performance. Pour une meilleure lisibilité, je peux ensuite formater le dossier et utiliser les options de mise en page pour optimiser mon analyse. En survolant chaque mot, vous visualisez non seulement le volume du sujet, mais aussi l'historique des nettoyages effectués. Vous pouvez ainsi utiliser ces informations pour une relecture par les pairs et pour expliquer votre analyse à d'autres personnes.
L'autre fonctionnalité de l'analyseur de texte JMP que j'utilise fréquemment est la création de colonnes d'indicateurs. Elle permet de sélectionner facilement un sujet d'intérêt pour une analyse ultérieure et de transformer des données non structurées en données structurées. Explorons maintenant l'analyse des données structurées.
Lorsque je souhaite recueillir les réactions du public à des prototypes ou des idées, je réalise des enquêtes après avoir consulté les consommateurs. J'utilise ensuite la plateforme catégorielle pour l'analyse des données consommateurs. Je vais vous montrer. La configuration est intuitive. Selon les comparaisons que je souhaite effectuer, je sélectionne la colonne et l'ajoute au menu de l'onglet « Structure ». Ensuite, en fonction des questions posées ou de l'hypothèse testée, je sélectionne les variables à comparer. Dans cet exemple, je m'intéresse aux indicateurs clés de performance (KPI) aux différentes étapes du cycle d'utilisation.
Je souhaitais comprendre s'il existe des différences entre les produits dès leur première utilisation en rayon, après leur première installation à domicile, puis après quelques semaines. Pour cela, j'ai sélectionné plusieurs colonnes en maintenant la touche Ctrl enfoncée, puis je les ai placées dans l'onglet structuré. Le résultat ? Un tableau très informatif. Je vais vous montrer comment il fonctionne. Pour chaque produit, j'ai calculé la distribution de toutes les réponses, ainsi que les moyennes et l'écart type global. Lorsque je souhaite synthétiser mes données, il est très facile de nettoyer le tableau dans JMP. En cliquant sur le triangle rouge, je peux sélectionner les indicateurs que je souhaite partager avec mon équipe et mes collègues. Comme je m'intéresse aux moyennes et aux réponses clés, je peux sélectionner l'écart type et les niveaux de réponse. Vous pouvez le constater. Je peux facilement observer les différences entre certains produits, non seulement au niveau des moyennes, mais aussi au niveau de la distribution des réponses des consommateurs, du début à la fin de l'utilisation.
Une fois mes données analysées et mes conclusions tirées, je peux affiner la mise en forme de mon tableau en fonction des éléments que je souhaite partager. Par exemple, je peux utiliser une seule décimale pour les distributions et les moyennes. Lorsque je suis satisfait et que je souhaite partager mes résultats avec des personnes n'utilisant pas JMP, je peux facilement les enregistrer dans Excel et les partager afin de formuler des recommandations pour l'entreprise. Comme pour les données non structurées, il est essentiel pour moi de comprendre la relation non seulement entre mes indicateurs clés, mais aussi entre chaque élément de performance intégré à nos produits. Cette compréhension est cruciale pour la prise de décisions stratégiques.
Pour bien comprendre les relations entre les différents attributs d'un produit, j'utilise l'analyse multivariée avec JMP. Cette analyse permet de visualiser la corrélation entre divers éléments de performance et vos indicateurs clés. Pour effectuer une analyse, sélectionnez les méthodes multivariées parmi les options d'analyse multivariée de la plateforme Analyze. Vous pouvez ensuite sélectionner les variables à étudier. Dans cet exemple, je m'intéresse à la relation entre certains de mes indicateurs clés de performance et tous les attributs du produit, selon différents éléments. J'aime analyser cette relation par paires, en considérant la relation entre chaque paire d'attributs. J'utilise systématiquement le format de matrice carrée par défaut.
Le résultat est un tableau coloré très clair qui illustre la force des corrélations entre les variables. Comme les êtres humains ne sont pas des machines, je recherche des corrélations proches de 0,6. Évidemment, plus la corrélation est proche de 1, meilleure est la relation. Parfois, selon le stade de l'analyse (le « moment bleu »), j'ajuste le niveau de confiance en modifiant directement le seuil alpha dans le tableau de corrélations. Pour les membres de votre équipe qui apprennent mieux visuellement, vous pouvez créer une carte de couleurs à partir des données de votre tableau. Tout comme pour l'analyse textuelle, JMP est un outil très flexible qui permet de personnaliser les données. Je préfère utiliser une couleur différente du rouge, car dans mon organisation, le rouge est généralement associé à une réponse négative. Je peux également moduler la luminosité pour accentuer le contraste des corrélations : plus la couleur est foncée, plus la corrélation est forte. Dans cet exemple, je constate déjà qu'un des attributs de performance n'est pas corrélé aux autres, mais qu'il est fortement corrélé à mes indicateurs clés de performance.
Parallèlement, la carte des couleurs révèle que certains attributs présentent une forte corrélation avec mes indicateurs clés de performance (KPI). Cette étape est très utile pour nuancer une hypothèse et ainsi simplifier les données en vue d'analyses plus poussées. Au cours d'un projet, il est parfois nécessaire de se concentrer sur les facteurs les plus importants qui influencent la note globale du produit ou du service, et de déterminer si ces facteurs restent constants selon le type de produit ou de service.
Permettez-moi de vous montrer une méthode rapide pour comprendre ce qui influence votre réponse. Dans le menu Analyser, accédez à l'outil de sélection et choisissez l'écran des prédicteurs. Choisissez ensuite la réponse que vous souhaitez prédire. Dans cet exemple, je souhaite comprendre les prédicteurs d'achat ; je l'indique donc dans ma réponse. Je sélectionne ensuite les variables d'intérêt comme prédicteurs et les place dans l'onglet « Variables prévisibles ». Ici, je souhaite visualiser tous les éléments susceptibles d'influencer l'intention d'achat. La fenêtre de résultats affiche tous mes prédicteurs, classés par ordre d'importance, ce qui me permet d'identifier le principal facteur déterminant de mon intention d'achat. Sans surprise, l'intention semble être le facteur le plus important, mais les autres facteurs ont un impact similaire et contribuent à hauteur d'environ 50 % à l'achat.
Je souhaitais mieux comprendre comment ces attributs pouvaient influencer les différents produits que j'analyse. Vous pouvez effectuer une vérification rapide dans Jump, mais l'ajout d'un filtre local et la navigation entre différents groupes permettent d'observer dynamiquement l'influence de chaque facteur sur votre indicateur clé de performance (KPI). Comme vous pouvez le constater, la variable prédictive varie d'un produit à l'autre. Il semble que pour certains produits, la pertinence soit un meilleur indicateur de l'intention d'achat que la valeur. Cet outil de sélection est très utile pour vous aider à formuler des hypothèses et à définir des priorités lors de l'analyse approfondie de vos données et de l'étude de facteurs plus complexes, que j'aborderai dans la diapositive suivante.
Jusqu'à présent, je vous ai présenté quelques techniques d'analyse de données dans JMP et souligné la flexibilité des outils JMP pour l'analyse de données structurées et non structurées. J'aimerais maintenant vous montrer des outils plus avancés de JMP pour une analyse plus approfondie. Je vous invite à me rejoindre le 23 octobre, de 16h45 à 17h15, au Sommet des Amériques. Je vous montrerai comment j'utilise le modèle d'ajustement pour orienter le développement de produits de soins de la peau et de soins personnels.
Pour conclure, je tiens à vous dire que chez Procter & Gamble, nous avons à cœur d'améliorer la vie de chacun et de comprendre comment nos produits plaisent à tous les types de consommateurs, afin de personnaliser nos offres en fonction de leurs habitudes et de leurs besoins. C'est essentiel. L'outil de modélisation par partitionnement est un outil avancé de JMP, parmi les nombreux outils de sélection que j'utilise pour commencer à comprendre les segments de consommateurs et identifier ceux qui sont satisfaits ou non de vos produits et services. Voici une démonstration de son utilisation.
Dans le menu Démarrer, sélectionnez « Analyse de la modélisation prédictive », puis « Partitionnement ». La fenêtre vous demandera d'ajouter des variables de colonne au niveau de la réponse et au niveau du prédicteur. Dans cet exemple, je souhaite identifier les personnes qui apprécient réellement les produits lors d'une étude de consommation ; je vais donc sélectionner la note globale comme niveau de réponse. Ensuite, j'utiliserai les habitudes des utilisateurs et leur ressenti face à la transpiration ou autres interruptions lors de l'utilisation du produit comme prédicteur. Afin de valider mon modèle, je vais sélectionner la portion correspondante pour la validation.
Cette première fenêtre présente la répartition des réponses des 812 consommateurs interrogés. L'encadré en haut à gauche affiche la moyenne de la note globale du produit et l'écart type. J'apprécie de trier les variables prédictives car cela me permet d'identifier les comportements ou expériences les plus susceptibles d'influencer l'appréciation du produit. Dans ce cas précis, il semble que ce soient les personnes sensibles aux taches ou aux odeurs corporelles qui, selon moi, ont pu avoir une expérience différente avec le produit. Pour une analyse plus approfondie, je peux segmenter les données ou créer une clé.
Le premier code montre qu'en réalité, les personnes généralement gênées par les stents ont mieux noté les produits que celles qui ne le sont pas. En explorant les autres caractéristiques de ces 86 personnes, je constate que onze d'entre elles ont appliqué du déodorant sur d'autres parties de leur corps et ont particulièrement apprécié les produits testés. Par ailleurs, je souhaite comprendre quelles autres caractéristiques pourraient définir les utilisateurs qui ont aimé ou non les produits utilisés, à condition qu'ils ne soient pas à base d'eau. Une analyse de ces 726 personnes révèle que celles qui ne pratiquent pas d'activité physique n'ont pas accordé beaucoup d'importance au produit, contrairement à celles qui l'apprécient. J'ai également constaté que les personnes qui font régulièrement de l'exercice n'ont pas apprécié le produit.
De plus, une utilisation fréquente d'un produit est préférable à une utilisation peu régulière par les consommateurs qui font de l'exercice. Cette analyse simple mais approfondie est un outil puissant pour identifier les personnes qui tirent profit de nos produits et celles qui pourraient avoir besoin d'être encouragées à adopter de nouvelles habitudes. Chez Procter & Gamble, mon poste me permet, grâce à la plateforme JMP et à son utilisation pour interpréter les données structurées et non structurées, d'informer mes partenaires commerciaux et de développement sur la meilleure façon de servir nos consommateurs.
Chez P&G, l'innovation est notre point fort. Nous aimons trouver des solutions aux problèmes en exploitant la puissance des outils d'analyse JMP. Nous identifions les problèmes à résoudre et évaluons l'efficacité des solutions existantes afin de développer des produits de qualité supérieure. L'analyse des données permet d'exploiter les retours des consommateurs et d'en tirer des enseignements, ce qui est l'une des tâches les plus enrichissantes en recherche et développement. Merci infiniment pour votre aide et votre attention. J'espère vous revoir au sommet.
