JMP 中的文本探索器是一个非常强大的工具，可用于整理调查或一系列客户心声 (VOC) 访谈的回复，并使其准备好进行测试。在本演示中，我将使用我所在组织的真实示例介绍所有步骤。调查基于封闭式（使用 1-5 星评分）、部分封闭式（从选项列表中选择多项答案）或开放式（自由文本字段）问题。
正如预期的那样，受访者对开放式或部分封闭式问题的回答差异更大。文本探索器提供了一种将回答编码为术语和短语的方法。然后可以以多种方式处理它们，从而实现预测建模和假设检验，本演示文稿将对此进行演示。
Text Explorer 还可用于将 VOC 响应分组为主题，稍后用作 CTQ 树中的质量驱动因素。如果构建得当，这种方法（我们在 JMP 中进行了演示）可以节省时间，同时还能带来新的见解。
不断量化：对调查和客户之声的文本分析。简介。如今，许多调查都是因为太简单而进行的。有些调查设计不当，因此，事后分析评估变得困难，结论也难以得出。
案例 1 基于对部门内各团队合作情况的调查分析。在六西格玛项目中，倾听客户心声（VOC）对于了解什么可以为客户增加价值至关重要。但是，如果客户很多，他们可能会有不同的意见。如何让 VOC 发挥作用？这就是案例 2 的内容，它基于对 50 名内部客户和利益相关者的采访。
文本是非结构化数据，可以在 JMP 文本探索器中处理，以便进行统计分析，利用文本中的隐藏信息，或降低复杂性以便进行解释。例如，客户之声可能是一系列访谈。这些访谈的会议记录是非结构化数据，很难以客观的方式转换为可测量的参数。但是，使用文本探索器中的功能，可以制定一个客观的程序。
调查问题可以是封闭式、部分封闭式或开放式。封闭式问题的示例可以是这样的：您如何评价 2024 年欧洲探索峰会？优秀、非常优秀、世界一流、非常世界一流，或者当然是宇宙最佳。部分封闭式问题可以是这样的：您喜欢的甜点是什么？您可以选择任意多种。您可以选择仅冰淇淋、冰淇淋和蛋糕、蛋糕和水果、冰淇淋水果、糖果、糖果水果、仅糖果等等。开放式问题可以是这样的：您如何描述完美的一天？
在六西格玛项目中，客户的声音、需求必须转化为质量驱动因素和可衡量的质量关键因素。这是从客户领域（一个相当模糊和无组织的地方）转向功能需求和规范的技术领域。
我们进入JMP来演示两个案例。案例1是关于海上风电场建设过程中健康与安全团队合作情况的调查。案例2是从一个关于海上风电场设计过程的持续改进项目中引入的客户心声。
案例 1，调查问卷。您看到的是原始调查问卷中关于部门协作的部分，其中答案等于行，问题等于列。首先，我想检查两个封闭式问题的答案之间的相关性。
问题一，您如何划分自己的工作角色？后台、前线还是其他？针对问题四，除了日常工作外，您与来自其他部门的同事合作的频率是多少？每周、每天、每月还是更少？
在这里，我强烈建议按值对选项进行排序。否则，会非常混乱。怎么做呢？选择列，右键单击鼠标，选择“列属性”，“值顺序”。你可以看到我已经自定义了顺序，如下所示：不频繁、每月、每周、每天。完成后，单击“确定”。
在 JMP 中，有三种方法可以执行此分析。下面将介绍其中两种。第一种方法，我们进入“分析”、“消费者研究”、“分类”。我们选择问题一作为 X，即分组类别，并选择问题四作为答案。对此我们深表歉意。我们单击“确定”。您在此处看到的是一个包含单元格的表格。单元格内有频率（即观察到的计数）、百分比份额以及单元格卡方、P 值。
根据给出的数据，我们可以看到前线日常单元格的响应明显较低。我们单击并选择它，然后转到下一个方法。即拟合 Y 乘以 X 平台。同样，我们选择问题一作为 X，问题四作为 Y，即响应。我们单击确定。在这里，您会看到我们得到的表格略有不同，因为我们得到的不是 P 值，而是预期值。我们也选择了它。然后我们可以合并这两个窗口以获取完整报告。
您可以非常清楚地看到，这个 P 值之所以非常低，是因为我们在这个单元格中只观察到 4 个计数，但我们预期是 12.6，而因为它是人类，所以实际上是 13。观察值和预期值之间的差异如此之大，以至于这个 P 值变得非常显著。也许部门需要采取行动来改善这一点。
这样就结束了封闭式问题处理。让我们回到数据表并转到问题 14。它是这样的：什么有助于您在部门内进行协作？事实上，这是一个部分封闭式问题，因为受访者可以选择多个选项，例如协作文化、面对面会议、非正式聊天、公司内部交流时间以了解谁是谁、IT 工具、全体会议等等。
要查看我们得到了多少答案，我们可以在 Graph Builder 中显示。我们选择 Graph Builder。问题 14，将其拖放到区域。然后选择树形图。单击完成并将其放大。我想每个人都清楚，我们回答问题的方式与受访者的数量大致相同，因此使任何分析都变得复杂，甚至无法进行。
但是，如果我们转到文本探索器，我们可以量化数据。返回数据表。在“分析”下，您可以找到“文本探索器”。我们选择问题 14 作为文本列。我们将其他所有内容保留原样，然后单击“确定”。您在这里看到的是术语和短语列表，我将通过突出显示所有短语，右键单击并添加短语，将所有短语添加到术语中。
现在我们可以看到，这个列表提供的信息非常多样化。我们可以看到，非正式聊天网络的数量最多，其次是面对面会议、领导支持、良好的项目管理、在线会议等等。
您可以用它制作一份非常漂亮的报告。如果您位于此表的任何位置，请右键单击，然后单击将其变成数据表。我们得到了一个新的数据表，我选择删除所有不重要的术语。然后我们可以转到“分布”，选择“术语”作为 Y，选择“计数”作为频率。我们单击“确定”。在热点下，您可以堆叠报告。在“术语”热点下，我们可以按计数降序对计数进行排序。也许我们应该稍微改变一下直方图的颜色。现在我们得到了一份漂亮的报告，我们可以交流并采取行动。
让我们仔细看看短语“informal chat networking”。我们回到数据表和文本 Explorer，然后选择“informal chat networking”术语。如果我们右键单击此处，我们可以看到我们可以保存一个指标。这将为我们提供一或零，以表明受访者是否选择了此选项。我们这样做。
在数据表中，我们可以看到现在我们创建了一个包含 1 或 0 的列。我想将其重新编码为是或否。如果我们在此处单击“重新编码”，我将写入“否”而不是“零”。我们接受将列转换为字符，并将“是”而不是“1”。像这样，然后单击“重新编码”。现在我们得到了一个包含相同信息的新列，但包含“是”或“否”而不是“1”或“零”。
现在我们可以对相关性进行分类测试，例如，问题 5，您如何评价部门内的总体合作？非常差、差、一般、好还是非常好？根据我们的非正式聊天网络指标，是或否。
正如我们之前看到的，我们可以在“分析”下找到消费者研究平台，然后选择“分类”。现在我们选择问题 5 作为 X，选择非正式聊天网络指标作为响应。我们单击“确定”。和之前一样，我们得到了这个列表或表格。我认为我们应该忘记那些非常差的单元格，因为我们在这些单元格中只得到了两个响应。
然而，我们可以看到，在较差和没有非正式聊天网络的单元格中，我们得到的 P 值明显较低。几乎所有将部门协作评为较差的人都没有使用非正式聊天网络。我认为这是有价值的信息，也许是部门应该改进的地方。这是部分封闭式问题处理，也是案例 1 的结尾。
让我们转到案例 2，即 VOC 访谈。案例 2 基于会议记录转换为贴纸。这样做是为了能够将它们分组到板上。每一行代表一个贴纸，我们在此数据表中有 361 个贴纸或行，它们来自 50 位受访者。
您可能已经注意到，出于敏感度原因，我隐藏了亲和图输入，即贴纸上的文本。现在我们将运行文本浏览器并像以前一样添加短语术语。正如您在此处看到的，我已经完成了。所有短语都呈灰色，这意味着它们已添加到术语列表中。
我们可以看到，有一个名为“项目”的术语和另一个名为“项目”的术语。下面，我们有一个名为“流程”的术语和另一个名为“流程”的术语。为了消除这些冗余，我们可以进入热点并选择术语选项、词干提取、词干提取所有术语。
为了进一步清理，我们有一些术语不能真正使用，因为它们没有提供任何有价值的信息，例如“使用”。如果我选择“使用”，右键单击并将其添加为停用词，它将从列表中消失。我们可以对 within 执行相同的操作。添加停用词。
这里有一张非常干净的表格，我们可以继续使用。现在我将进入 JMP Pro 版本，因为我们将进行潜在语义 SVD 以获得主题分析旋转 SVD。SVD 将文本数据转换为固定维度的向量空间，使其适用于各种聚类、分类和回归技术。
如果您有 JMP Pro，您可以这样做。在热点下，选择潜在语义分析 SVD。我们点击确定。在这个热点（SVD-Centered 和 Scaled TF-IDF 热点）下，我们选择主题分析、旋转 SVD。
在这里，我们必须选择需要多少个主题，在本例中，我选择了四个。我单击“确定”。我们在这里看到的是按主题划分的顶部负荷报告，它由四个表组成，每个主题一个。这些主题中的术语是绝对值负荷最大的术语。我们可以使用此报告来确定我们的六西格玛项目的概念主题。
如果我们再次转到热点并单击“重命名主题”。如果我们查看主题 1 中的术语，我选择将此主题称为“成本效率”。主题 2，我称之为“信息系统”。主题 3 是关于项目执行本身的，因此可以是“项目执行”。主题 4，我选择将其称为“知识共享”。单击“确定”。这非常非常棒，因为现在我们实际上已经为我们的六西格玛项目生成了四个质量驱动因素。
通过使用主题，我们现在可以对 VOC 语句进行客观汇总，而不是手动进行主观汇总。此外，我们可以将主题显示为词云。我们转到显示选项，按主题显示词云。在这里，我们可以打开并看到，我们现在获得的信息与按主题或质量驱动因素（我以前称之为）的词云相同。
如果我们点击热点，我们可以看到我们实际上可以保存文档主题向量。如果我们这样做并转到数据表，我们可以看到我们创建了四个新列，每个列对应一个质量驱动因素。当我们进入六西格玛项目的改进阶段时，这将非常有价值，因为我们必须在那里讨论解决方案。
在这里，我们可以看到在讨论成本效益、信息系统、项目执行或知识共享解决方案时，我们必须特别关注哪些客户。为了查看谁是谁，我们可以转到图形生成器并选择，我会稍微移动它，选择主题作为 Y、X，选择受访者作为 X。然后我们可以选择条形图。我们点击完成。
我们在这里可以看到，当我们想与客户讨论解决方案时，这个人是成本效率方面的首选，而这个人则适合谈论信息系统的解决方案。这里有知识共享人员，这里是项目执行人员。就此而言，我将在 JMP 中完成演示，然后返回到演示文稿。
使用 JMP Pro Text Explorer，我们打通了客户领域的声音与功能需求和规范技术领域之间的界限。我们使用 JMP Text Explorer 为我们创建了四个具有质量驱动因素的目标。我们可以轻松地从这些驱动因素中得出可衡量的质量关键因素。因此，我们节省了大量时间并解开了人为因素。
最后，结论。部分封闭式问题回答以及来自客户声音访谈等的复杂文本可以在 Text Explorer 中处理为术语和短语。术语和短语可以转换为主题、质量驱动因素或指标，从而实现对信息的客观解释。JMP Text Explorer 提供了一种从纯定性到定量文本分析的方法。有了这些新知识，我们可以提高 VOC 访谈和调查的质量，并在测试中得出可靠的结论。感谢您的关注。
