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
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
Érzékszervi Minősítő
2
Bírálatok
Átlagok
L számú bíráló N számú minta K számú tulajdonság
Szakértői bírálat • Képzett bírálók (ISO 8586:2012) • Skálahasználat/kérdésfeltevés • Termék specifikus képzés • Referenciaminta használata • Módszerek/szoftverek ismerete • Teljesítményvizsgálat (ISO 11132:2012, panel összhang, ismétlőés megkülönböztető képesség) • Megfelelő ösztönzés Érzékszervi Minősítő
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
Fogyasztói bírálati lap - részlet
Érzékszervi Minősítő
4
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
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, Rproject, SAS Érzékszervi Minősítő
7
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
Érzékszervi Minősítő
8
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
Édes íz preferencia térképe
Kedveltség preferencia térképe
8
6
Tesco
6
Tesco
4
Dizzy
4 Dizzy Cluster_2
2
F2
F2
2 0 -10
-8
-6
-4
-2
0
2
-2
Spar
4
6
8
10
12
Mild Hohes Cappy C C Hohes Cluster_3
-4
0 -8
-6
-4
-2
Cluster_2
0
4
6
Mild Hohes Cappy C Hohes C Cluster_1 Cluster_3
-2
-6
Spar Cluster_1 -8
2
-4
F1
F1
Contour plot
Contour plot
8
6
Tesco
6
Tesco
4
Dizzy
4 Dizzy Cluster_2
80% - 100%
2
80% - 100% 2
0 -10
-8
-6
-4
-2
0
2
6
8
10
Mild Hohes Cappy C Hohes C Cluster_3
-2
Spar
4
-4
12
40% - 60%
60% - 80%
F2
F2
60% - 80%
40% - 60%
20% - 40% -6
-4
-2
0
2
4
6
0% - 20%
Cluster_2-2
-6
Spar -8 Cluster_1
F1
20% - 40%
0 -8
0% - 20%
Mild Hohes Cappy C Hohes C Cluster_1 Cluster_3
-4
F1
10
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).
Érzékszervi Minősítő
11
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. Érzékszervi Minősítő
12
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 Érzékszervi Minősítő
13
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). Érzékszervi Minősítő
14
3D plot of PC1, PC2 and PC3 Observations (axes F1 and F3: 62.48 %)
Lidl 4
3
Cappy
LIDL 2
Hohes C
Cappy HohesC
1
SPAR
Tesco
0
-1
Spar
TESCO
-2
Hohes C Mild
-3
HohesC_mild
-4
-5 -8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
F1 (48.85 %)
15
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 Érzékszervi Minősítő
16
Ígéretes módszerek • Több dimenziós adatelemzési technika Paralel Factor Analysis (PARAFAC) a X
X1
b
PARAFAC
c
X2
a1
b
c
a2 c
b
PCA
• Mesterséges ideghálózatok (ANN) alkalmazása fogyasztói preferencia előrejelzésére szakértői bírálók vagy műszeres adatok alapján. Érzékszervi Minősítő
17
„Új” eszközök – elektronikus érzékszervek
Elektronikus nyelv
Elektronikus orr Alkalmazási terület
•
Elektronikus szem
• Mérgező anyagok Folyamatos minőség-ellenőrzés • Nagy mintaszám • Alacsony küszöbértékű anyagok
Érzékszervi Minősítő
Állományvizsgálat 18
Köszönöm a figyelmet!