人間の素晴らしい点の一つは、私たち一人ひとりが唯一無二の存在であるということです。多様性は私たちの周囲に様々な恩恵をもたらしますが、消費者の嗜好は多様であるため、最も多くの人々を満足させるものを予測することは困難です。JMPが提供する実験計画法（DOE）の活用は、最も魅力的な処方を設計する上で不可欠です。
このプレゼンテーションの目的は、消費者の嗜好性を最大限に高める配合を最適化する手法をインタラクティブに提示することです。実際の食品配合のケーススタディから、2つのDOEアプローチ、すなわちSVEMとニューラルネットワークを用いてモデル化された18回実行の決定的スクリーニング設計（DSD）と18回実行の空間充填設計を紹介します。
モデリングのためのデータ準備として、多次元尺度法を用いて異常な参加者データを除去する方法を紹介します。階層的クラスタリングを用いて構築された参加者クラスターは、適合決定的スクリーニングとSVEMニューラルネットワークを用いたモデルフィッティングに使用されます。JMPプロファイラーの威力は、クラスターごとに消費者の嗜好がどのように異なるかを明らかにします。テキストエクスプローラーを用いて、調査参加者の逐語的コメントを調査することで、モデリングから得られた洞察を検証する方法を示します。最後に、それぞれの実験計画とモデリング手法から得られた洞察を、それぞれの限界とともに比較します。参加者は、従来のDOEや消費者テスト戦略よりも情報量の多い代替手段を目にすることができます。
ありがとうございます。今日は、DoEと消費者調査の活用、つまり消費者の嗜好の変動性という課題への取り組みについてお話しします。会場の皆さんの中に「オレゴン・トレイル」というゲームをプレイしたことがある方はいらっしゃるでしょうか。「オレゴン・トレイル」を知らない方は、おそらく私と同年代でアメリカに住んでいる方でしょう。ほとんどの子供たちは、学生時代、コンピューターラボに行くとコンピューターで「オルガン・トレイル」をプレイしていました。
これは基本的に、とても古いコンピュータゲームです。プレイヤーは一団となってアメリカの平原を横断し、オレゴンを目指します。その道中では、様々な困難に直面します。その中で、川を渡らなければならないことがあります。これはゲームのスクリーンショットで、1848年にカンザス川を渡る場面です。川に着いて決断を迫られると、3月なので外は寒いと表示されます。なるほど、納得できます。川幅は628フィート、水深は3.4フィートです。選択肢は5つあります。川を渡るか、ボートで渡るか、フェリーに乗るか、状況が改善するのを待つか、情報を集めるか。さて、あなたは何を選ぶでしょうか？
私たちのほとんどは、「なるほど、川の深さは3.4フィートと書いてあるけど、いつも3.4フィートなの？それとも6フィートの場所もあるの？2フィートの場所もあるの？10フィートの場所もあるの？」などと単純に考えるのではなく、もっと賢明な判断ができると思います。もし川に行こうとして10フィートの場所に出くわしたら、それは非常にまずい状況に陥るかもしれません。
平均値を使うことが必ずしも最善のアプローチではないことは、直感的に分かっていると思います。新製品の発売は、オレゴントレイルで川を渡るようなものです。多くの場合、消費者テストを実施しますが、多くの企業は消費者の平均スコアを使用します。正直なところ、その方が簡単だからです。しかし残念ながら、すべての消費者が同じものを好むわけではありませんし、同じ理由で同じものを好むわけでもありません。
どれだけうまく絞り込み、対象者だけを絞り込もうとしても、消費者テストを行う際には、好みの異なる人々が存在します。私たち、つまり私のような研究開発担当者、つまり製品開発者としては、消費者の好みが均質であってほしいと思っていますが、実際にはそうではありません。もし均質であれば、一つの製品を開発するだけで済むからです。しかし、実際には人々の好みはそれぞれ異なり、だからこそ今の食料品店の姿があるのです。
これから何をお見せするのでしょうか？JMPを使って消費者テストデータからより多くの情報を引き出す方法、特にDoEを使ってより多くの情報を取得し、消費者を把握し、処方を最適化する方法をお見せしたいと思います。
副次的な目的として、様々なモデルや実験設計が将来の消費者の嗜好スコアをどの程度正確に予測できるかを検証します。決定的スクリーニング設計と、空間充填実験計画法（DoE）の2つの例を挙げ、SVEMとニューラルネットワークを用いてモデル化しました。
少しだけ、なぜこんなことをしたのか、背景をお話ししましょう。昨年、既存製品の改善を依頼されたのですが、経営陣が私たちのところにやって来て、「いいですか？もっと良くできると思います。ぜひ改善してください」と言ったんです。
私たちに与えられたタイムラインでは、連続した DoE を何度も実行できるとは思えなかったので、6 因子 18 実行の決定的スクリーニング設計を実行し、それらのサンプルを作成して消費者テストに提出し、好みをモデル化して適切な式を導き出せるかどうかを調べることにしました。
データをモデル化した後、消費者テストでコントロール製品に勝てる可能性のある3つのソリューションが見つかりました。その後、これら3つのソリューションとコントロール製品の配合を用いたテストを実施しました。基本的に目標は、3つのうち少なくとも1つがコントロール製品よりも優れているかどうかを見つけることでした。
モデルがこれらのスコアが非常に高いと示していたので、私たちは大きな期待を抱いていました。しかし、実際には、コントロール群と比べてわずかに良い結果しか出ず、これらの式を採用すべきかどうかについて、安心感を与えるものではありませんでした。
少しがっかりしましたが、それでも多くの情報を得ることができました。プロジェクトは既に終了していますが、1年後、私たちは研究開発の進め方、そして新しいアプローチへの自信をどう高めていくかを考えていました。なぜなら、経営陣から「もっと良く、もっと早く」と指示され、プレッシャーをかけられている時、より確立された方法を実行すれば、自分の得意分野に頼ることになるからです。
私たちがやりたかったのは、そして私がこのプロジェクトでやりたかったのは、時計の針を戻して「もし、決定的な画面デザインではなく、何か違うことをしていたらどうなっていただろう？」と考えることでした。この消費者テストデータから、もっと役立つ情報を引き出せたでしょうか。モデルによれば非常に高いスコアを獲得できるはずでしたが、実際には、そのスコアは上限のようで、その上限が私たちを制限していたのです。
私たちは何をしたのでしょうか？2つのテストを行いました。1つは2023年4月に実施し、決定的スクリーニング設計でした。これは元の118種類の計算式でした。そして1年後の4月にも、同じく空間充填設計で18種類の計算式を使用しました。公平性を最大限に高めるため、両方のDoEは完全に同じ因子と因子範囲を使用しました。最初のDoEで得た知見を2つ目のDoEに適用することで結果に偏りが生じないように配慮しました。
次に、これらの DoE を作成し、これらのモデルでこの検証テストを予測できるようにしたかったので、これら 4 つの式はいずれも他の 2 つのテストには送信されませんでした。
もう少し詳しく、何をお見せするのでしょうか？一つだけ、あまり詳しくはお見せしません。スクリーニングの設計については、あまり詳しくは触れませんが、消費者の嗜好データを見て、参加した消費者、つまりパネリストをクラスタリングすることで、そこから何が学べるかを探ります。
従来の消費者テストに馴染みのない方のために説明すると、テストは中央の場所で実施されます。テストに参加してもらいたい人を事前に選別します。つまり、自社製品のユーザー、あるいはターゲット層となる適切な層を選別し、製品を試食してもらい、評価してもらいます。そして、そのスコアを基に、これから行う作業を行います。
これらのテストでは、両方のテストで約120人の消費者を対象に実施したと思います。階層的クラスタリングと多次元尺度構成法を用いて、このテストを受けているのは誰で、彼らは何を求めているのかなど、興味深い知見を探っていきます。
次に、空間充填設計から得られたデータをニューラルネットワークでモデル化した後、プロファイラーを使って、消費者の嗜好を左右する要因をより深く理解できる点がないか確認します。平均データの使用についてお話しします。全消費者の平均値と、それをクラスタリングしてその平均値を用いることで、どのような結果が得られるかを見ていきます。
最後に、先ほども申し上げたように、検証テストセットにおける決定的なスクリーンデザインと空間充填デザインの予測性能を比較するという副次的な目的について触れておきます。どれほどの成果があったのでしょうか？テスト対象が4つのサンプルだけだったので、この結果は鵜呑みにしない方が良いでしょう。しかし、それでも、そこから得られるものはあります。
それでは、このプレゼンテーションの残りでは、JMP を使って説明します。個人的には、他の人が JMP でどのように作業を行ったかを見せてくれるのが好きで、その方がより効果的だと感じているからです。
これを最小化しましょう。参考までに、決定的スクリーニング設計を示します。ここに因子があります。成分A、B、C、D、Eがあり、低くなるか高くなるかのどちらかになるだろうと予測した属性がありました。適合決定的スクリーニングを行うと、5つの成分のうち4つが有意であり、その属性も有意であることがわかりました。成分Aは、試験されたどの項目においてもあまり影響がないように見えました。
最後に、プロファイラーをご紹介します。ご覧の通り、ほとんどの場合、この材料を多く入れれば入れるほど、人々はそれを好みます。ほとんどの場合、より好まれる傾向にあります。いくつかの相互作用があります。例えば、Cを増やすと、材料Dはやや平坦化します。このモデルはそこから得たものです。
では…まず、空間充填デザインに関する消費者テストデータについてお話ししましょう。これがそのデータです。他にもたくさんの質問をしますが、今回の講演では、私たちが最も重視しているのは全体的な意見なので、それに焦点を当てたいと思います。
それは…製品を試食していただいた後に最初に尋ねる質問は、「どれくらい気に入っていますか？」です。これは9段階評価で、快楽尺度と呼ばれています。1は「非常に嫌い」、9は「非常に好き」です。私たちは9を目指しており、スコアが高いほど良いとされています。
参考までに、通常、優れた製品スコアは 7 台前半、限界的な製品は 6 台半ば程度、そして 6 台を下回ると本当に心配する必要がある製品となります。
この消費者テストデータで最初に考えたかったのは、消費者集団は均質なのか、それともそれぞれ異なる嗜好を持っているのか、ということです。そこから何がわかるでしょうか？クラスタリングと階層的クラスタリングを分析すれば、それがわかります。まずはスクリプトを見てみましょう。
こちらはパネリスト全員のヒートマップです。横軸には、各サンプル（18個）の全体的な好感度が表示されています。縦軸は、個々の消費者の評価です。この方はサンプル1を7点、サンプル2を2点と評価しています。サンプル2は気に入らなかったようですが、サンプル3は大変気に入ったようで、9点を付けています。
このヒートマップを使うだけで、色の違いがよくわかる点がいくつかあります。私は緑が好きなので、ここでは緑を選びましたが、他の色を選んでも構いません。ここに濃い色合いが見えています。これは全てに9点を付けた人たちです。彼らは私たちが提示した全てを気に入ってくれたか、あるいは2つのうちどちらかをクリックしただけだったようです。
気に入った理由、気に入らなかった理由を逐語的に尋ねています。そうすることで、その人が実際にテストを受けたのか、それとも報酬を受け取るためにクリックしただけなのかを絞り込むことができます。これらの人たちに実際に試してみましたが、彼らは私たちが提示したすべてのものを本当に気に入ってくれました。一方、こちら側のグループは、カットすることに躊躇していました。すべてに9点を付けるべきなのに、彼らは基本的にすべてに8点を付けました。
クラスタリングを行う際に、いくつのクラスターを探しているのか指定できます…私はクラスタリングの専門家ではありませんが、このデータを見たところ、クラスターは3つくらいあるように見えました。…ちょっと、クリスチャン、ちょっと待ってください。
とにかく走り続けるんだと思います、[聞き取れない 00:14:19]。
ああ、分かりました。ちょっと待ってください。ドアに誰かがいます。
すみません。マイクが頭の上にあったのを忘れていました。
そうです。大丈夫です。どこだったかは分かりません。
あなたは、9 と 8 の間の色彩について言及していましたが、その後、クラスタリングについて専門家ではないというようなことを話そうとしていました。そして、その時点で何かを探していたのですね。
わかった。そうだね…この部分はカットしてもらうしかないな。
はい。伝えておきます。提出するつもりです。私の目標は、試合を見て、どこで問題が発生したかを特定し、彼らに伝えることです。だから心配しないでください。
分かりました、すみません。家に誰かが来るとは知りませんでした。
大丈夫。私も…同じことを心配していたから。さて、そろそろ準備はいいかな？
うん。
わかりました。マイクをオフにします。3秒待ってください。それから始めてください。
わかった。
わかった。
分かりました。このヒートマップを見ると、濃い緑色の人たちは全ての項目を高く評価し、薄い緑色の人たちも全ての項目をかなり高く評価していますが、彼らは9ではなく8を使っています。
クラスタリングを行った結果、3つのクラスターが存在することがわかりました。これらは赤、緑、青で色分けされています。赤には暗い部分が多く、緑は真ん中にあります。そこには明るい色が多く含まれています。そして青には、さらに明るい色が多く含まれています。
クラスター、つまりここにある概要を見ると、クラスターとは視覚的にわかるということです。これはクラスターごとの平均スコアです。クラスター1では、ほぼすべてが確認できます。彼らは常にすべてに高いスコアを付けています。彼らは非常に寛容で、私たちが提示するものはほぼすべて気に入ってくれると言えるでしょう。これは素晴らしいことです。クラスター2は中間的な位置付けです。そしてクラスター3は、満足させるのが難しい、あるいは単によりこだわりが強い、といったところでしょうか。
興味深いのは、それらが交差するときに、クラスター間で好みに何か違いがあることがわかることです。それが手がかりになりました。
これらの消費者についてもう一つ確認したかったのは、与えられたデータに他に懸念すべき異常がないかを確認することでした。データサイエンスにおいて、データのクリーンアップはおそらく私たちが行うべき作業の80%を占めるからです。私たちが確認したかったのは多次元尺度法です。多次元尺度法は、「互いに近い消費者と遠い消費者のマップを作成できる」からです。
これを行うには、赤い三角形をクリックして距離行列を保存すると、あるパネリストまたは消費者が他のパネリストまたは消費者からどれだけ離れているかを示す行列が得られます。次に、多次元尺度構成法を実行するには、「多変量解析法」→「多次元尺度構成法」に進みます。Y列にはすべての消費者が入ります。これは数秒で実行できます。次に、他のパネリストと大きく異なるパネリストがいるかどうかを確認します。
これが今作ったマップです。一つ…JMPから少なくとも私には分かることがいくつかあります。まず第一に、ほとんどの人がここに当てはまります。納得できます。私たちのほとんどは…平均的な消費者、彼らがスケールをどのように使っているか、製品をどのように評価しているか、あるいはどれだけ気に入っているかを見れば、ほとんどの人がここに当てはまるのは当然です。
ここに奇妙なパターンがあります。これらのパターンを調べたい場合、列名をハイライト表示し、「行選択」で一致するセルをすべて選択すると、「name」という単語とパネリスト番号（002、1027）を含む他のすべてのデータテーブルが表示されます。
これはパネリストの名前が入った元のデータセットです。これで彼らが何点をつけていたかが分かります。この人は9、9、9、7、9、9と、ほぼすべて9でした。興味深いですね。次に、ここでハイライトされている次のグループを見てみましょう。9、9、8、9、8、9、8、9。彼らはすべて気に入っており、とても気に入っています。次のグループを見てみましょう。8、7、9、9、9、8、9です。
ここに、右側にある「嫌いなこと」の欄があります。「何が嫌いですか？」と聞かれます。「何もない、何もない、何もない、何もない、何もない」。これらの消費者にはパターンが見られます。これがそれを物語っています。濃い緑色の帯のように、先ほど見たものと同じスコアを全てに付けた人たちです。多次元尺度法でそれを捉えました。
それから、かなり奥まったところに、つまり右のフィールドにいる人たちもいます。彼らは一体どうなっているのでしょうか？ここで同じことをして、一致するセルをすべて選択します。そして、彼らを見つけるために、次の選択範囲を実行します。すると、全く違う数字が見えます。2、7、3、1、9、7、2、6、9、2。この人が何が違うのか理解するのに苦労しました。次の、ここでハイライトされている別の数字を見てみると、4、7、3、2、5、3、1、6、1、1 のように、またしてもランダムなパターンのように見えますが、逐語的に見ると意味が分かります。9点を付けた人は、嫌いなところは何もなかったと言っています。1点を付けた人は、腐った材料の蜂の味がすると言っています。これらがネタバレではなかったことは保証できますが、評価が真実であることがわかります。
すると誰かが教えてくれたんです…この人たちは何がちがうのか考えていたんです。誰かが、彼らが体重計をどう使っているか見てみたらどうかと提案してくれたんです。すると、この人は体重計を全部使っていることに気づいたんです。個人的には、これらの商品はどれもかなり良いと思っていました。良いものもあれば悪いものもありましたが、極端に嫌いとまで言うほどではありませんでした。今まで食べた中で最悪のもので、9点を付けて「今まで食べた中で一番美味しい」と言っているようなものです。
これを理解するには、全体的な意見の要約表を作成する際に、グループ内の氏名ごとに標準偏差と範囲を計算します。そうすることで、各パネリストと、彼らが全サンプルをどのように評価したかの標準偏差を含むデータテーブルが作成されます。これを降順で並べ替えると…例えば、最も変動の大きいパネリスト上位10名がここにいるとします。
繰り返しますが、名前をハイライト表示し、「一致するセルをすべて選択して、何がハイライト表示されているか確認しましょう」と指示すると、これらの人々全員を区別する要素は、必ずしも彼らが何を好むか嫌いかではなく、スケールの使い方だけです。これは、私たちが持っているデータが適切であり、人々が私たちの指示通りに行動していたという確信を得るための、長い道のりでした。
例えば、データが良くない理由が明白に分かった場合は、それを除外します。しかし、除外する理由はないので、そのまま残しました。これは、クラスタリングと多次元尺度法をどのように使用しているかを示す簡単なデモです。
クラスタリングについてもう一つお伝えしたいのは、結局のところ、データテーブル、DoEテーブルをお見せしたいということです。これは私たちが行った空間充填設計です。6つの因子があります。必要なのは列です。クラスター1の全体的な好み、クラスター2と3の全体的な好み、そして全体的な好みです。
これら 3 つを取得する簡単な方法の 1 つは、このクラスター平均テーブルを取得することです。
これは概要からの引用です。右クリックして「データテーブルを作成」を選択すると、まさに私が望んでいたものが表示されます… 正確には私の望みどおりではありません。すべての標本平均値が列として表示されます。しかし、これを入れ替えたいのです。クラスターを列に、列を行にしたいのです。行と列を入れ替えたいのです。
テーブルの下の「転置」で列を転置し、クラスターごとにラベルを付けます。これで、基本的にコピー＆ペーストするだけです。DoEデータテーブルにコピー＆ペーストできます。私が実際にやったことです。既にやっているので、ここでやる必要はありません。すべて閉じます。これで3つのクラスターができました。このデータはSVEMを使ったニューラルネットワークでモデル化しました。この結果のプロファイラーをお見せします。成分A、B、C、D、E、そして属性「low」と「high」が表示されています。これをクラスターごとに分類すると、非常に興味深いことがわかります。
まず、決定的スクリーニング設計を行った際、成分Aは全く影響を与えないと示されました。有意ではなかったため、除外しました。ところが、ここで突然、成分Aが何らかの影響を与えているように見えます。さらに興味深いのは、2つのグループが互いに拮抗しているように見えることです。成分Aを減らすと、クラスター3の平均値は上昇しますが、クラスター2の平均値は低下するからです。
つまり、クラスター3は成分Aを好まず、あまり多く入れたくないのに対し、クラスター2は好んでいるということです。成分Bについても同じことが言えます。成分Bを多く入れるほど、クラスター2はそれを好みます。一方、クラスター3は成分Bを多く入れるほど、それを嫌うようになります。これは私たちにとって、消費者テストを行う際に上限があるのはなぜか、人々が何かを好きになる量に上限があるのはなぜか、そしてなぜ全体的な好感度スコアが期待したほど高くならなかったのかという謎を少し解くことができました。私たちの消費者グループは均質ではなく、それぞれ異なるものを好む人がいるのです。
これについてどうすればよいのでしょうか？これは答えるのが難しい質問です。企業が戦略的な問いかけをする必要があるでしょう。なぜなら、すべての顧客をターゲットにして、上位のグループ、つまり「すべて気に入っている」グループを満足させればいいのでしょうか？彼らのスコアは常に非常に高いです。彼らはそれで問題ありませんが、クラスター2と3の人々は、かろうじて満足しています。これが一つのアプローチです。もう一つのアプローチは、クラスター1と2です。彼らのスコアは元々高かったのです。彼らはこの製品にもっと情熱を持っているはずです。ですから、彼らの満足度を最大限に高めることに全力を注ぐべきです。
クラスター3については、もしかしたら、彼らがより好むような別の製品を提供する必要があるかもしれないという考えもあります。知識が豊富であればあるほど、疑問は増えますが、できることが増え、成功する可能性も高まります。まさにこれが、このプロファイラーから得られた情報であり、非常に役立ちました。
もう一つの疑問は、プロファイラーがこう言っているけれど、本当にそうなのだろうか？という点です。クラスター3は成分AもBも好まない、そしてクラスター2は逆に好まない、という状況が本当にそうなのかを判断するために、逐語的記述を見て、そこから何が読み取れるのかを検証することにしました。
元の消費者データテーブルに戻ると、ここに全体的な意見があり、右側にどのクラスターに属しているかが表示されています。次に、嫌いな点があります。つまり、必ずしも… 逐語的に、嫌いな点も見ていきます。テキストエクスプローラーを使って、プロファイラーで表示されている内容に信憑性があるかどうかを確認します。
クラスター別にテキストエクスプローラーを実行しました。クラスター1で最も多く使われている単語は何でしょうか？「なし」です。これは「嫌い」に含まれているので、良いですね。これが私たちの狙いです。「嫌い」については、何も言わないようにしたいです。右クリックして「テキストを表示」を選択すると、ユーザーが何を言っているかがわかります。嫌いなものはありません。嫌いなものはありません。特に思い当たりません。素晴らしいですね。
クラスター2では「何もない」という表現が最も多く使われていますが、クラスター1とは違います。クラスター1は292語ですが、次のクラスターは約半分です。ここではほぼ同じです。「何もない」と言う人もいれば、「風味」と言う人もいます。そして大抵は「風味が足りない、風味が足りない、風味が弱くなった、成分Bの風味が低い」といった表現です。
次に、クラスター2の原料Bについて見てみましょう。原料Bについて、クラスター2はどのような意見を持っていたかを確認したいと思います。クラスター2は、「原料Bの味が十分ではない、足りない。もっと欲しい、足りない。原料Bが足りない」と言っています。原料Bの味は非常に強かったので、非常に強い味が1つあります。
繰り返しますが、これらはすべてDoEサンプルです。全体的に見て、成分Bをもっと加えた方が良いと言われています。成分Bを多く入れれば入れるほど、このサンプルは気に入ると思います。これは、プロファイラーがクラスター2は成分Bを多く入れた方が良いと示していたことと一致しています。
材料Aはどうでしょうか？クラスター2の皆さんはどう思われますか？この場合は、かなり多くのことを言っていますね。少し読みにくいですね。「材料Aが足りなくて味気ない」という意見もあります。「材料Aが足りない、材料Aが足りない」という意見もあります。
覚えておいてください。彼らが私たちに嫌いな点を言うとき、彼らは材料Aについて何も言う必要はありません。少し疑ってかかる必要があります。彼らはそれがおかしいと思ったときにだけそう言っているのです。しかし、クラスター3に行くと、突然、「風味」が最もよく使われるフレーズになります。材料Bはここにあります、3番目です。では、材料Bについて彼らは何を言っているでしょうか? 材料Bが多すぎると言う代わりに、このクラスターは、足りない、足りないと言っています。多すぎるものもありますが、強すぎる、多すぎる、多すぎる、多すぎる、少し多すぎる、強すぎる、ここには足りないものもあります。
しかし、クラスター 2 では、成分 B が多すぎると言っている人がいて、私たちが何も見なかったところがたくさんあることがわかります。今では、多すぎると言っている人がおり、これはプロファイルが示していた内容と一致しており、これら 2 つのクラスターでは成分 A と成分 B に対する好みが異なるという確信が深まりました。
次に、材料Aについて彼らが何を言っていたかを見てみましょう。多すぎます、多すぎます。材料Aが少し多すぎるということは、多すぎます、少し多すぎるということです。ご覧の通り、これも当てはまります。材料Aは多すぎることは望んでおらず、材料Bも多すぎることは望んでいません。これは私たちが行った方法です。これは単なる調査です。テキストエクスプローラーでもっと詳しく調べて、この数字を裏付けることはできると思いますが、今回はあくまで調査として使っていました。グラフなどの視覚化を使ってデータを調査しています。テキストエクスプローラーを使って人々が何を言っているかを調べ、プロファイラーで確認しています。
最終的に、私たちが達成できるスコアに上限があるように見える理由、つまりスコアの高さに上限があるように見える理由の答えを見つけました。また、人々のグループごとに異なる好みがあることも発見しました。これはこれまで得られなかった非常に強力な情報であり、この情報が得られれば、私たちはそれに対して何か対策を講じることができます。
さて、最後に、決定的スクリーニング設計が空間充填設計に対してどれだけ正確に予測できたかを見てみましょう。検証サンプルは4つしかないので、結果は鵜呑みにできませんが、どちらかが優れているかどうかの兆候があるかどうかを確認しましょう。
4つの異なるモデルがあります。クラスター平均を使用し、クラスターの大きさに基づいて重み付けすると（全消費者の平均のみ）、決定的スクリーニング設計から開発された2つの異なるモデルが得られます。1つは適合度のみを使用した決定的スクリーニング設計です。もう1つは同僚が検討していたものです。
何が分かりますか？まず、初年度のスコアに偏りがありました。何らかの理由で、2023年のスコアは2024年のテスト時よりも高くなっています。全体的に見て、空間を埋めるデザインを採用した際に、全てが下方にシフトしました。これは単にテストのばらつきによるものか、あるいは何らかの理由で参加者の機嫌が悪かったのかもしれません。よく分かりません。
科学者として、研究開発科学者として、このモデルに少し勇気づけられるのは、線が完全に平行ではないものの、私が望む線とほぼ平行になっていることです。もしこれが100%正確な予測であれば、これはy = x、つまりこの黒い線です。バイアスを考慮すると、限られた情報の中で、このモデルはうまく機能しているように見えます。
標本平均値だけを完全に取っても差は見られませんが、ここでは異なる結果が見られます。こちらは最終的な適合度ですが、平行には程遠いです。線が交差しているのが分かります。このモデルが将来のパネリストのスコアを本当に予測できるという期待感はあまり湧きませんね。
それから、もう一つの方はさらに苦戦していました。例えば、こちらは7.9と予測していたのに、実際には7という結果でした。2023年に検証テストを行った際に、この点が残念な結果となりました。
このセッションが皆様のお役に立ち、人々の多様性、特に食の嗜好の多様性について深く理解していただけたことを願っています。このセッションをご活用いただき、消費者からより多くの情報を引き出す能力をさらに高めていただければ幸いです。ご清聴ありがとうございました。
