Bei der Analyse von Verbrauchererkenntnissen zu Waschmitteln ist die Unterscheidung zwischen Daten aus Wäschetagebüchern und Daten von Testpersonen entscheidend für das Verständnis der Nutzererfahrung und der Wirksamkeit von Waschmitteln. Wäschetagebücher liefern Echtzeit-Einblicke in das tatsächliche Verhalten und die Präferenzen der Verbraucher und spiegeln authentische Nutzungsmuster wider. Im Gegensatz dazu können Testpersonendaten, die auf den Erfahrungen der Verbraucher über einige Wochen basieren, durch nachträgliche Rationalisierung beeinflusst sein. Hierbei können sich die Wahrnehmungen aufgrund von Erwartungen oder Marketingmaßnahmen verändern, was die Bewertung der Produktleistung verfälschen kann. Dies unterstreicht die Notwendigkeit, sich für eine genauere Beurteilung der Produktwirksamkeit auf Wäschetagebücher zu stützen.
Um diese Erkenntnisse zu präsentieren, nutzen wir die JMP-Software für fortgeschrittene statistische Analysen und Datenvisualisierung. Zu den wichtigsten Funktionen gehören die Kombination von Datentabellen für einen umfassenden Überblick, die Verwendung von Datenbereinigungstools zur Sicherstellung der Datenintegrität und die Anwendung der Partial Least Squares (PLS)-Modellierung zur Untersuchung von Variablenbeziehungen. Darüber hinaus werden Modellierungsszenarien und Monte-Carlo-Simulationen eingesetzt, um das Konsumverhalten zu simulieren und Ergebnisse unter Unsicherheit vorherzusagen. Durch die Priorisierung von Daten aus Wäschetagebüchern und den Einsatz dieser Analysetools möchten wir die Produktentwicklung und Marketingstrategien verbessern und letztendlich die Kundenzufriedenheit und Markentreue steigern.
Hallo zusammen! Herzlich willkommen zu unserer kurzen Posterpräsentation zum Thema „Verknüpfung von Verbraucher- und technischen Daten“. Wir zeigen Ihnen, wie wir die Kundenzufriedenheit mit Produkten anhand von Wäschetagebüchern prognostizieren. Was genau meinen wir damit? In Verbraucherstudien erfassen wir üblicherweise zwei verschiedene Datenebenen. Zum einen die Tagebuchdaten, in denen wir die Verbraucher bitten, alle Informationen festzuhalten, die ihnen beim Wäschewaschen zu Hause auffallen. Zum anderen bitten wir sie, alle Informationen zu dokumentieren, die wir erfassen können.
Zum Beispiel: Welche Temperatureinstellungen hat die Waschmaschine? Wie viel Wäsche kommt in die Waschmaschine? Wie viele Waschmittel werden verwendet? All diese Informationen werden erfasst. Gleichzeitig bitten wir die Verbraucher um eine Gesamtbewertung des Produkts, die uns Aufschluss über ihre Kaufabsicht gibt. Wir wissen, dass es zwischen den beiden Bewertungen zu Abweichungen kommen kann, da die Verbraucher ihre Kaufabsicht im Nachhinein rationalisieren.
Um das Produkt sinnvoll zu verbessern, müssen wir es aus technischer Sicht besser verstehen und mit den Nutzern auf dieser Ebene interagieren, um im Rahmen der Nutzungsanalyse aussagekräftigere Bewertungen zu erhalten. In dieser Session zeigen wir Ihnen, wie wir die beiden Datensätze verknüpfen, um die richtigen Erkenntnisse zu gewinnen. Wir demonstrieren Ihnen, wie wir die Datenqualität sichern. Mithilfe eines eigens entwickelten JMP-Tools können wir fehlerhafte Daten aussortieren. Außerdem zeigen wir Ihnen, wie wir die Tagebuch- und die Nutzungsanalyse zusammenführen.
Wir zeigen Ihnen, wie wir anschließend mit diesen Daten ein Modell erstellen. Danach übergebe ich an meinen Kollegen Zhiwu, der Ihnen die Partial Least Squares-Modellierung, die Monte-Carlo-Analyse und die technischen Details der Statistik erläutern wird. Im weiteren Verlauf werden wir Ihnen zeigen, wo wir die Top-Box-Bewertungen maximieren müssen, während wir die Flop-Drei-Bewertungen möglichst niedrig halten wollen. Zhiwu wird Ihnen die Gründe dafür genauer erklären. Wir können Ihnen auch zeigen, wie wir das finale Modell auf Tagebuchebene erstellen und wie wir die wichtigsten Kennzahlen für die Entwicklung unserer Produkte ermitteln, um optimale Kundenzufriedenheitswerte zu erzielen. Doch zunächst möchte ich Ihnen die Datenbereinigung erläutern.
Nehmen wir als Beispiel die Datenbereinigung. Hier haben wir beispielsweise Nutzungs- und Kundendaten kombiniert und eine Spalte mit einer sogenannten „Fernfrage“ hinzugefügt. Diese Frage dient dazu, unaufmerksame Kunden beim Ausfüllen des Fragebogens auszusortieren. Gleichzeitig nutzen wir weitere Kennzahlen, um eine qualitativ hochwertigere Datenbank zu erhalten. Hierfür verwenden wir das Tool „Grinch“, mit dem wir alle unsere direkten Fragen und die Fernfrage gleichzeitig hinzufügen können.
Hier im Unterfenster müssen wir die zu prüfenden Kriterien hervorheben. Wir können nach Daten außerhalb des zulässigen Bereichs, nach Nullwerten, nach fehlenden Daten und nach irrelevanten Ergebnissen filtern. JMP soll diese neuen Informationen in einer zusätzlichen Spalte, die wir „Grinch“ nennen, hinzufügen. Wir fügen zusätzliche Spalten hinzu, um die gefundenen Probleme zu erläutern, da wir gleichzeitig verschiedene Metriken abfragen. Beispielsweise müssen wir für die Daten außerhalb des zulässigen Bereichs den erwarteten Wertebereich für jede einzelne Frage angeben, um diese Antworten zu erhalten.
Dasselbe gilt für die Irreführungsfrage. Dies sind die möglichen Antworten, die ein Konsument geben könnte. Die Werte auf der Kurve zeigen die Standardabweichung zwischen den einzelnen Fragen an und geben Aufschluss darüber, ob ein Konsument einfach nur die mittlere Antwortmöglichkeit wählt oder ob er die Antworten im Fragebogen tatsächlich überdenkt. Hier können wir beispielsweise prüfen, ob ein hoher Prozentsatz der Fragen gleich beantwortet wird. Nehmen wir an, dieser Prozentsatz liegt bei 90 %.
Es prüft außerdem, ob Daten fehlen. Schließlich müssen wir noch die erwartete Antwort eines Kunden auf die falsche Frage eingeben. In diesem Fall war sie fair. Dann klicken wir auf „Absenden“. JMP analysiert die Daten und fügt im Hintergrund Spalten in unserer Datenbank hinzu.
Wir sehen nun, dass einige Verbraucher die falsche Frage übersehen haben. Dies deutet für uns darauf hin, dass diese Verbraucher beim Ausfüllen des Fragebogens nicht aufmerksam waren. In diesem Fall werden wir sie aus der Datenbank ausschließen. Ich werde Ihnen außerdem kurz erläutern, wie wir die Tagebuchdaten und die Nutzungsdaten in einer großen Datei zusammenführen. Bei den Tagebuchinformationen verwenden wir die Tabellierungsfunktion und betrachten insbesondere die Verbraucher-ID.
Wichtig ist jetzt, dass wir die Daten ordinal darstellen. Sonst erhalten wir nicht für jeden Kunden eine eigene Zeile. Wir benötigen aber genau diese eine Zeile pro Kunde als Ausgabe. Uns interessiert die Gesamtzufriedenheit der Kunden mit jeder einzelnen Waschladung. Wir ziehen diese Daten hierher – natürlich im richtigen Format. Wir benötigen den Zeilenprozentsatz, nicht die Summe. Geschafft!
Wir haben nun den prozentualen Anteil der Antworten auf Lastebene für jeden Kunden. Kunde Nummer 10 hat also die folgenden Angaben zu den einzelnen Lastarten gemacht. In 7,69 % der Fälle gab er die Antwort „Top Box“. Ab hier können wir eine zusätzliche Datentabelle erstellen. Diese Informationen können wir dann unserer Tabelle mit den Nutzungsdaten hinzufügen.
Wir können diese Daten mit unseren Produktinformationen verknüpfen, mit denen wir begonnen haben. Dazu gehen wir zur Join-Funktion und stellen sicher, dass wir die entsprechenden Felder markieren… Wir stellen sicher, dass wir alle Daten in derselben JMP-Datei öffnen. Anschließend gehen wir zu den Tabellen und zur Join-Funktion, wo wir die neue, unbenannte Datendatei hinzufügen. Dort betrachten wir die Kundennummern, formatieren sie und gleichen sie exakt ab. So können wir alle Informationen in einer einzigen Datendatei zusammenführen. Sobald wir unsere bereinigten Daten mit den kombinierten Produkt- und Tagebuchdaten haben, können wir mit der Modellierung beginnen. Nun übergebe ich an meinen Kollegen Zhiwu.
Vielen Dank, Nathan. Er hat eine hervorragende Präsentation gehalten und auch eine Demo gezeigt, wie man die Daten bereinigt und die Produktdaten mit den zusammenfassenden Tagebuchdaten für die Modellierung verknüpft. Hallo zusammen. Mein Name ist Zhiwu Liang, ich bin Statistiker bei P&G. Nathan ist mein Kollege und Experte für Produktforschung.
Dies ist das JMP-Projekt. Ich arbeite mit Nathan zusammen, um zu zeigen, wie JMP uns beim Modellbau helfen kann und die Tagebuchdaten mit den Kundenreaktionsdaten verknüpft. In diesen JMP-Daten finden wir die allgemeine Kundenzufriedenheit für jedes einzelne Produkt. Jeder Kunde bewertet ein Produkt. Jedes Produkt erhält eine Bewertung. Diese Bewertung basiert auf der zweiwöchigen Recherche, in der der Kunde seine Erfahrungen mit jedem Waschgang schildert. Für jeden Waschgang vergibt der Kunde 100 Punkte, wenn er sehr zufrieden ist, und 0 oder 25 Punkte, wenn er mit dem Waschergebnis unzufrieden ist.
Um anhand der detaillierten Daten die Produktbewertung, also die Gesamtzufriedenheit mit dem Produkt, vorherzusagen, benötigen wir ein Modell. Zunächst müssen wir klären, welches Modell wir benötigen. Anschließend ermitteln wir die Korrelation zwischen den detaillierten Daten und unserer Gesamtzufriedenheit. Dies können wir mithilfe der multivariaten Korrelationsanalyse in JMP durchführen.
Wie Sie hier sehen, korrelieren all diese niedrigen Bewertungen stark miteinander. Das liegt daran, dass ein gutes Produkt eine hohe Bewertung (75 oder 100) erhält, ein schlechtes hingegen eine niedrige. Es besteht eine negative Korrelation zwischen den niedrigen Bewertungen (0 und 25, die wir als untere Grenze definiert haben) und 100 (die höchste Bewertung). Auch die Zufriedenheitsbewertung (0 bis 100, basierend auf 10 oder 8 Waschgängen) ergibt eine negative Korrelation. Wir berechnen für jede Bewertung einen Prozentsatz, der sich zu 100 summiert. Aufgrund dieser Einschränkung ist eine herkömmliche lineare Regression nicht anwendbar.
Deshalb verwenden wir die Technologie der partiellen kleinsten Quadrate (PLS). In JMP lässt sich das ganz einfach umsetzen. Man wählt das Feed-Modell mit der Gesamtzufriedenheit in der Y-Variable und der gesamten Zufriedenheit in der X-Variable (Konstruktmodelleffekt), dann die Persönlichkeit, ändert die PLS-Methode und führt sie aus. Um den besten Faktor für die PLS-Rechnung zu ermitteln, verwenden wir üblicherweise die Leave-One-Out-Kreuzvalidierung. Bei P&G verwenden wir normalerweise diesen einen Faktor als Lösung, da wir die korrekte Korrelation zwischen Prädiktor und Zielvariable beibehalten möchten.
Wie Sie hier sehen, haben wir die Belastungsbewertung. Wenn der Kunde 100 % angibt, erhält das Produkt definitiv eine sehr hohe Belastungsbewertung. Im Profiler können Sie außerdem sehen, wie sich diese Werte verändern. Steigt beispielsweise der Wert im Feld mit der 100er-Marke (dem sogenannten Top-Feld), ist unsere Gesamtzufriedenheitsbewertung für das Produkt hoch, da der Kunde mit der Produktleistung zufrieden ist. Nachdem wir die Bedeutung der Felder, Bewertungen und deren prozentualen Einfluss auf die Produktreaktion ermittelt haben, möchten wir auch sehen, wie sich die einzelnen Stufen auf die Gesamtprognose auswirken.
Um diese Frage zu beantworten, müssen wir zunächst die Randbedingungen festlegen, da wir die Daten anhand dieser Modellvorhersage simulieren müssen. Erstens, basierend auf den in den Daten festgelegten Randbedingungen – denn wir haben ja gesagt, dass sich alle Bewertungen für denselben Verbraucher zu 100 % addieren –, müssen wir diese Werte addieren. Zweitens müssen wir die Simulation in JMP durchführen, da dies dort sehr einfach ist. Sie können die Daten simulieren und anschließend die Monte-Carlo-Simulationsanalyse einfach ausführen.
Hier gehen wir davon aus, dass wir, ausgehend von der gesamten Verteilung unserer Daten, mithilfe eines Zufallsgenerators 10.000 Datensätze für die Monte-Carlo-Simulation generieren. Das Ergebnis dieser Simulation wird allgemein als Monte-Carlo-Simulation bezeichnet. Die ersten fünf Spaltenvariablen stellen unsere Prädiktoren dar, also die Verteilung der Kundendaten, die die jeweilige Bewertung beeinflussen. Die zweite, letzte und sechste Variable ist der Vorhersagewert für die Gesamtzufriedenheit mit dem Produkt. Wenn Sie nun die Funktion zur Diagrammerstellung aufrufen und den Vorhersagewert auf der X-Achse und alle fünf Variablen auf der Y-Achse auswählen, wird der Trend deutlich sichtbar.
Die 100er-Wertung (Top Box) – bei P&G bezeichnen wir sie als „Top Box“. Sie steht für die höchste Steigerungsrate. Vergibt ein Kunde diese Wertung, können wir mit hoher Wahrscheinlichkeit davon ausgehen, dass er mit dem Produkt sehr zufrieden ist. Vergibt ein Kunde hingegen eine 0er-Wertung, 25 Punkte oder sogar 50 Punkte (25 Punkte), so ist die 50er-Wertung zwar gut, führt aber bei Unzufriedenheit zu einer niedrigeren Gesamtbewertung. Die Gleichung zeigt: Eine Steigerung von 1 % (10 %) bei der Top Box führt zu einer Verbesserung der Gesamtbewertung um fast 4 Punkte. Vergibt der Kunde hingegen nur 10 %, so kann dies zu einer Überbewertung und einer Abwertung um fast 6 % führen.
Dieses Ergebnis zeigt uns, dass wir uns auf die beiden oberen Werte (75 und 100) konzentrieren müssen, insbesondere auf den Wert 100, da dieser am meisten zur positiven Verbesserung der Endbewertung Ihres Produkts beiträgt. Die Werte für 25, 0 und 50 sollten minimiert werden, um eine zu niedrige Produktbewertung zu vermeiden. Darüber hinaus können wir anhand dieser Produktdaten – Entschuldigung, ich meine die Tagebuchdaten – bewerten, wie wir verhindern können, dass unsere Produkte einen niedrigeren Wert als im unteren Bereich erzielen und gleichzeitig den Wert im oberen Bereich erhöhen. Hier sind beispielsweise unsere Belastungsdaten. Analog dazu verfügen wir über die technischen Messwerte unserer Produkte. Aus Vertraulichkeitsgründen bezeichnen wir diese als Lx1 bis Lx7. Dies sind Messwerte unserer technischen Verbraucherbewertung für die Produkte unter den jeweiligen Belastungsbedingungen.
Wie Sie hier sehen, ist die Waschpfanne die 10. Es gibt 26 Waschgänge für dieselben Produkte. Für jeden Waschgang wird dann die Zufriedenheitsbewertung der Beladung angegeben, wie hier. Es gibt unterschiedliche Verteilungen. Wie können wir die Werte Lx1 bis Lx7 nutzen, um die Gesamtzufriedenheit der Beladung vorherzusagen oder zu erklären? Wir verwenden die PLS-Regression. Mit dem gleichen Ansatz wie zuvor können Sie ein Modell erstellen. Nach der Modellerstellung sehen Sie hier die Rangfolge der einzelnen Koeffizienten.
Dann werden die technischen Messwerte deutlich angezeigt. Lx1, Lx2 und Lx4 sind dabei am wichtigsten, da ein höherer Koeffizient den größten Einfluss auf unsere Gesamtlastbewertung hat. Aufgrund der niedrigen Überbewertung ist der Wert jetzt nicht durchschnittlich. Wir nennen ihn „Top Box“, was einer Punktzahl von 100 entspricht. Wir verwenden hier einfach die ursprüngliche Punktzahl 2. Die Skala von 0 bis 100 bedeutet, dass wir bei äußerster Kundenzufriedenheit 100 vergeben. Bei mangelnder oder nicht äußerster Zufriedenheit vergeben wir 0.
Das PLS-Modell versucht dann, diesen Wert mit dem Top-Box-Prozentsatz zu verknüpfen. Wie Sie hier sehen, können wir einen recht hohen Prozentsatz erzielen, wenn x1, x2 und x3 im mittleren oder etwas höheren Bereich liegen. Sind diese beiden Werte jedoch völlig unzureichend, beispielsweise der Durchschnittswert sehr niedrig, sinkt der Gesamt-Top-Box-Wert auf 0 oder sogar ins Negative. Das bedeutet, dass er natürlich nicht negativ sein kann, aber zumindest ist er für den Kunden unbefriedigend. Dies deutet darauf hin, dass x1, x2 und x4 der Fokusbereich sind, um den Top-Box-Wert für den Kunden zu erhöhen.
Zusammenfassend zeigte Zhiwu, dass wir, sobald alle Daten zusammengeführt sind, hervorragende Modelle, Analysen und präzise Prognosen erstellen können. Wir haben gelernt, dass wir uns auf die optimale Leistung konzentrieren und die Ergebnisse der drei schwächsten Funktionen unter Last minimieren müssen, um die optimale Leistung nach der Nutzung zu maximieren. Zweitens müssen wir uns auf die spezifischen technischen Kennzahlen x1, x2, x4 und x3 konzentrieren. Wir maximieren den Nutzen aus technischer und Kundensicht. Kurz gesagt, das war's.
