Récemment, mon collègue Ryan Lekivetz a écrit à propos de notre voyage au Discovery Summit Europe à Bruxelles et de notre plan visant à vérifier si le chocolat belge était vraiment meilleur au goût que le chocolat américain. Ryan a blogué en détail sur les contraintes de conception de l'étude, ainsi que les facteurs impliqués. Dans cette entrée de blog, je vais décrire comment nous avons collecté les données et analysé les résultats.
Analyse sensorielle est un grand sujet avec une littérature bien développée (MacFie & Thomson 1994 et Næs T, PB Brockhoff, Tomic O. (2010) sont de bonnes références pour en apprendre davantage sur le sujet). Nous voulions simplement répondre à une question: lors d’un test de goût à l’aveugle, les gens préféreraient-ils le chocolat belge que nous avions emporté de l’océan Atlantique - ou le chocolat américain que nous pourrions acheter au supermarché du coin? Compte tenu du taux de change dollar / euro et de la place limitée dans ma valise, il était important de répondre à cette question avant le Discovery Summit Europe 2016!
L’expérience de Ryan a non seulement mis en balance nos deux effets supposés (origine et teneur en cacao), mais elle a également randomisé l’ordre des questions. Les participants à l'étude étant fatigués, en particulier lors des tests de goût, nous devions nous assurer que les gens voyaient leurs chocolats dans les ordres aléatoires attribués sans donner les chocolats qu'ils goûtaient. J'ai également été chargé de trouver un chocolat américain de qualité comparable à notre chocolat belge. Plus sur cela plus tard.
Une collecte de données propre nécessite une préparation.
J'ai donc passé une soirée à la table de la cuisine à marquer des assiettes en papier avec des numéros de jeu, des ID d’enquête et une flèche «Commencer ici» (voir ci-dessus). Chaque enquêté recevrait une assiette avec cinq paires de chocolats côte à côte. Il y a 10 morceaux de chocolat sur chaque assiette et 25 assiettes au total (250 pièces au total).
Sheila Loring, triant avec soin les chocolats.
Chaque paire côte à côte représente un ensemble de choix dans l'expérience et chaque sujet devait choisir le chocolat de chaque paire (ensemble de choix) qu'il préférait.
La mise en place de ces 25 morceaux de chocolat n'a pas été une tâche facile. Un grand merci à notre spécialiste en documentation Sheila Loring et à Bryan Shepherd, testeur JMP, pour leur aide. (Étrangement, ils n'accepteraient pas de chocolat supplémentaire en guise de remerciement.)
Une fois que nous avons chargé les assiettes en papier, il était temps de mener les enquêtes. Nous avons effectué nos sondages en deux groupes afin de ne pas avoir à affronter 25 participants à la fois. au début de chaque session, nous nous sommes assurés que les participants sachent goûter leur chocolat et marquer leurs assiettes.
Si vous essayez cela à la maison, je vous recommande fortement de lancer les enquêtes juste après le déjeuner. Il est difficile de faire en sorte que vos sujets de test écoutent l'orientation quand il y a un délicieux chocolat assis devant eux.
Deux de nos sujets de test, réfléchissant aux mystères du chocolat.
Une fois les données collectées, je les ai entrées JMP . Mon premier travail consistait à m'assurer que nous avions correctement collecté les données. Pour ce faire, j'ai utilisé la plate-forme Categorical. La conception de Ryan était équilibrée, mais nous avions également recueilli des informations sur les répondants (préférences en matière de chocolat et division JMP) dans le cadre de notre enquête. Je voulais aussi m'assurer que ma saisie de données était correcte.
Remarque: Cela a été exécuté sur les données de réponse de mon choix, qui ont 10 lignes par participant. Il y a donc cinq personnes qui ne préfèrent pas le chocolat noir, pas 50.
Figure 1
J'ai trouvé des erreurs de saisie de données en utilisant Categorical. Pendant le processus de saisie de données, j'en ai eu assez de taper «Développement» maintes et maintes fois et j'ai commencé à taper «Dev» à la place. J'ai également dû changer ma façon de mesurer les préférences en matière de chocolat car, au lieu de cocher «Lait» ou «Sombre», deux de mes répondants à l'enquête ont travaillé avec acharnement et écrit dans «Ni l'un ni l'autre». La figure 1 montre les données après l'utilisation de Cols-> Utilitaires-> Recode pour le nettoyer.
Une fois que mes données étaient propres, il était temps d'utiliser la plateforme Choice. Analyse-> Etudes de consommateurs-> Choice m'a conduit à la boîte de dialogue, où j'ai pu spécifier comment les données étaient collectées et entrer les effets.
Figure 2
La figure 2 montre que les colonnes de regroupement sont les suivantes: ID du participant, ID de l'enquête et ID de l'ensemble de choix. Cela indique à JMP quels ID de colonne identifient de manière unique un ensemble de choix unique pour un participant donné. Consultez la documentation de Choice pour plus d'informations sur la manière de spécifier des colonnes de regroupement pour une enquête à une seule table.
figure 3
Une fois mes colonnes de regroupement identifiées, il était temps de spécifier les effets. La figure 3 montre les effets que j'ai entrés pour la première fois dans le modèle. Notez que Chocolate Preference et JMP Division apparaissent uniquement en tant qu’effets d’interaction. Les modèles de choix comparent toujours le choix d’un sujet à l’ensemble des choix qui lui ont été présentés dans un ensemble de choix donné, ce qui signifie que vous ne pouvez pas estimer l’effet principal (fixé) de quelque chose qui est spécifique à la préfère le chocolat noir). Vous pouvez uniquement évaluer l'impact sur les préférences des sujets pour les facteurs liés au produit (comme le pourcentage de cacao dans un morceau de chocolat noir).
Figure 4
Pour cette analyse, j'étais vraiment heureux que la boîte de dialogue Choix du modèle reste ouverte même après que vous ayez cliqué sur le bouton «Exécuter». En utilisant les tests AIC (plus bas, mieux) et le rapport de vraisemblance, j'ai pu atténuer assez rapidement les effets de mon modèle. La figure 4 montre mon modèle final. Vous pouvez voir que l'origine n'est pas statistiquement significative au niveau de 95%. Je l'ai laissée car il s'agissait de notre variable d'intérêt et je voulais en parler dans le contexte des autres effets, mais je suis à peu près sûr que ma réponse était illustrée à la figure 4.
La figure 5 illustre les résultats à l'aide de Probability Profiler:
Figure 5
Dans ce cas, mon groupe de comparaison est le chocolat belge avec 41% de cacao et je m'assure que les effets de sujet sont cohérents (les amateurs de chocolat noir sont donc comparés à ceux d'autres amateurs de chocolat noir).
Comme vous l'avez peut-être deviné, les amateurs de chocolat noir préfèrent le chocolat noir (comme vous pouvez le constater par le fait que la ligne monte, puis remonte à mesure que la teneur en cacao augmente). Ils semblent également avoir une légère préférence pour les chocolats belges par rapport aux chocolats américains. Lorsque je déplace la bascule des préférences pour les produits de base et les produits de comparaison sur «Non foncé», la préférence pour le chocolat belge persiste, mais vous pouvez voir une nette diminution de la «probabilité d'achat» entre 41% et 60% de cacao. (Figure 6).
Figure 6
En fait, Probability Profiler montre que si vous présentiez nos cinq sujets de test qui n’avaient pas exprimé de préférence pour le chocolat noir avec deux morceaux de chocolat ne différant que par le cacao (l’un à 41% de cacao et l’autre à 60% de cacao), prédit seulement une chance sur 1 qu'ils choisiraient le chocolat noir. Le pourcentage de cacao est le facteur le plus important pour prédire lequel des gens préférera.
Donc le gagnant est ...
Si on compare US vs En Belgique, en maintenant la teneur en cacao et les préférences en matière de chocolat constantes, nous constatons une différence beaucoup moins grande dans les probabilités prédites. Si nous avons deux morceaux de chocolat avec la même teneur en cacao, l'un des États-Unis et l'autre de Belgique, et que nous demandons à quelqu'un de choisir entre eux, le modèle prédit une probabilité de 39% qu'ils choisiraient le chocolat américain et une probabilité de 61%. qu'ils choisiraient le chocolat belge. On pourrait dire qu'il y a une légère préférence pour le chocolat belge.
J'ai essayé d'autres variantes, y compris une analyse sans les cinq amoureux du chocolat au lait. L’origine était statistiquement significative dans certains des modèles concurrents, mais l’effet est resté le même: probabilité de 39% aux États-Unis contre 61% en Belgique. le les données sont disponibles sur la communauté d'utilisateurs JMP si vous voulez essayer vos propres analyses.
Maintenant, une étude de seulement 25 participants est assez petite, et si je travaillais avec un client, je vous déconseillerais de prendre une décision énorme basée sur mon analyse. Cependant, quand vient le temps de décider si je vais bourrer ma valise de chocolat épais, fondant et gourmand en chocolat lors de mon prochain voyage en Europe, je pense avoir ma réponse.
- Le plus important est de veiller à apporter du chocolat au lait à mes amis qui aiment le chocolat au lait et du chocolat noir à mes amis qui aiment le chocolat noir.
- En tenant compte de cela, le chocolat belge pourrait être légèrement meilleur (bien que je ne puisse pas prouver significativement mieux), mais l’effet est faible.
Références
- MacFie, H. & Thomson, D. (éd.) (1994) Mesure des préférences alimentaires . Londres: Blackie.
- Næs T, PB Brockhoff, Tomic O. (2010) Statistiques pour la science sensorielle et de consommation . Londres: John Wiley & Sons.
