북미 인구의 40% 이상이 체취에 대해 고민한다는 사실을 알고 계셨나요? 등산 중이거나 버스를 타거나 일상생활을 하던 중 '아, 정말 샤워해야겠다'라고 생각했던 적 있으신가요? 이번 포스터에서는 JMP Analyze 플랫폼의 정성적 및 분석적 도구를 활용하여 기술 개발 기회를 발굴하는 방법을 소개합니다. Text Explorer, 다변량 분석, 스크리닝, 예측 모델링 등 다양한 데이터 소스를 분석하는 방법을 보여드리겠습니다. 정형 및 비정형 데이터를 분석하여 큰 기회와 유용한 인사이트를 발견하고, 이러한 인사이트를 결합하여 스킨케어 및 퍼스널케어 분야의 혁신과 발전을 어떻게 이끌어내는지 보여드리겠습니다. 프록터앤갬블(Procter & Gamble)에서는 이러한 도구를 활용하여 수백만 명의 고객에게 신뢰받는 브랜드를 제공하고 새로운 제품과 아이디어를 개발하고 있습니다. 이번 JMP 토크에 참여하여 설문조사와 소비자 리뷰에서 인사이트를 도출하고, 이를 통해 우수한 스킨케어 및 퍼스널케어 제품을 위한 혁신을 이끌어내는 방법을 알아보세요.
안녕하세요, 좋은 오후, 좋은 아침, 또는 좋은 저녁입니다. 시청하시는 시간에 따라 다르겠지만요. 저는 프록터 앤 갬블의 선임 과학자이며, 이 자리에 함께하게 되어 기쁩니다. 저희 회사의 사명은 소비자의 삶을 개선하기 위해 우수한 품질과 가치를 지닌 브랜드 제품과 서비스를 제공하는 것입니다. 연구 개발 부서는 혁신을 주도하고 새로운 제품과 기술을 개발하는 데 매우 중요한 역할을 합니다.
오늘은 연구 개발의 한 측면에 대해 이야기해 보려고 합니다. 저는 제품 개발자, 마케팅 및 영업 팀과 긴밀히 협력하여 소비자 인사이트를 발굴합니다. 제 업무의 핵심은 소비자의 행동, 선호도, 그리고 충족되지 않은 니즈를 깊이 이해하는 것입니다. 이를 통해 소비자의 공감을 얻을 수 있는 제품 개발 기회를 파악할 수 있습니다. 이번 시간에는 제가 JMP 플랫폼에서 이러한 인사이트를 도출하기 위해 사용하는 몇 가지 도구를 소개해 드리겠습니다. 저희는 지속적으로 시장 및 소비자 조사를 실시하고, 소비자의 쇼핑 습관, 제품 만족도, 그리고 트렌드를 파악하기 위한 데이터를 수집합니다.
저희는 제품 리뷰, 이메일, 제품 관련 게시글 등을 분석하거나 설문조사를 통해 사람들의 의견을 수집하는 등 다양한 방법을 사용합니다. JMP는 제품 리뷰의 텍스트와 같은 비정형 데이터뿐 아니라 주요 성과 지표 점수와 같은 정형 데이터 분석을 지원하는 여러 도구를 제공합니다. 텍스트 분석, 범주형 분석 등 JMP의 유용한 기능 중 일부를 소개하고, 머신러닝 기법도 몇 가지 공유해 드리겠습니다. 또한 제가 일반적으로 데이터를 분석하는 심층적인 방법도 보여드릴 수 있습니다.
비정형 데이터 분석부터 시작하겠습니다. 비정형 데이터의 대표적인 예로는 아마존이나 월마트 같은 소매업체의 온라인 리뷰가 있습니다. 이러한 리뷰는 소비자가 구매한 제품이 기대에 얼마나 부합하는지를 보여주는 지표입니다. 소비자가 제품을 사용한 후 남기는 댓글 또한 비정형 데이터의 좋은 예입니다. 이러한 데이터를 통해 소비자들이 어떤 이야기를 하고 있는지, 높은 평점을 받은 리뷰와 낮은 평점을 받은 리뷰에서 어떤 주제가 주로 언급되는지 등을 파악할 수 있습니다.
모든 분석과 마찬가지로 전체적인 흐름은 데이터 정제 및 품질 검사, 탐색, 그리고 분석 순이어야 합니다. 비정형 데이터를 분석하려면 먼저 JMP로 데이터를 가져와 정제해야 합니다. 텍스트 열의 모델링 유형을 비정형 데이터로 변경하는 것을 권장합니다. JMP에서 텍스트 분석을 하는 방법은 보통 이와 같습니다.
먼저 분석할 데이터가 있는 파일을 엽니다. Jump에서 데이터를 가져올 때 미리보기 기능을 활용하면 원하는 데이터가 있는 열이 있는지 확인하고 가져오기를 완료할 수 있습니다. 데이터를 가져온 후 텍스처가 포함된 열을 확인하면 해당 열이 제대로 표시됩니다. 제 예시에서는 아마존 리뷰 열입니다. 열 정보를 확인하고 필요한 경우 앞서 언급했듯이 모델링 유형을 '강사 테스트'로 변경합니다. 변경 사항을 적용한 후 데이터 정리 및 탐색을 시작하기 전에 파일을 저장하는 것이 좋습니다. 이렇게 하면 Jump 파일 형식으로 데이터를 보관할 수 있습니다. 데이터를 가져온 후에는 텍스트 탐색기 도구를 사용하여 데이터를 정리하고 탐색을 시작할 수 있습니다.
시연을 보여드리겠습니다. 분석 메뉴에서 텍스트 탐색기를 선택한 다음, 사람들이 무엇을 좋아하고 싫어하는지 알아보기 위해 텍스트가 있는 열을 텍스트 열 공간에 배치합니다. 별점을 기준으로 분석하겠습니다. 리뷰가 영어로 되어 있으므로 최소 세 글자 이상의 단어로 분석 범위를 좁히겠습니다. 메뉴를 드래그 앤 드롭하거나 기본적인 단어 탐색을 할 수 있습니다. 경험과 지식 수준에 따라 JMP를 사용하면 즉시 인사이트를 얻을 수 있습니다. 용어 및 구문 목록 출력은 분석된 텍스트에서 가장 많이 언급된 용어를 파악하는 데 도움이 됩니다. 저는 별점을 기준으로 분석했기 때문에 낮은 점수를 받은 리뷰와 높은 점수를 받은 리뷰의 차이를 쉽게 확인할 수 있습니다. JMP에서는 탐색하면서 데이터를 쉽게 정리할 수 있습니다. 저는 워드랩 기능을 즐겨 사용합니다.
분석에서 제외할 단어를 선택한 다음 탐색 메뉴에서 '불용어 추가'를 클릭할 수 있습니다. 또는 제외할 단어를 선택한 후 마우스 오른쪽 버튼을 클릭하고 '불용어 추가'를 선택할 수도 있습니다. 데이터 정리 및 탐색을 마친 후에는 추가 분석을 진행할 수 있습니다. 예를 들어, 데오도란트 카테고리에서 낮은 평점과 높은 평점 모두에서 언급된 몇 가지 주요 주제를 파악했습니다. 텍스트 탐색기 도구를 사용하면 파악된 주제의 영향을 얼마나 쉽게 확인할 수 있는지 보여드리겠습니다.
컬럼 공간의 텍스트 분석에서 클라우드의 단어를 변경할 수 있습니다. 콜로니 도구는 주요 컬럼의 볼륨별로 클라우드 바이트 형식을 지정하는 옵션을 제공합니다. 이 경우 별점을 기준으로 분석하고 싶었습니다. 별점이 텍스트에 미치는 영향을 시각적으로 확인하기 위해 그래프 색상을 변경합니다. 높은 별점에 언급된 댓글은 녹색으로, 낮은 별점에 언급된 댓글은 빨간색으로 표시합니다. 단어의 색상이 빨간색이나 녹색에 가까울수록 해당 주제가 핵심 성과 지표에 영향을 미칠 가능성이 높다는 것을 의미합니다. 이해하기 쉽도록 폴더 형식을 지정하고 레이아웃 옵션을 사용하여 작업 내용을 다듬을 수 있습니다. 각 단어 위에 마우스를 올리면 해당 주제의 볼륨뿐만 아니라 수행한 정리 이력도 표시됩니다. 이를 통해 동료 검토를 하거나 다른 사람에게 분석 내용을 설명할 수 있습니다.
제가 JMP 텍스트 분석기에서 자주 사용하는 또 다른 기능은 지표 열 생성 기능입니다. 이 기능을 사용하면 향후 분석을 위해 관심 있는 주제를 쉽게 선택하고 비정형 데이터를 정형 데이터로 변환할 수 있습니다. 다음으로는 정형 데이터 분석에 대해 살펴보겠습니다.
시제품이나 아이디어에 대한 사람들의 반응을 알고 싶을 때, 소비자들이 의견을 공유한 후 설문조사를 실시합니다. 그런 다음 소비자 조사 분석에 범주형 플랫폼을 활용합니다. 보여드리겠습니다. 직관적인 설정입니다. 비교하고자 하는 내용에 따라 열을 선택하고 구조 탭 상단 메뉴에 추가합니다. 그런 다음 질문이나 검증하고자 하는 가설에 따라 비교할 변수를 선택합니다. 이 예시에서는 사용 주기 단계별 주요 성과 지표에 관심이 있습니다.
저는 제품을 처음 매장에서 봤을 때와 집에 들여놓고 처음 사용했을 때, 그리고 몇 주 후에 제품 간에 차이가 있는지 알고 싶었습니다. Ctrl 키를 누른 상태에서 여러 열을 선택하고 구조화된 탭 옆에 배치하면 됩니다. 결과는 어떨까요? 매우 유용한 표가 만들어졌습니다. 어떻게 작동하는지 보여드리겠습니다. 각 제품에 대해 모든 응답의 분포, 평균, 그리고 전체 표준 편차를 확인할 수 있습니다. 데이터를 요약하고 싶을 때는 JMP에서 표를 정리하는 것이 매우 쉽습니다. 빨간색 삼각형을 클릭하면 팀 및 동료와 공유하고 싶은 지표를 선택할 수 있습니다. 저는 평균과 주요 응답에 관심이 있으므로 표준 편차와 응답 수준을 선택합니다. 이제 보시다시피, 제품 간의 평균 차이뿐만 아니라 초기 사용부터 사용 종료까지의 소비자 응답 분포에서도 차이를 쉽게 확인할 수 있습니다.
데이터를 분석하고 결론을 도출한 후에는 공유하고 싶은 데이터 요소들을 중심으로 표를 정리할 수 있습니다. 예를 들어, 분포와 평균 보고서에는 소수점 이하 한 자리까지 표시할 수 있습니다. 분석이 완료되어 JMP를 사용하지 않는 사람들과 공유하고 싶을 때는 출력 표를 엑셀 파일로 저장하여 공유하면, 데이터를 기반으로 비즈니스에 대한 권장 사항을 제시할 수 있습니다. 비정형 데이터의 경우, 핵심 지표뿐만 아니라 제품에 내장된 각 성능 요소 간의 관계를 파악하는 것이 중요합니다. 이는 비즈니스 의사 결정을 내리는 데 필수적인 요소입니다.
제품의 다양한 속성 간의 관계를 제대로 이해하는 좋은 방법은 다변량 분석과 JMP를 활용하는 것입니다. 다변량 분석을 통해 다양한 성과 요소와 핵심 지표 간의 상관관계를 파악할 수 있습니다. 분석을 수행하려면 분석 플랫폼의 다변량 분석 옵션에서 다변량 분석 방법을 선택합니다. 그런 다음 분석하고자 하는 변수를 선택할 수 있습니다. 이 예시에서는 몇 가지 핵심 성과 지표와 제품의 모든 속성 간의 관계를 다양한 요소에 걸쳐 분석하고자 합니다. 저는 이러한 관계를 쌍별 비교 방식으로 분석하는 것을 선호하기 때문에 각 쌍 간의 관계도 고려합니다. 항상 기본 정사각행렬 형식을 사용합니다.
결과적으로 변수 간의 관계 강도를 보여주는 매우 보기 좋은 색상 코드가 적용된 표가 생성됩니다. 사람은 기계가 아니기 때문에 저는 대략 0.6 정도의 상관관계를 찾습니다. 당연히 상관관계 값이 1에 가까울수록 관계가 더 강합니다. 때로는 파란색으로 표시된 부분의 단계에 따라 상관관계 표에서 알파 값을 직접 변경하여 신뢰 수준을 다르게 설정하기도 합니다. 시각적인 학습에 더 익숙한 팀원을 위해 표의 데이터를 기반으로 색상 맵을 만들 수도 있습니다. 텍스트 분석과 마찬가지로 JMP는 데이터를 사용자 정의할 수 있는 매우 유연한 도구입니다. 저는 빨간색 대신 다른 색상을 선호하는데, 저희 조직에서는 빨간색이 일반적으로 부정적인 반응을 의미하기 때문입니다. 또한 밝기를 조절하여 데이터에서 상관관계 강도의 대비를 높일 수 있습니다. 색이 진할수록 상관관계가 강합니다. 이 예시에서도 성과 속성 중 하나가 다른 속성들과는 상관관계가 없지만 핵심 성과 지표와는 높은 상관관계를 보이는 것을 확인할 수 있습니다.
동시에, 컬러 맵은 내 KPI와 높은 상관관계를 보이는 속성들을 보여줍니다. 이 단계는 가설을 구체화하고 데이터를 단순화하여 심층 분석을 시작하는 데 매우 유용합니다. 프로젝트 진행 과정에서 제품이나 서비스의 전반적인 점수에 영향을 미치는 가장 중요한 요소에 집중해야 할 때가 있으며, 이러한 요소들이 제품이나 서비스 유형에 따라 동일한지 여부를 파악하는 것도 중요합니다.
여러분의 반응을 예측하는 요인들을 빠르게 파악하는 방법을 알려드리겠습니다. 분석 메뉴에서 스크리너를 선택하고 예측 변수를 선택하세요. 그런 다음 예측하고자 하는 반응을 선택합니다. 저는 구매 예측 요인을 알고 싶으므로 제 퀵(Quip) 반응을 선택했습니다. 이제 관심 있는 변수들을 예측 변수로 선택하고 쿼크(Quark) 또는 예측 가능 변수에 넣습니다. 이 경우에는 구매 의도에 영향을 미칠 수 있는 모든 요소를 확인하고 싶습니다. 출력 창에는 모든 예측 변수가 순서대로 정리되어 표시되므로 구매 의도에 가장 큰 영향을 미치는 요인을 알 수 있습니다. 예상대로 구매 의도가 가장 큰 영향을 미치는 것으로 나타났지만, 다른 요인들도 비슷한 영향을 미치며 구매에 약 50% 정도 기여하는 것으로 보입니다.
저는 이러한 속성들이 제가 분석하는 다양한 제품에 어떻게 영향을 미치는지 더 자세히 이해하고 싶었습니다. 점프 기능을 이용하면 간단하게 확인할 수 있지만, 로컬 필터를 추가하고 여러 그룹을 전환하면서 각 요소가 KPI에 미치는 영향의 차이를 동적으로 확인할 수 있습니다. 보시다시피, 예측 변수는 제품마다 다릅니다. 어떤 제품의 경우, 관련성이 가격보다 구매 의도를 예측하는 데 더 효과적인 변수일 수 있습니다. 이 선별 도구는 가설을 세우고 우선순위를 설정하는 데 매우 유용하며, 데이터 분석을 심층적으로 진행하고 다음 슬라이드에서 다룰 더욱 정교한 요인들을 분석하는 데 도움이 될 것입니다.
지금까지 JMP를 사용하여 다양한 유형의 데이터를 분석하는 몇 가지 기법을 소개하고, JMP 도구가 정형 데이터와 비정형 데이터 모두를 분석하는 데 얼마나 유연한지 강조했습니다. 이제 더욱 심층적인 분석을 위한 JMP의 고급 도구를 보여드리고자 합니다. 10월 23일 오후 4시 45분부터 5시 15분까지 아메리카 서밋에서 제가 어떻게 적합성 모델을 활용하여 스킨케어 및 퍼스널 케어 제품 개발을 지원하는지 보여드리겠습니다. 많은 참여 부탁드립니다.
마지막으로, 프록터 앤 갬블은 모든 사람의 삶을 개선하고 모든 유형의 소비자가 우리 제품을 어떻게 즐기는지 이해하여 그들의 습관과 필요에 따라 제품을 맞춤화하는 데 관심을 기울이고 있다는 점을 말씀드리고 싶습니다. 이는 매우 중요합니다. 파티션 모델링 도구는 JMP의 고급 도구 중 하나로, 소비자 세그먼트를 파악하고 제품과 서비스에 만족하는 고객과 그렇지 않은 고객을 구분하는 데 사용하는 여러 선별 도구 중 하나입니다. 이 도구를 사용하는 방법을 시연해 드리겠습니다.
시작 메뉴에서 '예측 모델링 분석'을 선택한 다음 '파티션'을 선택합니다. 창이 나타나면 응답 변수와 예측 변수에 열 변수를 추가하라는 메시지가 표시됩니다. 이 예시에서는 소비자 조사에서 제품을 실제로 좋아하는 사용자를 파악하기 위해 전체 평점을 응답 변수로 선택합니다. 그런 다음 제품 사용 중 땀을 흘리거나 휴식을 취하는 등 사용자의 습관을 예측 변수로 사용합니다. 모델을 검증하기 위해 '검증용' 부분을 선택합니다.
이 초기 창은 이 기사에 등장하는 812명의 소비자 응답 분포를 보여줍니다. 왼쪽 상자에는 제품에 대한 전체 평점의 평균과 표준 편차가 표시되어 있습니다. 저는 예측 변수 후보들을 정렬하는 것을 좋아하는데, 이는 사용자들이 제품을 좋아하거나 싫어하는 데 영향을 미친 가장 가능성 높은 준비 행동이나 경험을 파악할 수 있기 때문입니다. 이 경우, 얼룩이나 체취에 민감하거나 운동을 통해 제품을 다르게 경험했을 가능성이 있는 사용자들이 더 두드러져 보입니다. 심층 분석을 위해서는 데이터를 분할하거나 키를 생성하는 작업을 시작할 수 있습니다.
첫 번째 분석 결과는 스텐트 관련 불편함을 느끼는 사람들이 그렇지 않은 사람들보다 제품을 더 좋게 평가했다는 것을 보여줍니다. 이 86명의 다른 특성을 살펴보면, 11명의 사용자가 데오도란트를 다른 신체 부위에도 사용해 봤고, 테스트한 제품에 매우 만족했다는 것을 알 수 있습니다. 한편, 수성 제품이 아닌 제품을 사용했을 때 호불호가 갈리는 다른 특성은 무엇인지 알아보고 싶었습니다. 726명을 대상으로 분석한 결과, 운동을 하지 않는 사람들은 제품에 큰 관심이 없었지만, 운동을 하는 사람들은 제품을 선호하는 것으로 나타났습니다. 즉, 운동을 자주 하는 사람들은 이 제품을 그다지 좋아하지 않았다는 것을 알게 되었습니다.
또한, 소비자들이 운동을 할 때 제품을 자주 사용하는 것이 그렇지 않은 것보다 더 효과적입니다. 이 간단하면서도 심층적인 분석은 누가 우리 제품의 혜택을 받는지, 누가 다른 습관을 들이도록 유도해야 하는지 파악하는 데 강력한 도구입니다. 저는 프록터 앤 갬블에서 JMP 플랫폼을 활용하여 정형 및 비정형 정보를 통해 데이터 스토리를 만들어내고, 이를 바탕으로 비즈니스 및 개발 파트너들에게 소비자에게 최상의 서비스를 제공하는 방법을 제시하고 있습니다.
P&G는 혁신을 최우선으로 생각합니다. JMP 분석 도구를 활용하여 문제 해결 방안을 찾는 것을 좋아하며, 해결해야 할 문제를 파악하고, 그 해결책이 얼마나 효과적인지 분석하여 더욱 우수한 품질의 제품을 개발합니다. 데이터 분석을 통해 소비자 피드백에서 통찰력을 얻는 것은 연구 개발 분야에서 가장 보람 있는 일 중 하나입니다. 도움과 관심에 진심으로 감사드립니다. 서밋에서 뵙기를 기대합니다.
