Uno dei grandi vantaggi degli esseri umani è che siamo tutti unici. La diversità ha benefici per tutti, ma la variabilità nelle preferenze in materia di beni di consumo rende difficile prevedere cosa piacerà al maggior numero di persone. L'uso del design of experiments (DOE), facilitato da JMP, è fondamentale per progettare formulazioni con il massimo appeal.
L'obiettivo di questa presentazione è presentare in modo interattivo metodi per ottimizzare le formulazioni in base alle esigenze dei consumatori. Verranno presentati due approcci DOE tratti da un caso di studio reale sulla formulazione di alimenti: un progetto di screening definitivo (DSD) a 18 run e un progetto di riempimento dello spazio a 18 run modellato utilizzando SVEM e reti neurali.
Per preparare i dati per la modellazione, viene dimostrato che la scalabilità multidimensionale rimuove i dati anomali dei partecipanti. I cluster di partecipanti, creati utilizzando il clustering gerarchico, vengono utilizzati per adattare i modelli utilizzando lo screening definitivo per l'adattamento e le reti neurali SVEM. La potenza del profiler JMP evidenzierà come le preferenze dei consumatori differiscano a seconda del cluster. Text Explorer viene utilizzato per mostrare come verificare le informazioni acquisite attraverso la modellazione, esplorando i commenti letterali dei partecipanti allo studio. Infine, vengono confrontate le informazioni acquisite da ciascun disegno sperimentale e approccio di modellazione, evidenziandone i limiti. Ai partecipanti viene presentata un'alternativa più ricca di informazioni rispetto alle tradizionali strategie di test DOE e consumer.
Grazie. Oggi parlerò dell'uso del DoE e della ricerca sui consumatori: affrontare la sfida della variabilità delle preferenze dei consumatori. Mi chiedo se molti tra il pubblico abbiano mai giocato a Oregon Trail. Chi non conosce Oregon Trail, probabilmente ha più o meno la mia età e vive negli Stati Uniti. La maggior parte dei bambini, quando andavano a scuola, giocava a Organ Trail sui computer quando andavano in laboratorio informatico.
Fondamentalmente, sei un vecchio, vecchissimo gioco per computer in cui sei un gruppo di persone che cerca di attraversare le pianure degli Stati Uniti e arrivare in Oregon, e lungo il cammino incontrerai molte sfide. Una delle cose che devi fare è attraversare un fiume. Questo è uno screenshot del gioco in cui ci imbattiamo in un fiume del Kansas nel 1848. Se arriviamo lì e dobbiamo prendere una decisione, dice che fuori fa freddo, è marzo. Ha senso. Il fiume è largo 198 metri, la profondità è di 1 metro. Abbiamo cinque opzioni. Possiamo guadare il fiume, attraversarlo via mare, prendere un traghetto, aspettare di vedere se le cose migliorano, oppure possiamo semplicemente raccogliere informazioni, e poi qual è la tua scelta?
Penso che la maggior parte di noi sappia che non basta pensare: "Ok, la profondità del fiume è di 1 metro e 90 cm, significa che è sempre 1 metro e 90 cm? O ci sono punti in cui è di 1 metro e 80 cm? Ci sono punti in cui è di 60 cm? Ci sono punti in cui è di 30 cm?". In tal caso, se stai cercando di raggiungere il fiume e ti imbatti in un punto a 3 metri, potresti trovarti in una brutta situazione.
Penso che intuitivamente sappiamo che usare il valore medio non sia sempre l'approccio migliore. Lanciare un nuovo prodotto è come attraversare un fiume nell'Oregon Trail. Solo che spesso effettuiamo test sui consumatori e molte aziende usano il punteggio medio del consumatore perché, a dire il vero, è più facile. Purtroppo, però, non tutti i consumatori hanno gli stessi gusti o apprezzano le stesse cose per le stesse ragioni.
Non importa quanto tu cerchi di selezionare solo le persone che stai cercando, quando fai il tuo test sui consumatori, ci sono comunque persone che preferiscono cose diverse. Quello che noi, quello che preferiremmo come formulatori, persone in R&S, come me, vorremmo che i consumatori fossero omogenei nelle loro preferenze, ma di solito non è così, perché se fossero omogenei, allora potremmo sviluppare un solo prodotto e andrebbe bene, ma invece le persone hanno preferenze diverse ed è per questo che il supermercato è come è oggi.
Cosa vi mostrerò? Voglio mostrarvi come usare JMP per ottenere maggiori informazioni dai dati dei test sui consumatori, in particolare quando si usa DoE per ottenere maggiori informazioni, avere consumatori e cercare di ottimizzare le formulazioni.
Come obiettivo secondario, esamineremo l'efficacia di diversi modelli e progetti sperimentali nel predire i futuri punteggi di gradimento dei consumatori. Abbiamo due esempi: un progetto di screening definitivo e un DoE di riempimento dello spazio, modellato tramite SVEM e reti neurali.
Un po', vi darò un po' di contesto sul perché diavolo lo stavamo facendo. L'anno scorso ci è stato chiesto di migliorare un prodotto, un prodotto esistente, il management è venuto da noi e ci ha detto: "Sapete cosa? Pensiamo che possa essere migliorato, andiamo a migliorarlo".
La tempistica che ci era stata data non ci faceva sentire molto a nostro agio nell'eseguire un sacco di DoE sequenziali, quindi abbiamo deciso di eseguire un progetto di screening definitivo a sei fattori 18, quindi abbiamo realizzato quei campioni e li abbiamo sottoposti a test sui consumatori per vedere se potevamo modellare il gradimento e quindi elaborare la formula giusta.
Dopo aver modellato i dati, avevamo tre soluzioni che pensavamo potessero funzionare e superare il controllo in un test sui consumatori. Abbiamo eseguito un test successivo in cui avevamo quelle tre formule insieme alla formula di controllo, e fondamentalmente l'obiettivo era trovare una di queste tre... Almeno una di queste tre che fosse migliore del controllo.
Avevamo grandi aspettative perché il modello ci diceva che avrebbero dovuto ottenere punteggi davvero, davvero buoni. Si è scoperto che erano solo marginalmente migliori del controllo e non ci davano alcuna impressione positiva sull'opportunità di procedere con quelle formule.
È stata un po' una delusione, ma abbiamo comunque imparato molte cose. Il progetto è già terminato, ma un anno dopo ci stavamo chiedendo come svolgere il nostro lavoro di ricerca e sviluppo e come acquisire sicurezza nei nuovi approcci. Perché quando sei sotto pressione, quando il management ti dice "Migliora, fallo più velocemente", ti rivolgi a ciò che conosci quando hai già fatto ciò che è più consolidato.
Quello che volevamo fare, e io in questo progetto l'ho fatto, era tornare indietro nel tempo e dire: "Cosa sarebbe successo se avessimo fatto qualcosa di diverso invece di un design definitivo dello schermo?" Avremmo potuto ottenere di più da questi dati dei test sui consumatori che ci avrebbero aiutato, perché sembrava che il modello dicesse che avremmo dovuto essere in grado di ottenere punteggi molto alti, e la verità era che sembravano un limite, e quel limite ci stava limitando.
Cosa abbiamo fatto? Abbiamo fatto due test. Uno nell'aprile 2023 era un progetto di screening definitivo. Si trattava delle 118 formule originali. Poi, un anno dopo, ne abbiamo fatto uno sempre ad aprile, un progetto di riempimento dello spazio, con 18 formule. Entrambi i DoE, per essere il più equi possibile, avevano esattamente gli stessi fattori e gli stessi intervalli di fattori. Stavamo cercando di non prendere spunto dal primo DoE per applicarlo al secondo e poi alterare i risultati.
Poi abbiamo creato quei DoE e poi volevamo che quei modelli vedessero... per prevedere questo test di convalida proprio qui, quindi nessuna di queste quattro formule è stata inviata in ciascuno degli altri due test.
Più nel dettaglio, cosa vi mostrerò? Una cosa di cui non vi mostrerò troppo... Non mi dilungherò troppo sul design definitivo dello screening, ma quello che mostreremo è che analizzeremo i dati sul gradimento dei consumatori e cercheremo di capire cosa possiamo imparare da essi raggruppando i consumatori, i partecipanti al panel.
Per chi non ha familiarità con i test tradizionali sui consumatori, avrete a disposizione una sede centrale in cui verrà eseguito il test. Farete una preselezione dei soggetti a cui volete sottoporvi, in modo che gli utenti del vostro prodotto o i dati demografici che state cercando vengano, assaggino i prodotti, li valutino e voi prendiate quei punteggi e facciate quello che faremo tra un minuto.
In questi test, credo che abbiamo utilizzato circa 120 consumatori in entrambi i test. Utilizzeremo il clustering gerarchico e lo scaling multidimensionale per esplorare qualsiasi aspetto interessante che possiamo ricavare, chi sta sottoponendosi a questo test e cosa sta cercando.
Dopo aver modellato i dati del progetto di riempimento dello spazio con queste reti neurali, esamineremo il profiler e vedremo se c'è qualcosa che possiamo capire meglio su cosa determini le preferenze dei consumatori. Parlerò dell'utilizzo dei dati medi... Il valore medio per tutti i consumatori rispetto al clustering e all'utilizzo di queste medie per vedere cosa possiamo vedere.
Poi, l'ultimo argomento che affronteremo, come ho detto, l'obiettivo secondario è analizzare le prestazioni di previsione del design definitivo dello schermo rispetto al design di riempimento dello spazio su quel set di test di convalida. Quanto sono andate bene? Dovremo prendere questa affermazione con le pinze, perché avevamo solo quattro campioni su cui effettuare i test. Ma anche così, ci sono alcuni insegnamenti da trarre.
Detto questo, il resto della presentazione ve lo mostrerò in JMP perché personalmente mi piace quando gli altri mi mostrano come hanno fatto le cose in JMP e lo trovo più efficace.
Minimizziamo questo aspetto. Giusto per avere un'idea, ecco il modello di screening definitivo. Questi sono i fattori. Avevamo gli ingredienti A, B, C, D, E e c'era un attributo che, secondo noi, sarebbe stato basso o alto. Quando eseguiamo lo screening definitivo, scopriamo che quattro dei cinque ingredienti sono significativi e l'attributo... L'ingrediente A non sembrava avere molta importanza in nessuno dei test.
Alla fine, ecco il profiler. Come potete vedere, nella maggior parte dei casi, alle persone piace più di questa roba che ci metti dentro. Nella maggior parte dei casi, più la apprezzano. Ci sono alcune interazioni, come si può vedere se aumento la C. Se si osserva l'ingrediente D, si appiattisce. È da lì che abbiamo preso spunto per questo modello.
Parliamo di... Parleremo prima dei dati dei test dei consumatori sul design di riempimento dello spazio. Ecco di cosa si tratta. Ci sono molte altre domande che poniamo alle persone, ma ai fini di questo intervento, mi concentrerò sull'opinione generale perché è quella che ci interessa di più.
È come... La prima domanda che poniamo dopo aver assaggiato il prodotto è: quanto ti piace? È su una scala a nove punti. Si chiama scala edonica. Uno è estremamente antipatico, nove è estremamente gradito. Cerchiamo i nove e, più alto è il punteggio, meglio è.
Per fare un paragone, in genere i punteggi dei prodotti buoni si attestano sui sette bassi, i prodotti marginali sui sei medi e infine i punteggi inferiori a sei sono qualcosa di cui dovresti davvero, davvero preoccuparti.
La prima domanda che volevamo porci con questi dati di test sui consumatori era: la nostra popolazione di consumatori è omogenea o ha preferenze diverse? Cosa possiamo imparare? Analizzando il clustering e il cluster gerarchico, possiamo capirlo. Per prima cosa, analizziamo lo script.
Quello che abbiamo qui è una mappa di calore di tutti i partecipanti. Qui sotto, sull'asse orizzontale, abbiamo il gradimento complessivo per ciascun campione, quindi ce n'erano 18. Poi, sull'asse verticale, c'è ogni singolo consumatore, la sua valutazione. Ad esempio, questa persona qui ha dato un sette al campione uno. Ha dato un due al campione due, quindi non gli è piaciuto, ma ha apprezzato il campione tre. Gli ha dato un nove.
Ci sono alcune cose, semplicemente usando questa mappa termica, che ci permettono di riconoscere bene i colori. Mi piace il verde, ecco perché ho scelto il verde qui, ma potete scegliere colori diversi. Potete vedere una tonalità scura proprio qui. Queste sono persone che hanno ottenuto un punteggio di quasi nove su tutto. Hanno apprezzato tutto ciò che abbiamo proposto loro, oppure stavano semplicemente cliccando su uno dei due.
Chiediamo alle persone, letteralmente, di dirci perché un test gli è piaciuto o perché non gli è piaciuto, e questo ci aiuta a capire se questa persona stava facendo il test o semplicemente cliccandoci sopra, in modo da poter ottenere il suo compenso. Posso dire di averli esaminati, e queste sono persone che hanno davvero apprezzato tutto ciò che abbiamo proposto loro. Poi, questo gruppo qui sotto, erano solo esitanti a tagliare. Dare a tutto un nove, ma loro hanno dato, fondamentalmente, a tutto un otto.
Quando facciamo il clustering, puoi dire quanti cluster stai cercando... Non sono sicuramente un esperto di clustering, ma quando abbiamo esaminato questi dati, sembrava che ci fossero circa tre cluster. Avevamo... Ehi, Christian, possiamo mettere in pausa per un secondo?
Immagino che continui a funzionare, [inudibile 00:14:19].
Oh, okay. Dammi un secondo. C'è qualcuno alla porta.
Mi dispiace. Avevo dimenticato che il microfono era sopra la mia testa.
Esatto. Va bene. Non sono sicuro di dove fosse.
Avevi o eri tu che hai menzionato la colorazione tra nove e otto, e poi stavi per parlare, hai detto qualcosa del tipo che non sei un esperto di clustering, e poi stavi cercando qualcosa a quel punto.
Okay. Sì, devo solo... chiedere loro di tagliare questa parte.
Sì. Glielo farò sapere. Credo che lo farò. L'obiettivo per me è guardarlo e poi identificare i punti temporali per dire loro dove le cose sono andate storte, quindi non preoccupatevi.
Va bene, scusa. Non sapevo che qualcuno sarebbe venuto a casa.
Non preoccuparti. Anch'io... mi preoccupo della stessa cosa. Immagino che tu sia più o meno pronto?
Sì.
Ok, spengo il microfono. Dammi 3 secondi e poi vado.
Va bene.
Va bene.
Bene. Quando guardiamo questa mappa termica, possiamo vedere le persone che hanno valutato tutto in modo elevato, i verde scuro, vediamo i verde chiaro, persone che hanno valutato tutto in modo altrettanto elevato, ma non hanno voluto usare i nove, hanno usato invece gli otto.
Quando abbiamo fatto il clustering, abbiamo scoperto che ci sono tre cluster, e sono colorati qui con rosso, verde e blu. Potete vedere che è il rosso, c'è molto scuro. Il verde, è al centro. Ci sono molti più colori chiari. Poi il blu, c'è ancora più colorazione chiara.
Se osserviamo il cluster, questo riepilogo qui, il cluster significa che puoi vederlo visivamente. Questo è il punteggio medio per cluster. Cluster 1, puoi vedere praticamente tutto. Assegnano sempre punteggi più alti a tutto. Sono molto più indulgenti, direi che potremmo dire che apprezzano praticamente tutto ciò che mettiamo loro davanti, il che è fantastico. Cluster 2, lo vedi come una fascia media. Poi Cluster 3, sono più difficili da accontentare, o sono semplicemente più esigenti o qualcosa del genere.
La cosa interessante è che quando si incrociano, è allora che possiamo dire che c'è qualcosa di diverso nelle loro preferenze, un gruppo rispetto all'altro, e questo ci ha dato un indizio.
L'altro aspetto che volevamo analizzare con questi consumatori era se ci fossero altre anomalie di cui dovremmo preoccuparci nei dati che ci vengono forniti. Perché la pulizia dei dati rappresenta probabilmente l'80% di ciò che dobbiamo fare quando parliamo di data science. Ciò che volevamo analizzare era la scalabilità multidimensionale, perché può dirci: "Ci fornisce una mappa dei consumatori vicini e lontani tra loro".
Per fare ciò, se andiamo sul triangolo rosso e salviamo la matrice delle distanze, otteniamo la matrice della distanza tra un membro del panel o un consumatore e un altro. Poi, per eseguire la scalatura multidimensionale, passiamo ai metodi multivariati, alla scalatura multidimensionale, e le nostre colonne Y rappresentano tutti questi consumatori, e ci vorranno solo un paio di secondi. Poi diamo un'occhiata e vediamo se ci sono membri del panel che sono molto diversi dagli altri.
Ecco la mappa che abbiamo appena creato. Una cosa... Un paio di cose che JMP mi ha fatto capire, almeno. Prima di tutto, la maggior parte delle persone rientra proprio qui. Ha senso. La maggior parte di noi è... Quando si osserva il consumatore medio e come usa la scala, come valuta i prodotti o quanto gli piacciono le cose, è logico che la maggior parte si trovi qui.
C'è uno strano schema qui. Se vogliamo esplorare questi schemi, cosa possiamo fare? Evidenziamo semplicemente il nome della colonna e poi selezioniamo la riga, selezioniamo tutte le celle corrispondenti. Verranno visualizzate tutte le altre tabelle dati che ho che contengono la parola nome e i numeri dei partecipanti, 002, 1027.
Questo è il set di dati originale con i nomi dei partecipanti, e ora posso vedere quale punteggio hanno assegnato. Questa persona ha dato 9, 9, 9, 7, 9, 9 e praticamente tutti 9. Interessante. Passiamo al gruppo successivo, evidenziato qui. 9, 9, 8, 9, 8, 9, 8, 9. A loro piace tutto, e gli piace molto. Passiamo al gruppo successivo: 8, 7, 9, 9, 9, 8, 9.
Notate qui, quello che ho qui a destra è un'antipatia letterale, questa colonna, dicono, cosa non vi piace? Niente, niente, niente, niente, niente, niente. Notiamo uno schema con questi consumatori. Questo è ciò che dice. Queste sono le persone che hanno assegnato a tutto lo stesso punteggio che abbiamo visto in precedenza, come le bande verde scuro. Lo abbiamo colto qui nella scala multidimensionale.
Poi abbiamo anche queste persone che sono fuori, credo, questo è il campo giusto. Cosa succede loro? Se facciamo la stessa cosa qui, selezioneremo tutte le celle corrispondenti. Poi, per trovarle, faccio la selezione successiva. Vedo qualcosa di completamente diverso, 2, 7, 3, 1, 9, 7, 2, 6, 9, 2. Ho avuto difficoltà a capire cosa rendesse diversa questa persona. Perché se vado alla successiva, un'altra evidenziata qui, 4, 7, 3, 2, 5, 3, 1, 6, 1, 1, tipo, ancora una volta, vediamo, sembra solo uno schema casuale, ma quando vado a vedere i risultati letterali, ha senso. Quando hanno dato un nove, hanno detto che non c'era niente che non gli piacesse. Quando hanno dato un uno, hanno detto che sapeva di api con ingredienti avariati. Posso garantire che non sono stati rovinati, ma possiamo vedere che la loro valutazione è vera.
Poi qualcuno mi ha detto... Stavo cercando di capire cosa rendesse diverse queste persone. Qualcuno mi ha suggerito di osservare come usano la bilancia, e si nota che questa persona la sta usando tutta. Personalmente, ho pensato che tutti questi prodotti fossero piuttosto buoni. Alcuni erano migliori di altri, ma non al punto da dire che non mi piacciono per niente. È la cosa peggiore che abbia mai assaggiato e un nove che dice: questa è la cosa migliore che abbia mai assaggiato.
Per capirlo, se andiamo a creare una tabella riassuntiva dell'opinione generale, voglio calcolare la deviazione standard e l'intervallo per nome inserito nel gruppo. Lo facciamo, e ora abbiamo una tabella dati che mostra ogni membro del panel e la sua deviazione standard rispetto alla valutazione di tutti i campioni. Ordinando i dati in ordine decrescente, otterremo... Possiamo vedere, supponiamo di avere i nostri 10 membri del panel più variabili qui.
Di nuovo, se lo facciamo... Evidenzio il nome e, se dico, seleziono tutte le celle corrispondenti e guardo cosa è evidenziato qui. Ciò che differenzia tutte queste persone non è necessariamente ciò che piace o non piace loro, ma semplicemente il modo in cui usano la scala. Questo è stato solo un lungo cammino per... Solo un modo per avere la certezza che i dati in nostro possesso siano validi e che le persone stessero facendo ciò che chiedevamo loro di fare.
Se, diciamo, avessi scoperto un motivo ovvio per cui i loro dati non erano validi, allora lo avremmo escluso. Ma non c'è motivo per cui dovremmo eliminarlo, quindi lo abbiamo lasciato lì. Questa è solo una piccola dimostrazione di come utilizziamo il clustering e lo scaling multidimensionale.
L'altra cosa che volevo condividere qui sul clustering è che, in definitiva, quello che voglio è mostrarvi la tabella dati, la tabella DoE. Questo è un progetto di riempimento dello spazio che abbiamo realizzato. Questi sono i sei fattori. Quello di cui avevo bisogno era una colonna. La preferenza generale per il Cluster 1, la preferenza generale per il Cluster 2, 3 e poi solo la preferenza generale.
Per ottenere questi tre, un modo semplice è prendere questo cluster significa tabella.
Questo è il riepilogo. Se clicchi con il tasto destro del mouse e dici "Trasforma in tabella dati", viene visualizzato esattamente quello che voglio... Non esattamente quello che voglio. Viene visualizzato "Ogni media campionaria è una colonna". Ma voglio invertire queste impostazioni, voglio che i cluster siano colonne e le colonne siano righe. Voglio invertire le righe e le colonne.
Se andiamo a trasporre sotto le tabelle e vogliamo trasporre queste colonne, possiamo etichettarle in base al cluster, diciamo, ok. Ora posso semplicemente copiare e incollare questo. Posso copiarlo e incollarlo nella mia tabella dati DoE. Questo è quello che ho fatto. Non ho bisogno di farlo qui perché l'ho già fatto. Chiudiamo tutto. Ora abbiamo i tre cluster. Abbiamo usato le reti neurali con SVEM per modellare questi dati. Vi mostrerò il profiler di ciò che ne ricaviamo. Ecco gli ingredienti A, B, C, D, fino a E, e gli attributi basso e alto. Quando scomponiamo il tutto per cluster, vediamo qualcosa di molto interessante.
Innanzitutto, quando abbiamo fatto il progetto di screening definitivo, diceva che l'ingrediente A non era affatto influente. Non era significativo, quindi l'abbiamo eliminato. Qui, all'improvviso, mi sembra che l'ingrediente A stia facendo qualcosa. Ancora più interessante è il fatto che sembriamo avere due gruppi in competizione. Perché, vedete, man mano che diminuisco l'ingrediente A, le medie del Cluster 3 aumentano, ma quelle del Cluster 2 diminuiscono.
Ciò significa che al Cluster 3 non piace, non vuole troppo ingrediente A, mentre al Cluster 2 piace. Poi vediamo la stessa cosa per l'ingrediente B. Più ingrediente B si aggiunge, più piace al Cluster 2. Più ingrediente B si aggiunge al Cluster 3, più non piace. Questo, per noi, ha risolto un piccolo mistero sul perché ci sia un limite massimo quando effettuiamo i nostri test sui consumatori, perché ci sia un limite massimo a quanto le persone possono apprezzare qualcosa, perché i nostri punteggi di gradimento complessivi non siano saliti quanto pensavamo. Il nostro gruppo di consumatori non è omogeneo e abbiamo persone a cui piacciono cose diverse.
Cosa possiamo fare al riguardo? Questa è la domanda più difficile a cui rispondere. È una domanda strategica che un'azienda dovrebbe porsi: si può puntare su tutti e accontentare il gruppo in cima, a cui piace tutto? I loro punteggi sono sempre molto alti. Staranno bene, ma poi i Cluster 2 e 3, quelle persone, sono marginalmente soddisfatte. Questo è un approccio. L'altro approccio riguarda i Cluster 1 e 2, i cui punteggi erano più alti fin dall'inizio. Devono essere più appassionati di questo prodotto, quindi dovremmo concentrare tutti i nostri sforzi per aumentare al massimo la loro soddisfazione.
C'è anche il pensiero, ok, Cluster 3, forse abbiamo solo bisogno di un'offerta di prodotto diversa per loro, che li apprezzerebbero di più. Più sai, più domande ti poni, ma più riesci a fare e più successo avrai. Questo è ciò che abbiamo ricavato dal profiler, che è stato estremamente utile.
L'altra cosa, c'è sempre la domanda: ok, il profiler dice questo, ma è vero? Per cercare di decidere... Cercare di capire se è effettivamente vero o no che al Cluster 3 non piace l'ingrediente A o B, e viceversa per il Cluster 2, abbiamo deciso di esaminare i testi letterali e vedere cosa potevamo dedurre.
Se andiamo alla tabella dei dati originali dei consumatori, abbiamo l'opinione generale qui, a quale cluster appartengono, sulla destra. Poi abbiamo le antipatie, quindi non possiamo necessariamente guardare... Abbiamo anche un'analisi letterale, esamineremo le antipatie. Useremo l'esploratore di testo per vedere se c'è qualche fondamento in ciò che vediamo nel profiler.
Abbiamo creato l'esploratore di testo per cluster. Per il Cluster 1, qual è il termine più usato? Niente. Questo è nella sezione "Non mi piace", quindi va bene. È quello che vogliamo. Per quanto riguarda "Non mi piace", non vogliamo dire nulla. Puoi cliccare con il tasto destro del mouse e dire "Mostra testo" e possiamo farci un'idea di cosa dice la gente. Non c'è niente che non mi piaccia. Non c'è niente che non mi piaccia. Niente che mi venga in mente. Ottimo.
Cluster 2, "niente" è il termine più utilizzato, ma come potete vedere, non è come nel Cluster 1, dove il Cluster 1 è 292, mentre il successivo è circa la metà. Qui è quasi la stessa cosa. C'è chi dice "niente" e chi dice "sapore", e di solito dicono: "Mancanza di sapore, sapore insufficiente, sapore indebolito, sapore dell'ingrediente B scarso".
Poi abbiamo l'ingrediente B per il Cluster 2. Vogliamo vedere cosa dicevano dell'ingrediente B. Quello che il Cluster 2 sta dicendo è: l'ingrediente B non è abbastanza forte, non è abbastanza. Ne serve di più, non è abbastanza. L'ingrediente B non è abbastanza. Il sapore dell'ingrediente B era molto forte, quindi ne abbiamo uno molto forte.
Tenete presente, ancora una volta, che si tratta di campioni DoE. In generale, dicono che potrebbe essere utilizzato più ingrediente B. Più ingrediente B ci metti, più mi piacerà. Questo conferma quanto affermato dal profiler, ovvero che il Cluster 2 gradisce di più l'ingrediente B.
E l'ingrediente A? Cosa ne pensa il Cluster 2? In questo caso, ce n'è parecchio, stanno dicendo decisamente troppo. Questo è un po' più difficile da leggere. C'è chi dice: "Non mi è sembrato che contenesse abbastanza ingrediente A, aveva un sapore insipido". Non abbastanza ingrediente A, non abbastanza ingrediente A.
Tenete presente che non... Quando ci dicono cosa non ci piace, non devono dire nulla sull'ingrediente A. Bisogna prenderlo con le pinze. Lo dicono solo quando pensano che sia sbagliato. Ma ora, se passiamo al Cluster 3, all'improvviso, il sapore è la frase più usata. L'ingrediente B è proprio qui, al numero tre, quindi cosa stanno dicendo ora dell'ingrediente B? Invece di dire troppo ingrediente B, questo cluster dice non abbastanza, non abbastanza. Ce ne sono un paio in eccesso, ma troppo forte, troppo, troppo, troppo. Leggermente troppo, forte, ce ne sono alcuni in difetto.
Ma si ha l'idea che ci siano molte cose in cui non ne abbiamo viste, nel Cluster 2 le persone dicono che c'è troppo ingrediente B. Ora abbiamo persone che dicono che ce n'è troppo, il che coincide con quanto ci mostrava il profilo e ci ha dato maggiore sicurezza che questi due cluster differiscano nei loro gusti per l'ingrediente A e l'ingrediente B.
Poi, se andiamo a vedere cosa hanno detto dell'ingrediente A, troppo, troppo. Un po' di ingrediente A significa troppo, un po' troppo. Potete vedere che anche questo è corretto. Non vogliono troppo ingrediente A, non vogliono nemmeno troppo ingrediente B. Ecco come abbiamo... È solo un po' di esplorazione. Sono sicuro che ci sia molto di più che potremmo approfondire nell'esploratore di testo per aggiungere qualche numero a questo, ma lo stavamo usando solo come esplorazione per vedere... Usiamo solo visualizzazioni come grafici per esplorare i dati. Stiamo usando l'esploratore di testo per esplorare cosa dicono le persone, e questo è corretto con il profiler.
Alla fine, abbiamo scoperto perché sembra esserci un limite a quanto possiamo... a quanto possono essere alti i nostri punteggi. Abbiamo anche scoperto preferenze diverse per gruppi diversi di persone, il che è un'informazione davvero importante che prima non avevamo, e ora che abbiamo queste informazioni, possiamo fare qualcosa al riguardo.
Bene, quindi l'ultima cosa che faremo è valutare quanto bene il progetto di screening definitivo abbia predetto rispetto al progetto di riempimento dello spazio. Abbiamo solo quattro campioni di convalida, quindi dobbiamo prenderli con le pinze, ma vedremo se c'è qualche indicazione che uno faccia un lavoro migliore dell'altro.
Abbiamo quattro modelli diversi. Se utilizziamo le medie dei cluster e le ponderiamo in base alla loro ampiezza, utilizzando semplicemente la media di tutti i consumatori, otteniamo due modelli diversi sviluppati a partire dal modello di screening definitivo. Uno utilizza semplicemente l'adattamento, definitivo com'è. L'altro è un modello che un collega stava esaminando.
Cosa vediamo? La prima cosa è che c'è stata una distorsione tra il primo anno, i punteggi. Per qualche ragione, nel 2023 siamo più alti rispetto a quando abbiamo fatto il test nel 2024. In generale, tutto è stato semplicemente spostato verso il basso quando abbiamo fatto il progetto di riempimento dello spazio. Penso che sia dovuto solo alla variabilità nei test o forse le persone, per qualche motivo, erano di cattivo umore. Non lo so.
Come scienziato, come ricercatore e sviluppatore, ciò che mi dà un po' di coraggio in questo modello è che la linea non è esattamente parallela, ma è quasi parallela alla linea che vorrei che fosse. Se fosse una previsione accurata al 100%, questa sarebbe y uguale a X, ecco cos'è questa linea nera. Sembra fare un buon lavoro con le informazioni limitate che abbiamo, considerando i bias.
Ecco, se prendessimo solo le medie campionarie complete e non ci fosse alcuna differenza, ecco dove vediamo alcuni risultati diversi. Ecco la soluzione definitiva, e non sono nemmeno lontanamente parallele. Vediamo che le linee si incrociano. Questo ci dà... Non ci dà poi così tanta sicurezza che questo modello sia davvero in grado di prevedere i punteggi futuri dei partecipanti.
Poi quest'altro stava avendo difficoltà ancora maggiori. Ad esempio, questo qui prevedeva un valore di 7,9, ma ci ha dato un valore di sette. È qui che siamo rimasti delusi quando abbiamo fatto il test di convalida nel 2023.
Spero che questo articolo vi sia stato utile e che abbiate potuto apprezzare la diversità delle persone, e in particolare la diversità delle nostre preferenze alimentari. Spero che possiate usarlo per migliorare ulteriormente la vostra capacità di ottenere maggiori informazioni dai consumatori e vi ringrazio per l'attenzione.
