Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Excel数据分析案例:用Excel的STATIS方法做产品感官数据分析

Excel数据分析案例:用Excel的STATIS方法做产品感官数据分析

作者头像
沉默的白面书生
发布于 2020-02-13 05:04:13
发布于 2020-02-13 05:04:13
1.1K0
举报

案例数据来自冰沙产品实验,24名受试者(小组成员)品尝了8种冰沙,然后放在桌布上。收集成员和产品的坐标以进行分析。如果小组成员认为两种产品相似,则将后者封闭在桌布上,以使它们具有相似的坐标。案例的目的是研究和可视化冰沙之间的链接,并确定主题之间的一致性。

在本案中将配置数量设置为24个主题,因为每个配置都有2个变量,可以通过选择Equal选项让Excel知道变量的数量是恒定的。如果至少一个配置的变量数不同,就需要选择一列,其中包含每个配置的变量数。

在“ 输出”选项卡中,设置在结果中显示RV矩阵,以及配置和共识之间的RV,以显示受试者之间的接近程度。

最后确认要显示其图的轴。在此示例中,前两个因素所代表的可变性百分比不是很高(68.43%);为避免对结果产生误解,决定在轴1和3上用第二张图表补充结果。

下面来解读STATIS分析的结果:

下图代表二维图上的观察结果,以确定邻近度。例如,“Casino_PBC”和“ Innocent_PBC”相邻,但它们与“ Casino_SRB”距离很远,并且可以看到carrefour_SB完全与“ Casino_PBC”,“ Innocent_PBC”,“ Immedia_SRB”和“ Casino_SRB”相对。

如果对两个特定的主题(专家组)感兴趣,则查看RV矩阵很有用,该矩阵给出每个主题之间的系数RV(该系数介于0和1之间,并且随着主题的接近而增加)。在这里看到主题1对主题2的看法非常相似。

评估一个主题与所有其他主题之间的接近性(即共识所反映的整体观点)可能非常重要。因此,下面的条形图显示对象4是非典型对象,与18或23不同。

最后,下面的图给出了对象的残差,它指示对象以相同的方式放置了哪些对象:

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Excel数据分析案例:用Excel的GPA工具做深度的专家打分分析
某产品营销团队希望确定如何评估四种略有不同的奶酪的口味和市场前景。已要求十位专家使用酸度,稀奇度和硬度三个标准对这四种奶酪进行几次评估(不知道是哪种),获得对应于每种奶酪和每位专家的平均评分,部分数据如下图:
沉默的白面书生
2020/02/13
1.5K0
Excel数据分析案例:用Excel做因子分析
由于变量之间的许多相关性很高,因此认为法官可能会混淆某些变量,或者某些变量可能是多余的。因此,进行了因素分析以确定较少的潜在因素。
沉默的白面书生
2020/04/24
4.3K0
Excel数据分析案例:用Excel做因子分析
感官分析软件应用介绍
在内部使用多年之后,CSAS推出了其感官测试软件。CSAS感官软件是一种感官评估软件,可以在任何位置的任何Internet设备上进行管理。CSAS的在线调查软件可以管理您的感官和消费者研究的各个方面,从客户满意度调查到提供在线调查工具来计算您的净推荐值(也可称口碑,是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数,是流行的顾客忠诚度分析指标);立即与我们联系以演示我们的消费者测试软件!
用户9465745
2022/02/16
1.4K0
感官分析软件应用介绍
python数据科学-多变量数据分析
总第87篇 01|写在前面: 在前面我们研究了单列(变量)数据情况,现实中的案例大多都是多列(变量)的,即影响一件事情的因素有多个,我们除了要看单列数据以外还需要看看这不同列之间是否存在某些联系。常见的关系有四种:无关联、强关联、简单关联和多元(非简单)关联。接下来具体看看具体如何借助可视化对多变量数据进行分析。 你可以看:python数据科学-单变量数据分析 02|数据导入: 本次的数据是用的sklearn库自带的iris数据集,那么iris数据集是什么呢? Iris数据集是机器学习中常用的分类实验数
张俊红
2018/04/11
1.5K0
python数据科学-多变量数据分析
基于大数据分析的异常检测方法及其思路实例
1 概述 随着人类社会信息化程度的不断深入,信息系统产生的数据也在呈几何级数增长。对这些数据的深入分析可以得到很多有价值的信息。由于数据量太大以及数据属性的多样性,导致经典的统计分析方法已经无法适用,必须采用以机器学习理论为基础的大数据分析方法。目前,大数据分析的方法已经被广泛用于商业智能(BI)领域,并取得了令人非常满意的效果。这种方法同样可以应用在信息安全领域,用于发现信息系统的异常情况(入侵和攻击、数据泄露等)。利用大数据分析的方法发现异常事件,需要满足几个条件:1)行为日志在内容必须足够详细,可以从
安恒信息
2018/04/11
2.4K0
基于大数据分析的异常检测方法及其思路实例
【零一】从0开始,教你如何做数据分析#中阶#第九篇
大家好,我是零一。这一篇给大家介绍探索关系。 我的公众微信号是start_data,欢迎大家关注。 探索关系是非常好玩的一件事情。先给大家讲个故事。据说很久很久以前美国某个州对多个社区做了一项关于婴儿
CDA数据分析师
2018/02/08
8070
【零一】从0开始,教你如何做数据分析#中阶#第九篇
Python数据分析与实战挖掘
基础篇 书推荐:《用python做科学计算》 扩展库 简介 Numpy数组支持,以及相应的高效处理函数 Scipy矩阵支持,以及相应的矩阵数值计算模块 Matplotlib强大的数据可视化工具、作图库 Pandas强大、灵活的数据分析和探索工具 StatsModels 统计建模和计量经济学,包括描述统计、统计模型估计和推断 Scikit-Learn支持回归、分类、聚类等的强大机器学习库 Keras深度学习库,用于建立神经网络以及深度学习模型 Gensim 文本主题模型的库,文本挖掘用 ----- 贵阳大
企鹅号小编
2018/02/07
3.9K0
Python数据分析与实战挖掘
Excel数据分析案例:用Excel做文档语义挖掘分析
语义分析,运用的范围相当广,例如可以通过一定语义算法科学地抽取文档的主题,可以发现文章中的重点词汇、研究文本的感情色彩等。本案例用Excel来做文档的语义分析。
沉默的白面书生
2020/02/13
1.9K0
如何用逻辑回归做数据分析?
逻辑回归是解决二分类问题的监督学习算法,用来估计某个类别的概率。其直接预测值是表示0-1区间概率的数据,基于概率再划定阈值进行分类,而求解概率的过程就是回归的过程。
Python数据科学
2021/01/28
1.1K0
如何用逻辑回归做数据分析?
影像学纹理分析:放射科医生需要知道的事项
影像学纹理特征是图像中图像强度的变化,是影像组学的重要组成部分。本文的目的是讨论影响纹理度量性能的一些参数,并提出建议,以指导未来影像组学研究的设计和评估。
用户1279583
2022/06/13
1.6K0
影像学纹理分析:放射科医生需要知道的事项
数据分析:微信红包金额分配的秘密
“微信红包”是腾讯公司开发的社交软件——微信的一个附加功能。它可以在一对一聊天当中发送,也可以在群聊中发送。在群聊当中,可以一次性发送多于1个的红包,每个群成员可以领取至多1个,先领先得,发完为止(如果红包数多于群成员数,则会有剩余)。腾讯公司宣称,在这一情况下,每个红包的金额是随机分配的;也即,在红包数目足够的情况下,每位群成员得到的金额的期望值相等。
IT阅读排行榜
2018/08/15
1.1K0
数据分析:微信红包金额分配的秘密
Python让Excel飞起来—批量进行数据分析
corr()函数默认计算的是两个变量之间的皮尔逊相关系数。该系数用于描述两个变量间线性相关性的强弱,取值范围为[-1,1]。系数为正值表示存在正相关性,为负值表示存在负相关性,为0表示不存在线性相关性。系数的绝对值越大,说明相关性越强。- 上表中第1行第2列的数值0.982321,表示的就是年销售额与年广告费投入额的皮尔逊相关系数,其余单元格中数值的含义依此类推。需要说明的是,上表中从左上角至右下角的对角线上的数值都为1,这个1其实没有什么实际意义,因为它表示的是变量自身与自身的皮尔逊相关系数,自然是1。- 从上表可以看到,年销售额与年广告费投入额、成本费用之间的皮尔逊相关系数均接近1,而与管理费用之间的皮尔逊相关系数接近0,说明年销售额与年广告费投入额、成本费用之间均存在较强的线性正相关性,而与管理费用之间基本不存在线性相关性。前面通过直接观察法得出的结论是比较准确的。- 第2行代码中的read_excel()是pandas模块中的函数,用于读取工作簿数据。3.5.2节曾简单介绍过这个函数,这里再详细介绍一下它的语法格式和常用参数的含义。- read_excel(io,sheet_name=0,header=0,names=None,index_col=None,usecols=None,squeeze=False,dtype=None)
润森
2022/09/22
6.7K0
Python让Excel飞起来—批量进行数据分析
PMBOK第六版工具与技术:数据收集数据分析数据表现
数据收集技术: 1.头脑风暴:收集关于项目方法的创意和解决方案。 2.焦点小组:召集预定的相关方和主题专家,了解他们对所讨论的产品服务或成果的期望和态度。主持人引导大家互动式讨论。 3.访谈:通过与相关方直接面谈,来获取信息的正式或非正式的方法。 4.标杆对照:将实际与计划的产品过程和实践,与其他可比组织的实践进行比较,以便识别最佳实践。 5.问卷调查:设计一系列书面问题,向众多受访者快速收集信息。地理位置分散,受众多样化,适合开展统计分析的调查。也可用来收集客户满意度。 6.检查表:又称计数表,用于合理排列各种事项,以便有效地收集关于潜在质量问题的有用数据。用核查表收集属性数据就特别方便。 7.统计抽样:从目标总体中选取部分样本用于检查。 8.核对单:需要考虑项目,行动或要点的清单。它常被用作提醒。应该不时地审查核对单,增加新信息,删除或存档过时的信息。 9.市场调研:考察行业情况和具体卖方的能力。在规划采购管理中使用。
菲宇
2019/06/12
9370
PMBOK第六版工具与技术:数据收集数据分析数据表现
FMRI数据分析与处理
近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件、扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节
锦小年
2019/05/26
1.5K0
【零一】#操作教程贴#从0开始,教你如何做数据分析#初阶#第四篇
大家好,我是零一,今天继续我们的话题,从0开始,教你做数据分析。我的公众微信号是start_data,欢迎大家关注。 现在已经是第四篇了,不知道前三篇大家消化得怎么样。 其实大家不必太在意数据源,你有了数据源不会分析,是浪费资源,而数据源是迟早会有的。独立电商就不用说了,如果是平台,无论是哪个平台未来都会逐渐开放数据给卖家们,让卖家们自己分析数据做相应的营销推广决策。 从另一个角度讲,电商数据分析,是为了降低电商的成本,提高电商的营收能力。 所以今天,无论是产品经理还是店长,都越来越需要数据分析的能力,面对
CDA数据分析师
2018/02/08
8920
【零一】#操作教程贴#从0开始,教你如何做数据分析#初阶#第四篇
Python 数据分析与可视化:开启数据洞察之旅(5/10)
在当今数字化时代,数据就像一座蕴藏无限价值的宝藏,等待着我们去挖掘和探索。而 Python,作为数据科学领域的明星语言,凭借其丰富的库和强大的功能,成为了开启这座宝藏的关键钥匙,在数据分析和可视化领域占据着举足轻重的地位。
正在走向自律
2025/05/10
6720
Python 数据分析与可视化:开启数据洞察之旅(5/10)
Pandas必会的方法汇总,数据分析必备!
用Python做数据分析光是掌握numpy和matplotlib可不够,Pandas是必须要掌握的一个重点,numpy虽然能够帮我们处理处理数值型数据,但是这还不够,很多时候,我们的数据除了数值之外,还有字符串,还有时间序列等,比如:我们通过爬虫获取到了存储在数据库中的数据。
小F
2021/09/14
6.4K0
数据分析的具体案例(通过数据分析得到什么)
今天给大家分享一个数据分析案例:线下连锁水果店销售数据分析案例,分析过程我也会以类动图的方式呈现给大家,真正意义上做到收藏即学会。
全栈程序员站长
2022/07/28
9960
数据分析的具体案例(通过数据分析得到什么)
如何成为数据分析师系列(一):可视化图表初阶
数据可视化-通过图表形式展现数据,帮助用户快速、准确理解信息。准确、快速是可视化的关键,好的可视化会“讲故事”,能向我们揭示数据背后的规律。对于可视化,有一个常见误区:分析师追求过于复杂的图表,反而使得业务人员难以理解。其实越简单的图表,越容易被理解,而快速易懂地理解数据,正是可视化最重要的目标。
数据森麟
2019/09/27
8910
如何成为数据分析师系列(一):可视化图表初阶
《python数据分析与挖掘实战》笔记第5章
分类和预测是预测问题的两种主要类型,分类主要是预测分类标号(离散属性),而预测 主要是建立连续值函数模型,预测给定自变量对应的因变量的值。
周小董
2021/03/03
1K0
推荐阅读
相关推荐
Excel数据分析案例:用Excel的GPA工具做深度的专家打分分析
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档