洗濯用品に関する消費者インサイトを分析する際、洗濯日記データとパネリストレベルのデータの区別は、ユーザーエクスペリエンスと洗剤の有効性を理解する上で非常に重要です。洗濯日記データは、実際の消費者の行動や嗜好に関するリアルタイムのインサイトを提供し、真の使用パターンを反映しています。一方、数週間にわたる消費者の経験から得られるパネリストレベルのデータは、事後合理化の影響を受ける可能性があり、期待やマーケティングによって認識が変化し、製品性能評価が歪められる可能性があります。このことから、製品の有効性をより正確に評価するためには、洗濯日記データに依拠する必要があることがわかります。
これらの知見を提示するために、高度な統計分析とデータ可視化のためのJMPソフトウェアを活用しています。主な機能としては、包括的な概要を把握するためのデータテーブルの統合、データの整合性を維持するためのデータクリーニングツールの使用、変数間の関係性を分析するための部分最小二乗法（PLS）モデリングの適用などが挙げられます。さらに、消費者の行動をシミュレートし、不確実性下での結果を予測するために、モデリングシナリオとモンテカルロ分析も活用しています。洗濯日誌データを優先的に活用し、これらの分析ツールを利用することで、製品開発とマーケティング戦略を強化し、最終的に消費者の満足度とブランドロイヤルティの向上を目指します。
皆さん、こんにちは。消費者データと技術データを結びつける短いポスターセッションへようこそ。ここでは、洗濯日記データを活用して消費者の製品満足度を予測します。では、これはどういう意味でしょうか？消費者調査を行う場合、通常、2つの異なるレベルのデータがあります。1つは日記データで、消費者に自宅で洗濯をしている間に得たすべての情報を記録してもらい、私たちが収集できるすべての情報を記録してもらいます。
例えば、洗濯機の温度設定はどうなっているのか？洗濯機にはどれくらいの量の洗濯物が入っているのか？何種類の洗剤を使っているのか？といった情報がすべて収集されます。同時に、消費者には製品全体に対する評価もお願いしており、それによって消費者の意図をより深く理解することができます。消費者が後から合理化を行うため、両者の間に食い違いが生じる可能性があることは承知しています。
しかし、製品に有益な影響を与えるためには、技術的な観点からより深く理解し、消費者が使用後のデータでより良い評価を得られるよう、技術的な観点から消費者と対話する必要があります。このセッションでは、適切なインサイトを得るために、2つのデータセットをどのように連携させるかについて解説します。データの品質管理方法についてデモをお見せします。当社独自のJMPツールを使用して、一部の不良データを除外することができます。また、日記分析と使用後分析をどのように集計するかについてもご説明します。
次に、これらのデータを使ってどのようにモデル化を進めていくかをお見せします。その後、同僚のZhiwuにバトンタッチし、部分最小二乗法モデリング、モンテカルロ分析、そして統計の技術的な詳細について詳しく説明してもらいます。さらに、上位評価を最大化する必要がある一方で、下位3つの評価はできるだけ低く抑える必要があることが分かる結果もお見せします。Zhiwuがその理由を詳しく説明します。また、日記レベルで最終モデルにたどり着く方法や、最高の消費者指標を実現するために製品を設計する際にどの指標に注力する必要があるかをどのように理解するかについても説明します。まずは、データのクリーニング方法から始めましょう。
データのクリーニング方法の例を挙げましょう。例えば、ここでは使用後データと消費者データを結合し、その中に紛らわしい質問を含む列があります。この質問は、アンケートに回答する際に注意を払っていない消費者を除外することを目的としています。同時に、より質の高いデータベースを作成するために使用できる他の指標もあります。このためのツールとして「Grinch」というものがあり、これを使えば、すべての直接的な質問と紛らわしい質問を一度に追加できます。
このサブ画面では、スクリーニング対象として何を指定するかを明確にする必要があります。範囲外のデータ、横ばいのデータ、欠損データ、誤った回答などをスクリーニングできます。また、JMP にその新しい情報を「グリンチ」と呼ばれる追加列に追加するようにします。複数の指標を同時に要求しているため、検出された問題を説明するために追加列を追加します。たとえば、範囲外のデータについては、各質問に対して期待される回答範囲を明確にする必要があります。
レッドヘリング質問についても同様です。これらは消費者が回答する可能性のある選択肢です。フラットラインは、異なる質問間の標準偏差の大きさを示し、消費者がすべての質問で真ん中のボックスにチェックを入れているだけなのか、それともアンケートの回答を本当に検討しているのかを示します。たとえば、ここでは、同じように回答された質問の割合が高いかどうかを確認できます。これを90%としましょう。
また、欠落データもチェックします。最後に、消費者が偽の質問に対して入力すると予想される適切な回答を入力します。この場合は、妥当な回答でした。その後、「送信」をクリックします。JMPが分析を行い、データベースのバックエンドに列を追加します。
さて、ここで分かったことは、一部の消費者が紛らわしい質問を見逃していたということです。これは、これらの消費者がアンケートに回答する際にあまり注意を払っていなかったことを示しています。この場合、これらの消費者はデータベースから除外します。また、日記データと使用後データを1つの大きなファイルに結合する方法についても簡単に説明します。日記情報から始めると、tabulate関数を使用し、特に消費者IDを確認します。
ここで重要なのは、これを順序尺度にすることです。そうしないと、消費者1人につき1行が得られません。この場合、出力として消費者1人につき1行が必要です。この場合、消費者の洗濯物1回あたりの全体的な満足度がどうなっているかに興味があります。これをここにドラッグします。もちろん、正しい形式で。行のパーセンテージが必要です。そうです。合計ではありません。ついに、そこにたどり着きました。
これで、各消費者の負荷レベルでの回答率が分かりました。例えば、消費者番号10は、それぞれの負荷に対してこれだけの回答をしました。そのうち7.69%で「トップボックス」の回答が得られました。ここから、追加のデータテーブルを作成できます。この情報は、使用後のデータテーブルに追加できます。
これを、最初に作成した製品情報データと結合できます。結合機能に移動して、…をハイライト表示することで、同じ JMP ファイルで開くようにします。これは、テーブルに移動して結合機能に移動し、新しい無題のデータ ファイルを追加し、消費者番号を確認し、同じ形式にして、これらの番号を完全に一致させることで実行できます。このようにして、このすべての情報を 1 つのデータ ファイルに追加できます。製品データと日記データが結合されたクリーンなデータセットができたら、モデリング部分を開始できます。それでは、同僚の Zhiwu に引き継ぎます。
ネイサン、ありがとう。素晴らしいプレゼンテーションと、データのクリーニング方法と、製品レベルのデータとサマリーダイアリーデータを結合してモデリングする方法を示すデモがあります。皆さん、こんにちは。私の名前はZhiwu Liang、P&Gの統計学者です。ネイサンは私の同僚で、製品調査の専門家です。
これはJMPプロジェクトです。私はネイサンと協力して、JMPがモデルの構築、日記データと消費者反応データのリンクにどのように役立つかを示します。このJMPデータには、各製品に対する全体的な消費者満足度があります。1人の消費者は1つの製品評価を持っています。各製品には評価が付けられます。この評価は、消費者が各洗濯物に対して2週間の調査で得た見解に基づいています。各洗濯物について、消費者は非常に満足している場合は100、洗濯結果に失望した場合は0または25を付けます。
低レベルデータを用いて製品評価（製品に対する総合的な満足度）を予測するには、モデルを構築する必要があります。まず最初に、どのようなモデルを構築すべきかを検討する必要があります。次に、低レベルデータと総合的な満足度との相関関係を追跡します。これは、JMPの多変量解析相関機能で実行できます。
ご覧のとおり、これらの低いレベルの評価はすべて互いに高い相関関係にあります。これは明らかに、製品が良い場合は75または100の高い評価を与え、製品が悪い場合は低い評価を与えるためです。0や25のような低い評価（これを最下位のボックスとして設定）と、最高評価である100を最上位のボックスとして設定すると、負の相関関係が生じます。これは、0から100までの負荷満足度スコア（10または8の洗浄から始まる）の評価、各評価のパーセンテージを計算し、合計すると100になるためです。この制約により、通常のリード回帰は機能しません。
そのため、部分最小二乗法と呼ばれる技術を使用します。JMPでは、これを簡単に実行できます。Yに全体的な満足度、Xにすべての負荷満足度を使用するフィードモデル（構成モデル効果と呼ばれます）を選択し、次にパーソナリティを選択し、部分最小二乗法に変更して実行します。PLSを実行する最適な因子を特定するために、リーブワンアウト法、つまり交差検証法を使用する傾向があります。P&Gでは、予測因子と応答変数間のすべての正しい相関関係を維持したいので、通常は1つの因子を解として使用します。
ご覧のとおり、消費者が100%と評価した場合、消費者は間違いなく製品に対して非常に高い評価を与えます。また、プロファイラから、これらの変化を確認できます。たとえば、100のボックス（トップボックスと呼んでいます）が上昇している場合、消費者が製品のパフォーマンスに満足しているため、製品全体の満足度評価は間違いなく高くなります。次に、重要度、ボックス、評価、製品反応へのパーセンテージの影響を特定した後、各レベルが全体的な予測に明確な推論を与えるかどうかを確認します。
その質問に答えるには、まず、このモデリング予測からデータをシミュレートする必要があるため、ここで制約を与える必要があります。1つ目は、データで与えた制約に基づきます。なぜなら、同じ消費者に対するこれらの評価はすべて合計すると100%になると言ったことを思い出してください。これは加算する必要があります。2つ目は、JMPでシミュレーターを実行することです。JMPでは非常に簡単です。データをシミュレートし、モンテカルロシミュレーション分析を簡単に生成できます。
ここでは、現在データにあるすべての分布が与えられた場合、ランダム化を使用して 10,000 個のデータを生成し、モンテカルロ シミュレーションを実行します。これは一般的にモンテカルロ シミュレーションの結果と呼ばれます。最初の 5 つの列の変数は予測子であり、消費者の分布であり、各評価に対する回答を与えます。2 番目の最後の 6 番目の変数は、製品全体の満足度の予測値です。これを通して、グラフ作成機能に移動すると、X に予測値を選択し、Y に 5 つの変数すべてを選択すると、傾向が明確にわかります。傾向が明確にわかります。
100 点のトップボックス... 100 評価は、P&G ではトップボックスと呼ばれ、最も高い上昇ラインを示します。つまり、消費者がトップボックスを与えた場合、消費者は製品に非常に満足しているとほぼ確信できます。しかし、消費者が 0 評価、25 評価、場合によっては 50 評価、25 評価を与えた場合、たとえそれが良い評価であっても、消費者が満足していない場合は、全体的なスコアは低くなります。ここに方程式を当てはめると、ご覧のように、トップボックスの 1% から 10% 上昇すると、全体的な評価がほぼ 4 ポイント上昇します。しかし、2 番目のボックスに行くと、消費者が 10% の評価を与えた場合、予測ではほぼ 6% 過大評価される可能性があります。
その結果から、上位 2 つのボックス、つまり 75 と 100、特に 100 に注目する必要があることがわかります。なぜなら、それが最終製品評価をプラスに上げるのに最も貢献するからです。次に、製品の過大評価が下がるのを防ぐために、25、0、50 の値を最小限に抑える必要があります。それだけではありません。この製品レベル...すみません、日記データを使用して、製品、負荷値が下位ボックスより低くなり、上位ボックスが上がるのを防ぐ方法を評価することもできます。たとえば、これが負荷データです。負荷データの場合、同じことですが、製品の技術的測定値があります。機密上の理由から、Lx1 から Lx7 とラベル付けします。これは、各負荷に対する製品の技術的な消費者評価の測定値です。
ご覧のとおり、パンは 10 で、同じ製品に対して 26 回の洗浄があり、各洗浄に対して、ここに示すように負荷満足度評価が提供されます。分布が異なります。Lx1 から Lx7 を使用して、負荷全体の満足度を予測または説明するにはどうすればよいでしょうか? PLS を使用します。先ほどお見せしたのと同じアプローチで、モデルを構築できます。モデルを構築した後、各係数のランキングがここにあることがわかります。
次に、技術的な測定値が明確に表示されます。Lx1、Lx2、Lx4 は最も重要なものです。係数が高いほど、負荷全体の定格に最も大きな影響があるからです。オーバー定格が低いため、現在は平均ではないことがわかります。これをトップボックスと呼び、100 点を意味します。ここで行っていることは、この元のスコア 2 を単純に思い出すことです。0 から 100 は、消費者が非常に満足しているときはいつでも 100 とコード化します。満足していないか、非常に満足していないときは 0 を与えます。
次に、PLSモデルはこれをトップボックスの割合と関連付けようとします。ご覧のとおり、x1、x2、x3が中程度またはやや高いレベルであれば、かなり高い割合を得ることができます。しかし、これら2つが全く満足できない場合、たとえば平均値が非常に低い場合、全体のトップボックスは0または負の値になります。もちろん、負の値になることはありません。しかし、少なくとも消費者の満足度は低いでしょう。これは、x1、x2、x4が消費者のトップボックスを高くするための重点領域であることを示しています。
要約すると、Zhiwuが示したのは、すべてのデータを組み合わせることで、優れたモデルを作成し、分析や予測を行うことができるということです。つまり、まず最上位のボックスを提供することに注力し、負荷レベルで下位3つのボックスの結果を最小限に抑え、使用後の最上位ボックスを最大化する必要があるということです。次に、x1、x2、x4、x3といった具体的な技術指標に焦点を当てる必要があります。技術的な観点から消費者の視点まで、出力を最大化するのです。簡単にまとめると、以上です。
