¿Sabías que más del 40% de las personas en Norteamérica se preocupan por el olor corporal? ¿Alguna vez has tenido uno de esos momentos de "¡Uf, necesito una ducha!" mientras haces senderismo, vas en autobús o simplemente sigues con tu vida? En este póster, mostraremos el poder de usar las herramientas cualitativas y analíticas de la plataforma JMP Analyze para descubrir áreas de oportunidad para el desarrollo tecnológico. Te mostraremos cómo aprovechar Text Explorer, los métodos multivariantes, el cribado y el modelado predictivo en diferentes fuentes de datos. Al analizar datos estructurados y no estructurados, descubrimos grandes oportunidades y perspectivas interesantes. Te mostraremos cómo, al combinar estas perspectivas, impulsamos la innovación y el aprendizaje continuo en el cuidado de la piel y personal. En Procter & Gamble, estas herramientas facilitan el desarrollo de nuevos productos e ideas para servir a millones de personas cada día con marcas de confianza. Únete a nosotros en una charla interactiva de JMP y aprende a descubrir información de encuestas y reseñas de consumidores que te ayudará a descubrir nuevas innovaciones para productos superiores de cuidado de la piel y personal.
Buenas tardes, buenos días o buenas noches, según la hora a la que estén viendo esto. Soy científico sénior en Proctor and Gamble y estoy encantado de estar aquí. Nuestra misión en la empresa es ofrecer productos y servicios de marca de calidad y valor superiores para mejorar la vida de nuestros consumidores. Nuestro papel en investigación y desarrollo es crucial para impulsar la innovación y el desarrollo de nuevos productos y tecnologías.
Hoy quiero hablarles específicamente sobre un aspecto de I+D. Trabajo en estrecha colaboración con formuladores, equipos de marketing y ventas para comprender mejor el comportamiento del consumidor. Uno de los aspectos de mi trabajo es comprender a fondo su comportamiento, preferencias y necesidades insatisfechas. Esto me ayuda a identificar oportunidades para desarrollar productos que conecten con los consumidores. En esta sesión, les mostraré algunas de las herramientas que utilizo en la plataforma JMP para descubrir estos conocimientos. Realizamos constantemente estudios de mercado y de consumo, y recopilamos datos para comprender sus hábitos de compra, satisfacción con los productos y tendencias.
Algunos de nuestros enfoques incluyen la lectura de reseñas de productos, correos electrónicos o publicaciones sobre ellos, y en otras ocasiones, solicitamos su opinión mediante encuestas. JMP cuenta con un conjunto de herramientas que facilitan el análisis de datos no estructurados, como el texto de reseñas de productos, y de datos estructurados, como los que se obtienen de las puntuaciones de los indicadores clave de rendimiento (KPI). Les mostraré algunas, pero no todas, las funciones interesantes para el análisis de texto y el análisis categórico, y compartiré algunas técnicas de aprendizaje automático de JMP. También les mostraré la exploración en profundidad que suelo realizar con mis datos.
Permítanme comenzar con el análisis de datos no estructurados. Las fuentes típicas de datos no estructurados son las reseñas en línea de minoristas como Amazon o Walmart. Estas reseñas son un indicador de qué tan bien los productos que compran cumplen o conocen sus expectativas. Otras fuentes de datos no estructurados pueden ser los comentarios que los consumidores nos dejan después de usar nuestros productos. Este tipo de datos nos ayuda a responder preguntas como: ¿de qué hablan los consumidores? ¿Cuáles son los diferentes temas que mencionan las personas en las reseñas con las puntuaciones más altas y cuáles en las reseñas con las puntuaciones más bajas?
Como todo análisis, el flujo general debe consistir en limpieza y comprobación de calidad, exploración y, finalmente, análisis. Para analizar datos no estructurados, primero debe importarlos y limpiarlos en JMP. Le recomiendo cambiar el tipo de modelado de su columna de texto a datos no estructurados. Para cualquier análisis de texto, así es como se hace en JMP.
Primero, abra el archivo que contiene los datos que desea analizar. Al importar los datos en Jump, la vista previa siempre es útil para asegurarse de que la columna con los datos deseados esté presente y se importe. Después de importar los datos y confirmar la columna con la textura, verá que hay una. En mi ejemplo, es una columna de reseñas de Amazon. Luego, revise la información de la columna y, si es necesario, cambie el tipo de modelado a "prueba del instructor", como mencioné. Le recomiendo guardar el archivo una vez realizados los cambios y antes de comenzar a limpiar y explorar, para que siempre tenga los datos como un archivo Jump. Después de importar los datos, puede usar Text Explorer para limpiarlos y comenzar su exploración.
Permítame hacer una demostración. En el menú de análisis, elija Explorador de texto y luego coloque la columna con texto en el espacio de columnas de texto, ya que quiero entender qué es lo que le gusta y no le gusta a la gente. Analizaré por calificación de estrellas. Luego, como estas reseñas están en inglés, solo quiero reducir mi análisis a aquellas palabras que tienen al menos tres caracteres. Puede eliminar su menú o simplemente usar palabras básicas para la exploración. Dependiendo de la experiencia y el conocimiento que tenga sobre el tema, JMP facilita la obtención de información de inmediato. La salida de la lista de términos y frases le da una idea de cuáles son los términos más mencionados en el texto analizado. Debido a que hice mi análisis por calificación de estrellas, puedo ver fácilmente la diferencia entre las reseñas con puntuaciones bajas y las reseñas con puntuaciones altas. Puede continuar limpiando sus datos a medida que explora en JMP muy fácilmente. Me gusta usar los laboratorios de palabras.
Puede seleccionar la palabra que desea excluir del análisis y luego hacer clic en "Añadir palabra vacía" en el menú para explorarla. O bien, puede hacer clic derecho después de seleccionar la palabra que desea eliminar y seleccionar "Añadir palabra vacía". Una vez que haya dedicado tiempo a depurar y explorar sus datos, puede continuar con el análisis. Por ejemplo, en la categoría de desodorantes, identifico algunos temas de interés mencionados con calificaciones altas y bajas. Permítame mostrarle lo fácil que es ver el impacto de los temas identificados con la herramienta Explorador de texto.
Desde el texto de análisis en el espacio de la columna, puede optar por cambiar la palabra de su nube. La herramienta de colonia le da la opción de formatear su byte de reloj por volumen en columnas clave. En este caso, quería analizarlo por calificaciones de estrellas. Me gusta cambiar el color en mi gráfico para ver el impacto en mi texto en las calificaciones de estrellas, verde para ver los comentarios mencionados en las calificaciones de estrellas altas y rojo para ver los comentarios vistos en las calificaciones de estrellas bajas. Cuanto más roja o verde se vuelva la palabra, más probable es que este tema pueda estar afectando mi indicador clave de rendimiento. Para que sea más fácil de entender, puedo formatear la carpeta y usar las opciones de diseño para pulir mi carga de trabajo. Al pasar el cursor sobre cada palabra, se muestra no solo el volumen de ese tema, sino también cualquier historial de limpieza que haya realizado. Luego puede usar esto para revisar por pares y explicar su análisis a otros.
Otra función del analizador de texto JMP que uso a menudo es la creación de columnas indicadoras. Puedes seleccionar fácilmente cualquier tema de interés para futuros análisis y transformar datos no estructurados en datos estructurados. A continuación, exploraremos el análisis de datos estructurados.
Cuando me interesa conocer las reacciones de la gente a prototipos o ideas, realizo encuestas después de que los consumidores comparten sus opiniones. Luego, utilizo la plataforma categórica para el análisis de la investigación de consumidores. Les mostraré. Es una configuración intuitiva. Según las comparaciones que quiero hacer, selecciono la columna y la añado al menú superior de la pestaña de estructura. Luego, según las preguntas que tengo o la hipótesis que quiero probar, selecciono las variables para comparar. En este ejemplo, me interesan los indicadores clave de rendimiento en las diferentes etapas del ciclo de uso.
Quería entender si hay diferencias entre los productos cuando se ven por primera vez en el estante, luego después de que los pones en casa por primera vez, y luego después de algunas semanas, puedes seleccionar múltiples columnas manteniendo presionada la tecla Ctrl al seleccionar columnas y luego colocarlas al lado de la pestaña estructurada. ¿El resultado? Es una tabla muy informativa. Déjame mostrarte lo que hace. Para cada producto usando la distribución de todas las respuestas y las medias y la desviación estándar general. Cuando quiero comenzar a resumir mis datos, es muy fácil limpiar la tabla en JMP. Yendo al triángulo rojo, puedo seleccionar las métricas que quiero compartir con mi equipo y colegas. Como estoy interesado en las medias y las respuestas clave, puedo seleccionar la desviación estándar y los niveles de respuesta. Puedes verlo ahora. Puedo ver fácilmente la diferencia entre algunos productos en las medias, pero también en la distribución de las respuestas del consumidor desde el inicio hasta el final del uso.
Una vez que comprendo mis datos y saco mis conclusiones, puedo depurar aún más mi tabla formateando los elementos que quiero compartir. Por ejemplo, puedo usar puntos decimales simples para las distribuciones y el informe de medias. Cuando estoy satisfecho y quiero compartirlo con quienes no usan JMP, puedo guardar fácilmente mi tabla de resultados en Excel y compartirla para hacer recomendaciones para la empresa basadas en los datos. Al igual que con los datos no estructurados, quiero comprender la relación no solo entre mis métricas clave, sino también entre cada elemento de rendimiento que integramos en nuestros productos. Es importante comprender esto al tomar decisiones para la empresa.
Una buena manera de comprender realmente las relaciones entre los diferentes atributos de un producto es mediante el análisis multivariante y JMP. Este análisis permite ver la correlación entre varios elementos de rendimiento y las métricas clave. Para realizar el análisis, seleccione métodos multivariantes en las opciones de análisis multivariante de la plataforma de análisis. A partir de ahí, puede empezar a seleccionar las variables que desea comprender. En este ejemplo, me interesa la relación entre algunos de mis indicadores clave de rendimiento y todos los atributos del producto en sus diferentes elementos. Prefiero comprender esta relación mediante un método por pares, considerando la relación entre cada par. Siempre utilizo el formato de matriz cuadrada predeterminado.
El resultado es una tabla con códigos de colores muy atractiva que muestra la fuerza de la relación entre las variables. Dado que los seres humanos no somos máquinas, busco relaciones entre registros con un valor aproximado de 0,6. Obviamente, cuanto mayor sea la relación con uno, mejor será la relación. A veces, dependiendo de la etapa del momento azul, considero diferentes niveles de confianza modificando mi nivel alfa directamente en la tabla de correlación. Para quienes aprenden más visualmente en su equipo, pueden crear un mapa de colores basado en los datos de su tabla. Al igual que en el análisis de texto, JMP es una herramienta muy flexible que permite personalizar los datos. Prefiero mostrar un color diferente al rojo porque, en mi organización, el rojo suele significar una respuesta negativa. También puedo cambiar la intensidad de la claridad para aumentar el contraste de la fuerza de las correlaciones en mis datos. Cuanto más oscuro sea el color, mayor será la correlación. En este ejemplo, puedo ver que uno de los atributos de rendimiento no se correlaciona con otros, pero sí tiene una mayor correlación con mis indicadores clave de rendimiento.
Al mismo tiempo, el mapa de colores muestra que algunos atributos tienen una alta correlación con mis KPI. Este paso es muy útil para simplificar una hipótesis y así poder empezar a simplificar los datos para un análisis más avanzado. A veces, durante la vida de un proyecto, es necesario centrarse en los factores más importantes que influyen en la puntuación general del producto o servicio, y también es importante comprender si esos factores son los mismos según el tipo de producto o servicio utilizado.
Permítanme mostrarles una forma rápida de comenzar a comprender qué factores predicen su respuesta. Desde el menú de análisis, vayan al filtro y seleccionen la pantalla de predictores. Luego, elijan la respuesta que desean predecir. En este caso, quiero comprender los predictores de compra, así que los incluyo en mi respuesta de quip. Luego, elijo las variables de interés como predictores y las incluyo en los quarks o predictibles. En este caso, quiero ver todos los elementos que podrían estar influyendo en la intención de compra. La ventana de resultados muestra todos mis predictores organizados para que sepa cuál es el principal impulsor de mi intención de compra. Como era de esperar, parece que la intención es el mayor contribuyente, pero los demás factores tienen aproximadamente el mismo impacto y representan aproximadamente el 50% del impulso de compra.
Quería comprender mejor cómo estos atributos podrían contribuir a los diferentes productos que analizo. Puedes hacer una comprobación rápida fácilmente en Jump, añadiendo un filtro local y alternando entre diferentes grupos para ver dinámicamente cualquier diferencia en la contribución de cada factor a tu KPI. Como puedes ver, la variable predictora varía entre los diferentes productos. Parece que, para algunos productos, la relevancia podría ser un mejor predictor de la intención de compra que el valor. Esta herramienta de análisis es muy útil para ayudarte a desarrollar hipótesis y establecer prioridades a medida que profundizas en el análisis de datos y buscas impulsores más sofisticados, que abordaré en la siguiente diapositiva.
Hasta ahora, les he mostrado algunas técnicas en JMP para analizar diferentes tipos de datos y he destacado la flexibilidad de las herramientas de JMP para analizar tanto datos estructurados como no estructurados. Me gustaría mostrarles herramientas más avanzadas que ofrece JMP para un análisis más profundo. Únanse a mí el 23 de octubre, de 16:45 a 17:15, en la Cumbre de las Américas para mostrarles cómo aprovecho el modelo de ajuste y así guiar el desarrollo de productos para la piel y el cuidado personal.
Para finalizar, permítanme decirles que en Procter & Gamble nos preocupamos por mejorar la vida de todas las personas y comprender cómo nuestros productos satisfacen a todo tipo de consumidores, para poder personalizar nuestra oferta según sus hábitos y necesidades. Es importante. La herramienta de modelado de particiones es una herramienta avanzada de JMP, una de las muchas herramientas de análisis que utilizo para comprender los segmentos de consumidores y determinar quiénes están satisfechos con sus productos y servicios. Aquí les dejo una demostración de cómo la utilizo.
En el menú de inicio, seleccione "Analizar modelado predictivo" y luego "Particionar". La ventana le pedirá que agregue variables de columna en el nivel de respuesta y el nivel de predictor. En este ejemplo, quiero comprender quiénes disfrutan realmente de los productos en un estudio de consumidores, así que seleccionaré la calificación general como mi nivel de respuesta. Luego, quiero usar los hábitos de mis usuarios y su experiencia con el sudor u otros descansos al usar el producto como mi predictor. Como quiero validar mi modelo, quiero llamar a la sección para validación.
Esta ventana inicial muestra la distribución de las respuestas de los 812 consumidores de esta historia. El recuadro de la esquina izquierda muestra la media de la calificación general del producto y la desviación estándar. Me gusta ordenar los candidatos predictores porque puedo ver cuál es el comportamiento o la experiencia de preparación más probable de los usuarios en cuanto a si les gustó o no el producto. En este caso, se trata de aquellos a quienes les molestan las manchas o el olor corporal, y quienes, tras mi ejercicio, podrían haber experimentado los productos de forma diferente. Para una exploración más profunda, puedo empezar a particionar los datos o a crear una clave.
El primer código muestra que, de hecho, quienes suelen experimentar molestias con los stents calificaron los productos mejor que quienes no. Si se analizan otras características de estas 86 personas, se observa que once usuarios se han aplicado desodorante en otras partes del cuerpo y que realmente disfrutan de la experiencia con los productos probados. Por otro lado, quiero comprender qué otras características podrían definir a los usuarios a quienes les gustaron o no los productos que usaron y que no son a base de agua. Al realizar una división entre esas 726 personas, se observa que quienes no hacen ejercicio no mostraron gran interés por el producto, mientras que quienes sí lo hicieron se dividieron. Descubrí que quienes hacían ejercicio a menudo no disfrutaban del producto.
Además, usar un producto con tanta frecuencia es mejor que cuando los consumidores que hacen ejercicio no lo usan con mucha frecuencia. Este análisis simple pero profundo es una herramienta poderosa para identificar quién se beneficia de nuestros productos y quién podría necesitar un impulso para cambiar sus hábitos. En mi puesto en Procter & Gamble, contar con la plataforma JMP y usarla para generar historias de datos con información estructurada y no estructurada me permite informar a mis socios comerciales y de desarrollo sobre la mejor manera de servir a nuestros consumidores.
En P&G, la innovación es nuestra especialidad. Nos apasiona encontrar soluciones a los problemas aprovechando el poder de las herramientas de análisis de JMP. Identificamos los problemas que hay que resolver. Identificamos el rendimiento de las soluciones para desarrollar productos de calidad superior. Obtener información de los comentarios de los consumidores mediante el análisis de datos es una de las tareas más gratificantes en investigación y desarrollo. Muchas gracias por su ayuda y atención. Espero verlos en la cumbre.
