您知道吗？北美超过 40% 的人都对体味感到困扰。您是否曾在徒步旅行、乘坐公交车或日常生活中突然意识到“哎呀，我真该洗个澡”？在本海报中，我们将展示 JMP Analyze 平台中定性和分析工具的强大功能，助您发现技术开发的潜在机会。我们将向您展示如何利用文本探索器、多元方法、筛选和预测建模等工具，处理来自不同数据源的数据。通过分析结构化和非结构化数据，我们将挖掘出巨大的机遇和独到的见解。我们将向您展示如何将这些见解结合起来，推动皮肤和个人护理领域的创新和进一步学习。在宝洁公司，这些工具助力我们开发新产品和新理念，每天为数百万消费者提供值得信赖的品牌。欢迎参加我们的 JMP 互动讲座，学习如何从调查和消费者评论中挖掘洞察，从而为卓越的皮肤和个人护理产品带来创新。
下午好、早上好或晚上好，这取决于您观看这段视频的时间。我是宝洁公司的高级科学家，很高兴来到这里。我们公司的使命是提供优质高效的品牌产品和服务，以改善消费者的生活。我们在研发领域发挥着至关重要的作用，推动创新，开发新产品和新技术。
今天，我想和大家重点谈谈研发的一个方面。我与配方师、市场营销和销售团队紧密合作，挖掘消费者洞察。我的工作内容之一是深入了解消费者的行为、偏好和未被满足的需求。这有助于我们发现开发能够引起消费者共鸣的产品的机会。在本次分享中，我将向大家展示我在JMP平台上用于挖掘这些洞察的一些工具。我们持续进行市场和消费者研究，收集数据以了解消费者的购物习惯、产品满意度和消费趋势。
我们采用的一些方法包括阅读产品评论、电子邮件或关于我们产品的帖子，有时我们也会通过调查问卷征求用户的意见。JMP 提供了一套工具，可以帮助分析非结构化数据（例如产品评论中的文本）和结构化数据（例如关键绩效指标的评分）。我将向您展示一些（但并非全部）强大的文本分析和分类分析功能，并分享一些 JMP 的机器学习技术。我还可以向您展示我通常如何使用我的数据进行一些深入的探索。
让我们先从非结构化数据分析谈起。典型的非结构化数据来源是来自亚马逊或沃尔玛等零售商的在线评论。这些评论可以反映消费者购买的产品是否符合他们的预期。其他非结构化数据来源还包括消费者在使用我们产品后留下的评论。这类数据可以帮助我们解答诸如“消费者在谈论什么？”、“高分评论中人们提到的不同话题是什么？低分评论中人们提到的又是什么？”之类的问题。
与其他分析一样，非结构化分析的总体流程应该是：数据清洗和质量检查、探索，最后进行分析。要分析非结构化数据，首先需要在 JMP 中导入并清洗数据。我建议您将文本列的建模类型更改为非结构化数据。在 JMP 中，进行任何文本分析的操作都是如此。
首先，打开包含待分析数据的文件。在 Jump 中导入数据时，预览功能非常有用，可以确保所需数据的列存在，从而确保数据被正确导入。导入数据后，确认包含纹理的列存在。在我的示例中，它是亚马逊评论列。然后，查看列信息，如果需要，请按照我之前提到的方法，将建模类型更改为讲师测试。我建议您在完成这些更改后，并在开始清理和探索之前保存文件，这样您就可以始终将数据保存为 Jump 文件。导入数据后，您可以使用文本探索器套件来清理数据并开始探索。
让我来演示一下。从分析菜单中选择文本浏览器，然后将包含文本的列放置在文本列区域，因为我想了解人们喜欢什么，不喜欢什么。我将按星级评分进行分析。由于这些评论是英文的，我只想分析至少包含三个字符的单词。您可以拖放菜单，或者只使用基本词汇进行探索。根据您在该主题上的经验和知识，JMP 可以帮助您快速获得洞察。术语和短语列表输出可以让您了解在分析文本中最常出现的术语。因为我按星级评分进行分析，所以我可以轻松地看出低分评论和高分评论之间的差异。您可以在 JMP 中轻松继续清理数据。我喜欢使用“labs”这个词。
您可以选择要从分析中排除的词，然后点击探索菜单中的“添加停用词”。或者，您也可以在选择要删除的词后右键单击，然后选择“添加停用词”。花一些时间清理和探索数据后，您可以继续进行更深入的分析。例如，在除臭剂类别中，我识别出一些在低评分和高评分中都出现的有趣主题。接下来，我将向您展示如何使用文本探索工具轻松查看已识别主题的影响。
在列空间的“分析文本”中，您可以选择更改云图中的关键词。殖民地工具允许您按关键列的数量格式化时钟字节。在本例中，我想按星级评分进行分析。我喜欢更改图表上的颜色，以查看星级评分对我的文本的影响：绿色表示高星级评分中提及的评论，红色表示低星级评分中提及的评论。关键词颜色越红或越绿，则该主题对我的关键绩效指标的影响就越大。为了使其更易于理解，我可以格式化文件夹并使用布局选项来优化我的工作。将鼠标悬停在每个词上，不仅可以显示该主题的数量，还可以显示您执行的任何清理历史记录。然后，您可以使用此功能进行同行评审，并向他人解释您的分析。
JMP文本分析器中我经常使用的另一个功能是指标列创建。您可以轻松选择任何感兴趣的主题进行后续分析，并将非结构化数据转换为结构化数据。接下来，我们来探讨结构化数据分析。
当我想了解人们对原型或想法的反馈时，我会先收集消费者的意见，然后进行问卷调查。之后，我会利用消费者研究分析中的分类平台。让我来演示一下。它的设置非常直观。根据我想要进行的比较，我选择相应的列，并将其添加到顶部菜单栏的“结构”选项卡中。然后，根据我的问题或想要验证的假设，选择要比较的变量。在这个例子中，我感兴趣的是不同使用阶段的关键绩效指标。
我想了解产品在刚上架、首次使用以及几周后是否存在差异。您可以按住 Ctrl 键选择多列，然后将它们添加到结构化选项卡的侧边栏。结果如何？我得到了一个信息量非常丰富的表格。让我来演示一下。表格展示了每种产品的所有响应分布、均值和总体标准差。当我想汇总数据时，在 JMP 中清理表格非常容易。点击红色三角形，我可以选择要与团队和同事分享的指标。由于我关注的是均值和关键响应，所以我可以选择标准差和响应水平。现在您可以看到，我可以轻松地看出某些产品在均值上的差异，以及消费者从使用初期到结束的响应分布差异。
一旦我理解了数据并得出结论，我就可以进一步清理表格，格式化我想要分享的数据元素。例如，我可以将分布和均值报告使用小数点后一位。当我满意并想与可能不使用 JMP 的其他人分享时，我可以轻松地将输出表格保存到 Excel 中，并与他人分享，以便他们根据数据为业务提出建议。与非结构化数据一样，我不仅想了解关键指标之间的关系，还想了解我们产品中构建的每个性能要素之间的关系。这对于我们制定业务决策至关重要。
要真正理解产品不同属性之间的关系，一个好方法是使用多元分析和 JMP 软件。多元分析可以帮助您了解各项绩效要素与关键指标之间的相关性。要进行分析，请在分析平台的多元分析选项中选择多元方法。然后，您可以选择想要了解的变量。在本例中，我感兴趣的是某些关键绩效指标与产品所有属性（涵盖不同要素）之间的关系。我喜欢用成对比较的方法来理解这种关系，因此需要考虑每一对要素之间的关系。我始终使用默认的方阵格式。
最终会生成一个非常漂亮的彩色编码表格，展示变量之间的关联强度。由于人毕竟不是机器，我会寻找关联度在 0.6 左右的记录。显然，关联度越高（接近 1），关联性就越强。有时，根据“蓝色时刻”的阶段，我会直接在关联度表格中调整置信度（alpha 值），从而考虑不同的置信水平。对于团队中更倾向于视觉学习的成员，你们可以根据表格数据创建颜色映射。就像文本分析一样，JMP 是一个非常灵活的工具，允许你自定义数据。我倾向于使用红色以外的颜色，因为在我的组织中，红色通常代表负面反应。我还可以调整明度，以增强数据中关联强度的对比度。颜色越深，关联性越高。在这个例子中，我已经可以看到，某个绩效属性与其他属性不相关，但它与我的关键绩效指标的相关性更高。
同时，颜色图显示某些属性与我的关键绩效指标 (KPI) 高度相关。这一步骤对于验证假设非常有用，因此您可以开始简化数据，以便进行更高级的分析。在项目生命周期中，有时您需要关注影响产品或服务整体评分的最重要因素，并且您还想了解这些因素是否会因所使用的产品或服务类型而异。
让我向您展示一个快速了解哪些因素会影响您的响应的方法。从“分析”菜单中，转到“筛选器”，然后选择“预测器”屏幕。接下来，选择您想要预测的响应。在本例中，我想了解购买的预测因素，所以我将其输入到我的简短响应中。然后，我选择感兴趣的变量作为预测因子，并将它们添加到夸克或可预测变量中。在本例中，我想查看所有可能影响购买意愿的因素。输出窗口按顺序显示了我的所有预测因子，这样我就可以知道哪个因素对我的购买意愿影响最大。不出所料，购买意愿似乎是最大的影响因素，但其他因素的影响也大致相同，约占购买意愿的 50%。
我想进一步了解这些属性如何影响我分析的不同产品。虽然在 Jump 中可以轻松快速地进行检查，但添加本地筛选器并在不同组之间切换，可以动态地查看每个因素对 KPI 的贡献是否存在差异。正如您所看到的，预测变量在不同产品之间有所不同。对于某些产品而言，相关性似乎比价值更能预测购买意愿。这个筛选工具非常有用，可以帮助您开始提出假设并设定优先级，以便您继续深入分析数据并进行更复杂的驱动因素分析，我将在下一张幻灯片中介绍这些内容。
到目前为止，我已经向您展示了JMP中一些分析不同类型数据的技巧，并重点介绍了JMP工具在分析结构化数据和非结构化数据方面的灵活性。接下来，我想向您展示JMP提供的更高级的工具，以便进行更深入的分析。请于10月23日下午4:45至5:15参加美洲峰会，届时我将向您展示如何利用拟合模型来指导护肤和个人护理产品的开发。
最后我想强调的是，宝洁致力于改善所有人的生活，并努力了解我们的产品如何让各类消费者满意，以便根据他们的习惯和需求定制产品和服务。这一点至关重要。分区建模工具是 JMP 中的一项高级工具，也是我用来初步了解消费者群体以及哪些消费者对您的产品和服务感到满意或不满意的众多筛选工具之一。以下是我如何使用该工具的演示。
从开始菜单中，选择“分析预测模型”，然后选择“分区”。窗口会提示您在响应变量和预测变量级别添加列变量。在本例中，我想了解消费者研究中哪些用户真正喜欢这些产品，因此我将选择总体评分作为响应变量。然后，我想使用用户在使用产品时遇到的任何出汗或其他不适的习惯作为预测变量。由于我想验证模型，因此需要调用验证部分。
初始窗口显示了本案例中所有 812 位消费者的反馈分布情况。左侧方框显示了产品总体评分的平均值和标准差。我喜欢对预测变量进行排序，因为这样可以了解用户在喜欢或不喜欢该产品时最可能存在的准备行为或体验。在本例中，那些对污渍或体味比较敏感的用户，以及那些经常使用该产品的用户，他们的体验可能有所不同。为了进行更深入的探索，我可以开始对数据进行分区或创建键值。
第一条数据表明，实际上，那些通常会受到支架困扰的人对产品的评价高于那些不受支架困扰的人。如果进一步探究这86位用户的其他特征，我发现其中有11位用户将止汗剂涂抹在身体的其他部位，并且他们非常喜欢这些测试产品的体验。另一方面，我想了解还有哪些特征可以解释哪些用户喜欢或不喜欢这些非水基产品。对这726位用户进行分组分析后发现，不运动的人不太在意这些产品，而运动的人则很喜欢这些产品。我发现经常运动的人并不喜欢这些产品。
此外，经常使用产品的消费者比很少使用产品的消费者效果更好。这种简单而深入的分析是识别哪些人能从我们的产品中受益，以及哪些人可能需要一些引导才能养成不同习惯的有力工具。在宝洁公司，我利用JMP平台，通过结构化和非结构化信息讲述数据故事，从而能够更好地向我的业务和开发伙伴传达我们如何更好地服务消费者的信息。
在宝洁，创新是我们最擅长的。我们热衷于运用JMP分析工具的强大功能来寻找问题的解决方案，我们不仅会发现需要解决的问题，还会评估现有解决方案的有效性，从而开发出更高品质的产品。利用数据分析从消费者反馈中挖掘洞见，是研发领域最有成就感的工作之一。非常感谢您的帮助和关注。期待在峰会上与您相见。
