Nell'analisi delle opinioni dei consumatori sui prodotti per il bucato, la distinzione tra i dati del diario di lavaggio e i dati raccolti tramite panel di esperti è fondamentale per comprendere l'esperienza d'uso e l'efficacia dei detersivi. I dati del diario di lavaggio offrono informazioni in tempo reale sui comportamenti e le preferenze effettivi dei consumatori, riflettendo modelli di utilizzo reali. Al contrario, i dati raccolti tramite panel di esperti, derivati dall'esperienza dei consumatori nell'arco di alcune settimane, possono essere influenzati da processi di razionalizzazione a posteriori, in cui le percezioni possono cambiare a causa di aspettative o strategie di marketing, distorcendo potenzialmente le valutazioni delle prestazioni del prodotto. Ciò evidenzia la necessità di affidarsi ai dati del diario di lavaggio per una valutazione più accurata dell'efficacia del prodotto.
Per presentare queste informazioni, utilizziamo il software JMP per l'analisi statistica avanzata e la visualizzazione dei dati. Le funzionalità principali includono la combinazione di tabelle di dati per una panoramica completa, l'utilizzo di strumenti di pulizia dei dati per mantenerne l'integrità e l'applicazione della modellazione ai minimi quadrati parziali (PLS) per esplorare le relazioni tra le variabili. Inoltre, vengono impiegati scenari di modellazione e analisi Monte Carlo per simulare i comportamenti dei consumatori e prevedere i risultati in condizioni di incertezza. Dando priorità ai dati del diario di lavaggio e utilizzando questi strumenti analitici, miriamo a migliorare lo sviluppo del prodotto e le strategie di marketing, aumentando in definitiva la soddisfazione del consumatore e la fedeltà al marchio.
Ciao a tutti. Benvenuti alla nostra breve sessione poster sulla connessione tra dati dei consumatori e dati tecnici, in cui prevediamo la soddisfazione del consumatore per un prodotto sfruttando i dati del diario di lavaggio. Cosa intendiamo con questo? Quando conduciamo studi sui consumatori, in genere abbiamo due diversi livelli di dati. Il primo è costituito dai dati del diario, in cui chiediamo ai consumatori di registrare tutte le informazioni che hanno mentre fanno il bucato a casa, e chiediamo loro di registrare tutte le informazioni che riusciamo a raccogliere.
Ad esempio, qual è la temperatura impostata per la lavatrice? Quanti panni vengono inseriti? Quanti detersivi vengono utilizzati? Tutte queste informazioni vengono raccolte. Allo stesso tempo, chiediamo ai consumatori di fornirci una valutazione complessiva del prodotto, che ci dice di più sulle loro intenzioni. Sappiamo che può esserci una discrepanza tra le due valutazioni perché nel consumatore avviene una sorta di razionalizzazione a posteriori.
Tuttavia, se vogliamo avere un impatto significativo sul prodotto, dobbiamo comprenderlo meglio da un punto di vista tecnico e interagire con il consumatore da questo punto di vista, in modo che possa fornirci valutazioni più accurate nella parte dei dati relativa all'utilizzo successivo. Questa sessione illustrerà come collegare i due set di dati per ottenere informazioni utili. Vi mostreremo una demo su come controlliamo la qualità dei nostri dati. Utilizziamo uno strumento JMP personalizzato per eliminare i dati errati. Vi mostreremo come aggreghiamo l'analisi del diario e l'analisi post-utilizzo.
Vi mostreremo come modelliamo ulteriormente questi dati, e poi passerò la parola al mio collega Zhiwu, che illustrerà la modellazione ai minimi quadrati parziali, l'analisi Monte Carlo e approfondirà i dettagli tecnici delle statistiche. In seguito, questo sarà il risultato che saremo in grado di mostrare dove sappiamo di dover massimizzare le valutazioni più alte rispetto alle tre valutazioni più basse, che vogliamo mantenere il più basse possibile. Zhiwu vi spiegherà meglio il perché. Possiamo anche mostrarvi come arriviamo al modello finale a livello di diario e come capiamo su quali metriche dobbiamo concentrarci quando progettiamo i nostri prodotti per offrire le migliori metriche possibili ai consumatori. Ma iniziamo con come puliamo i dati.
Facciamo un esempio di come puliamo i dati. Ad esempio, qui abbiamo dati combinati post-utilizzo e dati sui consumatori, in cui abbiamo una colonna con una domanda di tipo "red herring" (domanda fuorviante). Questa domanda ha lo scopo di escludere i consumatori che non prestano attenzione durante la compilazione del questionario. Allo stesso tempo, disponiamo di altre metriche che possiamo utilizzare per ottenere un database di qualità superiore. Abbiamo uno strumento per questo scopo, chiamato Grinch, che ci permette di aggiungere tutte le nostre domande dirette e la domanda di tipo "red herring" in un'unica soluzione.
In questa sotto-schermata, dobbiamo evidenziare gli elementi che vogliamo analizzare. Possiamo analizzare i dati fuori intervallo, le linee piatte, i dati mancanti e le risposte errate. Vogliamo anche che JMP aggiunga queste nuove informazioni in una colonna aggiuntiva, che chiamiamo "Grinch". Aggiungiamo colonne aggiuntive per spiegare i problemi che rileva, poiché richiediamo metriche diverse contemporaneamente. Ad esempio, per i dati fuori intervallo, dobbiamo specificare qual è l'intervallo previsto per ogni singola domanda per ottenere le risposte.
Lo stesso vale per la domanda fuorviante. Queste sono le possibili risposte che un consumatore potrebbe dare. Le linee piatte indicano quanto è grande la deviazione standard tra le diverse domande e ci danno un'indicazione sul fatto che un consumatore si limiti a selezionare la casella centrale per tutte le risposte o se stia realmente riflettendo sulle risposte nel sondaggio. Qui, ad esempio, possiamo verificare se c'è un'alta percentuale di domande a cui si risponde nello stesso modo. Diciamo che questo valore è del 90%.
Verificherà anche la presenza di dati mancanti. Infine, dobbiamo inserire la risposta corretta che ci aspettiamo da un consumatore alla domanda fuorviante. In questo caso, era appropriata. Quindi clicchiamo su Invia. JMP esegue l'analisi e aggiunge le colonne nel back-end del nostro database.
Ora, notiamo che alcuni consumatori hanno saltato la domanda fuorviante. Questo per noi indica che questi consumatori non hanno prestato molta attenzione durante la compilazione del questionario. In questo caso, li escluderemo dal database. Vi darò anche una breve indicazione su come combiniamo i dati del diario e i dati post-utilizzo in un unico file. Quando partiamo dalle informazioni del diario, utilizziamo la funzione di tabulazione e ci concentriamo in particolare sull'ID del consumatore.
Ora, cosa importante, dobbiamo inserirlo in formato ordinale. Perché altrimenti non otterremo una riga per ogni consumatore. In questo caso, vogliamo proprio una riga per ogni consumatore come output. Ci interessa sapere qual è il livello di soddisfazione generale per ogni singolo lavaggio effettuato dai consumatori. Trasciniamo questo qui. Ovviamente nel formato corretto. Vogliamo la percentuale di riga. Sì. Non la somma. Finalmente ci siamo.
Ora disponiamo della percentuale di risposte a livello di carico per ciascun consumatore. Quindi, il consumatore numero 10 ha risposto a questi tipi di risposte per ciascuno dei suoi carichi. Ha fornito una risposta di tipo "top box" nel 7,69% dei casi. Da qui in poi, possiamo creare un'ulteriore tabella di dati. Queste informazioni, a loro volta, possiamo aggiungerle alla nostra tabella di dati post-utilizzo.
Possiamo unire questi dati con le informazioni sul prodotto che abbiamo utilizzato all'inizio. Per farlo, andiamo alla funzione "Unisci", assicurandoci di evidenziare... Assicuriamoci di aprirli nello stesso file JMP. Possiamo farlo andando alla funzione "Tabelle" e "Unisci", dove aggiungiamo il nuovo file di dati senza titolo, dove cerchiamo il numero del consumatore, lo inseriamo nello stesso formato e lo facciamo corrispondere esattamente. In questo modo, possiamo aggiungere tutte queste informazioni in un unico file di dati. Una volta ottenuto il nostro set di dati ripulito, in cui abbiamo combinato i dati del prodotto e i dati del diario, possiamo iniziare con la modellazione. Ora passo la parola al mio collega, Zhiwu.
Grazie, Nathan. Ottima presentazione e dimostrazione pratica su come pulire i dati e come unire i dati a livello di prodotto con i dati riassuntivi del diario per la modellazione. Salve a tutti. Mi chiamo Zhiwu Liang e sono uno statistico di P&G. Nathan è un mio collega esperto di ricerca sui prodotti.
Questo è il progetto JMP. Collaboro con Nathan per mostrare come il JMP possa aiutarci a costruire un modello, collegando i dati del diario e i dati di risposta dei consumatori. In questi dati JMP, abbiamo la soddisfazione complessiva del consumatore per ciascun prodotto. Ogni consumatore ha una valutazione del prodotto. Ogni prodotto riceve un punteggio. Questa valutazione si basa sulla ricerca di due settimane in cui il consumatore fornisce la sua prospettiva per ogni carico di lavaggio. Per ogni carico di lavaggio, il consumatore assegnerà 100 se è molto soddisfatto, 0 o 25 se è deluso dal risultato del lavaggio.
Per utilizzare i dati di basso livello per prevedere la valutazione del prodotto, ovvero la soddisfazione complessiva, dobbiamo costruire un modello. La prima domanda a cui dobbiamo rispondere è quale modello dobbiamo costruire. Successivamente, tracciamo la correlazione tra i dati di basso livello e la nostra soddisfazione complessiva, operazione che possiamo eseguire tramite l'analisi di correlazione multivariata di JMP.
Come potete vedere, tutte queste valutazioni di basso livello sono altamente correlate tra loro. Questo è ovviamente dovuto al fatto che se il prodotto è buono, verrà assegnato un punteggio alto, ad esempio 75 o 100, mentre se il prodotto è cattivo, verrà assegnato un punteggio basso. Si ha una relazione negativa tra le valutazioni più basse, come 0 e 25, che impostiamo come casella inferiore, e 100, che impostiamo come casella superiore perché è la valutazione massima, quindi la correlazione negativa. Questo perché anche il punteggio di soddisfazione del carico da 0 a 100, perché si basa su 10 o 8 lavaggi, viene calcolato come percentuale per ciascuna valutazione, la cui somma è pari a 100. Con questo vincolo, la regressione lead ordinaria non può funzionare.
Ecco perché utilizziamo la tecnologia chiamata minimi quadrati parziali (PLS). In JMP è facile da fare. Si usa il modello Feed, che utilizza la soddisfazione generale nella variabile Y e tutta la soddisfazione relativa al carico nella variabile X, che viene chiamata effetto del modello di costruzione, poi si passa alla personalità, si converte in minimi quadrati parziali e si esegue. Tendiamo a usare il metodo Leave-One-Out, la convalida incrociata, per identificare il fattore migliore su cui eseguire il PLS. In P&G, di solito utilizziamo un solo fattore come soluzione perché vogliamo mantenere tutte le correlazioni corrette tra il predittore e la risposta.
Come potete vedere qui, abbiamo la valutazione del carico: se il consumatore assegna un punteggio del 100%, significa che il consumatore vi darà sicuramente un punteggio di carico molto alto per i prodotti. Inoltre, possiamo vedere dal profiler come cambiano queste cose. Ad esempio, se la casella 100, che chiamiamo la casella superiore, aumenta, sicuramente il nostro punteggio complessivo di soddisfazione del prodotto è alto perché il consumatore è soddisfatto delle prestazioni del prodotto. Quindi, dopo aver identificato l'importanza, la casella, la valutazione, l'impatto percentuale sulla risposta del prodotto, vogliamo anche vedere come ogni livello ha una chiara inferenza alla previsione complessiva.
Per rispondere a questa domanda, prima dobbiamo specificare il vincolo, perché dobbiamo simulare i dati da questa previsione del modello. Uno, in base al vincolo che abbiamo dato ai dati, perché ricordate, abbiamo detto che tutte queste valutazioni per lo stesso consumatore si sommano al 100%. Questo dobbiamo fare l'addizione. In secondo luogo, dobbiamo usare il simulatore in JMP perché in JMP è molto semplice. Si può andare su "Simula i dati", quindi eseguire facilmente per generare l'analisi di simulazione Monte Carlo.
Qui diciamo semplicemente che, data l'intera distribuzione attualmente presente nei nostri dati, utilizziamo un randomizzatore per generare 10.000 dati per eseguire la simulazione Monte Carlo, generalmente ciò che chiamiamo risultato della simulazione Monte Carlo. La prima variabile di cinque colonne è il nostro predittore, che è la distribuzione per il consumatore, fornisce la risposta per ciascuna valutazione. La seconda, l'ultima, la sesta variabile è il valore di previsione per la soddisfazione complessiva del prodotto. Attraverso questo, se andate alla funzione di costruzione del grafico, quindi scegliete il valore di previsione sulla X e tutte e cinque le variabili sulla Y potete vedere chiaramente l'andamento. Possiamo vedere chiaramente l'andamento.
Il punteggio massimo di 100... in P&G lo chiamiamo punteggio massimo, che indica la linea di crescita più alta. Ciò significa che se il consumatore assegna il punteggio massimo, possiamo affermare con grande sicurezza che sarà molto soddisfatto dei prodotti. Ma se un consumatore assegna un punteggio di 0, 25, a volte anche 50, anche se si tratta di un buon punteggio, se il consumatore non è soddisfatto, darà un punteggio complessivo inferiore. Se inseriamo l'equazione qui, come potete vedere, il punteggio massimo dell'1% del... 10% di aumento, darà un aumento di quasi 4 punti nella valutazione complessiva. Ma se andiamo al secondo riquadro, se il consumatore assegna il punteggio del 10%, questo potrebbe portare a una sovrastima inferiore di quasi il 6% per la previsione.
Quel risultato ci mostra che dobbiamo concentrarci sulle prime 2 caselle, ovvero 75 e 100, soprattutto 100, perché contribuisce maggiormente ad aumentare positivamente la valutazione finale del prodotto. Quindi dobbiamo minimizzare il valore per 25, 0 e 50 per evitare che la sovrastima del nostro prodotto diminuisca. Non è solo questo, possiamo anche, usando questo livello di prodotto... Scusate, i dati del diario per valutare come possiamo evitare che i nostri prodotti, il nostro valore di carico sia inferiore alla casella inferiore e anche aumentare la casella superiore. Ad esempio, ecco i nostri dati di carico. Se i nostri dati di carico, la stessa cosa, abbiamo la misurazione tecnica per i nostri prodotti. Per motivi di riservatezza, etichettiamo come Lx1 a Lx7. Questa è la misurazione per la nostra valutazione tecnica del consumatore per i prodotti per ogni carico.
Come potete vedere qui, la vaschetta è la numero 10, hanno un ciclo di lavaggio da 26 cicli per gli stessi prodotti, quindi per ogni lavaggio, vi daranno la valutazione di soddisfazione del carico, come qui. C'è una distribuzione diversa. Come possiamo usare questi valori da Lx1 a Lx7 per prevedere o spiegare la nostra soddisfazione complessiva del carico? Usiamo il PLS. Stesso approccio di prima, potete costruire un modello. Quindi, dopo aver costruito il modello, potete vedere, qui abbiamo la classifica per ciascuno dei coefficienti.
Quindi mostreranno chiaramente la misurazione tecnica, Lx1, Lx2, Lx4 è la cosa più importante perché il coefficiente più alto ha il maggiore impatto sulla nostra valutazione complessiva del carico. Vedete che a causa del basso sovra-valutazione ora non è la media. Lo chiamiamo top box, significa il punteggio 100. Quello che facciamo qui è semplicemente richiamare questo punteggio originale 2, da 0 a 100 significa che ogni volta che il consumatore è estremamente soddisfatto, codifichiamo come 100. Ogni volta che non è soddisfatto o non è estremamente soddisfatto, diamo 0.
Il modello PLS cerca quindi di collegare questo valore alla percentuale del top box. Come si può vedere, se x1, x2 e x3 si trovano a un livello medio o leggermente alto, allora possiamo ottenere una percentuale piuttosto elevata. Ma se questi due valori non sono affatto soddisfacenti, ad esempio se il valore medio è molto basso, allora si noterà che il top box complessivo sarà basso, tenderà a 0 o a valori negativi. Ovviamente, non può essere negativo, ma almeno non è un risultato soddisfacente per il consumatore. Questo indica che x1, x2 e x4 rappresentano l'area di interesse per aiutarci a portare il top box del consumatore a un livello elevato.
In sintesi, ciò che Zhiwu stava dimostrando è che, una volta combinati tutti i dati, possiamo creare ottimi modelli, analisi e previsioni accurate. Abbiamo imparato che dobbiamo concentrarci sul raggiungimento del risultato migliore, minimizzando i risultati negativi (i tre parametri meno rilevanti) a livello di carico, in modo da massimizzare il risultato migliore nella fase di utilizzo successivo. In secondo luogo, dobbiamo concentrarci sulle metriche tecniche specifiche: x1, x2, x4 e x3. In questo modo massimizziamo l'output, passando da un punto di vista tecnico a uno orientato al consumatore. In breve, questo è tutto.
