A preferencia térképezés kritikus pontjai az élelmiszeripari termékfejlesztésben Gere A., Losó, V., Györey, A., Szabó, D., Sipos, L., Kókai, Z. Budapesti Corvinus Egyetem, Élelmiszertudományi Kar Érzékszervi Minősítő Laboratórium
2 Bevezetés A módszer lényege, hogy matematikai összefüggést határoz meg egy adott termékcsoportra alkalmazott nagy létszámú laikus fogyasztók által végzett kedveltség vizsgálat és egy kis létszámú szakértői bíráló csoport által végzett érzékszervi vizsgálat között. Szakértői bírálatok Fogyasztói bírálatok Vetítés módja Belső preferencia térképezés Külső preferencia térképezés
Bírálatok N számú minta Szakértői bírálat K számú tulajdonság Képzett bírálók (ISO 8586:2012) Skálahasználat/kérdésfeltevés Termék specifikus képzés Referenciaminta használata Módszerek/szoftverek ismerete L számú bíráló Érzékszervi Minősítő Átlagok Teljesítményvizsgálat (ISO 11132:2012, panel összhang, ismétlő- és megkülönböztető képesség) Megfelelő ösztönzés Fogyasztói bírálat Képzetlen bírálók Nincs előzetes termékismeret Rövid kérdőívek Egyszerűsített skálák Alacsony mintaszám Kedveltségre irányuló kérdések Nagy létszám (min. 60) Reprezentativitás (N*L mátrix) N számú minta L számú fogyasztó 3
4 Fogyasztói bírálati lap - részlet
Preferencia térképezés módszertana Belső preferencia térképezés (MDPREF) célja létrehozni egy többdimenziós teret, ami a termékek közti különbségeket reprezentálja a fogyasztói kedveltség vizsgálatok alapján. A szakértői tulajdonság-pontokat vetítjük a fogyasztói bírálatok síkjába (vetítéshez szakértői bírálatok tulajdonság minta összefüggését). A fogyasztók preferenciája vektor (iránya = kedveltség iránya, hossza = preferencia határozottsága). Érzékszervi Minősítő 5
Preferencia térképezés módszertana Külső preferencia térképezés (PREFMAP) jó néhány komponenssel csökkentett számú leíró jellemzés módszere fogyasztói pontokat vetítjük ki a szakértői bírálatokhoz rendelt síkba (vetítéshez fogyasztó bíráló minta, szakértő minta tulajdonság összefüggését) Megalkotásához számos statisztikai módszer alkalmazható: PCA, PLS, CVA, GPA, PCR. Érzékszervi Minősítő 6
7 A preferencia térképezés lépései Kísérletterv Termék, vizsgálandó tulajdonságok, mintakódolás Fogyasztói bírálatok Létszám, skálák, kérdések megalkotása Szakértői bírálatok Tulajdonságlista, bírálók képzése Szoftver választás XL-Stat, SensomineR, Senstools, Fizz, Compusense, ProfiSens, SPSS Statistics, SPSS Modeler, Statistica, Unscrambler, Matlab, R- project, SAS
8 A preferencia térképezés lépései Vetítés módjának kiválasztása PCA - Principal component analysis PLS - Partial least squares CVA - Canonical variate analysis GPA - Generalized Procrustes analysis PCR - Principal component regression Térképek megalkotása Klaszterezési algoritmus, klaszterszám, faktorszám, 2D vagy 3D ábrák, contour plot Eredmények értelmezése
Esettanulmány Narancslé preferencia térképezése 6 termék, 80 fogyasztó (10 tulajdonság), 15 szakértő bíráló (27 tulajdonság) Fogyasztói adatok klaszterezése AHC módszerrel, Euklidészi távolság és Ward módszer alapján, 3 klaszterrel Külső preferencia térképek megalkotása PCA-val Érzékszervi Minősítő 9
F2 F2 F2 F2 Édes íz preferencia térképe Kedveltség preferencia térképe 8 6 6 Tesco Cluster_2 Dizzy 4 Tesco 4 Dizzy 2 2 0-10 -8-6 -4-2 0 2 4 6 8 10 12 Spar -2-4 -6 Cluster_1-8 Mild Hohes Cappy Hohes C C Cluster_3 0-8 -6-4 -2 0 2 4 6 Spar Cluster_2-2 -4 Mild Hohes Cappy C Hohes C Cluster_1 Cluster_3 F1 F1 Contour plot Contour plot 8 6 6 Tesco Cluster_2 Dizzy 4 Tesco 4 Dizzy 2 80% - 100% 60% - 80% 2 80% - 100% 60% - 80% 0-10 -8-6 -4-2 0 2 4 6 8 10 12 Spar -2-4 -6 Cluster_1-8 Mild Hohes Cappy C Hohes C Cluster_3 40% - 60% 20% - 40% 0% - 20% 0-8 -6-4 -2 0 2 4 6 Spar Cluster_2-2 -4 Mild Hohes Cappy C Hohes C Cluster_1 Cluster_3 40% - 60% 20% - 40% 0% - 20% F1 F1 10
11 Kritikus pontok Fogyasztói bírálat Mintavételezés Célpopuláció (fogyasztási gyakoriság?) Mintaméret, összetétel, reprezentativitás Szegmentáció (szocio-demográfiai, attitűd, érték, életstílus, generációs alapú). Hiányzó adatok kezelése Pótlásukra prediktív modellek: mesterséges ideghálózatok (ANN), regressziós módszerek (PLS).
12 Kritikus pontok Fogyasztói adatok klaszterezése Eljárás (dinamiks (k-mean, c-mean, fuzzy), és hierarchikus (AHC) Távmérés módja (Euklidészi, Mahalanobis, Manhattan, Jaccard, Kendall stb.) Módszer megválasztása (complete- single- averagelinkage, ward method) Klaszterszámok meghatározása: általában dendrogram, könyökpont, modell összehasonlító algoritmusok (CRRN), indexek: Rand index, Adjusted Rand index, Jaccard index, Silhouette index, Calinski-Harabasz index, Dunn index, R-négyzet index, Homogeneity index, Separation index stb.
13 Kritikus pontok Szakértői bírálók megbízhatósága Megkülönböztető képesség, ismétlőképesség, panelegyetértés, Célszoftverek alkalmazása (PanelCheck, SensTools, SensomineR). Módszertan PCA első alkalmazott módszer általános problémákra PLS és PCR egyenrangú a kutatások szerint. GPA szöveges bírálatok esetére, free-choice PO-PLS műszeres adatokkal jól alkalmazható CVA általánosan jobb eredmények
14 Kritikus pontok A megfelelő számú komponens kiválasztása Általában két komponens, ha nagyon alacsony a magyarázott variancia, előfordul, hogy több komponensre van szükség. A klasszikus módszerek (Scree plot, sajátérték, magyarázott variancia) jól alkalmazhatóak. Műszeres mérések Műszeres mérés és bírálói érzékelés közti eltérések (pl. e-nyelv, e-orr, e-szem) Preferenciák stabilitása? Ábrázolás 2D vagy 3D ábrák a 3D több információt hordoz (vektorok fedése).
3D plot of PC1, PC2 and PC3 Observations (axes F1 and F3: 62.48 %) 4 Lidl 3 2 1 SPAR LIDL Cappy HohesC Tesco Cappy Hohes C 0-1 -2 TESCO Spar -3 Hohes C Mild -4 HohesC_mild -5-8 -7-6 -5-4 -3-2 -1 0 1 2 3 4 5 F1 (48.85 %) 15
16 Kritikus pontok Külső vagy Belső preferenciatérkép? belső preferenciatérképezés (marketing) külső preferenciatérképezés a (termékfejlesztés, termékoptimalizálás) célszerű mindkét térképet vizsgálni, hiszen vannak olyan jellemzők, amelyek az egyik síkban esetleg fedve maradnak (szinguláris mátrix) A készítés során lehetőségünk van a módszer pontosságát kettőnél több koordináta figyelembe vételével növelni Szegmentációs kérdések
17 Ígéretes módszerek Több dimenziós adatelemzési technika Paralel Factor Analysis (PARAFAC) X c a b PARAFAC a 1 X 1 X 2 c b a 2 c b PCA Mesterséges ideghálózatok (ANN) alkalmazása fogyasztói preferencia előrejelzésére szakértői bírálók vagy műszeres adatok alapján.
Új eszközök elektronikus érzékszervek Elektronikus nyelv Elektronikus orr Elektronikus szem Alkalmazási terület Mérgező anyagok Folyamatos minőség-ellenőrzés Nagy mintaszám Alacsony küszöbértékű anyagok Állományvizsgálat Érzékszervi Minősítő 18
Köszönöm a figyelmet!