北米の人々の40%以上が体臭を気にしていることをご存知ですか？ハイキング中、バスに乗っているとき、あるいはただ日常生活を送っているときに、「ああ、シャワーを浴びなきゃ」と思ったことはありませんか？このポスターでは、JMP Analyzeプラットフォームの定性分析ツールと分析ツールを使用して、技術開発の機会領域を発見する力を紹介します。テキストエクスプローラー、多変量解析、スクリーニング、予測モデルをさまざまなデータソースで活用する方法を紹介します。構造化データと非構造化データを分析することで、大きなチャンスと有益な洞察が生まれます。これらの洞察を組み合わせることで、スキンケアとパーソナルケアの分野におけるイノベーションと学習がどのように促進されるかを紹介します。プロクター・アンド・ギャンブルでは、これらのツールが新製品やアイデアの開発に役立ち、信頼できるブランドを通じて毎日何百万人もの人々にサービスを提供しています。インタラクティブなJMP講演にご参加いただき、アンケートや消費者レビューから洞察を明らかにし、優れたスキンケアとパーソナルケア製品の新しいイノベーションを解き放つ方法を学びましょう。
こんにちは、おはようございます、こんばんは。ご覧いただいている時間帯によって、お名前は変わりますが、私はプロクター・アンド・ギャンブルのシニアサイエンティストです。この場にいられることを大変嬉しく思います。当社の使命は、優れた品質と価値を持つブランド製品とサービスを提供し、消費者の生活を向上させることです。研究開発における私たちの役割は、イノベーションを推進し、新製品や新技術を開発する上で極めて重要です。
本日は、R&Dのある側面について具体的にお話ししたいと思います。私は、処方開発担当者、マーケティングチーム、営業チームと緊密に連携し、消費者インサイトを発見しています。私の仕事の一つは、消費者の行動、嗜好、そして満たされていないニーズを深く理解することです。これは、消費者の心に響く製品開発の機会を見出すのに役立ちます。このセッションでは、これらのインサイトを発見するためにJMPプラットフォームで使用しているツールをいくつかご紹介します。私たちは常に市場調査と消費者調査を行い、消費者の購買習慣、製品満足度、そしてトレンドを理解するためのデータを収集しています。
私たちが用いるアプローチには、製品レビュー、製品に関するメールや投稿を読むこと、そしてアンケートを通して人々に意見を伺うことなどがあります。JMPには、製品レビューのテキストなどの非構造化データや、主要業績評価指標（KPI）のスコアから得られる構造化データの分析を容易にするツールスイートが用意されています。テキスト分析、カテゴリ分析、そしてJMPの機械学習テクニックの一部をご紹介します。また、私が普段データに対して行っている詳細な分析についてもご紹介します。
非構造化データ分析から始めましょう。非構造化データの典型的なソースは、AmazonやWalmartなどの小売業者からのオンラインレビューです。これらのレビューは、お客様が購入した製品がどれだけ期待に応え、期待を満たしているかを示す指標となります。非構造化データの他のソースとしては、お客様が製品を使用した後に残すコメントなどが挙げられます。この種のデータは、「消費者は何について話しているのか？」「高評価のレビューではどのようなトピックが言及されているのか、低評価のレビューではどのようなトピックが言及されているのか？」といった疑問に答えるのに役立ちます。
すべての分析と同様に、全体的な流れは、データのクリーニングと品質チェック、探索、そして分析です。非構造化データを分析するには、まずJMPにデータをインポートしてクリーニングする必要があります。テキスト列のモデリングの種類を非構造化データに変更することをお勧めします。JMPでは、あらゆるテキスト分析において、この方法で分析を行うことができます。
まず、分析したいデータがあるファイルを開きます。Jumpにデータをインポートする際は、プレビュー機能を使って必要なデータのある列があるか確認し、インポートすることができます。データをインポートし、テクスチャのある列を確認すると、そこにテクスチャが1つあります。私の例では、Amazonレビューの列です。次に、列情報を確認し、必要に応じて、前述のようにモデリングタイプをインストラクターテストに変更します。これらの変更を加えたら、ファイルを保存してから、クリーンアップや探索を始めることをお勧めします。そうすることで、常にデータがJumpingファイルとして保持されます。データをインポートした後、テキストエクスプローラースイートを使用してクリーンアップを行い、探索を開始できます。
デモンストレーションをしてみましょう。分析メニューから、テキストエクスプローラーを選択し、テキストを含む列をテキスト列スペースに配置します。人々が気に入っている点と気に入っていない点を理解したいからです。星評価で分析します。次に、これらのレビューは英語なので、分析を3文字以上の単語に絞り込みます。メニューをすぐにドロップするか、探索用の基本的な単語だけを選択できます。対象に関する経験と知識に応じて、JMPを使用すると、簡単に洞察をすぐに得ることができます。用語とフレーズのリスト出力から、分析したテキストで最も多く言及されている用語がわかります。星評価で分析したため、低評価のレビューと高評価のレビューの違いを簡単に確認できます。JMPで探索しながら、データのクリーニングを続けるのは非常に簡単です。私はWord labsを使用するのが好きです。
分析から除外したい単語を選択し、メニューから「ストップワードを追加」をクリックして探索できます。または、除外したい単語を選択した後に右クリックし、「ストップワードを追加」を選択することもできます。データのクリーニングと探索に少し時間を費やした後は、さらに分析を続けることができます。例えば、デオドラントのカテゴリーでは、低評価と高評価の統計で言及されていた興味深いテーマをいくつか特定しました。テキストエクスプローラーツールを使えば、特定したトピックの影響をいかに簡単に確認できるか、お見せしましょう。
列スペースのテキスト分析から、クラウドの単語を変更できます。コロニーツールには、主要な列のボリュームでクロックバイトをフォーマットするオプションがあります。この場合、星評価で分析したいと考えていました。星評価に対するテキストの影響を確認するにはグラフィックの色を変更します。緑は星評価の高いコメント、赤は星評価の低いコメントを示します。単語が赤または緑になるほど、このトピックが主要業績評価指標に影響を与えている可能性が高くなります。より理解しやすいように、フォルダーをフォーマットし、レイアウトオプションを使用してワークロードを調整できます。各単語にカーソルを合わせると、そのトピックのボリュームだけでなく、行ったクリーニングの履歴も表示されます。これを使用して、ピアレビューを行い、分析を他の人に説明することができます。
JMPテキストアナライザーで私がよく使うもう一つの機能は、インジケーター列の作成です。興味のあるトピックを自由に選択して、将来の分析に活用でき、非構造化データを構造化データに変換できます。次は、構造化データ分析について見ていきましょう。
プロトタイプやアイデアに対する人々の反応を知りたい場合は、消費者から意見を聞いた後にアンケートを実施します。そして、消費者調査分析ではカテゴリプラットフォームを活用します。設定方法は直感的で分かりやすいので、ぜひご覧ください。比較したい項目に応じて列を選択し、構造タブのトップメニューに追加します。次に、疑問や検証したい仮説に応じて、比較する変数を選択します。この例では、使用サイクルのさまざまな段階における主要業績評価指標（KPI）に注目しています。
商品を初めて棚に並べたとき、家に持ち帰ってから、そして数週間後に、商品間に違いがあるかどうかを知りたかったのです。列を選択する際に Ctrl キーを押したまま複数の列を選択し、構造化タブの横に配置できます。結果はどうでしょう。非常に情報量の多い表になりました。それでは、どのように機能するかお見せしましょう。商品ごとに、すべての回答の分布と平均、全体の標準偏差を使用しています。データを要約する場合、JMP で表をクリーンアップするのは非常に簡単です。赤い三角をクリックすると、チームや同僚と共有したい指標を選択できます。私は平均値と主要な回答に関心があるので、標準偏差と回答レベルを選択できます。これでそれがわかります。一部の商品について、平均値だけでなく、使用開始から終了までの消費者の回答の分布の違いも簡単に確認できます。
データを理解し結論を導き出したら、共有したいデータ要素の書式設定を調整して、表をさらに整理できます。例えば、分布と平均値レポートには小数点1桁を使用できます。満足のいく結果が得られ、JMPを使用していない可能性のある他のユーザーと共有したい場合は、出力表をExcelに簡単に保存して共有し、データに基づいてビジネスへの提案を行うことができます。非構造化データの場合と同様に、主要な指標だけでなく、製品に組み込まれている各パフォーマンス要素間の関係性も理解する必要があります。これは、ビジネス上の意思決定を行う上で重要です。
製品の様々な属性間の関係性を真に理解するための優れた方法です。私は多変量解析とJMPを活用しています。多変量解析では、パフォーマンスの様々な要素と主要指標との相関関係を見ることができます。解析を行うには、分析プラットフォームの多変量解析オプションから多変量解析手法を選択します。そこから、理解したい変数を選択できます。この例では、いくつかの主要業績評価指標と、製品の様々な要素にわたるすべての属性との関係性に着目しています。この関係性をペアワイズ法で理解したいので、各ペア間の関係性を考慮します。私は常にデフォルトの正方行列形式を使用しています。
結果は、変数間の関係の強さを示す、非常に見やすい色分けされた表になります。人間は機械ではないので、0.6程度の相関関係を持つレコードを探します。当然のことながら、相関係数が高いほど、関係性は良好です。ブルーモーメントの段階に応じて、相関表で直接アルファレベルを変更することで、信頼度レベルを調整します。視覚的に学習するチームメンバーのために、表のデータに基づいてカラーマップを作成できます。テキスト分析と同様に、JMPは非常に柔軟なツールで、データをカスタマイズできます。私の組織では赤は一般的に否定的な反応を意味するため、赤以外の色で表示することを好みます。また、明度を調整することで、データ内の相関関係の強さのコントラストを高めることもできます。色が濃いほど、相関が高いことを示します。この例では、パフォーマンスの属性の1つが他の属性と相関していない一方で、主要業績評価指標（KPI）との相関が高いことが既にわかります。
同時に、カラーマップは、KPIと高い相関関係にある属性がいくつかあることを示しています。このステップは仮説をグレースケール化するのに非常に役立ち、より高度な分析のためにデータを簡素化し始めることができます。プロジェクトの進行中には、製品やサービスの総合スコアに影響を与える最も重要な要因に焦点を当てる必要があり、また、使用する製品やサービスの種類に応じて、それらの要因が同じかどうかを理解したい場合もあります。
反応を予測するものが何なのかを理解するための簡単な方法をご紹介します。分析メニューからスクリーナーに移動し、予測画面を選択します。次に、予測したい反応を選択します。今回は、購入の予測因子を理解したいので、それをQuipの応答に入力します。次に、関心のある変数を予測因子として選択し、クォークまたは予測可能変数に配置します。今回は、購入意向に影響を与えている可能性のあるすべての要素を確認したいと思います。出力ウィンドウには、すべての予測因子が整理されて表示されるため、購入意向の最大の要因が何であるかがわかります。予想通り、購入意向が最大の要因のようですが、他の要因もほぼ同じ影響を与え、購入を促進する約50%を占めています。
これらの属性が、私が分析する様々な製品にどのように貢献するのかをさらに深く理解したいと考えました。ジャンプ機能で簡単に確認することもできますが、ローカルフィルターを追加してグループを切り替えることで、各要因のKPIへの貢献度の違いを動的に確認できます。ご覧のとおり、予測変数は製品ごとに変化しています。製品によっては、関連性が高いことが、価値よりも購入意向の予測因子として優れている可能性があります。このスクリーニングツールは、データ分析をさらに深掘りし、より高度なドライバー分析を行う際に、仮説を立て、優先順位を設定するのに非常に役立ちます。ドライバー分析については、次のスライドで説明します。
これまで、JMPで様々な種類のデータを分析するためのテクニックをいくつかご紹介し、構造化データと非構造化データの両方を分析できるJMPツールの柔軟性について強調してきました。今回は、より詳細な分析を可能にするJMPの高度なツールをご紹介したいと思います。10月23日午後4時45分から午後5時15分まで開催されるアメリカズサミットにぜひご参加ください。フィットモデルを活用して、スキンケア製品とパーソナルケア製品の製品開発を支援する方法をご紹介します。
最後に、プロクター・アンド・ギャンブルでは、すべての人々の生活を向上させ、あらゆる消費者に当社の製品がどのように満足していただけるかを理解することに注力していることをお伝えしたいと思います。そうすることで、消費者の習慣やニーズに合わせて製品をカスタマイズすることができます。これは非常に重要です。パーティションモデリングツールは、JMPの高度なツールです。これは、消費者セグメントを理解し、製品やサービスに満足している人とそうでない人を理解するために私が使用している多くのスクリーニングツールの1つです。このツールの使い方のデモはこちらです。
スタートメニューから「予測モデリングの分析」を選択し、「パーティション」を選択します。応答レベルと予測レベルに列変数を追加するように求めるウィンドウが表示されます。この例では、消費者調査で製品を本当に楽しんでいるのは誰なのかを理解したいので、応答レベルとして「総合評価」を選択します。次に、製品使用中にユーザーが汗をかいたり、その他の休憩を取ったりする習慣を予測変数として使用します。モデルを検証するため、「検証用部分」を呼び出します。
この最初のウィンドウには、このストーリーにおける全812人の消費者の回答の分布が表示されています。左隅のボックスには、製品の総合評価の平均値と標準偏差が表示されています。予測変数の候補を並べ替えると、ユーザーが製品を好きか嫌いかを判断する際に、どのような準備行動や経験が最も可能性が高いかがわかるので便利です。今回のケースでは、シミや体臭に悩まされている人や、私のエクササイズによって製品の使用感が異なっていた可能性のある人が、予測変数候補のようです。より詳細な調査を行うには、データのパーティション分割やキーの作成を開始できます。
最初のコードは、実際には、ステントが気になる人は、そうでない人よりも製品を高く評価していることを示しています。この86人の他にどのような特徴があるのか調べてみると、実際には11人のユーザーが体の他の部位にデオドラントを塗布しており、テストした製品の使用感を非常に気に入っていることがわかります。一方で、使用した製品や水ベースではない製品を好むユーザーと好まないユーザーを定義する他の特徴は何なのかを理解したいと考えています。この726人を分類すると、運動をしない人は製品をあまり気にしていないのに対し、運動をする人は製品をあまり気にしていないことがわかります。運動をする人は製品をあまり楽しんでいないことがわかりました。
さらに、シンジケート化された製品を頻繁に使用することは、運動をする消費者があまり製品を使用しない場合よりも効果的です。このシンプルでありながら詳細な分析は、誰が当社の製品から恩恵を受け、誰が習慣を変えるよう促す必要があるかを特定するための強力なツールです。プロクター・アンド・ギャンブルでの私の役割では、JMPプラットフォームを活用し、構造化情報と非構造化情報を用いてデータストーリーを伝えることで、ビジネスパートナーや開発パートナーに、消費者に最適なサービスを提供できる方法を伝えることができます。
P&Gでは、イノベーションこそが私たちの最大の強みです。JMP分析ツールの力を活用して課題の解決策を見つけ、解決すべき問題を特定することに情熱を注いでいます。そして、その解決策の成果を把握することで、より高品質な製品の開発につなげています。データ分析を用いて消費者からのフィードバックからインサイトを引き出すことは、研究開発において最もやりがいのある仕事の一つです。ご協力とご清聴、誠にありがとうございました。サミットでお会いできるのを楽しみにしています。
