在分析洗衣产品的消费者洞察时，区分洗衣日记数据和小组测试数据对于理解用户体验和洗涤剂功效至关重要。洗衣日记数据能够实时反映消费者的实际行为和偏好，体现真实的洗涤剂使用模式。相比之下，小组测试数据来源于消费者几周的使用体验，容易受到事后合理化的影响，即消费者的认知可能因预期或营销宣传而发生改变，从而扭曲产品性能评估。因此，洗衣日记数据对于更准确地评估产品功效至关重要。
为了呈现这些洞见，我们利用 JMP 软件进行高级统计分析和数据可视化。其主要功能包括：合并数据表以获得全面概览；使用数据清洗工具维护数据完整性；以及应用偏最小二乘法 (PLS) 建模探索变量间的关系。此外，我们还采用建模场景和蒙特卡罗分析来模拟消费者行为并预测不确定性下的结果。通过优先处理洗衣日记数据并运用这些分析工具，我们旨在优化产品开发和营销策略，最终提升消费者满意度和品牌忠诚度。
大家好。欢迎参加我们关于连接消费者数据和技术数据的简短海报展示环节。我们将利用洗衣日记数据来预测消费者对产品的满意度。具体来说，我们进行消费者研究时，通常会收集两种不同层次的数据。一种是日记数据，我们会请消费者记录他们在家洗衣时的所有信息，以及我们能够收集到的所有信息。
例如，洗衣机的温度设置是多少？每次洗多少衣服？用了多少洗涤剂？所有这些信息都会被记录下来。同时，我们还会请消费者对产品进行总体评价，这能让我们更深入地了解消费者的购买意图。我们知道，这两者之间可能存在差异，因为消费者在购买后会进行一些理性化思考。
然而，如果我们想对产品产生切实的影响，就需要从技术角度更深入地了解它，并与消费者进行技术层面的互动，以便他们在使用后的数据部分给出更准确的评价。本次会议将探讨如何将这两组数据关联起来，从而获得正确的洞察。我们将演示如何控制数据质量。我们使用定制的 JMP 工具来剔除一些无效数据。我们还将展示如何汇总日记分析和使用后分析的结果。
接下来，我们将向您展示如何利用这些数据进行更深入的建模，之后我会将讲解交给我的同事志武，他会展示偏最小二乘法建模、蒙特卡罗分析，并深入探讨统计方面的技术细节。最终，我们将能够展示，我们需要尽可能提高最高评分，同时尽可能降低最低三项评分。志武会详细解释其中的原因。我们还可以向您展示如何构建日记级别的最终模型，以及在设计产品时，如何确定需要关注哪些指标才能获得最佳的消费者评价。但首先，让我从数据清洗入手。
我们举个例子来说明如何清洗数据。例如，这里我们合并了使用后数据和消费者数据，其中有一列设置了一个干扰性问题。这个问题旨在筛选出那些填写问卷时不够专注的消费者。同时，我们还有其他指标可以用来提升数据库的质量。我们有一个名为“Grinch”的工具，可以一次性添加所有直接问题和干扰性问题。
在这个子屏幕中，我们需要突出显示要筛选的内容。我们可以筛选超出范围的数据、平线数据、缺失数据和无关紧要的遗漏数据。我们还希望 JMP 将这些新信息添加到一个名为“Grinch”（意为“令人头疼的”）的附加列中。添加这些附加列是为了解释它发现的问题，因为我们同时请求了不同的指标。例如，对于超出范围的数据，我们需要突出显示每个问题预期返回结果的范围。
对于误导性问题也是如此。这些是消费者可能给出的答案。水平线表示不同问题之间的标准差有多大，它能让我们判断消费者是否只是随意勾选中间选项，还是真的认真思考了调查问卷中的答案。例如，我们可以检查是否有很高比例的问题以相同的方式回答。假设这个比例为 90%。
它还会检查缺失数据。最后，我们需要做的就是输入我们预期消费者对误导性问题的正确回答。在这个例子中，答案是公平的。然后点击提交。JMP 会进行分析，并在数据库后端添加列。
现在我们发现，有几位消费者漏掉了那个误导性问题。这表明这些消费者在填写问卷时并没有真正认真。在这种情况下，我们会将他们从数据库中排除。我还会简要说明一下我们如何将日记数据和使用后数据合并到一个大文件中。首先，我们会使用制表功能，并重点关注消费者ID。
现在重要的是，要把这些数据转换成序数形式。否则，我们就无法得到每个消费者一行的数据。在这种情况下，我们确实需要每个消费者一行的数据作为输出。我们感兴趣的是，每个消费者每次洗衣的总体满意度是多少。我们要把这个数据拖到这里。当然，格式要正确。我们需要的是行百分比。是的，不是总和。终于，我们做到了。
现在我们已经统计了每位消费者在不同负载级别下的响应百分比。例如，10号消费者针对每种负载类型都给出了相应的响应。其中，7.69% 的案例中，他们给出了最高响应。基于此，我们可以创建一个额外的数据表。这些信息随后可以添加到我们的使用后数据表中。
我们可以把这些数据和我们一开始就有的产品信息数据合并起来。具体做法是，进入连接函数，确保选中……确保它们在同一个 JMP 文件中打开。然后，进入表格和连接函数，添加新的未命名数据文件，找到消费者编号，将它们转换成相同的格式，并确保这些编号完全匹配。这样，我们就可以将所有这些信息合并到一个数据文件中。一旦我们有了包含产品数据和日记数据的清理数据集，就可以开始建模了。现在，我把这个任务交给我的同事志武。
谢谢Nathan。他的演讲非常精彩，还演示了如何清理数据，以及如何将产品层面的数据和汇总日记数据合并起来进行建模。大家好，我是宝洁公司的统计师梁志武。Nathan是我的同事，他是产品研究专家。
这是JMP项目。我与Nathan合作，展示JMP如何帮助我们构建模型，并将日记数据和消费者反馈数据关联起来。在这个JMP数据中，我们拥有消费者对每种产品的总体满意度。每位消费者对一种产品进行评价。每个产品都会获得一个评分。该评分基于消费者为期两周的调研，他们从每次洗涤的角度给出评价。对于每次洗涤，如果消费者非常满意，他们会给出100分；如果他们对洗涤效果不满意，他们会给出0分或25分。
为了利用底层数据预测产品评价（即产品总体满意度），我们需要构建一个模型。首先，我们需要回答的问题是：我们需要构建什么样的模型？然后，我们首先追踪底层数据与总体满意度之间的相关性，这可以通过 JMP 的多元相关性分析来实现。
正如您在这里看到的，所有这些低等级评分都高度相关。这显然是因为如果产品好，就会给出高分，比如 75 分或 100 分；如果产品差，就会给出低分。低分（例如 0 分和 25 分，我们将其设为最低分）与最高分（100 分，我们将其设为最高分）之间存在负相关关系。因为 0 分到 100 分的洗涤满意度评分（基于 8 次或 10 次洗涤）也与此相关，我们计算每个评分的百分比，总和为 100 分。在这种限制下，普通的回归分析无法正常工作。
这就是我们使用偏最小二乘法（PLS）技术的原因。在 JMP 中，您可以轻松完成这项操作。首先，使用总体满意度作为因变量（Y），所有相关满意度作为因变量（X），构建模型，然后是人格因素，切换到偏最小二乘法，最后运行模型。我们通常使用留一法交叉验证来确定运行 PLS 的最佳因子。在宝洁公司，我们通常使用单因子作为最终结果，因为我们希望保留预测变量和响应变量之间所有正确的关联。
正如您在这里看到的，如果消费者给出100%的高分，那么消费者对产品的满意度评分无疑会非常高。此外，我们还可以从分析器中看到这些指标的变化。例如，如果100分（我们称之为最高分）的数值增加，则说明消费者对产品性能感到满意，因此我们的整体产品满意度评分也很高。在确定了各个指标的重要性、评分等级以及对产品响应的百分比影响之后，我们还希望了解每个等级如何对整体预测产生清晰的影响。
要回答这个问题，首先我们需要在这里给出约束条件，因为我们需要根据这个模型预测来模拟数据。第一，基于我们在数据中给出的约束条件，因为记住，我们说过，对于同一个消费者的所有评分，它们的总和为 100%。这里我们需要进行加法运算。第二，我们需要在 JMP 中进行模拟，因为 JMP 非常容易上手。您可以进入数据模拟，然后运行简单的程序来生成蒙特卡罗模拟分析。
这里我们假设，在已知数据分布的情况下，我们使用随机生成器生成 10,000 个数据样本进行蒙特卡罗模拟，这通常被称为蒙特卡罗模拟结果。前五个变量是我们的预测变量，代表消费者对每个评分的回答分布。第二个变量，也就是最后一个变量，是产品整体满意度的预测值。通过这个变量，如果您使用图表构建功能，将预测值放在 X 轴，所有五个变量放在 Y 轴，就可以清晰地看到趋势。我们可以清楚地看到趋势。
100 分的最高分……100 分，在宝洁公司我们称之为最高分，它代表着最高的评分提升。如果消费者给出最高分，我们几乎可以肯定地说，消费者会对产品非常满意。但如果消费者给出 0 分、25 分，甚至有时是 50 分，即使这个分数本身不错，但如果消费者不满意，他们的总体评分也会较低。如果我们把公式写在这里，正如你所看到的，最高分的 1%……10% 的提升，意味着总体评分会提高近 4 分。但如果你看第二个分数，如果消费者只给了 10% 的分数，那么预测结果可能会高估近 6%。
结果表明，我们需要重点关注前两个方框，即75和100，尤其是100，因为它对提升最终产品评价贡献最大。然后，我们需要尽量降低25、0和50的值，以防止产品评分下降。不仅如此，我们还可以利用产品等级……抱歉，是日记数据来评估如何防止产品评分低于最低等级，并提高最高等级。例如，以下是我们的评分数据。同样，我们也有产品的技术测量数据。出于保密原因，我们将其标记为Lx1到Lx7。这是我们针对每个评分等级的产品进行技术消费者评估的测量数据。
正如您在这里看到的，洗涤次数是 10 次，他们对相同的产品有 26 次洗涤次数，每次洗涤后，他们都会给出洗涤满意度评分，就像这里展示的一样。评分分布各不相同。我们如何利用 Lx1 到 Lx7 来预测或解释整体洗涤满意度呢？我们使用偏最小二乘法 (PLS)。方法与我之前展示的相同，您可以建立一个模型。建立模型后，您可以看到，这里我们给出了每个系数的排名。
然后他们会清楚地展示技术测量结果，Lx1、Lx2、Lx4 是最重要的，因为系数越高，对我们的整体负载评级影响越大。您可以看到，由于目前的超额评级较低，所以它不是平均水平。我们称之为“顶箱”，也就是 100 分。我们在这里所做的，只是简单地调用原始分数 2，0 到 100 的分值意味着，每次客户非常满意时，我们都将其编码为 100 分。每次客户不满意或不非常满意时，我们都将其编码为 0 分。
然后，PLS模型试图将这个值与最佳满意度百分比联系起来。正如您在这里看到的，如果x1、x2、x3处于中等水平或略高，那么我们就可以得到相当高的百分比。但如果这两个值完全不达标，例如平均值非常低，那么您会看到整体最佳满意度百分比会接近0或负值。当然，它们不可能为负值，但至少消费者对此不太满意。这表明x1、x2、x4是需要重点关注的领域，以帮助我们提高消费者的最佳满意度。
总而言之，智武展示的是，一旦我们整合了所有数据，就能创建出色的模型，进行分析并做出精准的预测。我们了解到，我们需要专注于提供最佳性能，在负载阶段尽量减少性能最低的三个指标，从而在后续使用阶段最大化最佳性能。其次，我们需要关注具体的技术指标，例如 x1、x2、x4 和 x3。我们要从技术层面到用户体验层面最大化输出。简而言之，就是这样。
