Wussten Sie, dass über 40 % der Menschen in Nordamerika sich Gedanken über Körpergeruch machen? Kennen Sie das auch? Man muss dringend duschen – ob beim Wandern, Busfahren oder einfach so? Auf diesem Poster zeigen wir Ihnen, wie Sie mit den qualitativen und analytischen Tools der JMP Analyze Plattform neue Potenziale für die Technologieentwicklung entdecken. Wir zeigen Ihnen, wie Sie Text Explorer, multivariate Methoden, Screening und prädiktive Modellierung für verschiedene Datenquellen nutzen. Durch die Analyse strukturierter und unstrukturierter Daten decken wir große Chancen und wertvolle Erkenntnisse auf. Wir zeigen Ihnen, wie wir mit diesen Erkenntnissen Innovationen und kontinuierliches Lernen im Bereich Haut- und Körperpflege vorantreiben. Bei Procter & Gamble helfen diese Tools, neue Produkte und Ideen zu entwickeln, um täglich Millionen von Menschen mit vertrauenswürdigen Marken zu versorgen. Nehmen Sie an unserem interaktiven JMP-Vortrag teil und erfahren Sie, wie Sie aus Umfragen und Kundenbewertungen Erkenntnisse gewinnen, die neue Innovationen für erstklassige Haut- und Körperpflegeprodukte ermöglichen.
Guten Tag, guten Morgen oder guten Abend, je nachdem, wann Sie dies sehen. Ich bin leitende Wissenschaftlerin bei Procter & Gamble und freue mich sehr, hier zu sein. Unsere Mission im Unternehmen ist es, Markenprodukte und -dienstleistungen von höchster Qualität und mit großem Wert anzubieten, um das Leben unserer Kunden zu verbessern. Unsere Rolle in Forschung und Entwicklung ist entscheidend für die Förderung von Innovationen und die Entwicklung neuer Produkte und Technologien.
Heute möchte ich mit Ihnen über einen speziellen Aspekt der Forschung und Entwicklung sprechen. Ich arbeite eng mit den Entwicklern, dem Marketing und dem Vertrieb zusammen, um Erkenntnisse über die Bedürfnisse der Verbraucher zu gewinnen. Zu meinen Aufgaben gehört es, ein tiefes Verständnis für deren Verhalten, Vorlieben und unerfüllte Bedürfnisse zu entwickeln. Dies hilft uns, Chancen für die Entwicklung von Produkten zu erkennen, die bei den Verbrauchern Anklang finden. In dieser Session zeige ich Ihnen einige der Tools, die ich in der JMP-Plattform nutze, um diese Erkenntnisse zu gewinnen. Wir betreiben kontinuierlich Markt- und Verbraucherforschung und sammeln Daten, um das Kaufverhalten, die Produktzufriedenheit und Trends der Verbraucher zu verstehen.
Wir nutzen verschiedene Ansätze, um Daten zu analysieren. Dazu gehört das Lesen von Produktrezensionen, E-Mails oder Beiträgen über unsere Produkte. Manchmal bitten wir die Leute auch in Umfragen um ihre Meinung. JMP bietet eine Reihe von Tools, die die Analyse unstrukturierter Daten wie Texte aus Produktrezensionen und strukturierter Daten wie Kennzahlen erleichtern. Ich zeige Ihnen einige der nützlichen Funktionen für Text- und Kategorienanalyse und stelle Ihnen einige Machine-Learning-Techniken von JMP vor. Außerdem kann ich Ihnen zeigen, wie ich meine Daten typischerweise detailliert analysiere.
Ich beginne mit der Analyse unstrukturierter Daten. Typische Quellen für unstrukturierte Daten sind Online-Bewertungen von Händlern wie Amazon oder Walmart. Diese Bewertungen geben Aufschluss darüber, wie gut die gekauften Produkte die Erwartungen der Kunden erfüllen. Weitere Quellen für unstrukturierte Daten sind beispielsweise Kommentare, die Kunden nach der Nutzung unserer Produkte hinterlassen. Diese Daten helfen uns, Fragen zu beantworten wie: Worüber sprechen die Kunden? Welche Themen werden in Bewertungen mit den höchsten und welche in solchen mit den niedrigsten Bewertungen genannt?
Wie bei jeder Analyse sollte der Ablauf aus Datenbereinigung und Qualitätsprüfung, Erkundung und anschließender Analyse bestehen. Um unstrukturierte Daten zu analysieren, müssen Sie diese zunächst in JMP importieren und bereinigen. Ich empfehle Ihnen, den Datentyp Ihrer Textspalte auf „Unstrukturierte Daten“ zu ändern. So gehen Sie bei jeder Textanalyse in JMP vor.
Öffnen Sie zunächst die Datei mit den zu analysierenden Daten. Beim Importieren Ihrer Daten in Jump ist die Vorschau immer hilfreich, um sicherzustellen, dass die gewünschte Datenspalte vorhanden ist und importiert wird. Nachdem Sie Ihre Daten importiert und die Spalte mit der Textur bestätigt haben, ist diese vorhanden. In meinem Beispiel handelt es sich um eine Spalte mit Amazon-Rezensionen. Sehen Sie sich anschließend die Spalteninformationen an und ändern Sie gegebenenfalls den Modellierungstyp auf „Instruktorentest“, wie bereits erwähnt. Ich empfehle Ihnen, die Datei nach diesen Änderungen zu speichern, bevor Sie mit dem Bereinigen und Erkunden beginnen, damit Ihre Daten jederzeit als Jump-Datei verfügbar sind. Nach dem Importieren der Daten können Sie die Text Explorer Suite verwenden, um die Daten zu bereinigen und mit der Erkundung zu beginnen.
Ich zeige es Ihnen. Wählen Sie im Analysemenü „Text-Explorer“ und platzieren Sie die Textspalte im Textspaltenbereich. Ich möchte herausfinden, was den Leuten gefällt und was nicht. Ich analysiere die Rezensionen anhand der Sternebewertung. Da die Rezensionen auf Englisch sind, beschränke ich meine Analyse auf Wörter mit mindestens drei Buchstaben. Sie können das Menü erweitern oder einfach nur nach Wörtern suchen. Je nach Ihren Vorkenntnissen und Ihrer Erfahrung bietet JMP schnelle und einfache Einblicke. Die Liste der Begriffe und Phrasen zeigt Ihnen, welche Begriffe im analysierten Text am häufigsten vorkommen. Da ich die Analyse anhand der Sternebewertung durchgeführt habe, kann ich die Unterschiede zwischen Rezensionen mit niedrigen und hohen Bewertungen leicht erkennen. Sie können Ihre Daten während der Analyse in JMP ganz einfach weiter bereinigen. Ich verwende dafür gerne die Wortbibliothek.
Sie können das Wort auswählen, das Sie von der Analyse ausschließen möchten, und anschließend im Menü auf „Stoppwort hinzufügen“ klicken. Alternativ können Sie nach der Auswahl des auszuschließenden Wortes mit der rechten Maustaste klicken und „Stoppwort hinzufügen“ auswählen. Nachdem Sie Ihre Daten bereinigt und analysiert haben, können Sie mit der weiteren Analyse fortfahren. Beispielsweise habe ich in der Kategorie Deodorants einige interessante Themen identifiziert, die in niedrigen und hohen Bewertungszahlen erwähnt wurden. Ich zeige Ihnen, wie einfach Sie die Auswirkungen der identifizierten Themen mit dem Text-Explorer-Tool visualisieren können.
Im Analysebereich „Text im Spaltenfeld analysieren“ können Sie die Wörter Ihrer Wortwolke ändern. Das Tool „Colony“ bietet Ihnen die Möglichkeit, Ihre Daten nach Häufigkeit in Schlüsselspalten zu formatieren. In diesem Fall wollte ich sie anhand von Sternebewertungen analysieren. Ich ändere gerne die Farbe in meiner Grafik, um den Einfluss der Sternebewertungen auf meinen Text zu sehen: Grün für Kommentare zu hohen Sternebewertungen und Rot für Kommentare zu niedrigen Sternebewertungen. Je röter oder grüner ein Wort ist, desto wahrscheinlicher beeinflusst dieses Thema meinen wichtigsten Leistungsindikator. Um die Darstellung übersichtlicher zu gestalten, formatiere ich die Ordner und nutze die Layoutoptionen, um meine Arbeit zu optimieren. Wenn Sie mit dem Mauszeiger über ein Wort fahren, sehen Sie nicht nur die Häufigkeit des jeweiligen Themas, sondern auch den Bereinigungsverlauf. Diese Informationen können Sie dann für Peer-Reviews und zur Erläuterung Ihrer Analyse verwenden.
Eine weitere Funktion des JMP-Textanalysators, die ich häufig nutze, ist die Erstellung von Indikatorspalten. Sie können ganz einfach beliebige Themen für die spätere Analyse auswählen und unstrukturierte Daten in strukturierte Daten umwandeln. Im Folgenden befassen wir uns mit der Analyse strukturierter Daten.
Wenn ich Reaktionen auf Prototypen oder Ideen einholen möchte, setze ich Umfragen ein, nachdem Konsumenten ihre Meinungen geäußert haben. Anschließend nutze ich die kategorische Plattform für die Konsumentenforschungsanalyse. Ich zeige es Ihnen. Die Einrichtung ist intuitiv. Je nachdem, welche Vergleiche ich anstellen möchte, wähle ich die Spalte aus und füge sie dem Menüpunkt „Struktur“ hinzu. Dann wähle ich, abhängig von meinen Fragestellungen oder der zu testenden Hypothese, die zu vergleichenden Variablen aus. In diesem Beispiel interessiere ich mich für die wichtigsten Leistungsindikatoren in verschiedenen Phasen des Nutzungszyklus.
Ich wollte herausfinden, ob es Unterschiede zwischen Produkten gibt, wenn man sie zum ersten Mal im Regal sieht, sie zum ersten Mal zu Hause benutzt und sie nach einigen Wochen wieder aufgreift. Man kann mehrere Spalten auswählen, indem man die Strg-Taste gedrückt hält, und sie dann im Register „Strukturiert“ anordnen. Das Ergebnis? Eine sehr informative Tabelle. Ich zeige Ihnen, was sie bewirkt. Für jedes Produkt werden die Verteilung aller Antworten, der Mittelwert und die Standardabweichung angezeigt. Wenn ich meine Daten zusammenfassen möchte, kann ich die Tabelle in JMP ganz einfach bereinigen. Über das rote Dreieck kann ich die Kennzahlen auswählen, die ich mit meinem Team und meinen Kollegen teilen möchte. Da ich mich für Mittelwerte und wichtige Antworten interessiere, wähle ich die Standardabweichung und die Antwortwerte aus. Sie sehen das jetzt. Ich kann leicht Unterschiede zwischen einigen Produkten sowohl bei den Mittelwerten als auch bei der Verteilung der Verbraucherantworten vom Beginn bis zum Ende der Nutzung erkennen.
Sobald ich meine Daten verstanden und meine Schlussfolgerungen gezogen habe, kann ich die Tabellenformatierung weiter optimieren und die Datenelemente, die ich teilen möchte, anpassen. Beispielsweise kann ich für die Verteilungen und den Mittelwertbericht einzelne Dezimalstellen verwenden. Wenn ich zufrieden bin und die Ergebnisse mit anderen teilen möchte, die JMP möglicherweise nicht nutzen, kann ich die Ausgabetabelle einfach in Excel speichern und weitergeben, um datenbasierte Handlungsempfehlungen für das Unternehmen zu geben. Wie bei unstrukturierten Daten ist es mir wichtig, die Zusammenhänge nicht nur zwischen meinen wichtigsten Kennzahlen, sondern auch zwischen den einzelnen Leistungselementen unserer Produkte zu verstehen. Dieses Verständnis ist für unsere Geschäftsentscheidungen unerlässlich.
Eine gute Methode, um die Zusammenhänge zwischen verschiedenen Produkteigenschaften zu verstehen, ist die multivariate Analyse mit JMP. Sie ermöglicht es, die Korrelation zwischen verschiedenen Leistungselementen und den wichtigsten Kennzahlen zu erkennen. Wählen Sie dazu in der Analyseplattform die Option „Multivariate Methoden“ aus. Anschließend können Sie die Variablen auswählen, die Sie untersuchen möchten. In diesem Beispiel interessiere ich mich für die Beziehung zwischen einigen meiner wichtigsten Leistungsindikatoren und allen Produkteigenschaften. Ich bevorzuge die paarweise Analyse, um die Beziehung zwischen jedem Wertepaar zu betrachten. Ich verwende dabei immer das Standardformat „Quadratische Matrix“.
Das Ergebnis ist eine übersichtliche, farbcodierte Tabelle, die die Stärke der Beziehung zwischen den Variablen darstellt. Da Menschen keine Maschinen sind, suche ich nach Korrelationen mit einem Wert um 0,6. Je höher der Wert, desto stärker die Beziehung. Je nach Phase des „blauen Moments“ passe ich das Konfidenzniveau (Alpha) direkt in der Korrelationstabelle an. Für Teammitglieder mit einem ausgeprägten visuellen Lernstil lässt sich eine Farbskala basierend auf den Tabellendaten erstellen. Wie bei der Textanalyse ist JMP ein sehr flexibles Werkzeug, mit dem sich die Daten individuell anpassen lassen. Ich bevorzuge eine andere Farbe als Rot, da Rot in meinem Unternehmen typischerweise eine negative Reaktion signalisiert. Die Helligkeit lässt sich anpassen, um den Kontrast der Korrelationen in meinen Daten zu erhöhen. Je dunkler die Farbe, desto höher die Korrelation. In diesem Beispiel ist bereits zu erkennen, dass ein Leistungsmerkmal nicht mit anderen Merkmalen korreliert, aber eine höhere Korrelation mit meinen wichtigsten Leistungsindikatoren aufweist.
Gleichzeitig zeigt die Farbskala, dass einige Attribute eine hohe Korrelation zu meinen KPIs aufweisen. Dieser Schritt ist sehr hilfreich, um eine Hypothese zu überprüfen und die Daten für weiterführende Analysen zu vereinfachen. Im Projektverlauf ist es oft notwendig, sich auf die wichtigsten Faktoren zu konzentrieren, die die Gesamtbewertung des Produkts oder der Dienstleistung beeinflussen. Außerdem ist es wichtig zu verstehen, ob diese Faktoren je nach Art des verwendeten Produkts oder der Dienstleistung gleich sind.
Ich zeige Ihnen einen schnellen Weg, um zu verstehen, welche Faktoren Ihre Reaktion beeinflussen. Gehen Sie im Menü „Analysieren“ zum Screener und wählen Sie „Prädiktoren-Bildschirm“. Wählen Sie dann die Reaktion aus, die Sie vorhersagen möchten. In diesem Fall möchte ich die Kaufprädiktoren verstehen und gebe dies in meiner Quip-Antwort ein. Anschließend wähle ich die relevanten Variablen als Prädiktoren aus und füge sie den Quarks oder Prädiktoren hinzu. Ich möchte alle Elemente sehen, die die Kaufabsicht beeinflussen könnten. Das Ausgabefenster zeigt alle meine Prädiktoren übersichtlich an, sodass ich den wichtigsten Faktor für meine Kaufabsicht erkennen kann. Wenig überraschend scheint die Kaufabsicht den größten Einfluss zu haben, aber die anderen Faktoren haben einen ähnlichen Einfluss und tragen etwa 50 % zur Kaufentscheidung bei.
Ich wollte genauer verstehen, wie diese Attribute bei den verschiedenen Produkten, die ich analysiere, eine Rolle spielen. In Jump lässt sich das schnell überprüfen, aber durch Hinzufügen eines lokalen Filters und Umschalten zwischen verschiedenen Gruppen können Sie dynamisch sehen, welche Unterschiede sich bei den Beiträgen der einzelnen Faktoren zu Ihrem KPI ergeben. Wie Sie sehen, ändert sich die Prädiktorvariable zwischen den Produkten. Bei manchen Produkten scheint Relevanz ein besserer Indikator für die Kaufabsicht zu sein als Wert. Dieses Screening-Tool ist sehr hilfreich, um Hypothesen zu entwickeln und Prioritäten zu setzen, während Sie Ihre Datenanalyse vertiefen und komplexere Einflussfaktoren identifizieren, die ich auf der nächsten Folie erläutern werde.
Bisher habe ich Ihnen einige Techniken in JMP zur Analyse verschiedener Datentypen vorgestellt und die Flexibilität der JMP-Tools für die Analyse strukturierter und unstrukturierter Daten hervorgehoben. Nun möchte ich Ihnen fortgeschrittenere JMP-Tools für tiefergehende Analysen präsentieren. Ich lade Sie herzlich ein, am 23. Oktober von 16:45 bis 17:15 Uhr am Americas Summit teilzunehmen. Dort zeige ich Ihnen, wie ich das Fit-Modell nutze, um die Produktentwicklung für Haut- und Körperpflegeprodukte zu unterstützen.
Zum Schluss möchte ich Ihnen noch sagen, dass es uns bei Procter & Gamble am Herzen liegt, das Leben aller Menschen zu verbessern und zu verstehen, wie unsere Produkte die unterschiedlichsten Kunden begeistern. So können wir unser Angebot an ihre Gewohnheiten und Bedürfnisse anpassen. Das ist uns wichtig. Das Partitionsmodellierungstool ist ein fortschrittliches Werkzeug in JMP und eines der vielen Screening-Tools, die ich nutze, um Kundensegmente zu identifizieren und herauszufinden, wer von Ihren Produkten und Dienstleistungen begeistert ist und wer nicht. Hier sehen Sie eine Demonstration, wie ich dieses Tool einsetze.
Wählen Sie im Startmenü „Prädiktive Modellierung analysieren“ und anschließend „Partitionieren“. Im Fenster werden Sie aufgefordert, Spaltenvariablen auf der Ziel- und der Prädiktorebene hinzuzufügen. In diesem Beispiel möchte ich in einer Verbraucherstudie herausfinden, wem die Produkte besonders gut gefallen. Daher wähle ich die Gesamtbewertung als Zielvariable. Als Prädiktor verwende ich die Gewohnheiten meiner Nutzer sowie deren Erfahrungen mit Schweiß oder anderen Pausen während der Produktnutzung. Um mein Modell zu validieren, wähle ich den entsprechenden Abschnitt zur Validierung aus.
Dieses erste Fenster zeigt die Verteilung der Antworten aller 812 Konsumenten in dieser Studie. Die Box in der linken Ecke enthält den Mittelwert der Gesamtbewertung für das Produkt und die Standardabweichung. Ich sortiere die potenziellen Prädiktoren gerne, da ich so erkennen kann, welches Verhalten oder welche Erfahrung die Nutzer am ehesten in Bezug auf die Produktakzeptanz oder -ablehnung gemacht haben. In diesem Fall scheinen diejenigen, die sich an Flecken oder Körpergeruch stören und die Produkte möglicherweise anders wahrgenommen haben, besonders betroffen zu sein. Für eine detailliertere Analyse kann ich die Daten partitionieren oder einen Schlüssel erstellen.
Der erste Code zeigt, dass diejenigen, die üblicherweise durch Stents beeinträchtigt werden, die Produkte tatsächlich besser bewerteten als diejenigen, die keine Beeinträchtigungen haben. Bei der Untersuchung weiterer Merkmale dieser 86 Personen zeigt sich, dass elf Nutzer das Deodorant auch an anderen Körperstellen angewendet haben und von den getesteten Produkten begeistert waren. Andererseits möchte ich verstehen, welche anderen Merkmale die Nutzer beeinflussen, die die verwendeten, nicht wasserbasierten Produkte mochten oder nicht. Eine Aufschlüsselung unter den 726 Personen zeigt, dass diejenigen, die keinen Sport treiben, dem Produkt wenig Bedeutung beimaßen, während diejenigen, die Sport treiben, es positiv bewerteten. Ich habe festgestellt, dass sportlich aktive Personen das Produkt oft nicht mochten.
Darüber hinaus ist die häufige Nutzung eines Produkts vorteilhafter als die seltene Nutzung durch Konsumenten, die Sport treiben. Diese einfache, aber tiefgreifende Analyse ist ein wertvolles Instrument, um herauszufinden, wer von unseren Produkten profitiert und wer möglicherweise Unterstützung benötigt, um seine Gewohnheiten zu ändern. In meiner Funktion bei Procter & Gamble ermöglicht mir die JMP-Plattform, mithilfe strukturierter und unstrukturierter Informationen aussagekräftige Datenstorys zu erstellen und meine Geschäfts- und Entwicklungspartner darüber zu informieren, wie wir unsere Kunden optimal bedienen können.
Bei P&G ist Innovation unsere Stärke. Wir lieben es, mithilfe der leistungsstarken JMP-Analysetools Lösungen für Probleme zu finden. Wir identifizieren Probleme, die es zu lösen gilt, und analysieren die Wirksamkeit der Lösungen, um anschließend Produkte von höchster Qualität zu entwickeln. Die Gewinnung von Erkenntnissen aus dem Kundenfeedback durch Datenanalyse gehört zu den lohnendsten Aufgaben in Forschung und Entwicklung. Vielen Dank für Ihre Unterstützung und Aufmerksamkeit. Ich freue mich darauf, Sie auf dem Gipfeltreffen zu sehen.
