Analysis of consumers' preference drivers: can we go beyond existing practices? - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2015

Analysis of consumers' preference drivers: can we go beyond existing practices?

Analyse des drivers de préférence des consommateurs : peut-on aller au-delà des pratiques existantes ?

Résumé

One main concern for product developers is to answer those three questions: “What products do consumers like?”, “Why do consumers like these products?” and “How can we deliver them what they like?”. Within this context, identification of consumers’ preference drivers is of utmost importance to guide and support product innovation and renovation, in order to develop better and successful products that meet consumers’ expectations. Quantitative consumer product tests allow gathering knowledge on consumers’ preferences regarding the products, while sensory descriptive profiles provide insights into the sensory characteristics of the same product space. Main objective is then to relate consumers’ liking to sensory properties of the products. Current practices in Nestlé are based on internal preference mapping and linear correlations. However, Consumer Specialists pointed out several limitations, especially regarding the identification of consumers’ preference drivers. Hence, alternative methods have been investigated, and main focus was on Partial Least Squares Regression (PLSR). Its ability to analyze data with numerous predictor variables, even if they are noisy and highly correlated, makes it a promising approach. Besides, PLSR offers good compromise between a good summary of sensory attributes and a selection of the ones which best explain consumers’ liking. As all consumers do not like the same products, they are clustered into homogeneous groups prior to analysis. PLSR of the mean overall liking per cluster on the sensory attributes have been performed. Non-linear effects, including quadratic terms and interactions, can also be included by augmenting the predictor matrix. For each cluster of consumers, significant sensory attributes are highlighted, and a biplot, based on the PLS components, displays on a same representation space, the products, the sensory attributes and the consumers. This method has been implemented as an Excel macro, and outputs have been adapted to provide a user-friendly interface. PLSR outperforms current practices to uncover the sensory characteristics driving consumers’ preferences, and the results prove its ability to take account of non-linearity. However, further investigations could be considered regarding the expression of significant PLS coefficients, alternative ways to include non-linear effects in the model or the adjustment of the methodology to the product category.
Les grands industriels de l’agro-alimentaire se doivent de répondre à ces trois questions : « Quels sont les produits que les consommateurs aiment ? », « Pourquoi les consommateurs aiment ces produits ? » et « Comment leur apporter les produits qu’ils aiment ? ». À ce titre, l’identification des drivers de préférence des consommateurs est cruciale pour guider le développement de nouveaux produits et améliorer l’existant ; le but étant de commercialiser de meilleurs produits, à la fois performants pour les industriels, tout en répondant aux attentes des consommateurs. Les études quantitatives menées auprès des consommateurs permettent de mieux connaitre leurs préférences vis-à-vis des produits, tandis que les profils sensoriels descriptifs de ces mêmes produits permettent de les étudier du point de vue de leurs caractéristiques sensorielles. L’objectif est donc de relier les préférences des consommateurs aux propriétés sensorielles des produits. Les méthodes actuellement employées à Nestlé reposent sur la cartographie interne des préférences et les corrélations linéaires. Cependant, ces pratiques présentent des limites, notamment quant à l’identification des drivers de préférence des consommateurs. Ainsi, des méthodes alternatives ont été investiguées, et plus particulièrement la régression des moindres carrés partiels ou PLSR (Partial Least Squares Regression). Sa capacité à analyser des données comportant de nombreuses variables prédictrices, quand bien même celles-ci sont très corrélées et contiennent du bruit, en fait une approche très prometteuse. De plus, la PLSR est un bon compromis entre résumer l’information portée par les données sensorielles et sélectionner les attributs qui expliquent au mieux les préférences des consommateurs. Étant donné que les consommateurs n’expriment pas tous les mêmes préférences, ils sont d’abord séparés en groupes homogènes. Des modèles de régression visant à expliquer l’appréciation moyenne des consommateurs d’un groupe par les caractéristiques sensorielles des produits sont ensuite réalisés. Les relations non-linéaires peuvent être prises en compte dans les modèles, en incluant dans la matrice des prédicteurs des termes au carré ou des interactions. Pour chaque groupe de consommateurs, les effets significatifs du modèle sont mis en exergue, et un biplot, construit sur les composantes de la PLS, permet de représenter sur un même espace, les produits, les attributs sensoriels et les consommateurs. Cette méthode a été implémentée sous forme d’une macro Excel, et les résultats ont été adaptés pour disposer d’une interface facile et agréable d’utilisation. La PLSR s’est avérée être plus performante dans l’identification des caractéristiques sensorielles qui guident les préférences des consommateurs, comparée aux pratiques actuelles. Néanmoins, de plus amples recherches pourraient être menées sur l’expression des coefficients PLS, sur les méthodes alternatives permettant d’introduire des non-linéarités dans le modèle, ou encore sur l’adaptation de la méthodologie selon la catégorie de produit étudiée.
Fichier sous embargo
Fichier sous embargo
1 7 3
Année Mois Jours
Avant la publication
vendredi 31 octobre 2025
Loading...
Fichier sous embargo
vendredi 31 octobre 2025
Connectez-vous pour demander l'accès au fichier

Dates et versions

dumas-01219121 , version 1 (22-10-2015)

Identifiants

  • HAL Id : dumas-01219121 , version 1

Citer

Chloé Barthomeuf. Analysis of consumers' preference drivers: can we go beyond existing practices?. Life Sciences [q-bio]. 2015. ⟨dumas-01219121⟩
179 Consultations
3 Téléchargements

Partager

Gmail Facebook X LinkedIn More