• Réduire le texte

    Réduire le texte
  • Rétablir taille du texte

    Rétablir taille du texte
  • Augmenter le texte

    Augmenter le texte
  • Imprimer

    Imprimer

Méthode de classification trois voies

Application en sensométrie pour la segmentation de consommateurs.

Classification 3 voies. © Inra, N. Mansion
Mis à jour le 11/04/2017
Publié le 03/04/2017

Dans le cadre des tests consommateurs faisant appel à une notation hédonique, chaque produit est caractérisé par les notes qui lui ont été attribuées par les consommateurs sur la base d’un seul attribut (appréciation globale). Depuis plusieurs années, la prise en compte des perceptions des consommateurs se généralise avec, par exemple, l’évaluation des émotions induites par différents produits. Dans ce cas de figure, chaque produit est alors noté par chaque consommateur et pour chaque attribut (par exemple une émotion). Ces nouvelles expérimentations génèrent donc naturellement des structures trois voies de type "produits × consommateurs × attributs". Cependant, les techniques usuelles de classification en segmentation de consommateurs ne peuvent s’appliquer directement à de telles structures. Lors de l’étude, la méthode de classification CLV3W (clustering around latent variables for three-way data) a été adaptée en vue de trouver des segments de consommateurs. Pour chaque segment de consommateurs, une variable latente(1) est estimée conjointement à un vecteur de pondération des attributs. Chaque segment est quant à lui déterminé de manière à maximiser la liaison (au sens de la covariance) entre la variable latente et l’appréciation des consommateurs du segment.
 
Cette méthode est appliquée à des données issues d’une expérience avec 84 consommateurs à qui il a été demandé d’évaluer 12 aromes de cafés(2), selon 15 émotions(3), sur une échelle de notation en 5 points. Deux segments de consommateurs ont ainsi été identifiés. Ils présentent un vecteur de pondération des émotions relativement analogue, qui traduit un gradient d’émotions du négatif vers le positif.

Représentation des 12 arômes de café selon les variables latentes associées au premier segment de consommateurs (D1 en abscisse) et au deuxième segment (D2 en ordonnée). Les deux segments présentent un gradient d’émotions analogue du négatif vers le positif. Les deux segments se distinguent vis-à-vis de l’évaluation des arômes de Note miellée, Vanille et Noisette grillée, associés à des émotions négatives pour le premier segment et à des émotions positives pour le deuxième segment.. © Inra-Oniris, StatSC
Représentation des 12 arômes de café selon les variables latentes associées au premier segment de consommateurs (D1 en abscisse) et au deuxième segment (D2 en ordonnée). Les deux segments présentent un gradient d’émotions analogue du négatif vers le positif. Les deux segments se distinguent vis-à-vis de l’évaluation des arômes de Note miellée, Vanille et Noisette grillée, associés à des émotions négatives pour le premier segment et à des émotions positives pour le deuxième segment. © Inra-Oniris, StatSC

A la lumière du gradient des émotions identifié pour les deux segments, les variables latentes (qui  illustrent les appréciations globales des arômes par chaque segment de consommateurs) permettent de voir l’opposition des arômes tels que Note médicinale, Terre, Riz Basmati ou Cèdre, associés à des émotions négatives, aux arômes Fleur de caféier, Citron et Abricot, qui eux sont associés à des émotions positives pour les deux segments de consommateurs. Les trois arômes Note miellée, Vanille et Noisette grillée illustrent, quant à eux, l’opposition des deux segments. Le premier segment de consommateurs, associe des émotions négatives à ces trois arômes, à l’instar des arômes Terre ou Note médicinale. A l’inverse, le second segment, composé d’une plus forte proportion d’hommes, associe des émotions positives à ces trois arômes, à l’instar d’Abricot, Fleur de caféier et Citron.

La méthode CLV3W est implémentée avec le langage statistique R ainsi qu’en Matlab

Partenaires : ce travail a été réalisé par l'unité StatSC (Inra-Oniris), en partenariat avec l'Institute of Psychology, Faculty of Social and Behavioral Sciences, Leiden University (Netherlands) et la Faculty of Psychology and Educational Sciences, Leuven (Belgium).

Publication associée : Cariou, V., & Wilderjans, T. F. (2017). Consumer segmentation in multi-attribute product evaluation by means of non-negatively constrained CLV3W. Food Quality and Preference. http://dx.doi.org/10.1016/j.foodqual.2017.01.006

________________________

(1) La variable latente correspond aux scores globaux des produits, au sein du segment de consommateurs, en tenant compte de la pondération des attributs spécifique au segment.

(2) Terre, Paille, Cèdre, Vanille, Grain de coriandre, Fleur de caféier, Abricot, Citron, Note miellée, Riz basmati, Noisette grillée et Note médicinale

(3) énergique, calme, heureux, libre, dégouté, nostalgique, amusé, unique, énervé, déçu, irrité, heureux, mal à l’aise, surpris et excité

Contact(s)
Contact(s) scientifique(s) :

Département(s) associé(s) :
Caractérisation et élaboration des produits issus de l’agriculture
Centre(s) associé(s) :
Pays de la Loire

En savoir plus

La classification est une méthode statistique visant à identifier des groupes de variables liées ou des groupes d’individus ressemblants. En sensométrie, la classification peut être utilisée pour déterminer des segments de consommateurs selon leurs préférences, tels que chaque segment soit composé des consommateurs présentant le même profil d’appréciation des produits.