JMP 中的文本浏览器功能非常强大，可用于整理调查问卷或一系列客户之声 (VOC) 访谈的回复，并使其达到测试标准。在本演示中，我将使用来自我所在机构的真实案例，详细介绍所有步骤。调查问卷包含封闭式问题（使用 1-5 星评分）、半封闭式问题（从选项列表中选择多个答案）和开放式问题（自由文本字段）。
正如预期，受访者对开放式或半封闭式问题的回答差异更大。文本浏览器提供了一种将回答编码为词组和短语的方法。这些词组和短语可以进行多种处理，从而实现预测建模和假设检验，本演示文稿将对此进行演示。
文本浏览器还可以将客户之声 (VOC) 的回复分组，形成主题，这些主题随后可作为关键质量特性 (CTQ) 树中的质量驱动因素。如果构建得当，这种方法（我们在 JMP 中演示过）可以节省时间，同时还能带来新的洞察。
定量分析的兴起：调查问卷和客户之声的文本分析。引言。如今，由于调查问卷制作简便，因此被广泛应用。然而，一些调查问卷设计不合理，导致后续分析困难重重，结论也难以得出。
案例一基于一项关于部门内各团队合作情况的调查分析。在六西格玛项目中，开展客户之声（VOC）至关重要，它能帮助我们了解哪些方面能为客户创造价值。然而，如果客户众多，他们的意见很可能各不相同。如何才能有效地开展客户之声工作呢？案例二正是围绕这一问题展开，它基于对50位内部客户和利益相关者的访谈。
文本属于非结构化数据，可以使用 JMP Text Explorer 进行处理，从而进行统计分析、挖掘文本中的隐藏信息或降低文本复杂性以方便解读。例如，客户反馈可能来自一系列访谈。这些访谈的会议记录属于非结构化数据，难以客观地转化为可衡量的参数。但是，借助 Text Explorer 的各项功能，可以实现客观的处理流程。
调查问卷的问题可以是封闭式问题、半封闭式问题或开放式问题。例如，一个封闭式问题可能是这样的：您如何评价2024年欧洲探索峰会？优秀、非常优秀、世界一流、非常世界一流，当然，宇宙最佳。一个半封闭式问题可能是这样的：您最喜欢的甜点是什么？您可以选择任意数量的甜点。例如，您可以选择冰淇淋、冰淇淋加蛋糕、蛋糕加水果、冰淇淋加水果、糖果、糖果加水果、仅糖果等等。一个开放式问题可能是这样的：您如何描述完美的一天？
在六西格玛项目中，客户的声音和需求必须转化为质量驱动因素和可衡量的关键质量指标。这需要将客户领域（一个相对模糊且缺乏结构化的领域）转变为功能需求和规范的技术领域。
接下来，我们将使用 JMP 来演示这两个案例。案例 1 是关于海上风电场建设过程中健康与安全团队合作情况的调查。案例 2 是来自海上风电场设计流程持续改进项目中的客户反馈。
案例一：调查问卷。您看到的是关于部门协作的原始调查问卷的一部分，其中行代表回答，列代表问题。首先，我想检验两个封闭式问题的回答之间的相关性。
问题一：您如何定义您的工作角色？后台、一线还是其他？针对问题四：除了日常工作之外，您多久会与来自其他部门或地区的同事合作一次？每周、每天、每月还是更少？
我强烈建议您按值对选项进行排序，否则会非常混乱。具体操作方法如下：选中该列，右键单击，选择“列属性”，然后选择“值顺序”。您可以看到，我已经将顺序自定义为：频率较低、每月、每周、每天。完成后，单击“确定”。
在 JMP 中，有三种方法可以进行这种分析。这里将介绍其中两种。第一种方法，依次点击“分析”、“消费者研究”、“分类”。我们选择问题一作为 X（分组类别），问题四作为回答。点击“确定”。您现在看到的是一个包含单元格的表格。单元格内包含频数（即观察计数）、百分比以及卡方值（即 P 值）。
根据给定的数据，我们可以看到一线日常工作组的响应率显著偏低。我们点击并选中此项，然后进入下一个方法，即“用 X 平台拟合 Y”。同样地，我们选择问题一作为 X，问题四作为 Y（即响应值）。点击“确定”。这里可以看到表格略有不同，因为我们得到的不是 P 值，而是期望值。我们也选中期望值。然后我们可以合并这两个窗口，得到完整的报告。
您可以很清楚地看到，之所以这个P值显著偏低，是因为我们在这个单元格中只观察到4个计数，而预期值为12.6，由于是人类，实际值为13。观察值和预期值之间的差异如此之大，以至于这个P值具有统计学意义。或许该部门需要采取措施来改进这一点。
至此，封闭式问题的处理就结束了。让我们回到数据表，来看第14题。题目是：什么有助于您在部门内进行协作？实际上，这是一个半封闭式问题，因为受访者可以选择多个选项，例如协作文化、面对面会议、非正式交流、公司内部的人脉拓展时间（以便了解彼此）、IT工具、全体员工大会等等。
为了查看我们收到了多少份答案，我们可以用图表生成器来展示。选择图表生成器，将第 14 题拖放到相应的区域。然后选择树状图。点击完成并放大。我想大家都很清楚，答案的数量几乎和受访者的数量一样多，这使得分析变得复杂，甚至几乎不可能。
不过，如果我们使用文本浏览器，就可以对数据进行量化。回到数据表。在“分析”下，找到“文本浏览器”。我们选择第 14 题作为文本列。其他设置保持不变，然后单击“确定”。这里显示的是术语和短语列表，我将通过选中短语、右键单击并选择“添加短语”来把所有短语添加到术语中。
现在我们可以看到，这份清单提供的信息非常分散。我们可以看到，非正式聊天交流的权重最高，其次是面对面会议、领导支持、良好的项目管理、在线会议等等。
您可以利用这些数据生成一份非常漂亮的报告。如果您在表格中的任何位置，右键单击并选择“转换为数据表”。这样就得到了一个新的数据表，我选择删除所有不重要的术语。然后，我们可以转到“分布”选项卡，选择“术语”作为 Y 轴，选择“计数”作为频数。单击“确定”。在“热点”选项卡下，您可以堆叠报告。在“术语”热点选项卡下，我们可以按计数降序排列计数。或许我们应该稍微调整一下直方图的颜色。现在，我们得到了一份漂亮的报告，可以用来沟通和采取行动。
让我们仔细看看“非正式聊天网络”这个短语。回到数据表和文本编辑器“Explorer”，选择“非正式聊天网络”这个术语。右键点击这里，可以看到可以保存一个指标。这个指标会用 0 或 1 表示受访者是否选择了该选项。我们执行此操作。
在数据表中，我们可以看到现在创建了一列，其中包含 1 或 0。我想将其重新编码为“是”或“否”。如果我们点击上方的“重新编码”，我会将 0 替换为“否”。我们确认将该列转换为字符型，并将 1 替换为“是”。像这样，然后点击“重新编码”。现在我们得到了一个包含相同信息的新列，但值从 1 或 0 变为“是”或“否”。
现在我们可以对例如问题 5（您如何评价部门的整体协作情况？非常差、差、一般、好或非常好）与我们的非正式聊天网络指标（是或否）之间的相关性进行分类检验。
正如我们之前看到的，在“分析”下，我们可以找到消费者研究平台，然后选择“分类”。现在，我们将问题 5 作为 X，并将我们的非正式聊天网络指标作为回复。我们点击“确定”。和之前一样，我们得到了这个列表或表格。我认为我们应该忽略那些数据量很少的单元格，因为这些单元格中只有两个回复。
然而，我们可以看到，在非正式聊天网络使用率低的组别中，P 值显著偏低。几乎所有将部门协作评为差的组员都不使用非正式聊天网络。我认为这是有价值的信息，或许是部门应该改进的地方。以上是部分封闭式问题的处理方法，也是案例一的结束。
我们来看案例二，即客户之声（VOC）访谈。案例二基于会议记录，并将其转化为贴纸。这样做的目的是为了能够将它们分组展示在白板上。每一行代表一张贴纸，数据表中共有361张贴纸（或361行），它们来自50位受访者。
您可能已经注意到，出于敏感信息考虑，我隐藏了亲和图输入框（即贴纸上的文字）。现在，我们将运行文本浏览器，并像之前一样添加短语和术语。我已经完成了这一步，您可以在这里看到。所有短语都显示为灰色，表示它们已添加到术语列表中。
我们可以看到有一个名为“project”的术语，还有一个名为“projects”的术语。再往下看，有一个名为“process”的术语，还有一个名为“processes”的术语。为了消除这些重复项，我们可以点击热点，选择“术语选项”、“词干提取”、“所有术语词干提取”。
为了进一步清理，我们发现有些词语不能使用，因为它们无法提供任何有价值的信息，例如“Use”。如果我选择“Use”，右键单击并将其添加为停用词，它就会从列表中消失。我们也可以对“within”进行同样的操作，添加一个停用词。
这里我们有一个非常干净的表格，可以开始处理了。接下来我将切换到 JMP Pro 版本，因为我们将进行潜在语义奇异值分解 (LSV)，以获得主题分析旋转后的奇异值分解 (SVD)。SVD 将文本数据转换为固定维度的向量空间，使其适用于各种聚类、分类和回归技术。
如果您有 JMP Pro，就可以进行此操作。在“热点”下，选择“潜在语义分析 SVD”。单击“确定”。在此热点下，即“SVD 中心化和缩放 TF-IDF”热点下，选择“主题分析”和“旋转 SVD”。
在这里，我们需要选择主题数量，这里我选择了四个。点击“确定”。这里显示的是按主题划分的载荷报告，它包含四个表格，每个主题对应一个表格。这些主题中的术语是绝对值载荷最大的术语。我们可以利用这份报告来确定六西格玛项目的概念主题。
如果我们再次进入“热点”并点击“重命名主题”，查看主题 1 中的术语，我将其命名为“成本效益主题”。主题 2，我将其命名为“信息系统”。主题 3 与项目执行本身有关，因此可以命名为“项目执行”。主题 4，我将其命名为“知识共享”。点击“确定”。这非常棒，因为现在我们已经为六西格玛项目创建了四个质量驱动因素。
通过使用主题，我们现在可以对客户之声 (VOC) 的陈述进行客观汇总，而无需依赖人工进行主观汇总。此外，我们还可以将主题以词云的形式展示。依次点击“显示选项”、“按主题显示词云”。在这里，我们可以展开查看，目前我们获得的信息与按主题或质量驱动因素（我以前称之为质量驱动因素）显示的词云相同。
如果我们进入热点区域，点击它，可以看到我们可以保存文档主题向量。保存后，将其导入数据表，可以看到我们创建了四个新列，分别对应四个质量驱动因素。这在六西格玛项目的改进阶段将非常有用，因为我们需要在该阶段讨论解决方案。
在这里，我们可以看到在讨论成本效益解决方案、信息系统、项目执行或知识共享时，我们需要特别关注哪些客户。为了区分不同的客户，我们可以打开图表构建器，然后（我稍微移动一下）选择“主题”作为 Y 轴，选择“受访者”作为 X 轴。接下来，选择“条形图”。点击“完成”。
我们可以看到，当我们想与客户讨论解决方案时，这个人是成本效益方面的首选咨询对象，而另一个人则擅长讨论信息系统解决方案。这位是知识分享者，这位是项目执行者。说到这里，我将结束JMP的演示，然后继续进行演示。
借助 JMP Pro Text Explorer，我们打破了客户反馈与功能需求和规范等技术领域之间的界限。我们利用 JMP Text Explorer 制定了四个目标及其质量驱动因素。我们可以轻松地从这些驱动因素中提炼出可衡量的关键质量指标。因此，我们节省了大量时间，并减少了人为因素的影响。
最后，总结一下。文本分析工具可以将部分封闭式问题回答以及来自客户之声访谈等复杂文本的内容分解成术语和短语。这些术语和短语可以转化为主题、质量驱动因素或指标，从而实现对信息的客观解读。JMP 文本分析工具提供了一种从纯定性文本分析过渡到定量文本分析的方法。有了这些新知识，我们可以提高客户之声访谈和调查的质量，并在测试中获得可靠的结论。谢谢您的关注。
