Lors de l'analyse des comportements des consommateurs concernant les produits de lessive, il est crucial de distinguer les données des carnets de lessive des données recueillies auprès des panélistes afin de comprendre l'expérience utilisateur et l'efficacité des lessives. Les données des carnets de lessive offrent un aperçu en temps réel des comportements et préférences réels des consommateurs, reflétant leurs habitudes d'utilisation authentiques. À l'inverse, les données recueillies auprès des panélistes, issues de l'expérience des consommateurs sur plusieurs semaines, peuvent être influencées par une rationalisation a posteriori : les perceptions peuvent évoluer en fonction des attentes ou des stratégies marketing, ce qui risque de fausser l'évaluation des performances du produit. Ceci souligne l'importance de s'appuyer sur les données des carnets de lessive pour une évaluation plus précise de l'efficacité des produits.
Pour présenter ces résultats, nous utilisons le logiciel JMP pour l'analyse statistique avancée et la visualisation des données. Ses principales fonctionnalités incluent la combinaison de tableaux de données pour une vue d'ensemble complète, le nettoyage des données pour garantir leur intégrité et l'application de la modélisation par les moindres carrés partiels (PLS) pour explorer les relations entre les variables. De plus, la modélisation de scénarios et l'analyse de Monte Carlo sont utilisées pour simuler les comportements des consommateurs et prédire les résultats en situation d'incertitude. En privilégiant les données des carnets de lessive et en utilisant ces outils analytiques, nous visons à optimiser le développement produit et les stratégies marketing, afin d'améliorer la satisfaction client et la fidélité à la marque.
Bonjour à tous. Bienvenue à notre brève session d'affichage sur le lien entre données consommateurs et données techniques, où nous prédisons la satisfaction des consommateurs vis-à-vis des produits en exploitant les données des journaux de lessive. Concrètement, qu'entendons-nous par là ? Lors de nos études consommateurs, nous disposons généralement de deux types de données. Le premier est constitué des données de journal : nous demandons aux consommateurs de noter toutes les informations relatives à leur lessive à domicile, et nous leur demandons d'enregistrer toutes les informations que nous pouvons recueillir.
Par exemple, quels sont les réglages de température de la machine à laver ? Quelle quantité de linge y met-on ? Combien de produits sont utilisés ? Toutes ces informations sont recueillies. Parallèlement, nous demandons également aux consommateurs de nous donner une évaluation globale du produit, ce qui nous renseigne sur leurs intentions. Nous savons maintenant qu'il peut y avoir un décalage entre les deux évaluations, car le consommateur procède à une sorte de rationalisation a posteriori.
Cependant, pour améliorer significativement le produit, il est essentiel de mieux comprendre son fonctionnement d'un point de vue technique et d'interagir avec le consommateur sur ce même point afin d'obtenir de meilleures évaluations après utilisation. Cette session explique comment relier ces deux ensembles de données pour en tirer des enseignements pertinents. Nous vous présenterons une démonstration de notre processus de contrôle qualité des données. Grâce à un outil JMP personnalisé, nous pouvons éliminer les données erronées. Nous vous montrerons également comment nous agrégeons l'analyse des journaux d'utilisation et l'analyse post-utilisation.
Nous allons vous montrer comment nous modélisons ensuite ces données, puis je passerai la parole à mon collègue Zhiwu qui présentera la modélisation par les moindres carrés partiels, l'analyse de Monte Carlo et approfondira les détails techniques des statistiques. Nous pourrons ainsi démontrer qu'il est essentiel de maximiser les meilleures notes par rapport aux trois notes les plus basses, que nous souhaitons minimiser. Zhiwu vous expliquera plus en détail pourquoi. Nous vous montrerons également comment nous parvenons au modèle final au niveau du journal et comment nous identifions les indicateurs clés à privilégier lors de la conception de nos produits afin d'obtenir les meilleurs résultats possibles pour les consommateurs. Mais commençons par le nettoyage des données.
Prenons l'exemple du nettoyage des données. Nous avons ici combiné les données d'utilisation et les données consommateurs, et une colonne contient une question piège. Cette question vise à identifier les consommateurs inattentifs lorsqu'ils remplissent le questionnaire. Parallèlement, nous utilisons d'autres indicateurs pour améliorer la qualité de notre base de données. Nous disposons d'un outil, appelé Grinch, qui nous permet d'ajouter simultanément toutes nos questions directes et notre question piège.
Dans cette sous-fenêtre, nous devons indiquer les éléments à filtrer. Nous pouvons rechercher les données hors plage, les valeurs stables, les données manquantes et les réponses erronées. Nous souhaitons également que JMP ajoute ces nouvelles informations dans une colonne supplémentaire, que nous appelons « Grinch ». Ces colonnes supplémentaires permettent d'expliquer les problèmes détectés, car nous demandons simultanément différentes métriques. Par exemple, pour les données hors plage, nous devons préciser la plage de valeurs attendue pour chaque question afin d'obtenir ces réponses.
Même chose pour la question piège. Voici les réponses possibles d'un consommateur. Les lignes plates indiquent l'écart type entre les différentes questions et nous permettent de savoir si le consommateur coche systématiquement la case centrale ou s'il réfléchit réellement aux réponses du sondage. Ici, par exemple, nous pouvons vérifier si un pourcentage élevé de questions reçoit la même réponse. Prenons par exemple 90 %.
Le système vérifiera également les données manquantes. Enfin, il nous faut saisir la réponse attendue du consommateur à la question piège. Dans ce cas précis, la réponse était « juste ». Ensuite, nous cliquons sur « Envoyer ». JMP effectue son analyse et ajoute des colonnes à notre base de données.
Nous constatons que certains consommateurs n'ont pas répondu à la question piège. Cela indique qu'ils n'étaient pas suffisamment attentifs en remplissant le questionnaire. Dans ce cas, nous les excluons de la base de données. Je vais également vous expliquer brièvement comment nous combinons les données du journal et les données post-utilisation dans un seul fichier. Pour les informations du journal, nous utilisons la fonction « tabulate » et nous nous intéressons plus particulièrement à l'identifiant du consommateur.
Il est important de convertir ces données en valeurs ordinales. Sinon, nous n'aurons pas une ligne par consommateur. Or, nous souhaitons obtenir une ligne par consommateur. Ce qui nous intéresse, c'est la satisfaction globale des consommateurs pour chaque lessive. Nous allons donc glisser cette donnée ici, au bon format, bien sûr. Nous voulons le pourcentage par ligne, et non la somme. Voilà, c'est fait !
Nous disposons désormais du pourcentage de réponses au niveau de charge pour chaque consommateur. Ainsi, le consommateur numéro 10 a répondu à de nombreuses questions pour chaque type de charge. Il a donné la réponse optimale dans 7,69 % des cas. À partir de là, nous pouvons créer un tableau de données supplémentaire. Ces informations pourront ensuite être ajoutées à notre tableau de données post-utilisation.
Nous pouvons fusionner ces données avec celles de nos informations produits initiales. Pour cela, nous utilisons la fonction de jointure, en veillant à sélectionner… Il faut simplement s'assurer d'ouvrir les fichiers dans le même fichier JMP. Ensuite, nous allons dans les tables et utilisons la fonction de jointure, où nous ajoutons le nouveau fichier de données sans titre. Nous examinons les numéros de consommateurs, les mettons au même format et les faisons correspondre exactement. Ainsi, nous pouvons regrouper toutes ces informations dans un seul fichier de données. Une fois notre ensemble de données nettoyées, combinant les données produits et les données de journal, constitué, nous pouvons commencer la modélisation. Je laisse maintenant la parole à mon collègue Zhiwu.
Merci, Nathan. Ta présentation était excellente, tout comme la démonstration qui expliquait comment nettoyer les données et comment combiner les données au niveau du produit et les données récapitulatives du journal de bord pour la modélisation. Bonjour à tous. Je m'appelle Zhiwu Liang, statisticien chez P&G. Nathan est mon collègue, expert en recherche produit.
Voici le projet JMP. Je travaille avec Nathan pour montrer comment JMP peut nous aider à construire un modèle, à relier les données du journal et les données de réponse des consommateurs. Dans ces données JMP, nous avons la satisfaction globale des consommateurs pour chaque produit. Chaque consommateur évalue un produit. Chaque produit reçoit une note. Cette note est basée sur deux semaines d'étude, au cours desquelles le consommateur donne son avis pour chaque cycle de lavage. Pour chaque cycle, le consommateur attribue 100 s'il est très satisfait, et 0 ou 25 s'il est déçu du résultat.
Pour utiliser les données brutes afin de prédire l'évaluation du produit, c'est-à-dire la satisfaction globale, nous devons construire un modèle. La première question à laquelle il faut répondre est : quel modèle construire ? Ensuite, nous étudions la corrélation entre les données brutes et la satisfaction globale, ce que nous pouvons faire à l'aide de l'outil d'analyse de corrélation multivariée JMP.
Comme vous pouvez le constater, toutes ces notes basses sont fortement corrélées entre elles. Cela s'explique par le fait que si le produit est bon, il recevra une note élevée (75 ou 100), tandis que s'il est mauvais, il recevra une note basse. On observe une relation négative entre les notes basses (0 et 25, que nous avons définies comme la note minimale) et la note maximale (100, que nous avons définie comme la note maximale). Cette corrélation négative s'explique également par le fait que la satisfaction du lavage (de 0 à 100) est calculée en fonction du nombre de lavages effectués (8 ou 10). Pour chaque note, nous calculons un pourcentage, et la somme est égale à 100. Avec cette contrainte, la régression linéaire classique n'est pas applicable.
C'est pourquoi nous utilisons la technique des moindres carrés partiels (PLS). Dans JMP, c'est très simple. Il s'agit d'un modèle d'alimentation utilisant la satisfaction globale (Y) et la satisfaction globale (X), appelé « effet du modèle de construction ». Ensuite, sélectionnez « Personnalité », puis « Modèle des moindres carrés partiels » et exécutez le modèle. Nous utilisons généralement la méthode de validation croisée « Leave-One-Out » pour identifier le facteur le plus pertinent pour l'analyse PLS. Chez P&G, nous utilisons généralement un seul facteur comme solution afin de préserver la corrélation entre la variable explicative et la variable réponse.
Comme vous pouvez le constater, si le consommateur attribue une note de charge de 100 %, cela signifie qu'il attribuera une note de charge très élevée au produit. De plus, le profileur permet de visualiser l'évolution de ces éléments. Par exemple, si la case 100 (que nous appelons la case maximale) augmente, la satisfaction globale du produit sera certainement élevée, car le consommateur sera satisfait de ses performances. Après avoir identifié l'importance, la case, la note et l'impact en pourcentage sur la réponse au produit, nous cherchons également à déterminer comment chaque niveau contribue à la prédiction globale.
Pour répondre à cette question, il faut d'abord définir la contrainte, car nous devons simuler les données à partir de cette prédiction. Premièrement, en fonction de la contrainte appliquée aux données (n'oubliez pas que nous avons indiqué que la somme des notes attribuées à un même consommateur est égale à 100 %), nous devons effectuer cette addition. Deuxièmement, nous devons utiliser le simulateur JMP, qui est très simple d'utilisation. Il suffit d'aller dans « Simuler les données », puis d'exécuter le module pour générer facilement une analyse de simulation de Monte Carlo.
Ici, étant donné la distribution actuelle de nos données, nous utilisons un générateur aléatoire pour générer 10 000 ensembles de données afin d'effectuer une simulation de Monte-Carlo, dont nous obtenons généralement le résultat. Les cinq premières variables constituent notre prédicteur, c'est-à-dire la distribution des réponses des consommateurs, et fournissent la réponse pour chaque évaluation. La deuxième et la dernière variable, la sixième, sont les valeurs prédites de la satisfaction globale du produit. Grâce à ces données, si vous utilisez la fonction de création de graphique, en choisissant les valeurs prédites en abscisse (X) et les cinq variables en ordonnée (Y), vous pouvez clairement observer la tendance.
La note maximale de 100, que nous appelons « top box » chez P&G, correspond à la note la plus élevée. Si le consommateur attribue cette note, nous pouvons affirmer avec une quasi-certitude qu'il sera très satisfait du produit. En revanche, si un consommateur attribue une note de 0, 25, voire même 50 (50 étant une bonne note), s'il n'est pas satisfait, la note globale sera plus basse. Si l'on applique l'équation suivante, comme vous pouvez le constater, une note de 10 % pour la note maximale se traduit par une augmentation de près de 4 points de la note globale. Par contre, une note de 10 % pour la note intermédiaire peut entraîner une sous-évaluation de près de 6 % par rapport à la prévision.
Ce résultat nous indique qu'il faut se concentrer sur les deux premières cases, soit 75 et 100, et plus particulièrement sur la case 100, car elle contribue le plus à améliorer l'évaluation finale du produit. Il faut ensuite minimiser les valeurs de 25, 0 et 50 pour éviter une surévaluation du produit. De plus, grâce à ces données de niveau de produit (enfin, les données du journal de bord), nous pouvons évaluer comment éviter que la valeur de chargement de nos produits ne soit inférieure à la première case et comment améliorer celle de la première. Voici par exemple nos données de chargement. De même, nous disposons des mesures techniques de nos produits. Pour des raisons de confidentialité, nous les désignons de Lx1 à Lx7. Il s'agit des mesures d'évaluation technique par les consommateurs pour chaque niveau de chargement.
Comme vous pouvez le constater, le bac est le numéro 10. Ils proposent 26 lavages pour les mêmes produits, puis pour chaque lavage, ils fournissent une note de satisfaction, comme ici. La distribution est différente. Comment pouvons-nous utiliser ces données Lx1 à Lx7 pour prédire ou expliquer la satisfaction globale de nos lavages ? Nous utilisons la méthode PLS. L'approche est la même que précédemment : vous pouvez construire un modèle. Une fois le modèle construit, vous pouvez observer le classement de chaque coefficient.
Ensuite, ils présenteront clairement la mesure technique : Lx1, Lx2 et Lx4. Ce dernier point est crucial, car un coefficient élevé a un impact majeur sur notre évaluation globale de la charge. Vous constatez qu'en raison de la faible surévaluation actuelle, la valeur n'est plus dans la moyenne. Nous l'appelons « meilleure note », ce qui correspond à un score de 100. Concrètement, nous nous basons simplement sur ce score initial de 2. Sur une échelle de 0 à 100, 100 représente une satisfaction client maximale, et 0 une satisfaction client moindre.
Le modèle PLS tente ensuite d'établir un lien entre cette variable et le pourcentage de réponses positives. Comme vous pouvez le constater, si x1, x2 et x3 sont à un niveau moyen ou légèrement élevé, le pourcentage sera assez élevé. En revanche, si ces deux variables ne sont pas satisfaisantes (par exemple, si la valeur moyenne est très faible), le pourcentage global de réponses positives sera faible et tendra vers 0, voire vers une valeur négative. Bien sûr, il ne peut pas être négatif, mais cela signifie que le consommateur n'est pas pleinement satisfait. Cela indique que x1, x2 et x4 constituent la zone d'intervention prioritaire pour améliorer le taux de réponses positives du consommateur.
En résumé, Zhiwu a démontré qu'une fois toutes les données combinées, nous pouvons créer d'excellents modèles, analyses et prédictions. Nous avons appris qu'il faut privilégier l'affichage du meilleur résultat, minimiser les trois résultats les moins bons au niveau de la charge, afin de maximiser le meilleur résultat après utilisation. Ensuite, il faut se concentrer sur les indicateurs techniques spécifiques : x1, x2, x4, puis x3. L'objectif est d'optimiser le résultat du point de vue technique pour l'utilisateur. En bref, voilà tout.
