L'un des grands atouts de l'être humain est son unicité. La diversité est source de nombreux avantages, mais la variété des préférences en matière de biens de consommation rend difficile la prédiction des produits qui plairont au plus grand nombre. Le recours à la planification d'expériences (DOE), facilitée par JMP, est essentiel pour concevoir des formulations attrayantes.
L'objectif de cette présentation est de présenter de manière interactive des méthodes d'optimisation des formulations afin de maximiser leur appréciation par les consommateurs. Deux approches de plans d'expériences (DOE) issues d'une étude de cas réelle de formulation alimentaire seront présentées : un plan de criblage définitif (DSD) à 18 essais et un plan d'expériences de remplissage d'espace à 18 essais, modélisé à l'aide de la méthode SVEM et de réseaux de neurones.
Pour préparer les données à la modélisation, une analyse multidimensionnelle est présentée afin d'éliminer les données aberrantes des participants. Les groupes de participants, construits par classification hiérarchique, sont utilisés pour ajuster les modèles grâce à un filtrage définitif et aux réseaux de neurones SVEM. La puissance du profileur JMP mettra en évidence les différences de préférences des consommateurs selon les groupes. L'outil Text Explorer est utilisé pour montrer comment vérifier les conclusions tirées de la modélisation en explorant les commentaires textuels des participants à l'étude. Enfin, les enseignements tirés de chaque plan expérimental et approche de modélisation sont comparés, ainsi que leurs limites respectives. Les participants se verront présenter une alternative plus riche en informations aux stratégies traditionnelles de plans d'expériences et de tests consommateurs.
Merci. Je vais vous parler aujourd'hui de l'utilisation des plans d'expériences et des études de consommation : comment relever le défi de la variabilité des préférences des consommateurs. Je me demande si beaucoup d'entre vous ont déjà joué au jeu Oregon Trail. Si vous ne connaissez pas Oregon Trail, vous devez probablement avoir à peu près mon âge et vivre aux États-Unis. La plupart des enfants, à l'école, jouaient à Oregon Trail sur les ordinateurs de la salle informatique.
En gros, vous incarnez un très vieux jeu vidéo où vous dirigez un groupe de personnes tentant de traverser les plaines des États-Unis pour atteindre l'Oregon. En chemin, de nombreux défis vous attendent. L'un d'eux consiste à traverser une rivière. Voici une capture d'écran du jeu où l'on découvre une rivière du Kansas en 1848. Une fois sur place, un choix s'impose : il fait froid, nous sommes en mars. Logique. La rivière mesure 192 mètres de large et 1 mètre de profondeur. Cinq options s'offrent à nous : traverser à gué, la faire flotter, prendre un ferry, attendre que la situation s'améliore ou simplement se renseigner. Et ensuite ? Quel est votre choix ?
Je pense que la plupart d'entre nous savent qu'il ne faut pas se contenter de penser : « D'accord, la profondeur de la rivière est indiquée à 3,4 pieds, est-ce que cela signifie qu'elle est toujours de 3,4 pieds ? Ou y a-t-il des endroits où elle est de 6 pieds ? Des endroits où elle est de 2 pieds ? Des endroits où elle est de 10 pieds ? » Dans ce cas, si vous essayez de traverser la rivière et que vous tombez sur un endroit où la profondeur atteint 10 pieds, vous pourriez vous retrouver dans une situation très délicate.
Je pense qu'intuitivement, nous savons tous que se baser sur la moyenne n'est pas toujours la meilleure approche. Lancer un nouveau produit, c'est comme traverser une rivière dans Oregon Trail. Or, bien souvent, nous réalisons des tests consommateurs et de nombreuses entreprises utilisent la note moyenne, car, soyons honnêtes, c'est plus simple. Malheureusement, tous les consommateurs n'ont pas les mêmes goûts ni les mêmes raisons.
Même en ciblant soigneusement les personnes que vous recherchez lors de vos tests consommateurs, vous trouverez toujours des individus aux préférences différentes. En tant que formulateurs et chercheurs, nous préférerions que les consommateurs aient des goûts homogènes, mais ce n'est généralement pas le cas. Si tel était le cas, il nous suffirait de développer un seul produit. Or, les préférences varient d'une personne à l'autre, ce qui explique la diversité des supermarchés actuels.
Que vais-je vous montrer ? Je veux vous montrer comment utiliser JMP pour obtenir davantage d’informations à partir des données des tests consommateurs, et plus particulièrement lorsque vous utilisez la méthode des plans d’expériences (DoE) pour recueillir plus d’informations, impliquer les consommateurs et tenter d’optimiser les formulations.
En second lieu, nous allons examiner dans quelle mesure différents modèles et plans d'expériences permettent de prédire les scores d'appréciation futurs des consommateurs. Nous présenterons deux exemples : un plan de sélection définitif et un plan d'expériences de remplissage d'espace, modélisé à l'aide de SVEM, puis de réseaux de neurones.
Je vais vous expliquer brièvement pourquoi nous avons entrepris cette démarche. L'année dernière, on nous a demandé d'améliorer un produit existant. La direction est venue nous voir et nous a dit : « Vous savez quoi ? Nous pensons qu'il peut être amélioré, alors faites-le. »
Le calendrier qui nous avait été donné ne nous permettait pas de réaliser facilement de nombreuses expériences séquentielles, nous avons donc décidé de mettre en place un plan de criblage définitif à six facteurs et 18 essais, puis nous avons fabriqué ces échantillons et les avons soumis à des tests consommateurs pour voir si nous pouvions modéliser l'appréciation et trouver la formule adéquate.
Après avoir modélisé les données, nous avons identifié trois solutions qui, selon nous, pourraient fonctionner et surpasser le groupe témoin lors d'un test consommateur. Un test complémentaire a donc été réalisé, comparant ces trois formules à la formule témoin. L'objectif était de déterminer, parmi ces trois solutions, au moins une qui soit plus performante que le groupe témoin.
Nous avions de grands espoirs car le modèle prévoyait d'excellents résultats. Or, il s'est avéré que les résultats étaient à peine meilleurs que ceux du groupe témoin, ce qui ne nous a pas convaincus de la pertinence de poursuivre le développement de ces formules.
Ce fut un peu décevant, mais nous avons tout de même beaucoup appris. Le projet est terminé, mais un an plus tard, nous nous demandions comment mener nos travaux de R&D et comment gagner en confiance dans les nouvelles approches. Car sous pression, quand la direction nous dit « Faites mieux, faites plus vite », on a tendance à privilégier les méthodes éprouvées.
Ce que nous voulions faire, et c'est ce qui m'a motivé dans ce projet, c'était de revenir en arrière et de nous demander : « Et si nous avions opté pour une approche différente au lieu d'une conception d'écran définitive ? » Aurions-nous pu tirer davantage de ces données de tests consommateurs qui nous auraient été utiles ? Car il semblait que le modèle prévoyait des scores très élevés, alors qu'en réalité, il s'agissait d'un plafond qui nous limitait.
Qu'avons-nous fait ? Nous avons réalisé deux tests. Le premier, en avril 2023, était un plan d'expérience définitif. Il comportait les 118 formules initiales. Puis, un an plus tard, également en avril, nous avons mené un second test, de type « remplissage de l'espace », avec 18 formules. Afin de garantir l'équité des deux plans d'expérience, nous avons utilisé exactement les mêmes facteurs et les mêmes plages de valeurs. Nous avons veillé à ne pas appliquer les enseignements du premier plan au second, afin d'éviter de biaiser les résultats.
Ensuite, nous avons créé ces plans d'expériences, et nous voulions que ces modèles voient… qu'ils prédisent ce test de validation ici même, donc aucune de ces quatre formules n'a été soumise dans chacun de ces deux autres tests.
Plus précisément, que vais-je vous montrer ? Nous n’entrerons pas trop dans les détails… Je ne vais pas m’attarder sur le protocole de sélection définitif, mais nous allons analyser les données de préférence des consommateurs et explorer les enseignements que nous pouvons en tirer en regroupant les consommateurs, les panélistes qui ont participé.
Pour ceux qui ne connaissent pas les tests consommateurs traditionnels, le principe est simple : le test se déroule dans un lieu centralisé. Vous présélectionnez les participants, c’est-à-dire les utilisateurs de votre produit ou les personnes correspondant à votre cible démographique. Ils viennent goûter les produits, les évaluent, et vous utilisez ces notes pour effectuer l’analyse que nous allons vous expliquer dans un instant.
Dans ces tests, nous avons utilisé environ 120 consommateurs pour chacun d'eux. Nous allons recourir au clustering hiérarchique et à la mise à l'échelle multidimensionnelle afin d'analyser les données pertinentes concernant les participants et leurs attentes.
Après avoir modélisé les données issues du modèle d'espacement à l'aide de ces réseaux neuronaux, nous analyserons le profilage afin de mieux comprendre les facteurs influençant les préférences des consommateurs. J'aborderai l'utilisation des données moyennes : la valeur moyenne pour l'ensemble des consommateurs, comparée au regroupement de ces données et à l'utilisation de ces moyennes pour observer les résultats.
Enfin, dernier point que nous aborderons, comme je l'ai dit, l'objectif secondaire est d'examiner les performances de prédiction du modèle d'écran définitif par rapport au modèle de remplissage d'espace sur l'ensemble de test de validation. Quels ont été leurs résultats ? Il convient de les interpréter avec prudence, car nous ne disposions que de quatre échantillons pour les tests. Néanmoins, nous pouvons en tirer des enseignements.
Pour le reste de cette présentation, je vais simplement vous montrer comment faire avec JMP, car je sais que personnellement, j'apprécie quand d'autres me montrent comment ils ont procédé avec JMP et je trouve cela plus efficace.
Essayons de simplifier. À titre de référence, voici le plan de criblage définitif. Voici les facteurs : les ingrédients A, B, C, D et E, ainsi qu'un attribut dont nous avions déterminé qu'il serait soit faible, soit élevé. Lors du criblage définitif, nous avons constaté que quatre des cinq ingrédients étaient significatifs et que l'attribut, l'ingrédient A, n'avait que peu d'influence sur les résultats des tests.
Au final, voici le profilage. Vous pouvez constater que, globalement, plus on ajoute de ces ingrédients, plus les gens les apprécient. En général, plus ils les apprécient, mieux c'est. Il y a quelques interactions : par exemple, si j'augmente la concentration de C, la courbe de l'ingrédient D se stabilise. C'est de là que nous avons tiré ce modèle.
Parlons d'abord des données des tests consommateurs concernant le design optimisant l'espace. C'est de cela qu'il s'agit. Nous posons beaucoup d'autres questions, mais pour cette présentation, je vais me concentrer sur l'opinion générale, car c'est celle qui nous importe le plus.
C'est un peu comme… La première question que nous posons après la dégustation est : « À quel point l'aimez-vous ? » La réponse se fait sur une échelle de neuf points, appelée échelle hédonique. Un signifie « je n'aime pas du tout », neuf « j'aime énormément ». Nous recherchons des scores de neuf, et plus le score est élevé, mieux c'est.
À titre indicatif, en général, les bons produits obtiennent un score légèrement supérieur à 7, les produits moyens se situent autour de 6,5, et en dessous de 6, il y a de quoi s'inquiéter sérieusement.
La première question que nous souhaitions poser à partir de ces données de tests consommateurs était la suivante : notre population de consommateurs est-elle homogène ou présente-t-elle des préférences différentes ? Que pouvons-nous en apprendre ? L’analyse par clustering et la classification hiérarchique nous permettront de le déterminer. Je vais commencer par vous présenter le script.
Voici une carte thermique de tous les panélistes. Sur l'axe horizontal, on trouve l'appréciation globale de chaque échantillon (il y en avait 18). L'axe vertical représente la note attribuée par chaque consommateur. Par exemple, cette personne a donné la note de 7 à l'échantillon 1, 2 à l'échantillon 2 (elle ne l'a donc pas apprécié), mais a adoré l'échantillon 3, auquel elle a attribué la note de 9.
Grâce à cette carte thermique, on peut facilement distinguer les couleurs. J'aime le vert, c'est pourquoi j'ai choisi cette couleur, mais vous pouvez choisir d'autres teintes. Vous voyez une nuance foncée ici ? Il s'agit de personnes qui ont attribué une note de neuf à tout. Soit elles ont adoré tout ce que nous leur avons présenté, soit elles ont simplement cliqué sur l'une des deux options.
Nous demandons aux gens de nous expliquer textuellement pourquoi ils ont aimé ou non, ce qui nous permet de déterminer s'ils ont réellement passé le test ou s'ils ont simplement cliqué pour obtenir leur compensation. Je peux vous dire que j'ai examiné ces personnes, et celles-ci ont vraiment adoré tout ce que nous leur avons présenté. En revanche, ce groupe-ci hésitait à donner une note de 9, mais ils ont donné une note de 8 à tout.
Lors du clustering, vous pouvez spécifier le nombre de clusters recherchés… Je ne suis absolument pas un expert en clustering, mais en analysant ces données, il nous a semblé qu'il y avait environ trois clusters. Nous avions… Dis, Christian, on peut faire une pause ?
Je suppose que ça continue de tourner, [inaudible 00:14:19].
Ah, d'accord. Donnez-moi une seconde. Il y a quelqu'un à la porte.
Désolé. J'avais oublié que mon micro était baissé, au-dessus de ma tête.
C'est exact. C'est parfait. Je ne sais plus où c'était.
Vous aviez mentionné la coloration entre neuf et huit, puis vous alliez parler de, vous avez dit quelque chose comme quoi vous n'étiez pas un expert en clustering, et vous cherchiez quelque chose à ce moment-là.
D'accord. Oui, je vais juste… je dois leur demander de couper cette partie.
Oui. Je les tiendrai au courant. Je pense que je vais le faire. Mon objectif est de regarder et d'identifier les moments clés pour leur indiquer où les choses ont dérapé, donc pas de souci.
D'accord, désolé. Je ne savais pas que quelqu'un venait à la maison.
Pas de souci. Je… je m'inquiète de la même chose. Tu es à peu près prêt(e) ?
Ouais.
OK, je coupe mon micro. Donnez-moi 3 secondes, et ensuite, c'est parti !
D'accord.
D'accord.
D'accord. Si on regarde cette carte thermique, on voit les personnes qui ont tout noté très haut (en vert foncé) et celles qui, en vert clair, ont également tout noté assez haut, mais qui n'ont pas voulu utiliser la note de 9 et ont utilisé 8 à la place.
Lors du regroupement, nous avons identifié trois groupes, colorés ici en rouge, vert et bleu. Le groupe rouge présente une prédominance de couleurs foncées. Le groupe vert, situé au milieu, contient davantage de couleurs claires. Enfin, le groupe bleu présente encore plus de couleurs claires.
Si l'on regarde le regroupement, ce résumé permet une visualisation claire. Il s'agit du score moyen par groupe. Le groupe 1 est assez général. Ses membres attribuent systématiquement des scores élevés. Ils sont beaucoup plus indulgents ; on pourrait dire qu'ils apprécient presque tout ce qu'on leur propose, ce qui est excellent. Le groupe 2 se situe dans la moyenne. Enfin, le groupe 3 est plus difficile à satisfaire, ou tout simplement plus exigeant.
Ce qui est intéressant, c'est que lorsqu'ils se croisent, c'est là qu'on peut constater une différence dans leurs préférences, d'un groupe à l'autre, et c'est ce qui nous a mis la puce à l'oreille.
Nous souhaitions également examiner ces consommateurs afin de détecter d'éventuelles anomalies dans les données fournies. En effet, le nettoyage des données représente probablement 80 % du travail en science des données. Nous nous sommes intéressés à la mise à l'échelle multidimensionnelle, car elle nous permet d'établir une cartographie des consommateurs, en identifiant ceux qui sont proches et ceux qui sont plus éloignés les uns des autres.
Pour cela, cliquez sur le triangle rouge et enregistrez la matrice de distance. Vous obtiendrez ainsi la matrice indiquant la distance entre chaque panéliste ou consommateur. Ensuite, pour effectuer une analyse multidimensionnelle, accédez à « Méthodes multivariées », puis « Analyse multidimensionnelle ». Les colonnes Y correspondent à tous les consommateurs ; l’opération ne prendra que quelques secondes. Vous pourrez ensuite examiner les résultats et identifier les panélistes qui se distinguent nettement des autres.
Voici la carte que nous venons de créer. Une chose… ou plutôt deux choses me sautent aux yeux. Tout d'abord, la plupart des gens se situent ici. Logique. La plupart d'entre nous le sommes… Quand on observe le consommateur moyen, son utilisation de l'échelle, sa façon d'évaluer les produits ou son degré d'appréciation, il est logique que la majorité se trouve dans cette zone.
Il y a une récurrence étrange ici. Si nous voulons explorer ces récurrences, vous pouvez les mettre en surbrillance. Si nous sélectionnons simplement le nom de la colonne, puis que nous choisissons la sélection de lignes, en sélectionnant toutes les cellules correspondantes, cela affichera tous les autres tableaux de données que j'ai qui contiennent le mot « nom » et ces numéros de panélistes, 002, 1027.
Voici l'ensemble de données original contenant les noms des panélistes. Je peux maintenant voir leurs notes. Cette personne a attribué 9, 9, 9, 7, 9, 9, soit quasiment que des 9. C'est intéressant. Passons au groupe suivant, mis en évidence ici : 9, 9, 8, 9, 8, 9, 8, 9. Ils ont tout aimé, et beaucoup même. Passons au groupe suivant : 8, 7, 9, 9, 9, 8, 9.
Vous remarquez ici ceci : à droite, ce sont les commentaires « Je n’aime pas » textuellement. Dans cette colonne, on demande : « Qu’est-ce qui vous déplaît ? » Rien, rien, rien, rien, rien, rien. On observe une tendance chez ces consommateurs. C’est ce que cela révèle. Ce sont les personnes qui ont attribué les mêmes notes que celles que nous avons vues précédemment, comme les bandes vert foncé. Nous l’avons constaté grâce à l’analyse multidimensionnelle.
Ensuite, nous avons aussi ces personnes qui sont tout au fond, je suppose, dans le champ droit. Qu'est-ce qui leur prend ? Si nous faisons la même chose ici, nous allons sélectionner toutes les cellules correspondantes. Ensuite, pour les trouver, je sélectionne simplement la cellule suivante. Je vois quelque chose de complètement différent : 2, 7, 3, 1, 9, 7, 2, 6, 9, 2. J'avais du mal à comprendre ce qui rendait cette personne différente. Parce que si je passe à la suivante, une autre qui est mise en évidence ici : 4, 7, 3, 2, 5, 3, 1, 6, 1, 1, encore une fois, nous voyons, cela semble être juste un motif aléatoire, mais quand je regarde les verbatim, cela a du sens. Quand ils ont donné un neuf, ils ont dit qu'il n'y avait rien qu'ils n'aimaient pas. Quand ils ont donné un un, ils ont dit que ça avait le goût d'abeilles avariées. Je peux garantir que ce n'était pas avarié, mais nous pouvons voir que ce qu'ils ont noté est vrai.
Puis quelqu'un m'a dit… J'essayais de comprendre ce qui différenciait ces personnes. On m'a suggéré d'observer comment elles utilisaient l'échelle, et j'ai remarqué que cette personne l'utilisait sur toute la longueur. Personnellement, je trouvais tous ces produits plutôt bons. Certains étaient meilleurs que d'autres, mais pas au point de dire que je les détestais. Dire que c'est la pire chose que j'aie jamais goûtée et dire que c'est la meilleure chose que j'aie jamais goûtée, c'est dire que c'est la pire chose que j'aie jamais goûtée.
Pour ce faire, si nous créons un tableau récapitulatif de l'opinion générale, je vais calculer l'écart type et l'étendue par nom au sein du groupe. Une fois cela fait, j'obtiens un tableau de données présentant chaque panéliste et son écart type pour l'évaluation de tous les échantillons. En triant ce tableau par ordre décroissant, on obtient… Prenons l'exemple des 10 panélistes les plus variables.
Encore une fois, si nous procédons ainsi… Je surligne le nom, puis je sélectionne toutes les cellules correspondantes et vous voyez ce qui est surligné. Ce qui différencie ces personnes, ce n'est pas forcément ce qu'elles aiment ou n'aiment pas, mais plutôt la façon dont elles utilisent l'échelle. C'était simplement une méthode, certes un peu longue, mais qui nous permettait de nous assurer de la qualité de nos données et du fait que les participants ont bien suivi nos instructions.
Si, par exemple, j'avais découvert une raison évidente expliquant pourquoi leurs données étaient erronées, nous les aurions exclues. Mais comme il n'y a aucune raison de les retirer, nous les avons conservées. Ceci n'est qu'une brève démonstration de notre utilisation du clustering et de la mise à l'échelle multidimensionnelle.
L'autre point que je souhaitais aborder concernant le clustering, c'est que, finalement, je vais vous montrer le tableau de données, le tableau du plan d'expériences (DoE). Il s'agit d'un plan d'expériences de type « remplissage de l'espace » que nous avons réalisé. Voici les six facteurs. J'avais besoin d'une colonne : la préférence globale pour le cluster 1, la préférence globale pour les clusters 2 et 3, et une colonne globale.
Pour obtenir ces trois éléments, une méthode simple consistait à utiliser ce tableau des moyennes de clusters.
Voilà ce que dit le résumé. Si je fais un clic droit et que je choisis « Créer un tableau de données », le résultat est… presque. Chaque moyenne d'échantillon apparaît dans une colonne. Or, je souhaite inverser ces éléments : les groupes sont des colonnes et les colonnes des lignes. Je veux inverser les lignes et les colonnes.
Si vous allez dans Transposer sous Tableaux, et que vous souhaitez transposer ces colonnes, et que vous pouvez les étiqueter par cluster, disons, d'accord. Maintenant, je peux simplement copier-coller ceci. Je peux copier-coller ceci dans mon tableau de données DoE. C'est ce que j'ai fait. Je n'ai pas besoin de le faire ici car je l'ai déjà fait. Nous allons simplement fermer tout cela. Nous avons maintenant les trois clusters. Nous avons utilisé les réseaux de neurones avec SVEM pour modéliser ces données. Je vais vous montrer le profilage de ce que nous obtenons. Voici les ingrédients A, B, C, D, jusqu'à E, et l'attribut bas et haut. Lorsque nous ventilons ceci par cluster, nous voyons quelque chose de très intéressant.
Tout d'abord, lors de l'élaboration du protocole de criblage définitif, il a été indiqué que l'ingrédient A n'avait aucune influence. Son effet étant négligeable, nous l'avons retiré. Or, il me semble soudain que l'ingrédient A joue un rôle. Plus intéressant encore, deux groupes semblent évoluer de manière opposée. En effet, lorsque je diminue la concentration de l'ingrédient A, les moyennes du groupe 3 augmentent, tandis que celles du groupe 2 diminuent.
Cela signifie que le groupe 3 n'apprécie pas l'ingrédient A, ou n'en souhaite pas une trop grande quantité, contrairement au groupe 2. On observe le même phénomène avec l'ingrédient B : plus on en met, plus le groupe 2 l'apprécie. Inversement, plus on en met pour le groupe 3, moins il l'apprécie. Pour nous, cela a permis d'éclaircir un point : pourquoi nos tests consommateurs montrent-ils une limite à l'appréciation d'un produit ? Pourquoi nos scores d'appréciation globaux n'ont-ils pas atteint les niveaux escomptés ? Notre groupe de consommateurs n'est pas homogène et ses membres ont des goûts très différents.
Que faire ? Voilà la question la plus difficile. C’est une question stratégique que l’entreprise doit se poser : faut-il s’adresser à tout le monde et satisfaire uniquement le groupe le plus enthousiaste, dont les scores sont toujours excellents ? Dans ce cas, tout ira bien. Mais les groupes 2 et 3, eux, seront à peine satisfaits. C’est une première approche. L’autre approche consiste à se concentrer sur les groupes 1 et 2, dont les scores étaient déjà plus élevés. Ils sont sans doute plus enthousiastes à propos de ce produit ; il faut donc concentrer tous nos efforts sur leur satisfaction maximale.
On peut aussi se dire : « Pour le groupe 3, il nous faut peut-être une offre de produits différente, qui leur conviendrait mieux. » Plus on en sait, plus on a de questions, mais plus on est capable d’agir et plus on a de chances de réussir. C’est ce que nous a appris l’outil de profilage, qui s’est avéré extrêmement utile.
L'autre question, c'est que le profileur affirme ceci, mais est-ce vrai ? Pour tenter de déterminer si c'est réellement vrai, si le groupe 3 n'apprécie pas l'ingrédient A ou B, et vice versa pour le groupe 2, nous avons décidé d'examiner les transcriptions et d'y voir ce que nous pouvions en déduire.
Si nous consultons le tableau de données consommateurs d'origine, nous avons l'opinion générale ici et le groupe auquel ils appartiennent à droite. Ensuite, nous avons les avis négatifs ; nous ne pouvons donc pas nécessairement nous baser sur… Nous avons également des commentaires textuels ; nous allons examiner les avis négatifs. Nous allons utiliser l'explorateur de texte pour voir si cela corrobore les informations que nous voyons dans le profileur.
Nous avons effectué l'exploration de texte par groupe. Pour le groupe 1, quel est le terme le plus utilisé ? Aucun. Il figure dans les commentaires négatifs, ce qui est parfait. C'est exactement ce que nous recherchions. Pour les commentaires négatifs, nous voulons qu'il n'y ait rien à signaler. Vous pouvez faire un clic droit et sélectionner « Afficher le texte » pour que nous puissions nous faire une idée des commentaires. Je n'aime rien. Je n'aime rien. Rien ne me vient à l'esprit. Génial.
Dans le groupe 2, le terme le plus fréquemment utilisé est « rien », mais comme vous pouvez le constater, la situation est différente de celle du groupe 1, où l'on compte 292 personnes contre environ la moitié pour le groupe suivant. Ici, c'est quasiment identique. Certains disent « rien », d'autres parlent de goût, et généralement, ils disent : « Manque de goût, goût insuffisant, goût atténué, faible présence de l'ingrédient B. »
Ensuite, nous avons l'ingrédient B pour le groupe 2. Nous voulons voir ce qu'ils disaient à propos de l'ingrédient B. Le groupe 2 dit que l'ingrédient B n'est pas assez présent, pas assez. Il en faut plus, pas assez. Pas assez d'ingrédient B. Le goût de l'ingrédient B était très prononcé, nous avons donc un ingrédient très fort.
Rappelons-le, il s'agit d'échantillons issus du programme DoE. De manière générale, on constate qu'il faudrait ajouter davantage de l'ingrédient B. Plus on en ajoute, plus j'apprécierai ce produit. Cela concorde avec les observations du profileur, selon lesquelles le cluster 2 préfère une plus grande quantité de l'ingrédient B.
Et l'ingrédient A ? Qu'en pense le groupe 2 ? Dans ce cas précis, on en dit beaucoup trop. C'est un peu plus difficile à interpréter. Certains disent : « Je n'ai pas trouvé qu'il y avait assez d'ingrédient A, c'était fade. » Pas assez d'ingrédient A, pas assez d'ingrédient A.
N'oubliez pas, ils ne… Quand ils nous font part de leurs aversions, ils ne sont pas obligés de mentionner l'ingrédient A. Il faut donc relativiser. Ils ne le disent que lorsqu'ils estiment que quelque chose cloche. Mais si l'on passe au groupe 3, soudain, « saveur » est l'expression la plus utilisée. L'ingrédient B est juste là, en troisième position. Alors, que disent-ils de l'ingrédient B maintenant ? Au lieu de dire qu'il y en a trop, ce groupe dit : pas assez, pas assez. Il y a quelques mentions de « trop », « trop fort », « trop, trop, trop ». Un peu trop, fort, et il y a aussi quelques mentions de « pas assez ».
Mais vous comprenez bien qu'il y a beaucoup de choses que nous n'avions pas vues auparavant : dans le groupe 2, des personnes disaient qu'il y avait trop d'ingrédient B. Maintenant, nous avons des personnes qui disent qu'il y en a trop, ce qui correspond à ce que le profil nous montrait et nous a confortés dans l'idée que ces deux groupes diffèrent réellement dans leurs préférences pour les ingrédients A et B.
Ensuite, si on regarde ce qu'ils ont dit à propos de l'ingrédient A, « trop, beaucoup trop ». Une petite quantité d'ingrédient A signifie « trop », « un peu trop ». On voit bien que ça se confirme. Ils ne veulent pas trop d'ingrédient A, ni trop d'ingrédient B. Voilà comment on a procédé… C'est une simple exploration. Je suis sûr qu'on pourrait approfondir l'analyse du texte pour chiffrer ces données, mais on l'utilisait juste pour explorer… On utilise des visualisations comme des graphiques pour explorer les données. On utilise le Text Explorer pour analyser les commentaires, et ça correspond aux résultats du profileur.
Au final, nous avons trouvé la réponse à la question de la limite que semblent atteindre nos performances. Nous avons également découvert des préférences différentes selon les groupes de personnes, une information précieuse dont nous ne disposions pas auparavant et qui nous permettra désormais d'agir en conséquence.
Bien, la dernière étape consiste à comparer la précision des prédictions du plan de criblage définitif à celles du plan de remplissage d'espace. Nous ne disposons que de quatre échantillons de validation, il faut donc interpréter les résultats avec prudence, mais nous allons examiner si l'un des deux plans se distingue par sa supériorité.
Nous avons quatre modèles différents. Si nous utilisons les moyennes des groupes et les pondérons en fonction de la taille des groupes, en utilisant simplement la moyenne de tous les consommateurs, nous obtenons deux modèles différents issus du plan de sélection définitif. L'un utilise uniquement l'ajustement, tel quel. L'autre était une piste explorée par un collègue.
Que constatons-nous ? Premièrement, il y avait un biais entre les résultats de la première année. Pour une raison inconnue, nous avons obtenu de meilleurs résultats en 2023 qu'en 2024. Globalement, tout a été décalé à la baisse lors de l'analyse de l'espace. Je pense que cela est dû à la variabilité des tests, ou peut-être que les personnes interrogées étaient de mauvaise humeur, pour une raison ou une autre. Je n'en sais rien.
En tant que scientifique, et plus précisément en tant que chercheur en R&D, ce qui me rassure un peu dans ce modèle, c'est que la droite n'est pas parfaitement parallèle, mais elle s'en approche beaucoup. Si la prédiction était exacte à 100 %, on aurait y = X, et c'est ce que représente cette droite noire. Le modèle semble donner des résultats satisfaisants avec les informations limitées dont nous disposons, compte tenu des biais potentiels.
Voici ce qui se passe si l'on considère uniquement les moyennes des échantillons : aucune différence n'est constatée. En revanche, voici les résultats divergents. Voici l'ajustement définitif, et les courbes sont loin d'être parallèles. On observe qu'elles se croisent. Cela ne nous rassure pas quant à la capacité réelle de ce modèle à prédire les scores futurs des panélistes.
L'autre, par exemple, rencontrait encore plus de difficultés. Il prévoyait une valeur de 7,9, mais a donné 7. C'est ce qui nous a déçus lors du test de validation en 2023.
J'espère que ces informations vous ont été utiles et que vous avez mieux compris la diversité des personnes, et notamment la diversité de nos préférences alimentaires. J'espère que vous pourrez vous en servir pour mieux comprendre les consommateurs et je vous remercie de votre attention.
