试想一下，现某食品公司生产了一款麻辣牛肉，新产品的口味是否获得大众欢迎，若是消费者不喜欢该口味，该麻辣牛肉岂不是无人问津？

为了让消费者获得更好的感受以及提高产品的购买力，能够提前预知消费者对产品的期望是很重要的，感官测试需要消费者对产品的感官属性进行评价, 而人类通常对感官属性有一个最佳的适应点。例如：某公司生产一款香水，香味的浓淡程度，有些人喜欢香一点，有些人希望淡淡香； 又或者某酒厂生产某类酒，有人喜欢酒劲更大点，有人喜欢酒劲更小点。感官测试研究通过获得消费者对产品的喜好度和消费者对产品的强度评价，提前预知消费者的期望从而对产品做出合理的调整， 甚至可以预测产品在市场上是否会获得成功。

那么了解消费者的不同口味喜好后，如何最首先需要对哪个感官属性进行调整？

本文就从产品感官评价角度解析——产品如何确定最符合大众口的口味呢。

案例背景

某食品公司要出一款麻辣牛肉，首先是提前基于用户对该产品关于麻味、辣味、香味、甜味、咸味的打分，基于惩罚分析来各感官属性的改进优先度和改进方向。

问卷设计

感官测试是基于消费者对产品感官的回答来得到感官的量化数据，主要包括最适度标度（JAR标度）和喜好度标度：

1、 JAR 标度测定了特殊品质的愿望，即让消费者指出其品尝的样品特定属性强度是否过强、过弱或正好（问卷第2-6题），JAR 标度也分为 3 点标度、5 点标度、7 点标度、9 点标度等，不同的标度类型的使用对实验结果准确度的影响也不同，比较常用的是5点标度。

2、 喜好度标度测定了消费者对产品整体的喜爱程度（问卷第1题），最常见的喜好度标度是 5 点、7 点、9 点标度法；

JAR 问题数据只能给出喜好度或 最适度之间的显著差异程度或偏离“最适度”的程度，并不能确切地得到样品改进的方法，也不能够给出调整的强度的大小及调整指标的优先顺序，因此，研究者们有必要将 JAR 问题数据与消费者的喜好度联系起来，从而得到对整体喜好度影响较大的样品缺陷指标，对其进行优先调整。

为了达到分析良好的分析效果，收集的有效问卷不宜过少，至少收集200份以上的问卷结果。下面是问卷示例：

求解步骤

惩罚分析（Penalty 分析）是 JAR 问题分析中最常用方法, 它可以在多个属性中, 找出每个属性的相对重要程度, 并确定产 品改进的优先次序。Penalty 分析的基本思想是: 通过分析具体属性和对产品总评价之间的关联, 确定每个具体属性对总体属性的影响程度, 从而达到确定具体数据重要性的目的。以下是惩罚分析的计算步骤，以感官特征为5点标度为例。

步骤1：计算三类人群占比

于是根据每个属性, 我们可以将消费者分为 3 类:

● 第一类( 打 1~2 分者) : 认为产品在属性上偏少的人，记为 TL；

● 第二类( 打 3 分者) : 认为属性表现为正好的人，记为 JA；

● 第三类 ( 打 4~5 分者) : 认为属性表现为偏多的 人，记为 TM。

步骤2：计算惩罚系数（Penalty 指数）

对于总体评价指标( 总体喜欢程度) , 记消费者对该 产品的总体喜欢程度为 L。针对每个属性的三类人群, 记 每类人群对产品的总体喜欢程度( 平均值) 为:

● L(TL): 表示 TL 人群对产品的总体喜欢程度 ；

● L(TM): 表示 TM 人群对产品的总体喜欢程度 ；

● L(JA): 表示 JA 人群对产品的总体喜欢程度 于是我们可以计算每个特征属性( 比如说甜度) 的 Penalty指数；

惩罚指数的计算公式：

● P(TL)=L(TL)- L(JA), TL 人群的 Penalty 指数

● P(TM)=L(TM)- L(JA), TM 人群的 Penalty 指数

步骤3：计算总平均偏差（Total mean drops）

Penalty 的大小反应了某个属性的偏向对总体指标的 影响力度, 通常称为 Mean drops。如果将 Penalty 指数乘以 该偏向的人群比例, 则可以计算出由于这个属性偏向某 个方向, 而导致消费者总体评价下降的总分数, 常称为总平均偏差Total mean drops。

步骤4：利用Penalty 指数或Total mean drops来分析感官属性的重要性

利用Penalty 指数和Total mean drops可以反映了属性对总体评价的影响程度，它可以用来对感官属性的重要程度进行评价。

求解方法

现SPSSPRO支持感官属性为5点标度的惩罚分析（必须满足了这个条件才能在SPSSPRO使用该算法），在算法列表中的问卷分析栏目中选择惩罚分析，上传数据后按要求一键拖入，点击开始分析后即可得到分析报告。

输出结果

Penalty系数代表了某类偏向的消费者群体对该产品整体喜好度与没有偏向（认为刚好）人群的偏离程度，绝对值越大，代表该属性对产品的整体喜好影响越大。

除了Penalty系数，也可以通过Total mean drops来对感官属性重要性进行评价。因为存在一种情况是（某感官属性）Total mean drops小而Penalty系数大，也就是即使要求调整该属性强度的消费者不多，但这些消费者却不太喜欢该产品，这说明这些消费者不是该产品的目标群体。从这个角度来看，可以用Total mean drops值来作为主要的评价标准。

上图展示了惩罚分析图，可以直观的看出需要优先改进的感官属性及其改进方向。图中的“-”代表属性强度表现“偏弱”，“+”代表属性强度表现“偏强”。 图中作出|Total mean drops|=0.5的曲线（也就是总平均偏差=0.5的辅助线），属性越靠近图的右上角，越偏离辅助线，改进的优先级就越高。其中辣味+是在辅助线的右上方，并且比较靠近图的右上角，偏离原点的位置，这说明它具有最高的优先改进性。

上图是根据总平均偏差（纵坐标）进行降序排列，更为直观展示了各个感官属性的改进优先级。那么我们可以得到结论，最需要改进的“辣味+”，也就是太辣了，为了符合大众口味，应将辣味降低。此处也是按照总平均偏差≥ 0.5将该感官特征分为“优先调整”（蓝色柱状图），0.5 >总平均偏差≥ 0.25为次要调整（绿色柱状图），∣Total mean drops∣< 0.25为无需调整（黄色柱状图）。

作者：SPSSPRO

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-502192-1.html

试想一下，现某食品公司生产了一款麻辣牛肉，新产品的口味是否获得大众欢迎，若是消费者不喜欢该口味，该麻辣牛肉岂不是无人问津？

为了让消费者获得更好的感受以及提高产品的购买力，能够提前预知消费者对产品的期望是很重要的，感官测试需要消费者对产品的感官属性进行评价, 而人类通常对感官属性有一个最佳的适应点。例如：某公司生产一款香水，香味的浓淡程度，有些人喜欢香一点，有些人希望淡淡香； 又或者某酒厂生产某类酒，有人喜欢酒劲更大点，有人喜欢酒劲更小点。感官测试研究通过获得消费者对产品的喜好度和消费者对产品的强度评价，提前预知消费者的期望从而对产品做出合理的调整， 甚至可以预测产品在市场上是否会获得成功。

那么了解消费者的不同口味喜好后，如何最首先需要对哪个感官属性进行调整？

本文就从产品感官评价角度解析——产品如何确定最符合大众口的口味呢。

案例背景

某食品公司要出一款麻辣牛肉，首先是提前基于用户对该产品关于麻味、辣味、香味、甜味、咸味的打分，基于惩罚分析来各感官属性的改进优先度和改进方向。

问卷设计

感官测试是基于消费者对产品感官的回答来得到感官的量化数据，主要包括最适度标度（JAR标度）和喜好度标度：

1、 JAR 标度测定了特殊品质的愿望，即让消费者指出其品尝的样品特定属性强度是否过强、过弱或正好（问卷第2-6题），JAR 标度也分为 3 点标度、5 点标度、7 点标度、9 点标度等，不同的标度类型的使用对实验结果准确度的影响也不同，比较常用的是5点标度。

2、 喜好度标度测定了消费者对产品整体的喜爱程度（问卷第1题），最常见的喜好度标度是 5 点、7 点、9 点标度法；

JAR 问题数据只能给出喜好度或 最适度之间的显著差异程度或偏离“最适度”的程度，并不能确切地得到样品改进的方法，也不能够给出调整的强度的大小及调整指标的优先顺序，因此，研究者们有必要将 JAR 问题数据与消费者的喜好度联系起来，从而得到对整体喜好度影响较大的样品缺陷指标，对其进行优先调整。

为了达到分析良好的分析效果，收集的有效问卷不宜过少，至少收集200份以上的问卷结果。下面是问卷示例：

求解步骤

惩罚分析（Penalty 分析）是 JAR 问题分析中最常用方法, 它可以在多个属性中, 找出每个属性的相对重要程度, 并确定产 品改进的优先次序。Penalty 分析的基本思想是: 通过分析具体属性和对产品总评价之间的关联, 确定每个具体属性对总体属性的影响程度, 从而达到确定具体数据重要性的目的。以下是惩罚分析的计算步骤，以感官特征为5点标度为例。

步骤1：计算三类人群占比

于是根据每个属性, 我们可以将消费者分为 3 类:

● 第一类( 打 1~2 分者) : 认为产品在属性上偏少的人，记为 TL；

● 第二类( 打 3 分者) : 认为属性表现为正好的人，记为 JA；

● 第三类 ( 打 4~5 分者) : 认为属性表现为偏多的 人，记为 TM。

步骤2：计算惩罚系数（Penalty 指数）

对于总体评价指标( 总体喜欢程度) , 记消费者对该 产品的总体喜欢程度为 L。针对每个属性的三类人群, 记 每类人群对产品的总体喜欢程度( 平均值) 为:

● L(TL): 表示 TL 人群对产品的总体喜欢程度 ；

● L(TM): 表示 TM 人群对产品的总体喜欢程度 ；

● L(JA): 表示 JA 人群对产品的总体喜欢程度 于是我们可以计算每个特征属性( 比如说甜度) 的 Penalty指数；

惩罚指数的计算公式：

● P(TL)=L(TL)- L(JA), TL 人群的 Penalty 指数

● P(TM)=L(TM)- L(JA), TM 人群的 Penalty 指数

步骤3：计算总平均偏差（Total mean drops）

Penalty 的大小反应了某个属性的偏向对总体指标的 影响力度, 通常称为 Mean drops。如果将 Penalty 指数乘以 该偏向的人群比例, 则可以计算出由于这个属性偏向某 个方向, 而导致消费者总体评价下降的总分数, 常称为总平均偏差Total mean drops。

步骤4：利用Penalty 指数或Total mean drops来分析感官属性的重要性

利用Penalty 指数和Total mean drops可以反映了属性对总体评价的影响程度，它可以用来对感官属性的重要程度进行评价。

求解方法

现SPSSPRO支持感官属性为5点标度的惩罚分析（必须满足了这个条件才能在SPSSPRO使用该算法），在算法列表中的问卷分析栏目中选择惩罚分析，上传数据后按要求一键拖入，点击开始分析后即可得到分析报告。

输出结果

Penalty系数代表了某类偏向的消费者群体对该产品整体喜好度与没有偏向（认为刚好）人群的偏离程度，绝对值越大，代表该属性对产品的整体喜好影响越大。

除了Penalty系数，也可以通过Total mean drops来对感官属性重要性进行评价。因为存在一种情况是（某感官属性）Total mean drops小而Penalty系数大，也就是即使要求调整该属性强度的消费者不多，但这些消费者却不太喜欢该产品，这说明这些消费者不是该产品的目标群体。从这个角度来看，可以用Total mean drops值来作为主要的评价标准。

上图展示了惩罚分析图，可以直观的看出需要优先改进的感官属性及其改进方向。图中的“-”代表属性强度表现“偏弱”，“+”代表属性强度表现“偏强”。 图中作出|Total mean drops|=0.5的曲线（也就是总平均偏差=0.5的辅助线），属性越靠近图的右上角，越偏离辅助线，改进的优先级就越高。其中辣味+是在辅助线的右上方，并且比较靠近图的右上角，偏离原点的位置，这说明它具有最高的优先改进性。

上图是根据总平均偏差（纵坐标）进行降序排列，更为直观展示了各个感官属性的改进优先级。那么我们可以得到结论，最需要改进的“辣味+”，也就是太辣了，为了符合大众口味，应将辣味降低。此处也是按照总平均偏差≥ 0.5将该感官特征分为“优先调整”（蓝色柱状图），0.5 >总平均偏差≥ 0.25为次要调整（绿色柱状图），∣Total mean drops∣< 0.25为无需调整（黄色柱状图）。

作者：SPSSPRO

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-502192-1.html