세탁 제품에 대한 소비자 인사이트를 분석할 때, 세탁 일지 데이터와 패널 조사 데이터의 차이점을 이해하는 것은 사용자 경험과 세제 효능을 파악하는 데 매우 중요합니다. 세탁 일지 데이터는 실제 소비자의 행동과 선호도를 실시간으로 보여주며, 진정한 사용 패턴을 반영합니다. 반면, 몇 주간의 소비자 경험을 바탕으로 수집된 패널 조사 데이터는 사후 합리화의 영향을 받을 수 있습니다. 즉, 기대나 마케팅으로 인해 인식이 변할 수 있으며, 이는 제품 성능 평가를 왜곡할 가능성이 있습니다. 따라서 제품 효능을 보다 정확하게 평가하기 위해서는 세탁 일지 데이터에 의존해야 합니다.
본 연구에서는 고급 통계 분석 및 데이터 시각화를 위해 JMP 소프트웨어를 활용합니다. 주요 기능으로는 종합적인 개요를 위한 데이터 테이블 통합, 데이터 무결성 유지를 위한 데이터 클리닝 도구 사용, 변수 간 관계 탐색을 위한 부분 최소 제곱(PLS) 모델링 적용 등이 있습니다. 또한, 소비자 행동을 시뮬레이션하고 불확실성 하에서의 결과를 예측하기 위해 모델링 시나리오와 몬테카를로 분석을 활용합니다. 세탁 일지 데이터를 우선적으로 분석하고 이러한 분석 도구를 활용함으로써 제품 개발 및 마케팅 전략을 개선하고, 궁극적으로 소비자 만족도와 브랜드 충성도를 향상시키는 것을 목표로 합니다.
안녕하세요 여러분. 소비자 데이터와 기술 데이터를 연결하는 방법에 대한 간단한 포스터 발표에 오신 것을 환영합니다. 이번 발표에서는 세탁 일지 데이터를 활용하여 소비자 제품 만족도를 예측하는 방법을 소개합니다. 이게 무슨 뜻일까요? 소비자 조사를 할 때, 일반적으로 두 가지 유형의 데이터를 수집합니다. 하나는 소비자가 집에서 세탁하는 동안 떠오르는 모든 정보를 기록하도록 요청하는 세탁 일지 데이터입니다. 수집 가능한 모든 정보를 기록해 달라고 요청하는 것이죠.
예를 들어, 세탁기의 온도 설정은 어떻게 되는지, 세탁물은 얼마나 넣는지, 세제는 몇 개를 사용하는지 등 모든 정보를 수집합니다. 동시에 소비자에게 제품에 대한 전반적인 평가를 요청하여 소비자의 구매 의도를 더 자세히 파악합니다. 물론 소비자의 사후 합리화 과정 때문에 평가와 실제 구매 의도 사이에 차이가 발생할 수 있다는 점을 알고 있습니다.
하지만 제품에 실질적인 영향을 미치려면 기술적인 관점에서 이를 더 잘 이해하고, 소비자와 기술적인 관점에서 소통하여 사용 후 데이터에서 더 나은 평가를 얻어내야 합니다. 이번 세션에서는 두 가지 데이터 세트를 연결하여 올바른 인사이트를 도출하는 방법을 다룹니다. 데이터 품질을 관리하는 방법에 대한 데모를 보여드리겠습니다. 자체 개발한 JMP 도구를 사용하여 불량 데이터를 걸러내는 방법을 설명드리겠습니다. 또한, 사용 일지 분석과 사용 후 분석 데이터를 통합하는 방법도 보여드리겠습니다.
이 데이터를 활용하여 모델을 어떻게 구축하는지 보여드린 후, 제 동료인 지우에게 마이크를 넘겨 부분 최소 제곱 모델링, 몬테카를로 분석 등을 통해 통계적 세부 사항을 심층적으로 분석해 드리겠습니다. 이를 통해 최고 평점을 극대화하고 하위 3개 평점은 최소화해야 한다는 점을 명확히 보여드릴 수 있습니다. 지우가 그 이유에 대해 더 자세히 설명해 드릴 것입니다. 또한, 다이어리 수준에서 최종 모델을 도출하는 과정과 최상의 소비자 만족도를 제공하기 위해 제품 설계 시 어떤 지표에 집중해야 하는지 보여드리겠습니다. 먼저 데이터 정제 과정부터 설명드리겠습니다.
데이터 정제 방법을 예시로 들어보겠습니다. 예를 들어, 여기서는 사용 후 데이터와 소비자 데이터를 결합했는데, 한 열에 의도치 않은 질문을 넣어두었습니다. 이 질문은 설문지를 작성할 때 집중하지 않는 소비자를 걸러내기 위한 것입니다. 동시에, 더 나은 품질의 데이터베이스를 구축하기 위해 사용할 수 있는 다른 지표들도 있습니다. 이를 위해 '그린치(Grinch)'라는 도구를 사용하는데, 이 도구를 이용하면 모든 직접 질문과 의도치 않은 질문을 한 번에 추가할 수 있습니다.
이 하위 화면에서는 검사할 항목을 강조 표시해야 합니다. 범위를 벗어난 데이터, 평탄한 응답, 결측 데이터 및 잘못된 추론 오류를 검사할 수 있습니다. 또한 JMP가 이러한 새로운 정보를 '그린치'라고 부르는 추가 열에 추가하도록 합니다. 여러 가지 지표를 동시에 요청하기 때문에 발견된 문제를 설명하기 위해 추가 열을 추가합니다. 예를 들어, 범위를 벗어난 데이터의 경우 각 질문에 대한 응답 범위를 강조 표시해야 합니다.
함정 질문도 마찬가지입니다. 이는 소비자가 줄 수 있는 가능한 답변들입니다. 평탄선은 각 질문 간의 표준 편차가 얼마나 큰지를 나타내며, 소비자가 모든 질문에 단순히 중간 답변을 선택하는지 아니면 설문 조사 답변을 진지하게 고려하는지 여부를 가늠하는 데 도움을 줍니다. 예를 들어, 동일한 방식으로 답변한 질문의 비율이 높은지 확인할 수 있습니다. 이 비율을 90%라고 가정해 보겠습니다.
또한 누락된 데이터도 확인합니다. 마지막으로, 소비자가 유도 질문에 대해 답변할 것으로 예상되는 올바른 답변을 입력합니다. 이 경우 '공정함'이 적절한 답변이었습니다. 그런 다음 제출 버튼을 클릭합니다. JMP는 분석을 수행하고 데이터베이스 백엔드에 열을 추가합니다.
이제 몇몇 소비자들이 함정 질문을 놓쳤다는 것을 알 수 있습니다. 이는 해당 소비자들이 설문지를 작성하는 동안 주의를 기울이지 않았다는 것을 나타냅니다. 이러한 경우, 해당 소비자들은 데이터베이스에서 제외할 것입니다. 또한 일기 데이터와 사용 후 데이터를 하나의 파일로 결합하는 방법을 간단히 설명드리겠습니다. 먼저 일기 정보를 가져올 때는 tabulate 함수를 사용하고, 특히 소비자 ID를 확인합니다.
이제 중요한 건, 이 데이터를 서수형으로 변환해야 한다는 겁니다. 그렇지 않으면 소비자별로 한 줄씩 출력되지 않거든요. 이 경우에는 소비자별로 한 줄씩 출력되는 데이터가 필요합니다. 우리가 관심 있는 건 각 소비자의 세탁물 한 번에 대한 전반적인 만족도입니다. 이제 이 데이터를 여기에 드래그해서 올바른 형식으로 변환해 보겠습니다. 합계가 아니라 각 행의 백분율을 구하는 거죠. 자, 이제 다 됐습니다.
이제 각 소비자의 부하 수준별 응답 비율을 알 수 있습니다. 예를 들어, 10번 소비자는 자신의 부하 유형에 대해 다음과 같은 여러 답변을 했습니다. 이 소비자는 7.69%의 경우에 최고 등급(Top Box)을 선택했습니다. 여기서부터 추가 데이터 테이블을 생성할 수 있습니다. 이 정보는 사용 후 데이터 테이블에 추가할 수 있습니다.
처음에 사용했던 제품 정보 데이터와 이 데이터를 결합할 수 있습니다. 이를 위해 조인 기능을 사용하고, 두 데이터가 동일한 JMP 파일에서 열리도록 선택합니다. 테이블 및 조인 기능을 통해 새 데이터 파일(제목 없음)을 추가하고, 소비자 번호를 찾아 동일한 형식으로 변환한 후, 번호를 정확히 일치시키면 됩니다. 이렇게 하면 모든 정보를 하나의 데이터 파일에 통합할 수 있습니다. 제품 데이터와 일기 데이터가 결합된 정리된 데이터 세트를 확보한 후에는 모델링 작업을 시작할 수 있습니다. 이제 동료인 지우에게 마이크를 넘기겠습니다.
네이선, 감사합니다. 훌륭한 프레젠테이션과 데이터 정리 방법, 제품 수준 데이터와 요약 일지 데이터를 결합하여 모델링하는 방법을 보여주는 데모를 준비해 주셨습니다. 안녕하세요, 여러분. 저는 P&G의 통계 전문가인 량지우입니다. 네이선은 제 동료이자 제품 연구 전문가입니다.
이것은 JMP 프로젝트입니다. 저는 네이선과 함께 JMP를 활용하여 모델을 구축하고, 일기 데이터와 소비자 반응 데이터를 연결하는 방법을 보여주고 있습니다. 이 JMP 데이터에는 각 제품에 대한 전반적인 소비자 만족도가 포함되어 있습니다. 소비자 한 명당 하나의 제품을 평가하며, 각 제품에 대해 평점을 매깁니다. 이 평점은 소비자가 2주 동안 세탁물을 사용해 본 경험을 바탕으로 합니다. 소비자는 세탁 결과에 매우 만족하면 100점을, 실망하면 0점 또는 25점을 줍니다.
제품 평가, 즉 제품에 대한 전반적인 만족도를 예측하기 위해 저수준 데이터를 활용하려면 모델을 구축해야 합니다. 먼저 어떤 모델을 구축해야 하는지 결정해야 합니다. 그런 다음 JMP의 다변량 상관 분석 기능을 사용하여 저수준 데이터와 전반적인 만족도 간의 상관관계를 추적합니다.
보시다시피, 이 낮은 등급의 평점들은 서로 높은 상관관계를 보입니다. 제품이 좋으면 75점이나 100점과 같은 높은 평점을 주고, 제품이 나쁘면 낮은 평점을 주기 때문입니다. 0점에서 25점(하위 등급)과 100점(상위 등급) 사이에는 음의 상관관계가 있습니다. 또한, 세탁 만족도 점수(0점~100점)도 마찬가지입니다. 10회 또는 8회 세탁 후 각 등급의 백분율을 계산하여 합산하면 100점이 됩니다. 이러한 제약 조건 때문에 일반적인 회귀 분석은 제대로 작동하지 않습니다.
그래서 저희는 부분 최소 제곱법(PLS)이라는 기술을 사용합니다. JMP에서는 이 작업을 쉽게 할 수 있습니다. Y 변수에 전체 만족도를 입력하고 X 변수에 모든 만족도 가중치를 적용한 후, 구성 모델 효과를 선택하고, 성격 특성을 선택한 다음, 부분 최소 제곱법으로 변경하여 실행하면 됩니다. 저희는 일반적으로 Leave-One-Out 교차 검증법을 사용하여 PLS를 실행할 최적의 요인을 찾습니다. P&G에서는 예측 변수와 반응 변수 간의 정확한 상관관계를 유지하기 위해 보통 하나의 요인을 최종 결과로 사용합니다.
보시다시피, 소비자가 100% 높은 점수를 주면 해당 제품에 대해 매우 높은 만족도를 나타내는 것입니다. 프로파일러를 통해 이러한 요소들의 변화를 확인할 수 있습니다. 예를 들어, 100점 만점에 해당하는 최고 점수가 상승하면, 소비자가 제품 성능에 만족했기 때문에 전반적인 제품 만족도 점수가 높다는 것을 의미합니다. 이처럼 각 항목, 점수, 백분율이 제품 반응에 미치는 영향의 중요성을 파악한 후, 각 요소가 전체 예측에 어떤 명확한 영향을 미치는지 살펴보는 것이 중요합니다.
이 질문에 답하려면 먼저 제약 조건을 설정해야 합니다. 모델링 예측에서 얻은 데이터를 시뮬레이션해야 하기 때문입니다. 첫째, 데이터에 주어진 제약 조건에 따라, 동일한 소비자에 대한 모든 평점은 합이 100%가 되어야 합니다. 따라서 이 부분은 합산해야 합니다. 둘째, JMP에서 시뮬레이션을 수행해야 합니다. JMP에서는 시뮬레이션이 매우 간편합니다. 데이터 시뮬레이션을 선택하고 실행하면 몬테카를로 시뮬레이션 분석을 쉽게 생성할 수 있습니다.
여기서는 현재 데이터에 있는 모든 분포를 고려하여, 무작위 생성기를 사용하여 몬테카를로 시뮬레이션을 수행할 10,000개의 데이터를 생성합니다. 일반적으로 이를 몬테카를로 시뮬레이션 결과라고 부릅니다. 첫 번째 다섯 열의 변수는 예측 변수로, 소비자의 분포를 나타내며 각 평점에 대한 응답을 제공합니다. 두 번째이자 마지막 여섯 번째 변수는 전반적인 제품 만족도에 대한 예측값입니다. 이 그래프를 통해 그래프 작성 기능을 사용하여 X축에 예측값을, Y축에 다섯 가지 변수를 모두 선택하면 추세를 명확하게 확인할 수 있습니다.
100점 만점 상자… P&G에서는 100점을 '탑 박스'라고 부릅니다. 이는 소비자가 최고점을 줄 경우, 제품에 매우 만족할 가능성이 높다는 것을 의미합니다. 하지만 0점, 25점, 심지어 50점을 주더라도 소비자가 만족하지 못하면 전체 점수는 낮아집니다. 이 공식을 보면, 탑 박스에서 10%의 점수 상승은 전체 점수를 거의 4점 정도 높여줍니다. 하지만 두 번째 박스에서 10%의 점수를 받으면 전체 점수가 6점 정도 낮아질 수 있습니다.
이 결과는 우리가 상위 두 항목, 즉 75와 100, 특히 100에 집중해야 함을 보여줍니다. 왜냐하면 이 항목들이 최종 제품 평가를 긍정적으로 높이는 데 가장 크게 기여하기 때문입니다. 그런 다음 25, 0, 50 항목의 값을 최소화하여 제품의 과대평가를 방지해야 합니다. 뿐만 아니라, 이 제품 수준… 아니, 일지 데이터를 사용하여 제품의 적재량이 하위 항목보다 낮아지지 않도록 하고 상위 항목은 높이는 방법을 평가할 수도 있습니다. 예를 들어, 여기에 적재량 데이터가 있습니다. 마찬가지로, 제품에 대한 기술적 측정값도 있습니다. 기밀 유지상의 이유로 Lx1부터 Lx7까지로 표시합니다. 이는 각 적재량에 대한 제품의 기술적 소비자 평가 측정값입니다.
보시다시피, 팬은 10이고, 동일한 제품으로 26번 세탁을 합니다. 그리고 각 세탁마다 세탁 만족도 등급을 제공하는데, 여기처럼 분포가 다릅니다. 이 Lx1부터 Lx7까지의 데이터를 사용하여 전반적인 세탁 만족도를 예측하거나 설명하려면 어떻게 해야 할까요? 바로 PLS를 사용합니다. 이전에 보여드렸던 것과 같은 방식으로 모델을 구축합니다. 모델 구축 후에는 각 계수에 대한 순위를 확인할 수 있습니다.
그러면 기술 측정값인 Lx1, Lx2, Lx4가 명확하게 표시될 것입니다. 계수가 높을수록 전체 부하 등급에 가장 큰 영향을 미치기 때문에 이것이 가장 중요합니다. 보시다시피, 현재 과대평가로 인해 평균이 아닙니다. 우리는 이것을 최고 점수, 즉 100점 만점이라고 부릅니다. 여기서 하는 일은 단순히 원래 점수 2를 다시 불러오는 것입니다. 0에서 100까지의 점수는 소비자가 매우 만족할 때마다 100점으로 코딩하고, 만족하지 않거나 매우 만족하지 않을 때마다 0점을 부여하는 것을 의미합니다.
PLS 모델은 이 값을 최고 만족도 점수(Top Box Percentage)와 연결하려고 합니다. 보시다시피, x1, x2, x3 값이 중간 수준이거나 약간 높으면 최고 만족도 점수가 상당히 높게 나올 수 있습니다. 하지만 이 두 값이 전혀 만족스럽지 못한 경우, 예를 들어 평균값이 매우 낮으면 최고 만족도 점수는 0이나 음수(물론 음수가 될 수는 없지만)로 낮아집니다. 이는 x1, x2, x4 값이 소비자 만족도 점수를 높이는 데 집중해야 할 영역임을 나타냅니다.
요약하자면, 지우가 보여준 것은 모든 데이터를 결합하면 훌륭한 모델을 만들고 분석 및 예측을 수행할 수 있다는 것입니다. 우리는 부하 수준에서 하위 3개 항목의 결과를 최소화하고 사용 후 결과에서 상위 항목을 극대화하는 데 집중해야 한다는 것을 배웠습니다. 둘째, x1, x2, x4, x3과 같은 특정 기술 지표에 집중해야 합니다. 기술적인 관점에서 소비자 관점까지 출력을 극대화하는 것입니다. 아주 간략하게 요약하면 이렇습니다.
