Sinnetic prefference mapping

Plan de entrenamiento a clientes.

reference mapping.P

Gabriel Contreras: [email protected]

Fundamentos metodológicos e interpretativos.

Parte I.

Introducción.

Un Preference mapping es una metodología utilizada en ingeniería de producto para desarrollar o innovar con propuestas en el mercado.

Las dos actividades (optimizar una formula existente o Innovar con una nueva propuesta en el mercado) requiere homologar dos lenguajes: el lenguaje del experto (sobre el cual se basa el ingeniero de alimentos y la estructura de producción de la compañía) y el lenguaje del consumidor (sobre el cual se basa marketing).

¿Qué implica innovar?: Generar un producto nuevo, una experiencia organoléptica diferente dentro del escenario competitivo promedio.

a. Se requiere probar por lo menos 4 productos de la categoría en el mercado y al menos dos productos que no estén en el mercado (propuestas). Habitualmente en la practica se seleccionan productos extranjeros como referentes novedosos.

¿Qué implica Optimizar?: Mejorar un producto existente homologándolo al perfil de los lideres de la categoría sin perder identidad organoléptica, es mejorar desde la línea base.

a. Todos los productos dentro del escenario competitivo, por lo menos 4 se deben estar actualmente expuestos en el mercado y representar el entre el 70% y el 80% de las ventas del segmento de producto evaluado.

Internal Vs External Preference Mapping.

Según el objetivo de negocio se debe escoger la metodología de PM.

1. La optimización debe hacerse solo con productos que se encuentren actualmente en el escenario competitivo. (el escenario competitivo actual pone los márgenes donde se mueve un buen y un mal producto en términos organolépticos). La metodología de PM adecuada en este caso es el INTERNAL PREFERENCE MAPPING y los datos de partida provienen del consumidor.

2. La innovación debe tener en cuenta propuestas extremas en aquellas dimensiones en las que se planea hacer la nueva propuesta. Estos pueden ser prototipos (productos diseñados) o foráneos (productos extranjeros). La metodología de PM adecuada en este caso es el EXTERNAL PREFERENCE MAPPING y los datos de partida provienen del panel sensorial.

Ambas metodologías homologan el lenguaje del consumidor con el lenguaje del panel sensorial para facilitar la labor del ingeniero de producto. Sin embargo, la referencia cambia y dada la naturaleza de los datos, los protocolos de análisis varían en su estructura.

Internal Vs External Preference Mapping.

Datos sensoriales.

PCA

Correlación con consumidor

Present Plot

Datos de consumidor.

PCA en pref map

Correlación con juicio de experto.

Present Plot

Internal Preference mappingExternal Preference mapping

Vector model

PASO 1: Comprensión univariada de la información.

Es importante comprender la distribución y comportamiento de las variables que contemplan el espectro de producto.

El análisis de proporciones y medias por producto es un buen indicador unidimensional del comportamiento comparativo de los productos.

Es necesario tener en cuenta algunas limitaciones:

1. La escala JAR debe estar redactada en términos que mida intensidades sensoriales no preferencias sensoriales. Es decir: “Este producto tiene mas picante que otros productos de la misma categoría” en lugar de “Tiene mas picante del que me gusta”.

2. El análisis unidimensional ofrece una visión miope de la realidad ya que solo evalúa el producto como si este fuese compuesto por el atributo que se esta analizando. La realidad es multidimensional.

3. Para darle sentido a los datos multidimensionales es importante analizar el impacto que cada uno de los atributos tiene sobre el OVERALL LINKING index.

PASO 2: Comprensión y construcción del Overall Linking Index.

1. Es diferente una persona que siempre mantuvo sus respuestas en TTB o JAR (4/5 en escalas hedónicas de 1 a 5 o 3 en escalas JAR de 1 a 5) a una persona que siempre califico el producto con calificaciones fuera de TTB y JAR y estos dos perfiles son diferentes a aquellos perfiles que oscilaron entre TTB y no TTB.

El overall Linking es igual al conjunto de personas que simultáneamente estuvieron el TTB para dos preguntas:

1. Intensión de compra.2. Calificación en términos generales.

Overall Linking sería igual a ( A / A+B+C+D)

Si TTB No TTB

Si TTB A B

No TTB C D

Calificación en términos generales en prueba.

Intensión de compra.

PASO 3: Jerarquización los atributos segun su aporte al Overall Linking index.

Existe una importante diferencia entre jerarquizar y ranquear un conjunto de atributos.

a. El ranqueo implica una organización basada en la proporción de respondentes o intensidad en las medias o promedios.

b. La jerarquización implica tomar una variable de referencia y ver el impacto o aporte de cada una de las variables (en este caso atributos de producto) sobre dicha referencia o goldEstándar.

Para darle sentido a la valoración unidimensional, que se revisó en el punto 1, es importante ver el impacto o aporte de cada atributo sobre el Overall Linking.

Para lograrlo hay que hacer uso de procesos de modelamiento complejo mediante una técnica de la familia AMOS llamada SEM (Structural Equation Modeling).

a. El primer paso es construir un análisis factorial el cual reducirá el numero de atributos de producto en factores que de aquí en adelante serán la referencia para los análisis. Estos factores corresponden a correlaciones fuertes entre los atributos, tan fuertes que dichos atributos en conjunto generan una nueva variable “latente” llamada factor. Atributos como condimento, aliáceo y picante al estar correlacionados entre si, podrían generar un factor al que se podría llamar “condimento”.

b. Tomando como X estas nuevas variables “latentes” o “factores” y como Y el Overall Linkingserá posible entonces jerarquizar los atributos.

PASO 3: Jerarquización los atributos segun su aporte al Overall Linking index.

¿Por qué usar análisis factorial para extraer variables “latentes” y no simplemente usar los atributos directamente contra Overall Linking?

La respuesta tiene dos dimensiones, una metodológica y otra de negocio.

1. A nivel metodológico existe un proceso llamado MULTICOLINEALIDAD en los modelos de regresión. Cuando las X (variables explicativas) en este caso atributos de producto, están correlacionadas entre si, se sobre-estima la contribución de un “factor” dentro del modelo haciéndolo mas impreciso. El análisis factorial reduce este numero de variables (atributos de producto) en factores reduciendo la correlación entre los X eliminando el ruido que genera la multicolinealidad.

2. A nivel de negocio, la correlación entre variables “factor” es importante porque anuncia la dependencia que existen entre las variables. Si por ejemplo existe correlación entre picante, aliáceo y condimento, cualquier cambio entre las variables de este grupo afectará directamente a las demás. Los factores son dimensiones funcionales del producto.

el producto al ser una unidad química depende de la estabilidad y proporción de todos sus ingredientes, una unidad funcional es aquella en donde se encuentran los ingredientes que varían en conjunto, si se decide cambiar el picante, hay que pensar en cambios proporcionales de aliáceo y de condimento de lo contrario la estabilidad de la unidad funcional se verá afectada en términos de preferencia.

Jerarquización de las variables segun su aporte relativo a OL.

Importancia promedio

51%


91%


38%


79%

Este grafico analiza el poder discriminante de los atributos. Es importante saber si el atributo es capaz de discriminar entre una persona que evalúa alto (siempre en TTB), Bajo (siempre fuera del TTB) y oscilante cada uno de los productos evaluados. A mayor poder discriminante del atributo mayor cantidad de rutas

se podrán encontrar con el mismo. Este poder discriminante se reporta en porcentajes.

Análisis unidimensional de atributos.

Análisis de atributos hedónicos en formato full.

1 3 1 3 4 17

13

2

19

1

8

3

36

41

25

37

23

44

28

35

27

46

24

47

29

45

2116

2617

29

1523

Norma Litros G: Manjar Almendras Manjar con almendras de TOP Litros G: Manjar Almendras2 Manjar con almendras de TOP2 Litros G: Manjar Almendras3 Manjar con almendras de TOP4

Excelente

Muy bueno

Bueno

Ni bueno, ni malo

Malo

Muy malo

Pésimo

Norma PRODUCTO A PRODUCTO B PRODUCTO C PRODUCTO D PRODUCTO D PRODUCTO E

Base 75 (A) 75 (B) 75 (C) 75 (D) 75 (E) 75 (F)

Media 5,39 5,95 5.35 6.04 5.43 5.85

TTB → 55 43 (-12) 72 (17) 41 (-14) 76 (21) 44 (-11) 68 (13)

OR contra Overall Linking, 21% 39% 23% 23% 19% 14%

= Norma < Norma > Norma

1

3

2


Independiente del formato de graficación es importante tener tres datos del comportamiento unidimensional de cada atributo (por separado).

1. TTB: esta información resume en proporciones el volumen de personas que expresaron calificaciones hedónicas elevadas. Es importante poder contrastar dicha información contra una norma potencial y detectar la significancia estadística de las diferencias entre el TTB de cada producto y la norma (En el ejemplo ilustrativo aparece en colores).

2. Comportamiento promedio del atributo. El promedio ponderado permite analizar comparativamente el atributo entre cada uno de los participantes del escenario de análisis. Las diferencias en los promedios permite detectar la tendencia central. Cuando hay mas de dos productos en análisis las diferencias en los promedios se detecta con una prueba denominada Kruskal Wallis y sus respectivas pruebas de comparaciones múltiples. La media debe interpretarse en función de la proporción de personas en TTB. Puede haber una media elevada pero con una proporción baja de personas en TTB por lo que la interpretación debe ser cautelosa porque es una media sesgada.

3. OR contra Overall Linking: El grafico de jerarquización analiza el comportamiento de la categoría. El OR desglosa el comportamiento de la categoría producto por producto para analizar cual de ellos apalanca el comportamiento de la categoría y en que medida. El OR o Odds Ratio es una medida de importancia extraída de una regresión logística y permite calcular la probabilidad que un atributo al estar el TTB incremente las puntuaciones del OL. Los datos se transforman a probabilidades para analizar los resultados en términos relativos.


Una forma útil de revisar univariadamente la información, consiste en graficar los TTB y los TBB calculando la tasa TTB / TBB para observar cuantas personas fuera del TTB hay por cada persona en TTB.

A

BC

D E

F G H

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Apariencia de frescura TB

A B C D E F G H

P1 P2 P3 P4 P5 P6 P7 P8

1,95 2,78 2,15 1,86 3,00 4,38 6,65 4,32

TTB/BBTTTBBBT

Analisis Factorial previo a la regresión de jerarquización.

Como se explico anteriormente el AF permite detectar unidades funcionales de producto de cara al CONSUMIDOR. Reduce la cantidad de variables a un conjunto mas pequeño de variables que no se correlacionan entre si. A este nuevo conjunto de variables se le denominan factores y se tratan como variables latentes, es decir, como variables que no fueron medidas directamente en la muestra pero se crean a partir de la correlación entre variables.

VarianzaExplicada:

26%

VarianzaExplicada:

40%

VarianzaExplicadaModelo

66%

FACTORAsociación

Del atributo Al factor

Porción de laRealidad

Explicada porEl factor

Porción de la realidadExplicada por el

Modelo completo

Superficie de la mortadela ,835

Olor de la mortadela ,810

Tamaño de la mortadela ,795

Grosor de la mortadela ,763

Color de la mortadela ,759

Facilidad al morder y masticar de la mortadela ,790

Sabor residual ,776

Cauchosidad de la mortadela ,769

Nivel de sal de la mortadela ,763

Nivel de Condimentos de la mortadela ,758

Sabor càrnico de la mortadela ,753

Jugosidad de la mortadela ,750

Sabor picante de la mortadela ,733

Nivel de Grasa de la mortadela ,707

Factor apariencia.

Factor experiencia de sabor


VarianzaExplicada:

26%

VarianzaExplicada:

40%


66%

FACTORAsociación





Modelo completo







Sabor residual ,776








Factor apariencia.


En este ejemplo, emergen dos factores. El primero de ellos esta agrupando 9 variables medidas directamente.

Estas 9 variables en conjunto generan una dimensión funcional de producto.

Se entiende por dimensión funcional a aquel conjunto de atributos de producto en donde, la percepción por parte del consumidor de uno de ellos, afecta linealmente la percepción de los demás.

Por ejemplo cuando el consumidor percibe alto hedónicamente (alto nivel de agrado) el atributo facilidad para morder y masticar, tiende a percibir alto sabor residual, cauchosidad, nivel de sal etc.

Cuando percibe alto el sabor del picante, percibe alto también el nivel de grasa de la mortadela pero no la jugosidad.

El grafico esta organizado de forma tal que el atributo que esta por debajo se ve afectado por el que prosigue pero no por el precedente.

El investigador es autónomo de nombrar este conjunto de atributos según ciertos criterios. Habitualmente se nombra según los dos o tres atributos con mayores puntuaciones factoriales (expresadas al lado del a tributo)


VarianzaExplicada:

26%

VarianzaExplicada:

40%


66%

FACTORAsociación





Modelo completo







Sabor residual ,776








Factor apariencia.


Un modelo factorial es un modelo de reducción de dimensiones, como tal implica que:

1. Se parte de una realidad de ilimitadas e incontables dimensiones, es decir, una realidad compleja.

2. Se reduce esa realidad compleja a un numero contable y manejable de dimensiones.

Este proceso de reducción no se logra siempre hacer de forma precisa, es decir, no siempre se logra reducir el 100% de la realidad de un producto a la cual llamaremos variabilidad. Por ello, cada uno de los factores logra explicar una proporción de la varianza y la suma de la varianza explicada por cada uno de los factores constituye la varianza explicada del modelo.

Es deseable que un modelo logre un nivel de explicación de varianza superior al 65%.

Una alta explicación de la varianza indica que el modelo de reducción fue capaz de capturar las diferentes matices del producto a nivel organoléptico desde la perspectiva del consumidor.

Bajas puntuaciones en varianza explicada indica que el producto no cuenta con unidades funcionales claras, es decir, que cada atributo organoléptico es independiente y único (cambios en ese atributo no afectará a otros atributos) y por lo tanto no es posible reducir la realidad a un conjunto de factores y aun los factores encontrados son insuficientes.

Regresión contra OL via AMOS.

Apariencia

Sabor

PREFERENCIA

,15

,31

,44*Sabor cárnico de la mortadela

Sabor picante de la mortadela

Nivel de sal de la mortadela

Nivel de Condimentos de la mortadela

Nivel de Grasa de la mortadela

Facilidad al morder y masticar de la mortadela

Cauchosidad de la mortadela

Jugosidad de la mortadela

Sabor residual

,29*

,19*

,21*

,08

,29*

,22*

,21*

,52*

Color de la mortadela

Olor de la mortadela

Superficie de la mortadela

Tamaño de la mortadela

Grosor de la mortadela

,05

,08

,10*

,15*

,18*

Los valores en los cuadros representan el aporte porcentual de cada atributo a la construcción del OL.

No suma 100 porque entre si los productos se co ayudan o coinhiben para la construcción del OL.

Los atributos en verde, logran hacer un aporte significativo a la unidad funcional de producto, en amarillo se encuentran ciertos atributos que no logran hacer un aporte relevante.

PASO 4: Funciones de optimización.

Entendiendo que es lo importante para el consumidor y comprendiendo el comportamiento de estas variables a nivel unidimensional, es ahora importante iniciar a unificar criterios en otras palabras, homologar el lenguaje de experto al lenguaje de consumidor.

Para lograrlo, es importante generar unas funciones de optimización en donde el objetivo es maximizar la preferencia del consumidor a partir de una combinación entre atributos de experto y de consumidor.

Varias cosas son vitales:

1. Se deben estandarizar las puntuaciones que el consumidor le da a los atributos y las intensidades valoradas por el panel sensorial ya que se encuentran en unidades diferentes.

2. Se toma como X la respuesta del consumidor y como Y la intensidad valorada por el experto.

3. Se genera una función (ecuación) que describa la relación entre experto y consumidor por cada atributo de producto.

4. Se Observa que producto dentro del escenario competitivo es aquel que optimiza la función (Maximiza la preferencia) Este producto tiene dos condiciones: 1. esta en el cuadrante I o II y simultáneamente se encuentra muy cercano a la línea que describe la relación Experto/Consumidor o valor esperado.


R² = 0.9906

-2.00

-1.50

-1.00

-0.50

0.00

0.50

1.00

1.50

2.00

2.50

-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 2.00

Do

rad

o (

Pan

el)

Apariencia general (Consumidor)

Apariencia general Vs Dorado

R² = 0.6893

-2.00

-1.50

-1.00

-0.50

0.00

0.50

1.00

1.50

2.00

-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 2.00

Co

lor

de

la m

iga

(Pan

el)

Apariencia general (Consumidor)

Apariencia general Vs Color miga

Dado el proceso de estandarización que se describió en el slide anterior, las líneas verticales son los promedios de preferencia de consumidor para el atributo mientras que la líneas horizontales en el plano cartesiano corresponden a los promedios de intensidad detectados por el panel de expertos.

La línea curva es la que describe la relación experto consumidor con un determinado R cuadrado (el cual debe estar por encima de 0.60 para poder pensar que la relación descrita es valida)

Las estrellas revelan el producto que logro maximizar la función. Este producto debe estar de lado derecho de la vertical (por encima del promedio en preferencia) y simultáneamente estar cerca a la línea que describe la relación experto consumidor.

Los productos que maximizan serán aquellos que se utilicen como plantilla para diseñar el optimo según sus proporciones de preferencia.

A B C D E F G H

P1 P2 P3 P4 P5 P6 P7 P8


R2:0.99Apariencia y frescura

Frutas y pasas

Suavidad y sensación

0.70*

0.036

-0.21

Combinación 0.89

Cantidad de frutasCantidad de pasasSabor a frutas

0.88

0.88*

0.84

Sabor a pasas 0.78

SuavidadSensación esponjoso

0.87

0.86

FrescuraApariencia frescaApariencia generalColor de la miga

Color de la corteza

0.87

0.860.82*

0.80

0.074

Aroma 0.75*

Términos generalesSabor generalSabor residualFrescura de la miga

Tamaño de la fibra

0.45

0.47

0.46*0.46

0.59Sensación al paladar 0.66*

0.79

Color de la corteza

Apariencia de la tajada

0.77

0.42*

Color de la miga

Aroma general

Nivel de dulce0.84

0.59

Características generales

Color y apariencia

Aroma y dulce

0.45*

0.09

0.14

R2:0.88R2:0.67

R2:0.71R2:0.98R2:0.96

R2:0.79R2:0.75R2:0.79

R2:0.97R2:0.84

R2:0.82R2:0.79

FR2:0.85R2:0.99R2:0.72

R2:0.62R2:0.99R2:0.80

R2:0.24R2:0.96R2:0.70

R2:0.80R2:0.95

F

E H

A

A

B D

B D

F

D H

B D

A B C D E

B C

F G

E F G

F

F

F G HG H

G HDC F G

A B

F

B C F G H

A E F

E FB

A E F

F

A E F

B D H

G HED

F GG HED

G HED FD HB D E G H

A B

F

C E HF

E G HB

D E HF

D GF H

Es común encontrar este cuadro de resumen que se detalla en el siguiente slide. Este cuadro resume el AMOS y las funciones de optimización para tener una sola visualización del proceso.



Frutas y pasas


0.70*

0.036

-0.21

Combinación 0.89


0.88

0.88*

0.84

Sabor a pasas 0.78


0.87

0.86


Color de la corteza

0.87

0.860.82*

0.80

0.074

Aroma 0.75*


Tamaño de la fibra

0.45

0.47

0.46*0.46


0.79

Color de la corteza


0.77

0.42*

Color de la miga

Aroma general

Nivel de dulce0.84

0.59


Color y apariencia

Aroma y dulce

0.45*

0.09

0.14

R2:0.88R2:0.67

R2:0.71R2:0.98R2:0.96

R2:0.79R2:0.75R2:0.79

R2:0.97R2:0.84

R2:0.82R2:0.79

FR2:0.85R2:0.99R2:0.72

R2:0.62R2:0.99R2:0.80

R2:0.24R2:0.96R2:0.70

R2:0.80R2:0.95

F

E H

A

A

B D

B D

F

D H

B D

A B C D E

B C

F G

E F G

F

F

F G HG H

G HDC F G

A B

F

B C F G H

A E F

E FB

A E F

F

A E F

B D H

G HED

F GG HED

G HED FD HB D E G H

A B

F

C E HF

E G HB

D E HF

D GF H

Frescura es un atributo que aporta el 87% a la construcción de la dimensión funcional de producto llamada “apariencia y frescura”. Esta dimensión genera un aporte significativo del 70% a la construcción del overall linkin.

Cuando el consumidor incrementa su calificación de frescura hacia un producto, también incrementa su calificación hacia apariencia fresca, apariencia general, color de la miga, aroma y color de la corteza.

Un cambio en apariencia fresca, apariencia general, color de la miga, aroma y color de la corteza, no repercute en cambios de sobre la valoración de la variable frescura.

Hasta este momento, esta porción de la visualización solo permite ver los resultados del AMOS.



Frutas y pasas


0.70*

0.036

-0.21

Combinación 0.89


0.88

0.88*

0.84

Sabor a pasas 0.78


0.87

0.86


Color de la corteza

0.87

0.860.82*

0.80

0.074

Aroma 0.75*


Tamaño de la fibra

0.45

0.47

0.46*0.46


0.79

Color de la corteza


0.77

0.42*

Color de la miga

Aroma general

Nivel de dulce0.84

0.59


Color y apariencia

Aroma y dulce

0.45*

0.09

0.14

R2:0.88R2:0.67

R2:0.71R2:0.98R2:0.96

R2:0.79R2:0.75R2:0.79

R2:0.97R2:0.84

R2:0.82R2:0.79

FR2:0.85R2:0.99R2:0.72

R2:0.62R2:0.99R2:0.80

R2:0.24R2:0.96R2:0.70

R2:0.80R2:0.95

F

E H

A

A

B D

B D

F

D H

B D

A B C D E

B C

F G

E F G

F

F

F G HG H

G HDC F G

A B

F

B C F G H

A E F

E FB

A E F

F

A E F

B D H

G HED

F GG HED

G HED FD HB D E G H

A B

F

C E HF

E G HB

D E HF

D GF H

Habitualmente los círculos al lado de los atributo son ubicados indistintamente como aquellos fácilmente predecibles desde el panel, sin embargo pueden ubicarse jerárquicamente según su distancia a la curva de optimización.

Es decir, son los atributos sobre los cuales se puede trabajar a nivel organoléptico.

El R cuadrado, indica que la relación consumidor experto es elevada lo que se indica que ese atributo se podrá traducir a lenguaje de experto de una forma razonable y precisa.

Para el atributo frescura, los productos que pueden utilizarse como plantilla son el F, el G y el H garantizando que la traducción a lenguaje de experto o panel sensorial tendrá una precisión del 67% (si se basa en las puntuaciones de frescura obtenidas por estos tres productos)

Los cambios en frescura repercutirán sobre apariencia de frescura, atributo que puede traducirse confiablemente a lenguaje de experto con una precisión del 88% si se usa como plantilla los productos F, G y H.

PASO 5: Análisis de componentes principales.

El análisis de componentes principales o PCA es una forma de resumir información proveniente del PANEL SENSORIAL con el objetivo de obtener un mapa que posicione comparativamente los productos medidos según sus características sensoriales.

Dureza

Dulce

Crocante

Product C

Product D

Product B

Product A

Acidez

Product E

Si dos o mas productos están cerca en el mapa, quiere decir que comparten ciertas características sensoriales.

Si un atributo esta cercano a algún producto, quiere decir que este atributo es mas intenso para este producto que para los productos que están ubicados del lado opuesto del mapa.

Para un atributo determinado, la proyección ortogonal de productos en la líneas de dicho atributo es equivalente al Rankin de productos para ese atributo.

Evaluando el atributo Dulce se

puede decir que el producto D es

mas dulce que el E, el A y el C

en este orden.

A y E están cerca al atributo “Dureza” por lo que lo contienen

mientras que C esta en el lado opuesto por lo que puede

considerarse SUAVE.


Dorado

Color Miga

Cav. Interna

Dist. de pasas

Dist. de frutas

T. de fibra

Cons. Miga-tacto

Cons.miga-paladar

Frescura Miga

Alcohol

Vainilla

Mantequilla

Olor Cítrico: naranja

Olor Cítrico: limón

Olor Cítrico: bergamota

Olor Frutal: chirimoya

Caramélico

Quemado

Cartón

RancioÁcido

Olor Total

Sabor Alcohol

Sabor VainillaSabor MantequillaSabor Citrico: Naranja

Sabor Citrico: Limon

Sabor Cítrico: bergamota.

Sabor Frutal: chirimoya.

Sabor Caramélico

Sabor Quemado

Sabor Rancio

Sabor Cartón

Sabor: Dulzor

Sabor: Acidez

Sabor Total

-1

-0.75

-0.5

-0.25

0

0.25

0.5

0.75

1

-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1

F2 (

24

,75

%)

F1 (33,78 %)

Esta primera visualización permite ver la distribución de los atributos (únicamente) teniendo en cuenta las intensidades censadas por el panel sensorial. Las agrupaciones de cada atributos son unidades funcionales a nivel de intensidad (a diferencia de las unidades funcionales encontradas en el FA que son unidades de preferencia). En este caso acidez y rancio son dos elementos altamente correlacionados un cambio en uno genera cambios directos sobre el otro. Cambios en sabor acido o rancio no implica cambios sobre olor cítrico ni sabor dulce.


Para leer adecuadamente este cuadro, es importante tener en mente los resultados del slide anterior.

El producto A esta altamente asociado a atributos como sabor quemado, sabor dorado, consistencia de la miga en el paladar etc.

La línea violeta representa la línea ortogonal del atributo sabor caramelico en donde el ranking es P6, P1, P3, P5, P4, P2. estos datos cobran relevancia cuando se observa que sabor caramelico esta asociado a sabor dulce el cual representa el 59% de la unidad de producto “ Aroma y Dulce” y la cual aporta un 14% a la construcción del Overall Linking. ¿Qué posiciòn en el ranking obtienen nuestros productos?

-6

-4

-2

0

2

4

6

-8 -6 -4 -2 0 2 4 6 8 10

F2 (

24

,75

%)

F1 (33,78 %)

Observaciones (ejes F1 y F2: 58,54 %)

A B C D E F G H

P1 P2 P3 P4 P5 P6 P7 P8

PASO 6: Escalamiento multidimensional.

Conservando la posición que el panel sensorial le dio a todos y cada uno de los productos en el PCA según la intensidad de los atributos percibida, se SOBRE PONEN las puntuaciones de preferencia que el consumidor le otorga a cada producto.

Se observa que la mayoría de atributos se agrupan en preferencia hacia los productos F, E y A. es decir, los consumidores prefieren mas las notas organolépticas de estos productos.

Cada producto tiene un peso diferente en la preferencia y cada producto captura o se apropia de forma diferente de cada atributo, teniendo en cuenta esto se configura un mapa de calor que resume toda esta información.

A B C D E F G H

P1 P2 P3 P4 P5 P6 P7 P8

Apariencia general

Color miga

Color de la corteza

Apariencia de la frescura

FrescuraAroma Terminos generales

Sabor general Sabor residual

Frescura de la miga

Color de la miga

Color de la corteza Apariencia general

Cantidad de frutasCantidad de pasas

CombinaciónAroma general

Sabor a pasasSabor a frutas

Nivel de dulce

Tamaño de la fibraSuavidad

Sensación al paladarSensación esponjosa

-2

-1.5

-1

-0.5

0

0.5

1

1.5

2

2.5

-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3

F2

F1

Mapa de las preferencias

E

C

BD A

F

PASO 7: Mapa de calor.

C

D

B

A

F

E

El mapa de calor representa zonas en las cuales están concentradas aquellas características o atributos con mayor nivel de preferencia otorgada por el consumidor.

Estas zonas se determinan respetando las posiciones que el panel sensorial le da a cada uno de los productos en el PCA.

La preferencia se relativiza de 0% a 100% y cada zona esta representando un porcentaje de preferencia determinado.

PASO 8: Perfil optimo.

La posición de cada producto en el mapa de calor, le otorga una puntuación determinada de preferencia a cada uno. Esto en unión a la importancia de cada atributo y teniendo en cuenta las plantillas determinadas para maximizar la relación experto/ consumidor, se genera un perfil optimo que se grafica de forma sobresaliente entre los demás perfiles sensoriales diseñados.

2.389 2.4022.240

0.127

4.047

0.482

2.3942.063

2.744

-1.00

0.00

1.00

2.00

3.00

4.00

5.00

6.00

7.00

Frescura Combinación Suavidad Sensación alpaladar

Color miga &(Color a la

miga)

Aroma general& (Aroma frutal

chirimoya)

Cantidad depasas &

(Distribución defrutas)

Sabor a pasas &(Sabor Acido)

Sabor a frutas& (Saborcitrico denaranja)

A B C D E F G H

P1 P2 P3 P4 P5 P6 P7 P8

Sinnetic prefference mapping

Documents

Transcript of Sinnetic prefference mapping