JMP 中的文字瀏覽器功能非常強大，可用於整理問卷或一系列客戶之聲 (VOC) 訪談的回复，並使其達到測試標準。在本演示中，我將使用來自我所在機構的真實案例，詳細介紹所有步驟。問卷包含封閉式問題（使用 1-5 星評分）、半封閉式問題（從選項清單中選擇多個答案）和開放式問題（自由文字欄位）。
如預期，受訪者對開放式或半封閉式問題的回答差異較大。文字瀏覽器提供了一種將答案編碼為詞組和短語的方法。這些詞組和短語可以進行多種處理，從而實現預測建模和假設檢驗，本簡報將對此進行演示。
文字瀏覽器還可以將客戶之聲 (VOC) 的回覆分組，形成主題，這些主題隨後可作為關鍵品質特性 (CTQ) 樹中的品質驅動因素。如果建構得當，這種方法（我們在 JMP 中演示過）可以節省時間，同時也能帶來新的洞見。
定量分析的興起：問捲和客戶之聲的文本分析。引言。如今，由於問卷製作簡便，因此被廣泛應用。然而，有些問卷設計不合理，導致後續分析困難重重，結論也難以得出。
案例一基於一項關於部門內各團隊合作狀況的調查分析。在六西格瑪專案中，開展客戶之聲（VOC）至關重要，它能幫助我們了解哪些面向能為客戶創造價值。然而，如果客戶眾多，他們的意見很可能各不相同。如何才能有效地進行客戶之聲工作呢？案例二正是圍繞著這個問題展開，它是基於對50位內部客戶和利害關係人的訪談。
文字屬於非結構化數據，可使用 JMP Text Explorer 進行處理，從而進行統計分析、挖掘文本中的隱藏資訊或降低文字複雜性以方便解讀。例如，客戶回饋可能來自一系列訪談。這些訪談的會議記錄屬於非結構化數據，難以客觀地轉化為可衡量的參數。但是，借助 Text Explorer 的各項功能，可以實現客觀的處理流程。
問卷的問題可以是封閉式問題、半封閉式問題或開放式問題。例如，一個封閉式問題可能是這樣的：您如何評價2024年歐洲探索高峰會？優秀、非常優秀、世界一流、非常世界一流，當然，宇宙最佳。一個半封閉式問題可能是這樣的：您最喜歡的甜點是什麼？您可以選擇任意數量的甜點。例如，您可以選擇冰淇淋、冰淇淋加蛋糕、蛋糕加水果、冰淇淋加水果、糖果、糖果加水果、僅糖果等等。一個開放式問題可能是這樣的：您如何描述完美的一天？
在六西格瑪專案中，客戶的聲音和需求必須轉化為品質驅動因素和可衡量的關鍵品質指標。這需要將客戶領域（一個相對模糊且缺乏結構化的領域）轉變為功能需求和規範的技術領域。
接下來，我們將使用 JMP 來示範這兩個案例。案例 1 是關於離岸風電場建設過程中健康與安全團隊合作的調查。案例 2 是來自離岸風電場設計流程持續改善專案中的客戶回饋。
案例一：問卷。您看到的是關於部門協作的原始調查問卷的一部分，其中行代表回答，列代表問題。首先，我想檢驗兩個封閉式問題的回答之間的相關性。
問題一：您如何定義您的工作角色？後台、一線還是其他？針對問題四：除了日常工作之外，您多久會與來自其他部門或地區的同事合作一次？每週、每天、每月或更少？
我強烈建議您按值對選項進行排序，否則會非常混亂。具體操作方法如下：選取該列，右鍵單擊，選擇“列屬性”，然後選擇“值順序”。您可以看到，我已經將順序自訂為：頻率較低、每月、每週、每天。完成後，按一下“確定”。
在 JMP 中，有三種方法可以進行這種分析。這裡將介紹其中兩種。第一種方法，依序點選「分析」、「消費者研究」、「分類」。我們選擇問題一作為 X（分組類別），問題四作為答案。點選“確定”。現在您看到的是一個包含儲存格的表格。儲存格內包含頻數（即觀察計數）、百分比以及卡方值（即 P 值）。
根據給定的數據，我們可以看到第一線日常工作小組的回應率顯著偏低。我們點擊並選取此項，然後進入下一個方法，即「用 X 平台擬合 Y」。同樣地，我們選擇問題一作為 X，問題四為 Y（即反應值）。點選“確定”。這裡可以看到表格略有不同，因為我們得到的不是 P 值，而是期望值。我們也選中期望值。然後我們可以合併這兩個窗口，得到完整的報告。
您可以很清楚地看到，之所以這個P值顯著偏低，是因為我們在這個單元格中只觀察到4個計數，而預期值為12.6，由於是人類，實際值為13。觀察值和預期值之間的差異如此之大，以至於這個P值具有統計意義。或許該部門需要採取措施來改進這一點。
至此，封閉式問題的處理就結束了。讓我們回到數據表，來看第14題。題目是：什麼有助於您在部門內進行協作？實際上，這是一個半封閉式問題，因為受訪者可以選擇多個選項，例如協作文化、面對面會議、非正式交流、公司內部的人脈拓展時間（以便了解彼此）、IT工具、全體員工大會等等。
為了查看我們收到了多少答案，我們可以用圖表產生器來展示。選擇圖表產生器，將第 14 題拖曳到對應的區域。然後選擇樹狀圖。點擊完成並放大。我想大家都很清楚，答案的數量幾乎和受訪者的數量一樣多，這使得分析變得複雜，甚至幾乎不可能。
不過，如果我們使用文字瀏覽器，就可以對數據進行量化。回到數據表。在「分析」下，找到「文字瀏覽器」。我們選擇第 14 題作為文字列。其他設定保持不變，然後按一下「確定」。這裡顯示的是術語和短語列表，我將透過選取短語、右鍵單擊並選擇「新增短語」來將所有短語新增到術語中。
現在我們可以看到，這份清單提供的資訊非常分散。我們可以看到，非正式聊天交流的權重最高，其次是面對面會議、領導支援、良好的專案管理、線上會議等等。
您可以利用這些數據來產生一份非常漂亮的報告。如果您在表格中的任何位置，請右鍵單擊並選擇“轉換為資料表”。這樣就得到了一個新的資料表，我選擇刪除所有不重要的術語。然後，我們可以轉到“分佈”選項卡，選擇“術語”作為 Y 軸，選擇“計數”作為頻數。按一下“確定”。在“熱點”選項卡下，您可以堆疊報告。在「術語」熱點標籤下，我們可以按計數降序排列計數。或許我們應該稍微調整一下直方圖的顏色。現在，我們得到了一份漂亮的報告，可以用來溝通和採取行動。
讓我們仔細看看「非正式聊天網路」這個短語。回到資料表和文字編輯器“Explorer”，選擇“非正式聊天網路”這個術語。右鍵點擊這裡，可以看到可以儲存一個指標。這個指標會用 0 或 1 表示受訪者是否選擇了這個選項。我們執行此操作。
在資料表中，我們可以看到現在建立了一列，其中包含 1 或 0。我想將其重新編碼為“是”或“否”。如果我們點擊上方的“重新編碼”，我會將 0 替換為“否”。我們接受將該列轉換為字元型，並將 1 替換為「是」。像這樣，然後點擊“重新編碼”。現在我們得到了一個包含相同資訊的新列，但值從 1 或 0 變為「是」或「否」。
現在我們可以將例如問題 5（您如何評估部門的整體協作情況？非常差、差、一般、好或非常好）與我們的非正式聊天網路指標（是或否）之間的相關性進行分類檢驗。
正如我們之前看到的，在「分析」下，我們可以找到消費者研究平台，然後選擇「分類」。現在，我們將問題 5 作為 X，並將我們的非正式聊天網路指標作為回應。我們點選「確定」。和之前一樣，我們得到了這個清單或表格。我認為我們應該忽略那些數據量很少的單元格，因為這些單元格中只有兩個回應。
然而，我們可以看到，在非正式聊天網路使用率低的組別中，P 值顯著偏低。幾乎所有將部門協作評為差的組員都不使用非正式聊天網路。我認為這是有價值的訊息，或許是部門應該改進的地方。以上是部分封閉式問題的處理方法，也是案例一的結束。
我們來看案例二，即客戶之聲（VOC）訪談。案例二基於會議記錄，並將其轉化為貼紙。這樣做的目的是為了能夠將它們分組並展示在白板上。每一行代表一張貼紙，資料表中共有361張貼紙（或361行），它們來自50位受訪者。
您可能已經注意到，出於敏感資訊考慮，我隱藏了親和圖輸入框（即貼紙上的文字）。現在，我們將運行文字瀏覽器，並像之前一樣添加短語和術語。我已經完成了這一步，您可以在這裡看到。所有短語都顯示為灰色，表示它們已新增至術語清單。
我們可以看到有一個名為「project」的術語，還有一個名為「projects」的術語。再往下看，有一個名為「process」的術語，還有一個名為「processes」的術語。為了消除這些冗餘，我們可以點擊熱點，選擇「術語選項」、「詞幹提取」、「所有術語詞幹提取」。
為了進一步清理，我們發現有些字不能使用，因為它們無法提供任何有價值的訊息，例如「Use」。如果我選擇“Use”，請右鍵單擊並將其添加為停用詞，它就會從列表中消失。我們也可以對「within」進行同樣的操作，加入一個停用詞。
這裡我們有一個非常乾淨的表格，可以開始處理了。接下來我將切換到 JMP Pro 版本，因為我們將進行潛在語意奇異值分解 (LSV)，以獲得主題分析旋轉後的奇異值分解 (SVD)。 SVD 將文字資料轉換為固定維度的向量空間，使其適用於各種聚類、分類和迴歸技術。
如果您有 JMP Pro，就可以進行此操作。在“熱點”下，選擇“潛在語義分析 SVD”。按一下“確定”。在此熱點下，即「SVD 中心化和縮放 TF-IDF」熱點下，選擇「主題分析」和「旋轉 SVD」。
在這裡，我們需要選擇主題數量，這裡我選了四個。點選“確定”。這裡顯示的是按主題劃分的載重報告，它包含四個表格，每個主題對應一個表格。這些主題中的術語是絕對值載荷最大的術語。我們可以利用這份報告來確定六西格瑪計畫的概念主題。
如果我們再次進入“熱點”並點擊“重新命名主題”，查看主題 1 中的術語，我將其命名為“成本效益主題”。主題 2，我將其命名為「資訊系統」。主題 3 與專案執行本身有關，因此可以命名為「專案執行」。主題 4，我將其命名為「知識共享」。點選“確定”。這非常棒，因為現在我們已經為六西格瑪專案創建了四個品質驅動因素。
透過使用主題，我們現在可以對客戶之聲 (VOC) 的陳述進行客觀匯總，而無需依賴人工進行主觀匯總。此外，我們也可以將主題以詞雲的形式展示。依序點選「顯示選項」、「按主題顯示詞雲」。在這裡，我們可以展開查看，目前我們獲得的資訊與主題或品質驅動因素（我以前稱之為品質驅動因素）顯示的詞雲相同。
如果我們進入熱點區域，點擊它，可以看到我們可以保存文件主題向量。儲存後，將其匯入資料表，可以看到我們建立了四個新列，分別對應四個品質驅動因素。這在六西格瑪專案的改進階段將非常有用，因為我們需要在該階段討論解決方案。
在這裡，我們可以看到在討論成本效益解決方案、資訊系統、專案執行或知識共享時，我們需要特別關注哪些客戶。為了區分不同的客戶，我們可以打開圖表建立器，然後（我稍微移動一下）選擇「主題」作為 Y 軸，選擇「受訪者」作為 X 軸。接下來，選擇「長條圖」。點選“完成”。
我們可以看到，當我們想與客戶討論解決方案時，這個人是成本效益的首選諮詢對象，而另一個人則擅長討論資訊系統解決方案。這位是知識分享者，這位是專案執行者。說到這裡，我將結束JMP的演示，然後繼續進行演示。
借助 JMP Pro Text Explorer，我們打破了客戶回饋與功能需求和規格等技術領域之間的界限。我們利用 JMP Text Explorer 制定了四個目標及其品質驅動因素。我們可以輕鬆地從這些驅動因素中提煉出可衡量的關鍵品質指標。因此，我們節省了大量時間，並減少了人為因素的影響。
最後，總結一下。文本分析工具可以將部分封閉式問題回答以及來自客戶之聲訪談等複雜文本的內容分解成術語和短語。這些術語和短語可以轉化為主題、品質驅動因素或指標，從而實現對資訊的客觀解釋。 JMP 文字分析工具提供了一種從純定性文字分析過渡到定量文字分析的方法。有了這些新知識，我們可以提高客戶之聲訪談和調查的質量，並在測試中獲得可靠的結論。謝謝您的關注。
