您知道嗎？北美超過 40% 的人都對體味感到困擾。您是否曾在健行、搭乘公車或日常生活中突然意識到「哎呀，我真該洗個澡」？在本海報中，我們將展示 JMP Analyze 平台中定性和分析工具的強大功能，幫助您發現技術開發的潛在機會。我們將向您展示如何利用文字探索器、多元方法、篩選和預測建模等工具，處理來自不同資料來源的資料。透過分析結構化和非結構化數據，我們將挖掘出巨大的機會和獨特的見解。我們將向您展示如何將這些見解結合起來，推動皮膚和個人護理領域的創新和進一步學習。在寶潔公司，這些工具協助我們開發新產品和新概念，每天為數百萬消費者提供值得信賴的品牌。歡迎參加我們的 JMP 互動講座，學習如何從調查和消費者評論中挖掘洞察，從而為卓越的皮膚和個人護理產品帶來創新。
下午好、早安或晚上好，這取決於您觀看這段影片的時間。我是寶潔公司的高級科學家，很高興來到這裡。我們公司的使命是提供優質且高效的品牌產品和服務，以改善消費者的生活。我們在研發領域發揮至關重要的作用，推動創新，開發新產品和新技術。
今天，我想和大家重點談談研發的一個面向。我與配方師、行銷和銷售團隊緊密合作，挖掘消費者洞察。我的工作內容之一是深入了解消費者的行為、偏好和未被滿足的需求。這有助於我們發現開發能夠引起消費者共鳴的產品的機會。在本次分享中，我將向大家展示我在JMP平台上用來挖掘這些洞察的一些工具。我們持續進行市場和消費者研究，收集資料以了解消費者的購物習慣、產品滿意度和消費趨勢。
我們採用的一些方法包括閱讀產品評論、電子郵件或關於我們產品的帖子，有時我們也會透過問卷徵求用戶的意見。 JMP 提供了一套工具，可以幫助分析非結構化資料（例如產品評論中的文字）和結構化資料（例如關鍵績效指標的評分）。我將向您展示一些（但並非全部）強大的文字分析和分類分析功能，並分享一些 JMP 的機器學習技術。我還可以向您展示我通常如何使用我的數據進行一些深入的探索。
讓我們先從非結構化資料分析談起。典型的非結構化資料來源是來自亞馬遜或沃爾瑪等零售商的線上評論。這些評論可以反映消費者購買的產品是否符合他們的預期。其他非結構化資料來源還包括消費者在使用我們產品後留下的評論。這類數據可以幫助我們解答諸如「消費者在談論什麼？」、「高分評論中人們提到了哪些話題？低分評論中人們又提到了哪些話題？」之類的問題。
與其他分析一樣，非結構化分析的整體流程應該是：資料清洗和品質檢查、探索，最後進行分析。要分析非結構化數據，首先需要在 JMP 中匯入並清洗資料。我建議您將文字列的建模類型變更為非結構化資料。在 JMP 中，進行任何文字分析的操作都是如此。
首先，開啟包含待分析資料的檔案。在 Jump 中匯入資料時，預覽功能非常有用，可確保所需資料的列存在，從而確保資料被正確匯入。匯入資料後，確認包含紋理的列存在。在我的示例中，它是亞馬遜評論列。然後，查看列信息，如果需要，請按照我之前提到的方法，將建模類型更改為講師測試。我建議您在完成這些更改後，並在開始清理和探索之前保存文件，這樣您就可以始終將資料儲存為 Jump 文件。匯入資料後，您可以使用文字探索器套件來清理資料並開始探索。
讓我來示範一下。從分析選單中選擇文字瀏覽器，然後將包含文字的列放置在文字列區域，因為我想了解人們喜歡什麼，不喜歡什麼。我將按星級評分進行分析。由於這些評論是英文的，我只想分析至少包含三個字元的單字。您可以拖放菜單，或只使用基本詞彙進行探索。根據您在該主題上的經驗和知識，JMP 可以幫助您快速獲得洞察。術語和短語清單輸出可以讓您了解在分析文本中最常出現的術語。因為我按星級評分進行分析，所以我可以輕鬆地看出低分評論和高分評論之間的差異。您可以在 JMP 中輕鬆繼續清理資料。我喜歡使用“labs”這個詞。
您可以選擇要從分析中排除的字詞，然後點選探索選單中的「新增停用詞」。或者，您也可以在選擇要刪除的字詞後右鍵單擊，然後選擇「新增停用詞」。花一些時間清理和探索資料後，您可以繼續進行更深入的分析。例如，在除臭劑類別中，我辨識出一些在低分數和高評分中都會出現的有趣主題。接下來，我將向您展示如何使用文字探索工具輕鬆查看已識別主題的影響。
在列空間的「分析文字」中，您可以選擇更改雲圖中的關鍵字。殖民地工具允許您按關鍵列的數量格式化時鐘位元組。在這個例子中，我想以星級評分進行分析。我喜歡更改圖表上的顏色，以查看星級評分對我的文字的影響：綠色表示高星級評分中提及的評論，紅色表示低星級評分中提及的評論。關鍵字顏色越紅或越綠，則該主題對我的關鍵績效指標的影響就越大。為了使其更易於理解，我可以格式化資料夾並使用佈局選項來優化我的工作。將滑鼠懸停在每個單字上，不僅可以顯示該主題的數量，還可以顯示您執行的任何清理歷史記錄。然後，您可以使用此功能進行同行評審，並向他人解釋您的分析。
JMP文字分析器中我經常使用的另一個功能是指標列建立。您可以輕鬆選擇任何有興趣的主題進行後續分析，並將非結構化資料轉換為結構化資料。接下來，我們來探討結構化資料分析。
當我想了解人們對原型或想法的回饋時，我會先收集消費者的意見，然後進行問卷調查。之後，我會利用消費者研究分析中的分類平台。讓我來示範一下。它的設置非常直觀。根據我想要進行的比較，我選擇相應的列，並將其新增至頂部功能表列的「結構」標籤。然後，根據我的問題或想要驗證的假設，選擇要比較的變數。在這個例子中，我感興趣的是不同使用階段的關鍵績效指標。
我想了解產品在剛上架、首次使用以及幾週後是否有差異。您可以按住 Ctrl 鍵選擇多列，然後將它們新增至結構化標籤的側邊欄。結果如何？我得到了一個非常豐富的資訊表格。讓我來示範一下。表格展示了每種產品的所有反應分佈、平均值和總體標準差。當我想匯總資料時，在 JMP 中清理表格非常容易。點擊紅色三角形，我可以選擇要與團隊和同事分享的指標。由於我關注的是平均值和關鍵響應，所以我可以選擇標準差和響應水平。現在您可以看到，我可以輕鬆地看出某些產品在平均值上的差異，以及消費者從使用初期到結束的反應分佈差異。
一旦我理解了數據並得出結論，我就可以進一步清理表格，格式化我想要分享的資料元素。例如，我可以將分佈和平均值報告使用小數點後一位。當我滿意並想與可能不使用 JMP 的其他人分享時，我可以輕鬆地將輸出表格儲存到 Excel 中，並與他人分享，以便他們根據數據為業務提出建議。與非結構化資料一樣，我不僅想了解關鍵指標之間的關係，還想了解我們產品中建構的每個效能要素之間的關係。這對於我們制定業務決策至關重要。
要真正理解產品不同屬性之間的關係，一個好方法是使用多元分析和 JMP 軟體。多元分析可以幫助您了解各項績效要素與關鍵指標之間的相關性。若要進行分析，請在分析平台的多元分析選項中選擇多元方法。然後，您可以選擇想要了解的變數。在本例中，我感興趣的是某些關鍵績效指標與產品所有屬性（涵蓋不同要素）之間的關係。我喜歡用成對比較的方法來理解這種關係，因此需要考慮每一對要素之間的關係。我始終使用預設的方陣格式。
最終會產生一個非常漂亮的彩色編碼表格，顯示變數之間的關聯強度。由於人畢竟不是機器，我會尋找關聯度在 0.6 左右的記錄。顯然，關聯度越高（接近 1），關聯性越強。有時，根據「藍色時刻」的階段，我會直接在關聯度表格中調整置信度（alpha 值），從而考慮不同的置信度。對於團隊中更傾向於視覺學習的成員，你們可以根據表格資料建立顏色映射。就像文字分析一樣，JMP 是一個非常靈活的工具，可以讓你自訂資料。我傾向於使用紅色以外的顏色，因為在我的組織中，紅色通常代表負面反應。我還可以調整明度，以增強資料中關聯強度的對比。顏色越深，關聯性越高。在這個例子中，我已經可以看到，某個績效屬性與其他屬性不相關，但它與我的關鍵績效指標有更高的相關性。
同時，色彩圖顯示某些屬性與我的關鍵績效指標 (KPI) 高度相關。這一步驟對於驗證假設非常有用，因此您可以開始簡化數據，以便進行更高級的分析。在專案生命週期中，有時您需要專注於影響產品或服務整體評分的最重要因素，並且您還想了解這些因素是否會因所使用的產品或服務類型而有所不同。
讓我向您展示一個快速了解哪些因素會影響您的回應的方法。從“分析”選單中，前往“篩選器”，然後選擇“預測器”畫面。接下來，選擇您想要預測的回應。在本例中，我想了解購買的預測因素，所以我將其輸入到我的簡短回應中。然後，我選擇感興趣的變數作為預測因子，並將它們添加到夸克或可預測變數中。在本例中，我想查看所有可能影響購買意願的因素。輸出視窗按順序顯示了我的所有預測因子，這樣我就可以知道哪個因素對我的購買意願影響最大。不出所料，購買意願似乎是最大的影響因素，但其他因素的影響也大致相同，約佔購買意願的 50%。
我想進一步了解這些屬性如何影響我分析的不同產品。雖然在 Jump 中可以輕鬆快速地進行檢查，但添加本地篩選器並在不同組之間切換，可以動態地查看每個因素對 KPI 的貢獻是否存在差異。正如您所看到的，預測變數在不同產品之間有所不同。對某些產品而言，相關性似乎比價值更能預測購買意願。這個篩選工具非常有用，可以幫助您開始提出假設並設定優先級，以便您繼續深入分析數據並進行更複雜的驅動因素分析，我將在下一張投影片中介紹這些內容。
到目前為止，我已經向您展示了JMP中一些分析不同類型資料的技巧，並重點介紹了JMP工具在分析結構化資料和非結構化資料方面的靈活性。接下來，我想向您展示JMP提供的更進階的工具，以便進行更深入的分析。請於10月23日下午4:45至5:15參加美洲峰會，屆時我將向您展示如何利用擬合模型來指導護膚和個人護理產品的開發。
最後我想強調的是，寶潔致力於改善所有人的生活，並努力了解我們的產品如何讓各類消費者滿意，以便根據他們的習慣和需求量身定制產品和服務。這一點至關重要。分區建模工具是 JMP 中的進階工具，也是我用來初步了解消費者群體以及哪些消費者對您的產品和服務感到滿意或不滿意的眾多篩選工具之一。以下是我如何使用該工具的演示。
從開始功能表中，選擇“分析預測模型”，然後選擇“分割區”。視窗會提示您在回應變數和預測變數層級新增列變數。在本例中，我想了解消費者研究中哪些使用者真正喜歡這些產品，因此我將選擇總體評分作為反應變數。然後，我想使用用戶在使用產品時遇到的任何出汗或其他不適的習慣作為預測變數。由於我想驗證模型，因此需要呼叫驗證部分。
初始視窗顯示了本案例中所有 812 位消費者的回饋分佈。左側方框顯示了產品總體評分的平均值和標準差。我喜歡對預測變數進行排序，因為這樣可以了解使用者在喜歡或不喜歡該產品時最可能存在的準備行為或體驗。在本例中，那些對污漬或體味比較敏感的用戶，以及那些經常使用該產品的用戶，他們的體驗可能有所不同。為了進行更深入的探索，我可以開始對資料進行分區或建立鍵值。
第一條數據表明，實際上，那些通常會受到支架困擾的人對產品的評價高於那些不受支架困擾的人。如果進一步探討這86位用戶的其他特徵，我發現其中有11位用戶將止汗劑塗抹在身體的其他部位，並且他們非常喜歡這些測試產品的體驗。另一方面，我想了解還有哪些特徵可以解釋哪些使用者喜歡或不喜歡這些非水基產品。對這726位用戶進行分組分析後發現，不運動的人不太在意這些產品，而運動的人則很喜歡這些產品。我發現經常運動的人不喜歡這些產品。
此外，經常使用產品的消費者比很少使用產品的消費者效果更好。這種簡單而深入的分析是識別哪些人能從我們的產品中受益，以及哪些人可能需要一些引導才能養成不同習慣的強大工具。在寶潔公司，我利用JMP平台，透過結構化和非結構化訊息講述數據故事，從而能夠更好地向我的業務和開發夥伴傳達我們如何更好地服務消費者的訊息。
在寶潔，創新是我們最擅長的。我們熱衷於運用JMP分析工具的強大功能來尋找問題的解決方案，我們不僅會發現需要解決的問題，還會評估現有解決方案的有效性，從而開發出更高品質的產品。利用數據分析從消費者回饋中挖掘洞見，是研發領域最有成就感的工作之一。非常感謝您的幫助和關注。期待在峰會上與您相見。
