在分析洗衣產品的消費者洞察時，區分洗衣日記資料和小組測試資料對於理解使用者體驗和洗滌劑功效至關重要。洗衣日記數據能夠即時反映消費者的實際行為和偏好，反映真實的洗滌劑使用模式。相較之下，小組測試數據來自消費者幾週的使用體驗，容易受到事後合理化的影響，即消費者的認知可能因預期或行銷宣傳而發生改變，從而扭曲產品性能評估。因此，洗衣日記資料對於更準確地評估產品功效至關重要。
為了呈現這些洞見，我們利用 JMP 軟體進行進階統計分析和資料視覺化。其主要功能包括：合併資料表以獲得全面概覽；使用資料清洗工具維護資料完整性；以及應用偏最小二乘法 (PLS) 建模探索變數間的關係。此外，我們也採用建模情境和蒙特卡羅分析來模擬消費者行為並預測不確定性下的結果。透過優先處理洗衣日記資料並運用這些分析工具，我們旨在優化產品開發和行銷策略，最終提升消費者滿意度和品牌忠誠度。
大家好。歡迎參加我們關於連結消費者數據和技術數據的簡短海報展示環節。我們將利用洗衣日記資料來預測消費者對產品的滿意度。具體來說，我們進行消費者研究時，通常會收集兩種不同層次的資料。一種是日記數據，我們會請消費者記錄他們在家洗衣時的所有信息，以及我們能夠收集到的所有資訊。
例如，洗衣機的溫度設定是多少？每次洗多少衣服？用了多少洗滌劑？所有這些資訊都會被記錄下來。同時，我們也會請消費者對產品進行整體評價，這能讓我們更深入了解消費者的購買意圖。我們知道，這兩者之間可能存在差異，因為消費者在購買後會進行一些理性化思考。
然而，如果我們想對產品產生切實的影響，就需要從技術角度更深入地了解它，並與消費者進行技術層面的互動，以便他們在使用後的數據部分給出更準確的評價。本次會議將探討如何將這兩組數據關聯起來，以獲得正確的洞察。我們將示範如何控制資料品質。我們使用客製化的 JMP 工具來剔除一些無效資料。我們也將展示如何彙總日記分析和使用後分析的結果。
接下來，我們將向您展示如何利用這些資料進行更深入的建模，之後我會將講解交給我的同事志武，他會展示偏最小二乘法建模、蒙特卡羅分析，並深入探討統計方面的技術細節。最終，我們將能夠展示，我們需要盡可能提高最高評分，同時盡可能降低最低三項評分。志武會詳細解釋其中的原因。我們還可以向您展示如何建立日記層級的最終模型，以及在設計產品時，如何確定需要關注哪些指標才能獲得最佳的消費者評價。但首先，讓我先從資料清洗入手。
我們舉個例子來說明如何清洗資料。例如，這裡我們合併了使用後數據和消費者數據，其中有一列設定了幹擾性問題。這個問題旨在篩選出那些填寫問卷時不夠專注的消費者。同時，我們還有其他指標可以用來提升資料庫的品質。我們有一個名為「Grinch」的工具，可以一次添加所有直接問題和乾擾性問題。
在這個子畫面中，我們需要突出顯示要篩選的內容。我們可以篩選超出範圍的資料、平線資料、缺失資料和無關緊要的遺漏資料。我們也希望 JMP 將這些新資訊新增到名為「Grinch」（意為「令人頭痛的」）的附加欄位中。新增這些附加列是為了解釋它發現的問題，因為我們同時要求了不同的指標。例如，對於超出範圍的數據，我們需要突出顯示每個問題預期返回結果的範圍。
對於誤導性問題也是如此。這些是消費者可能給的答案。直線表示不同問題之間的標準差大小，它能讓我們判斷消費者是否只是隨意勾選中間選項，還是真的認真思考了問卷中的答案。例如，我們可以檢查是否有很高比例的問題以相同的方式回答。假設這個比例為 90%。
它還會檢查缺失資料。最後，我們需要做的就是輸入我們預期消費者對誤導性問題的正確答案。在這個例子中，答案是公平的。然後點擊提交。 JMP 會進行分析，並在資料庫後端新增列。
現在我們發現，有幾位消費者漏掉了那個誤導性問題。這表明這些消費者在填寫問卷時並沒有真正認真。在這種情況下，我們會將他們從資料庫中排除。我也會簡單說明我們如何將日記資料和使用後資料合併到一個大檔案中。首先，我們會使用製表功能，並專注於消費者ID。
現在重要的是，要把這些資料轉換成序數形式。否則，我們就無法得到每個消費者一行的資料。在這種情況下，我們確實需要每個消費者一行的資料作為輸出。我們感興趣的是，每個消費者每次洗衣的整體滿意度是多少。我們要把這個數據拖到這裡。當然，格式要正確。我們需要的是行百分比。是的，不是總和。終於，我們做到了。
現在我們已經統計了每位消費者在負載等級上的回應百分比。例如，10號消費者針對每種負載類型都給出了以下幾種回應。其中，7.69% 的響應為最高分。基於此，我們可以建立一個額外的資料表。這些資訊隨後可以添加到我們的使用後資料表中。
我們可以把這些數據和一開始就有的產品資訊數據合併起來。具體做法是，進入連接函數，確保選中…確保它們在同一個 JMP 檔案中開啟。然後，進入表格和連接函數，添加新的未命名資料文件，找到消費者編號，將它們轉換成相同的格式，並確保這些編號完全匹配。這樣，我們就可以將所有這些資訊合併到一個資料檔案中。一旦我們有了包含產品資料和日記資料的清理資料集，就可以開始建模了。現在，我把這個任務交給我的同事志武。
謝謝Nathan。他的演講非常精彩，也示範如何清理數據，以及如何將產品層面的數據和匯總日記數據合併起來進行建模。大家好，我是寶潔公司的統計師梁志武。 Nathan是我的同事，他是產品研究專家。
這是JMP項目。我與Nathan合作，展示JMP如何幫助我們建立模型，並將日記資料和消費者回饋資料關聯起來。在這個JMP資料中，我們擁有消費者對每種產品的整體滿意度。每位消費者對一種產品進行評價。每個產品都會獲得一個評分。此評分是根據消費者為期兩週的研研，他們從每次洗滌的角度給予評估。對於每次洗滌，如果消費者非常滿意，他們會給予100分；如果他們對洗滌效果不滿意，他們會給予0分或25分。
為了利用底層資料預測產品評估（即產品整體滿意度），我們需要建立一個模型。首先，我們需要回答的問題是：我們需要建立什麼樣的模型？然後，我們首先追蹤底層資料與整體滿意度之間的相關性，這可以透過 JMP 的多元相關性分析來實現。
正如您在這裡看到的，所有這些低等級評分都高度相關。這顯然是因為如果產品好，就會給予高分，例如 75 分或 100 分；如果產品差，就會給予低分。低分（例如 0 分和 25 分，我們將其設為最低分）與最高分（100 分，我們將其設為最高分）之間存在負相關關係。因為 0 分到 100 分的洗滌滿意度評分（基於 8 次或 10 次洗滌）也與此相關，我們計算每個評分的百分比，總和為 100 分。在這種限制下，普通的迴歸分析無法正常運作。
這就是我們使用偏最小平方法（PLS）技術的原因。在 JMP 中，您可以輕鬆完成這項操作。首先，使用整體滿意度作為因變數（Y），所有相關滿意度作為因變數（X），建立模型，然後是人格因素，切換到偏最小二乘法，最後運行模型。我們通常使用留一法交叉驗證來確定運行 PLS 的最佳因子。在寶潔公司，我們通常使用單一因子作為最終結果，因為我們希望保留預測變數和反應變數之間所有正確的關聯。
正如您在這裡看到的，如果消費者給予100%的高分，那麼消費者對產品的滿意度評分無疑會非常高。此外，我們也可以從分析器中看到這些指標的變化。例如，如果100分（我們稱之為最高分）的數值增加，則表示消費者對產品性能感到滿意，因此我們的整體產品滿意度評分也很高。在確定了各個指標的重要性、評分等級以及對產品回應的百分比影響之後，我們還希望了解每個等級如何對整體預測產生清晰的影響。
要回答這個問題，首先我們需要在這裡給出約束條件，因為我們需要根據這個模型預測來模擬資料。第一，基於我們在數據中給出的約束條件，因為記住，我們說過，對於同一個消費者的所有評分，它們的總和為 100%。這裡我們需要進行加法運算。第二，我們需要在 JMP 中進行模擬，因為 JMP 非常容易上手。您可以進入資料模擬，然後執行簡單的程式來產生蒙特卡羅模擬分析。
這裡我們假設，在已知資料分佈的情況下，我們使用隨機產生器產生 10,000 個資料樣本進行蒙特卡羅模擬，這通常被稱為蒙特卡羅模擬結果。前五個變數是我們的預測變量，代表消費者對每個評分的回答分佈。第二個變量，也就是最後一個變量，是產品整體滿意度的預測值。透過這個變量，如果您使用圖表建立功能，將預測值放在 X 軸，所有五個變數放在 Y 軸，您就可以清晰地看到趨勢。我們可以清楚地看到趨勢。
100 分的最高分…100 分，在寶潔公司我們稱之為最高分，它代表著最高的評分提升。如果消費者給予最高分，我們幾乎可以肯定地說，消費者會對產品非常滿意。但如果消費者給予 0 分、25 分，甚至有時是 50 分，即使這個分數本身不錯，但如果消費者不滿意，他們的整體評分也會較低。如果我們把公式寫在這裡，正如你所看到的，最高分的 1%……10% 的提升，意味著整體評分會提高近 4 分。但如果你看第二個分數，如果消費者只給了 10% 的分數，那麼預測結果可能會高估近 6%。
結果表明，我們需要專注於前兩個方框，即75和100，尤其是100，因為它對提升最終產品評價貢獻最大。然後，我們需要盡量降低25、0和50的數值，以防止產品評分下降。不僅如此，我們還可以利用產品等級……抱歉，是日記資料來評估如何防止產品評分低於最低值，並提高最高值。例如，以下是我們的評分數據。同樣，我們也有產品的技術測量數據。出於保密原因，我們將其標記為Lx1到Lx7。這是我們針對每個評分等級的產品進行技術消費者評估的測量數據。
正如您在這裡看到的，洗滌次數是 10 次，他們對相同的產品有 26 次洗滌次數，每次洗滌後，他們都會給出洗滌滿意度評分，就像這裡展示的一樣。評分分佈各不相同。我們如何利用 Lx1 到 Lx7 來預測或解釋整體洗滌滿意度？我們使用偏最小平方法 (PLS)。方法與我之前展示的相同，您可以建立一個模型。建立模型後，您可以看到，這裡我們給出了每個係數的排名。
然後他們會清楚地展示技術測量結果，Lx1、Lx2、Lx4 是最重要的，因為係數越高，對我們的整體負載評級影響越大。您可以看到，由於目前的超額評級較低，因此它不是平均水平。我們稱之為“頂箱”，也就是 100 分。我們在這裡所做的，只是簡單地調用原始分數 2，0 到 100 的分數意味著，每次客戶非常滿意時，我們都將其編碼為 100 分。每次客戶不滿意或不非常滿意時，我們都將其編碼為 0 分。
然後，PLS模型試圖將這個值與最佳滿意度百分比連結。正如您在這裡看到的，如果x1、x2、x3處於中等或略高，那麼我們就可以獲得相當高的百分比。但如果這兩個數值完全不符合標準，例如平均值非常低，那麼您會看到整體最佳滿意度百分比會接近0或負值。當然，它們不可能是負值，但至少消費者對此不太滿意。這顯示x1、x2、x4是需要重點關注的領域，以幫助我們提高消費者的最佳滿意度。
總而言之，智武展示的是，一旦我們整合了所有數據，就能創建出色的模型，進行分析並做出精準的預測。我們了解到，我們需要專注於提供最佳效能，在負載階段盡量減少效能最低的三個指標，從而在後續使用階段最大化最佳效能。其次，我們需要專注於具體的技術指標，例如 x1、x2、x4 和 x3。我們要從技術層面到使用者體驗層面最大化輸出。簡而言之，就是這樣。
