
Аффективные методы: спрашиваем «нравится ли?»
Потребительские (аффективные) методы измеряют субъективную реакцию: приемлемость, предпочтение, эмоции. Здесь «прибор» — не калиброванная панель, а реальный потребитель, поэтому нужны сотни респондентов и честная статистика средних. Методическая рамка — ISO 11136:2014 (+Amd 1:2020; российский аналог ГОСТ ISO 11136-2017).
Главный инструмент — девятибалльная гедоническая шкала Перьяма (1957): от «очень нравится» до «очень не нравится». Обработка: средние ± доверительные интервалы, ANOVA (продукт — фиксированный, респондент — случайный фактор), пост-хок Tukey, далее — сегментация предпочтений иерархической кластеризацией (метод Уорда): «средний потребитель» часто не существует, существуют 2–3 сегмента с противоположными вкусами.
Насколько вам в целом понравился образец?
Предпочтение
- Парное предпочтение (paired preference): «какой из двух образцов вы предпочитаете?» Статистика — двусторонний биномиальный тест с p₀ = 1/2 (модуль 04 умеет считать и его — в демо Sensostat это отдельный метод).
- Ранговое предпочтение (ISO 8587:2006): респонденты ранжируют 3–6 образцов; анализ — критерий Фридмана с пост-хок сравнениями (см. модуль 09).
- Шкала покупательского намерения (5 баллов: «точно куплю» … «точно не куплю») — мост между сенсорикой и маркетинговым прогнозом.
JAR-шкалы и penalty analysis
Шкала JAR (just-about-right, «в самый раз») — биполярная пятибалльная шкала по конкретному атрибуту: 1 — «слишком мало», 3 — «в самый раз», 5 — «слишком много». Она отвечает на вопрос технолога: «что подкрутить в рецептуре?».
Penalty analysis связывает отклонения от JAR с потерей общей приемлемости: mean drop = средний liking группы «JAR» минус средний liking группы отклонения. Правила чтения:
- анализировать атрибут, если ≥ 20 % респондентов вне JAR (при меньшей доле выводы нестабильны);
- значимость mean drop — t-критерий, при малых группах — бутстреп (например, 10 000 ресэмплов);
- приоритет доработки = комбинация доли недовольных и величины penalty.
Как считается penalty — микропример (учебные данные, батончик, атрибут «сладость», 120 респондентов):
| Группа по JAR | n | Доля | Средний liking | Mean drop |
|---|---|---|---|---|
| «Мало сладко» (1–2) | 34 | 28 % | 5,9 | −1,5 |
| «В самый раз» (3) | 64 | 53 % | 7,4 | — |
| «Слишком сладко» (4–5) | 22 | 18 % | 6,7 | −0,7 |
Читаем: 28 % считают батончик недостаточно сладким, и их средняя приемлемость на 1,5 балла ниже группы «JAR» — при пороге 20 % это приоритетная доработка (поднять сладость). Группа «слишком сладко» меньше порога (18 %) и penalty умеренный — выводы по ней нестабильны, фиксируем, но не действуем.
CATA и RATA: потребительское профилирование
CATA (check-all-that-apply) — респондент отмечает все подходящие дескрипторы из списка 15–20 терминов. Не требует обучения, работает с 60–100 потребителями. RATA (rate-all-that-apply) добавляет оценку интенсивности отмеченных атрибутов.
Обработка CATA:
- таблица частот «атрибут × продукт»;
- критерий Кокрана Q по каждому атрибуту — различаются ли продукты по частоте упоминаний;
- попарные сравнения — критерий Макнемара с поправкой на множественные сравнения;
- карта «продукты–атрибуты» — корреспондентский анализ (CA) с бутстреп-эллипсами стабильности.
Воспроизводимый пример: 80 респондентов, 4 снека, атрибут «слишком сладкий». Частоты упоминаний: A = 8, B = 34, C = 12, D = 29. Критерий Кокрана Q = 31,31 (df = 3), p < 0,0001 — продукты значимо различаются по воспринимаемой сладости. Попарно Макнемар: B против C — p ≈ 0,0002; различие B/D против A/C подтверждено. Интерпретация: «B и D воспринимаются потребителями как чрезмерно сладкие».
Карта корреспондентского анализа CATA (иллюстративная)
Правила дизайна потребительских тестов
- Объём выборки: скрининг — 30–50 респондентов, полноценный тест — 100+, для сегментации — 150+. CATA/JAR стабилизируются от ~50, для публикаций — 80–100+.
- Рекрутинг по целевой группе: реальные потребители категории, а не «кто проходил мимо»; квоты по полу/возрасту, если продукт сегментирован.
- Подача: последовательно-монадическая (по одному продукту с полной анкетой); слепые коды; порядок — латинский квадрат.
- Не задавайте потребителю аналитические вопросы («оцените интенсивность ноты изоамилацетата») — он ответит, но ответ будет шумом. Потребитель отвечает за «нравится», панель — за «что и сколько».
Что почитать дальше
- Jaeger S. R. et al. Check-All-That-Apply (CATA) Questions for Sensory Product Characterization by Consumers. Food Quality and Preference, 2015 — сколько терминов давать в CATA-списке и почему это почти не влияет на результат. статья
- Meyners M., Castura J. C., Carr B. T. Existing and New Approaches for the Analysis of CATA Data. Food Quality and Preference, 2013 — вся статистика CATA: от Q Кокрена до penalty-lift. статья
- Ares G. et al. Penalty Analysis Based on CATA Questions to Identify Drivers of Liking. Food Quality and Preference, 2014 — penalty analysis без JAR-шкал, прямо по CATA с «идеальным продуктом». статья
- Meyners M., Jaeger S. R., Ares G. On the Analysis of Rate-All-That-Apply (RATA) Data. Food Quality and Preference, 2016 — как правильно обрабатывать RATA-вариант с интенсивностями. статья
Проверьте себя
Три вопроса по потребительским методам
1. В JAR-тесте атрибут «сладость» вне зоны JAR у 12 % респондентов, penalty значимый. Что делать?
Правило ≥ 20 %: на малой группе mean drop считается по считанным респондентам и нестабилен. Значимость теста не отменяет правила достаточности выборки.
2. Чем CATA отличается от описательного анализа QDA?
Разные данные — разная статистика: частоты против шкальных средних. CATA не измеряет интенсивность, а фиксирует «заметность» атрибута.
3. Зачем после гедонического теста делают кластеризацию потребителей?
Классический пример — кофе: средний liking 6,2 скрывает сегмент «любители крепкого» (8,5) и сегмент «любители мягкого» (4,1). Средний продукт не нравится никому.
Потребительский тест без таблиц вручную
В демо Sensostat уже работают парное предпочтение и 9-балльная гедоника с автоматической статистикой и выводом на языке заказчика.