官能評価なるもん|テイストテクノロジー社のブログ

今年もバレンタイン商戦が始まりました。チョコレートのラインナップが豊富なのでうれしい時期です。

さて、年明けに識別法についてJISとISO/ASTMを改めて見直したら気になったことがありました。
※識別法モジュールの発売を3月に予定しております。現在、鋭意開発中です。

JISにはPd（Proportion of distinguishers）が出てきていないんです。
例えばISO4140（3点試験法）ではα、β、そしてPdによる数表（必要人数表）が出ているのですが、JISの方には数表どころかPdというワードも出ていません。

FIZZユーザーなど海外のソフトウェアを使っている方ならば、識別法の出力にPdという指標があることにお気づきになったことがあるでしょう。

Pdとは何でしょうか？
Pdとは、提示したサンプルを完全（確率１）に識別できる人の割合です。完全識別者比率といえます。

実際に取得されたデータから計算される正解率Pc（Proportion of　correct responses）とPdの関係はどのようになっているのでしょうか。
下記のような式で表されます。

Pc=1*Pd+(1/3)*(1-Pd)・・・・・式（１）

または

Pd=1.5Pc-0.5・・・・・式（２）

式（１）の考え方として、参加者nの中にある割合で評価サンプルを100%識別できる人たち（完全識別者）がいると仮定します。その完全識別者の割合がPd（％）です。
そして参加者のうち、完全識別者以外の人はランダムに選択すると仮定し、その正解率は3点試験法であれば1/3の正答確率と考えます。

実際の参加者による正解人数xから正解率Pc(=x/n)は、両者によって構成されますので式（１）を言葉で説明すると式（３）のようになります。

Pc=1*Pd+(1/3)*(1-Pd)・・・・・式（１）

実際の正解率 ＝正解確率（Pr=1）×完全識別者比率＋正解確率（Pr=1/3）×完全識別者以外の比率・・・・・式（３）

Pdの考え方は「差異試験(Difference test)」よりも「類似性試験(Similarity test)」で重要な意味を持ちます。
Pdへの興味が薄い理由は、適切な設計による類似性試験を行っている企業が少ないためと考えられます。
加えてJISや官能評価書籍の識別法に関する説明が古かったり、言葉足らずだったりします。
特に「JIS Z 9080:2004 」は2005,2009,2014年に「確認」を受けていますがPdの追記はされておりません。

※確認とは
『調査会の議決により、主務大臣が当該JISを年月を経過してもなお適正であると認めたとき、内容を変更せずに、確認するものです。「確認年月日」とは、その「確認」が官報で公示された日のことです。規格番号の西暦年（コロン（：）の後ろの年）は、直近の制定又は改正された年のままで変更はありません。＊確認された年にはなりません。』
引用サイト（日本規格協会サイト）

JISの確認から4年が経ちますので、次回は「確認」ではなくJISの「改正」が待たれます。

3点試験法を例に説明しましたが、2点試験法やテトラッドなど他の識別試験法でも同様です。
また、近年のトレンドは識別法を信号検出理論（signal detection theory;SDT）を用いて解析することが行われております。
興味のある方は、フリーウェアRの識別法パッケージsensRがお勧めです。

識別法もまだまだ進化しているようです。

ハッピーホリディ
今年も残すところあと1週間となりました。

今年の官能評価関連の状況を振り返りたいと思います。

まず、第一に今年大きなニュースだったのが「トマト知財裁判」です。

トマトジュース大手の2社による知財裁判（特許）で、特許の無効を求めた裁判でした。
官能評価担当者として注意すべき点は、官能評価の「定量性・客観性の問題」が取り上げられて争点ともなっていることです。
食品の特許申請では官能評価データを使用することが多いですが、申請に用いる官能評価データの「定量性・客観性」が更に求められるようになるでしょう。

特に飲料食品メーカーでは知財部門と官能評価部門が連携をとることはほとんどないため、官能評価担当者自身がこれらの情報にアンテナを張っておきましょう。

判例解説サイト１

判例解説サイト２

判例解説サイト３

判例解説サイト４

次に、時系列手法の活況が引き続き続いていることです。

数年前からのTDSを皮切りに、TCATA、TDLそしてリバイバルでTimeIntensityの活用が活発化しております。
ソフトウェアの充実に加えて、国内企業による研究も次々と発表されているのが追い風となっているのでしょう。
また、TDSやTCATAを実際に使ってみることでTimeIntensityのメリットも再評価されてTimeIntensityも活用されています。

お蔭さまでダイナミック官能評価ソフトウェアMagicSenseもご活用頂いております。
今後ともよろしくお願いいたします。

最後は、私の実感としてですが、国内企業の官能評価関連の予算が増加しているように感じております。

正直なところ、従来の官能評価の予算は少なく、広告宣伝費はもちろんのことマーケティングリサーチの予算に比べても大幅に少ないのが担当者の悩みの種でした。
これが徐々に予算枠が増えてきているように感じております。
背景として、国内企業の多くは新しいことに予算を付けるよりも「競合他社がやっているが自社ではやっていない」という案件には予算が付きやすいように思います。
時系列手法の活況の影響でもありますが、競合他社が新しい手法を導入したり、システムを購入したりすると予算が付くというお話を伺います。

担当者としては予算申請時期には競合他社の動向にも目を向けてみると予算が通りやすくなるかもしれませんね。

2017年のISO更新情報です。

ISO6658は官能評価の大元の規格です。全体的な章立てが再構成されてページが増えています。テトラッド手法が記載されました。
ISO6658とISO10399はページ数が増えていますが、ISO10399は減少しています。

●ISO 6658:2017 官能試験－方法論－一般的手引
Sensory analysis — Methodology — General guidance

●ISO 8588:2017 官能試験－方法論－A-非A試験
Sensory analysis — Methodology — “A” – “not A” test

●ISO 10399:2017 官能試験－方法－1対2点試験法
Sensory analysis — Methodology — Duo-trio test

あと1週間で今年も終わりです。よいお年をお迎えください。

官能評価学会2017年度大会でデモンストレーションする予定でしたが、参加できなかったためブログにてご紹介します。

TDSカーブを描画するのはソフトウェアを使えば簡単です。

さて、サンプル間や属性間の有意差検定にはドミナント％の比率差検定（ペアワイズ検定）を用いるのが通常の方法です。

一方、シミュレーションを用いて信頼区間の推定する方法がブートストラップ法です。
ブートストラップ法とは、1つの標本から復元抽出を繰り返して複数の標本を大量に生成し、それらの標本から推定値を計算する方法です。

TDS法の課題として、高い精度を求める場合にはデータ数が多く必要となります。
この課題に対して一つの解決アプローチが「ブートストラップ法」です。

TDSカーブの例

上記のようなTDSカーブが得られた場合に、属性１と２間の有意差を判断する場合にブートストラップ法を用いた場合に次のようなグラフが得られます。

属性１：Dried Fruit Flavour
属性２：Nutty Flavour
※信頼区間は95%として計算

ブートストラップ例

グラフの重複していない部分が有意差のある範囲といえます。

ブートストラップ法はTCATAでも同様に行えます。
TDSとTCATAでブートストラップ法を行う場合、RのTDS・TCATA解析パッケージの「tempR」を使うのがお勧めです。

お試しください。

【追記】弊社の都合により下記大会に不参加となりました。ご迷惑をお掛けしますが、何卒宜しくお願い致します。

2017/11/26（日）に開催される日本官能評価学会 2017年度大会に企業展示いたします。

【展示予定】—————————————————————————————
・【新商品】時系列嗜好解析ツール「Dynamic Preference Analyzer」のデモ
・TimeIntensityのゲームパッド回答デモ
・DeepLearningトライアルシステムのデモ
・FIZZのデモ
・発刊テキストのサンプル展示
———————————————————————————————————-

今回の目玉は、時系列嗜好データの解析ツール「Dynamic Preference Analyzer」です。
いわゆるTDL(Temporal Drivers of Liking)の解析が可能です。TDLとは、TDS(Temporal Dominance of Sensations)と時系列嗜好度データの統合解析手法です。

本ツールではTDL解析に加えて下記のような特徴があります。

• TCATAのデータとの統合解析
• 通常の嗜好データ（ヘドニック尺度）との解析
• 「FIZZ」「MagicSense」で取得したデータの解析

TDL解析にご興味のある方、TDL解析で行き詰まりを感じている方は、ぜひブースにお立ち寄りください。

官能評価ソフトウェアFIZZには強力な解析ツールFIZZCalculations（以下、FIZZcalc）があります。

通常はFIZZAquisitonでデータを収集し、FIZZcalcでデータを解析します。

このFIZZcalcにはデータのインポート機能があります。
インポート機能を使うと外部で取得した嗜好調査データを読み込んで解析したり、FIZZで取得したCATAデータを一度エクスポートして、編集後にインポートしてコレスポンデンス分析をすることができます。

FIZZcalcには下記の多変量解析機能が搭載されています。

【FIZZcalc搭載の多変量解析手法】
●主成分分析
●MFA(Multiple Factor Analysis)
●STATIS(Structuration des Tableaux A Trois Indices de la Statistique)
●コレスポンデンス分析
●判別分析
●クラスター分析
●プリファレンスマップ
▲IPM(Internal Preference Mapping)
▲官能特性付きIPM
▲PREFMAP(Vectorial,Circular,Elliptical,Quadratic)
▲AUTOFIT

特筆すべき点として、下記の手法・機能が使えることです。
●MFA
●STATIS
●プリファレンスマップにてAUTOFIT機能（AUTOFIT機能は前回記事を参照ください）

MFAとSTATISは、パネル効果を考慮した手法として使われています。ホリスティック法のナッピングやソーティングのデータ解析にも使われている方法です。

フリーウェアのRでは両手法とも解析可能ですがスクリプト（プログラム）を記述する必要があります。しかし、FIZZcalcではマウス操作でこれらの高機能解析ができるのです。これを使わない手はありません。
※Rでは、SensoMineRと同時にインストールされるFactoMineRでMFA解析が可能です。また、STATISはade4というパッケージにstatis関数があります。

MFAとSTATISはFIZZCalcの多変量解析メニューのP.C.A FROM PROFILEからHORIZONTAL P.C.Aを選択して実行します。

今まで使っていなかった方は、一度使ってみてください。

さて、FIZZcalcの多変量解析機能の操作マニュアルの予約締め切りが近づいてきております。

予約中「FIZZ-Calculations多変量解析入門テキスト」（7/28まで）・・・サンプルもダウンロードできます。

FIZZcalcを使いこなしたい方は必見です。
また、時系列手法のテキストも同日締め切りです。

予約中「FIZZとMagicSenseで始める時系列官能評価入門テキスト－TimeIntensity/TDS－」

予約限定販売となっておりますので、この機会にぜひお買い求めください。

第2弾テキスト『プリファレンスマップ入門テキスト』の発送が完了いたしました。
購入いただいた方は既にお手元に置かれて試行錯誤されていることと思います。
今回はホットなトピックということで多くのご購入をいただき、誠にありがとうございました。

さて、今回はFIZZのAUTOFIT機能について特徴をご紹介します。

通常のエクスターナルプリファレンスマップ（PREFMAP）は、座標データと平均化されてた嗜好度でモデルを構築します。集団に対してモデルを構築しているイメージです。
個人に対して構築もできますが、人数分のモデル作成が必要となるため通常は「集団の平均嗜好度」に対してモデル作成します。

一方、FIZZは個人の嗜好度に対して4種類のモデル（Vectorial、Circular、Elliptical、Quadratic）を構築します。
100名いたら100名×4種＝400モデルが構築されます。

集団としてのプリファレンスマップを見る場合は、個人のモデルを集計します。
その際2つの方法をとっています。

１．モデルの合成（Synthesis by model：上の表）
２．選択モデルによる合成（Synthesis of the model choices：下の表）・・・AUTOFIT機能

1つ目の「モデルの合成」は、モデル種ごとに人数分のモデルを集計します。
100名のデータならば、

Vectorial  ：100個の集計
Circular   ：100個の集計
Elliptical ：100個の集計
Quadratic：100個の集計（合計400個＝100名×4種類）

という具合です。

2つ目の「選択モデルによる合成」は、個人の中で最も良いモデルを選んでから全体の集計をします。100名のデータであっても、モデルごとに数が異なります。
例えば下記のようになります。これは1人から１つの最良モデルを採用しているため、モデルの合計数は人数と一致します。

Vectorial　：40個の集計
Circular　  ：30個の集計
Elliptical    ：20個の集計
Quadratic  ：10個の集計（合計100個＝100名×1種類の最適モデル）

FIZZでは、どちらの方法を使っても「集団の平均嗜好度」に対するモデル作成はされません。

FIZZとXLSTATの両方を持っているお客様もいらっしゃいますが、解析アプローチが異なるので結果が異なります。

実はFIZZでも座標データと平均化されてた嗜好度でモデルを構築できます。
イレギュラーな使い方になりますが次のような手順です。

１．Excelなどで平均化した嗜好度データを作成し、テキストファイル（タブ区切り）で保存
２．１のファイルをFIZZにインポートしてリザルトファイルを作成
３．FIZZでエクスターナルプリファレンスマップを実行
※軸ファイル（*.ffc）は通常通り事前に作成しておきます。

平均データが1名分のデータとして処理されて表示されます。これが集団平均値に対するモデルとなります。この結果は他のソフトウェアとの結果も一致しました。
※Excelの分析ツール【回帰分析】の結果も一致しました。ExcelでもPREFMAPは十分使えます。

折角、AUTOFIT機能があるのでわざわざ上記のようなことをする必要はありませんが、他のソフトウェアとの整合性を取りたいときには役立ちます。

FIZZには様々な解析機能がありますのでご活用ください。

さて、次回テキストはダイナミックプロファイル法を予約限定販売いたします。
ダイナミックプロファイル法のTimeIntensity、TDS、TCATAの入門テキストとなります。

TimeIntensityとTDSの入門テキストとなります。
今回はTDS等のデータ収集ソフトをお持ちでない方のためにMagicSense（特別版）同梱バージョンを用意いたしました。

ぜひご利用ください。

予約中「FIZZとMagicSenseで始める時系列官能評価入門テキスト－TimeIntensity/TDS－」

前回ご紹介したJARスケールについて、記事内でExcelでも分析できますと書きました。
ご要望があったのでExcelによる解析例をアップしました。

ダウンロードにはユーザー登録が必要ですが、ご興味のある方はダウンロードして見てください。

ユーザー登録はこちら

ダウンロードは、ユーザー登録後にログインして画面右側のダウンロードからをクリックしてください。

追記：
会社のネットワークでは制限がかかっているため、ユーザー登録ができないというご連絡がありました。
メールで送付をご希望の方はお問合せフォームから、題名に「JARファイル希望」と入力して送ってください。
※ファイルサイズは66KBです。フォームに記載されたメールでファイル受信ができない場合は対応できませんのでご了承ください。

追記：
ログインは、ユーザー登録内容を承認後に可能となります。現在、スパムメール防止のため手作業で承認しております。ユーザー登録から承認までお時間をいただくことがございますがご了承ください。

週末は暑かったですね。
気象庁2/24の今夏の天気の見通しでは猛暑となっておりました。5/24には3か月予報が出ますが、現時点では大きな変更はなさそうです。
どうやら今年の夏も暑くなりそうです。

毎度のことですが、食品関係では気温と天気には振り回されてしまいます。
温度や天気に基づくマーケティングというのもあるそうですが、関連があるのは分かっていてもリードタイム以前に天気を予測できなければ手を打つのが難しいというのが実情のようです。

最適化手法：プリファレンスマップとJARスケール

商品開発で風味の最適化をする場合、プリファレンスマップが一般的に使われます。
しかし、プリファレンスマップから最適点を探す場合は、10サンプル前後は必要になります。

【予約受付中】プリファレンスマップ入門テキスト

もし、サンプル数１つで最適化の手掛かりがつかめたらどんなに良いでしょう。

それがJARスケール(Just-About-Right Scale)です。

JARスケールは最適化の検討で用いられる手法で、試作品や現行品の改良の方向性を検討する目的で使用されます。

JARスケールとは

JARスケールではサンプルを実食し、設問の風味について「弱い、ちょうどよい、強い」などを回答します。

例えば5段階のスケールの場合は次のようになります。

1：まったく十分ではない/弱すぎる
2：十分でない/弱い
3：ちょうどよい・・・JAR（Just About Right）
4：多い/強い
5：かなり多すぎる/強すぎる

この他にも「かなり甘すぎる（much too sweet）」など属性を含めた表現にすることもあります。

結果がわかりやすいということでマーケティングリサーチで使われることが多いです。

例えば、現行品の評価が甘味が「強すぎる」となれば、甘味を弱めればよいという感じです。
また、サンプル数が１つでよいのも人気の理由でしょう。

サンプル数や量に制約が多い製品の調査は一筋縄ではいきません。
例えば、ラーメン（1食分）などのように1回のサンプル量が多い場合、
アイスのように溶けてサンプルの均一性を保つのが難しい場合にはJARスケールは良い選択肢となります。

JARスケールの解析

JARデータの解析には平均降下（Mean Drops）やペナルティ分析が使われます。
また、JARスケールデータは通常1サンプルなのでそのままではプリファレンスマップを描くことはできません。他の多変量解析もそのまま使うことは難しいです。

XLSTATではペナルティ分析メニューがあるので,そのまま解析できます。

EXCELや他の統計ソフトでも解析できますが、すべて手作業になります。

JARスケールの課題

便利なJARスケールですが、いくつかの批判もあります。
例えば、他の属性への相関関係や交互作用を考慮しない点、回答者が提示された属性を異なる解釈で回答するなど点でリスクがあります。

実際の解析で困るのが、JARスケールは順序性を持つ尺度ではない点です。
通常の尺度（ヘドニック尺度や5段階評点など）は１よりも２、２よりも３の方が好ましい、もしくは強いという順序性があります。
しかし、JARスケールは、１や２は弱い（不適）、３は丁度良い（適）、４や５は強い（不適）となっています。中央値の３が最も好ましく、小さくても大きくても好ましさが低減します。順序性のある尺度のようには扱えません。

この特性は、嗜好度との相関係数を見るときに注意が必要です。嗜好度とJARスケールの変数の相関係数は次のような関係になります。

関係性がある場合、嗜好度は順序性を持つ直線、JARスケールは順序性を持たない曲線になるため相関が低くなります。

対策としては、JARスケールを変換してから相関係数を算出するようにします。

まとめ

最適化を1サンプルだけで検討できるJARスケールを紹介しました。手間はかかりますがExcelだけでも解析できます。

実食サンプルに制約がある場合にはJARスケールの利用もご検討ください。

本ブログでも官能評価パッケージSensoMineRを何度か紹介しておりますが、Rコマンダー上でSensoMineRを操作できないという話を聞きました。

当方でもR3.3.3（Base）を新規にインストールし、SensoMineRを下記のサイトの手順でインストールしました。

（以下、>の行はRスクリプトです）

FAQ:「SensoMineR」とは-SensoMineRのインストール方法-

>source(“http://sensominer.free.fr/install-senso.r”)

R上でRコマンダーを立ち上げようとするとエラーが表示されました。

>library(Rcmdr)

R3.3.3エラー

e1071パッケージがないとのことなので、e1071パッケージをインストールしました。

>install.packages(“e1071”)

r3.3.3_e1071インストール

Rを再起動し、Rコマンダーパッケージの読み込みをすると無事Rコマンダーが立ち上がり、メニューにはSensoMineRが表示されておりました。

>library(Rcmdr)

Rコマンダー起動とメニューにSensoMineR

環境にもよりますが、当方でも2台のパソコンで同様の状況を確認したのでおそらく原因はe1071パッケージと思われます。

もし、Rコマンダーは立ち上がるがメニューにSensoMineRがないという場合は、SensoMineRのインストールからやり直してみてください。

R3.3.3のRコマンダー不具合対応でした。

新年度が始まりました。

新たに官能評価の担当になる方もいらっしゃると思います。
何かお手伝いできることがあるかもしれません。
お困りの際にはお声がけください。

先日、「食品と開発2017年4月号」に「プリファレンスマップを活用した新商品開発」を寄稿いたしました。
プリファレンスマップの入門から商品開発の活用例までご紹介しております。
また、同号に弊社MagicSenseユーザーの明治大学中村教授、アルファモス社吉田様も寄稿されております。ぜひ、お読み下さい。

分析型官能評価と嗜好型官能評価の融合

分析型官能評価の各手法は商品の品質特性を測定し、品質管理や品質向上を目的として使われてきました。

嗜好型官能評価は、好まれる程度（＝嗜好度）を測定する手法として利用されてきました。

この両者を多変量解析を通じて融合したのがプリファレンスマップ（下記、2Dと3D。SensoMineRで推定、作図）です。

現在、プリファレンスマップは官能評価とマーケティングを融合するツールとして活躍の場を広げております。

【過去の記事】プリファレンス・マッピングとは

【FAQ】「SensoMineR」とは

売上げに直結しないプリファレンスマップ

プリファレンスマップで扱う指標が売り上げに直結しません。

食品メーカーでは「おいしさ（嗜好度）」という指標を、食品以外のメーカーでは「快適性」「ユーザビリティ」など総合的な商品性という指標を使うことが多いです。

これも官能評価を主導する部署が研究開発部門であることを考えれば不思議ではありません。

一方で、多くの研究開発部門が「良い商品を作ること」から「売れる商品を作ること」に方針を変えてきております。

「コストを度外視した、美味しい商品、良い商品」ではなく、
「価格に見合った、売れる商品を作ること」が目的になってきております。

プリファレンスマップの基本的な使い方は、商品の嗜好度を推定することです。
しかし、そこには経済的な変数や概念が含まれておりません。

「嗜好度」の向上を最終目的とした「嗜好度至上主義」では、嗜好度は高まったが売り上げを落としたということが起こりえます。

古い話ですが、コカ・コーラ社のニューコークの失敗は、単なる嗜好度の向上は売り上げにはつながらない事例といえるでしょう。

【ニューコークの失敗】コカ・コーラ社が、ブラインド調査で美味しいと判断されたレシピでコカ・コーラをリニューアルしたら（商品は買ってもらえないが）大ヒンシュクを買って、元に戻したという話です。(こちらにペプシチャレンジからの一連の流れが掲載されています)

研究開発部門でも売り上げを意識した活動が求めらるようになっております。

そして、嗜好度だけに焦点を当てていたのでは売り上げにはつながらないということです。

プリファレンスマップを扱うときも、売り上げを意識した使い方が必要になってきます。

そのアプローチが、

拡張プリファレンスマップ(Extended preference mapping:E-PREF)

です。

拡張プリファレンスマップ(E-PREF)の特徴

E-PREFでは、下記の3つの要因を組み合わせて商品開発に役立つ情報を引き出していきます。

• プロダクトマップ
• 目的変数
• 推定モデル

プロダクトマップの作成では、TDSやTimeIntensityといった時系列データを使うこともあります。TDL（Temporal Driver of Liking）の新しいデータ活用法としてもご提案中です。

目的変数には、売り上げの代替変数を用いることが多いです。

推定モデルではプリファレンスマップ手法にとらわれることなく、目的に合わせてPLSやニューラルネットなど最適な手法を活用します。
更に、大きなデータが得られる場合は人工知能で有名なディープラーニング（多層ニューラルネット）の利用も視野に入れてご提案しております。

上記の3要因をお客様の要望、目的に合わせて最適な手法を組み合わせ、商品開発に役立つ情報を引き出していきます。

弊社サイト「プリファレンスマップ解析サービス」

今回のまとめ

プリファレンスマップは、分析型官能評価と嗜好型官能評価の融合した手法です。

しかし、プリファレンスマップは売り上げに直結しないので、売り上げに直結する拡張プリファレンスマップ（E-PREF）をご紹介しました。

現在、プリファレンスマップのテキストを執筆中です。今回はSensoMineR以外のソフトウェアにも対応いたします。

ぜひご予約下さい。