欧州での官能評価サービス開始
日本の消費材市場が飽和している昨今、海外の市場に目を向ける企業も多いのではないでしょうか?

弊社は、これまで海外における官能評価の研究者達とのネットワークを活かし、欧米、アジアでの官能評価、消費者調査を遂行してきました。

このたび、フランスのディジョンを拠点にした、官能評価・消費者試験のプロフェッショナルSensoStat 社と提携し、欧州における質の高い官能評価・消費者試験サービスを開始致しました。

これから欧州の消費者をターゲットに商品開発を進める過程において、現行品の製品ポジショニング、受容度調査などに、ぜひご利用ください。

▼官能評価・消費者試験サービス @ 欧州
http://www.alpha-mos.co.jp/sensory/sensostat.html

SensoStat
「おいしさ」は、まず見た目から
新年、あけましておめでとうございます。

2017年も食品業界では、新製品が続々と登場するのでしょうね。スーパーやコンビニには、たくさんの似たような種類の商品が陳列されている時代に、新しいものづくりへのチャンレンジを続ける開発担当者には、本当に頭が下がります。消費者の一人として、良い意味で期待を裏切られるような新しい感覚の食品に出会うのが楽しみです。

消費者の期待を満たす、あるいは超える商品こそが、ロングセラーに繋がる、延いては企業に利益をもたらすものでしょう。それには、価格やパッケージ、広告だけでなく、中身の品質が、消費者の購買動機を満足させるものでなければなりません。

人は、五感を駆使して味わうわけですが、一番最初に遠位性感覚である視覚が優位に働きます。つまり、食品の外観を見て、それを美味しそうとか、新鮮そうとか、判断が始まります。そして、口にしたときは、見た目が影響して、呈味成分量以上に苦く感じたり、甘く感じたり、味への相互作用も働きます。

色や形状などを官能評価するときは、環境(明るさなど)の制御が必要となります。また、分析的に色を測定するには、一般的に分光測色計が用いられますが、小さい範囲(直径で2〜10cm程度)を平均化してL*a*b*などの色指数で表現するので、なかなか不均一な食品の見た目と相関させることが難しいです。

一方、アルファ・モスのビジュアルアナライザー IRISは、一定光源のボックス内に置いたサンプルの画像を高分解能のCMOSセンサーで取得し、最先端の画像処理および多変量解析ソフトウェアを駆使して外観の差を数値化する仕組みです。

IRIS

最大測定面積が27cmx39cmなので、大きな食品サンプルであっても目視で観察するのと近い条件で評価することができ、全体な色のバランス(1ピクセルごとに色を数値化)、形状、大きさ情報を得ることができます。こうしたデータは、消費者の嗜好を予測する説明変数として用いることで、好みに影響する色(素材)、形状などを同定することができます。

あなたは、どちらのハムを食べたいですか?

IRIS ham
QDAデータの解析と解釈(最終章)
久しく更新が滞ってしまいましたが、2016年の最後でこれまで続けていたQDAプロセスに関する連載をまとめたいと思います。

前回は、パネルのパフォーマンスの評価について書きましたが、サンプル間の差の有効性を結論づける際、交互作用の効果を知ることが大切です。交互作用は、繰り返し試験をした二元配置分散分析によって誤差項から分離することができます。つまり、1回だけの試験では明らかにできません(繰り返しの試験が、QDAの本質です!)

交互作用には、相殺効果と相乗効果の2つのタイプ(下図)があり、パネリスト間の感度、または尺度の使い方に違いがあることを考えれば相乗効果に有意差が出ることはそれほど問題ではありません。もし相乗効果の交互作用があるときは、スコアを順位に変換して解析することもひとつの手段です。それに対して、相殺効果はサンプル間の順位の違いを反映するのでより解釈に注意が必要です。

qda7-1

一般的なQDAデータの二元配置分散分析の一例を下表に示します。
qda7-2

分散分析でサンプルの効果に有意差が見つかったとき、どのサンプルに差があるかを確認するために多重比較検定を行います。多重比較検定には、Duncan、Newman-Keuls、Scheffe、Tukey (a)、Tukey (b)、LSD、Dunnettなど多くの手法がありますが、主に第1種の過誤と第2種の過誤のどちらを重点的に保護するかを考慮し、選択することになります。前者ではTukeyが、後者ではDuncanがよく利用されています。

また、サンプル間の違いを視覚化するために利用されるのが、主成分分析です。属性間の相関を利用してQDAデータに含まれる多くの情報を抽出、集約する方法で、新しい2軸上にサンプルを分類し属性との関係をよりよく理解することができます。

qda7-3

最後に・・・製品の官能的特徴を日常用語で記述し数値化した記述分析データは、消費者の嗜好、購買意欲、用途、イメージなどの市場調査データと関連付けて用いることで、製品の強み・弱みを明らかにし、マーケティング部門と開発部門との橋渡しに貢献します。もちろん、機器分析データの相関づけにも最適です。

さて、今年も一年間お世話になりありがとうございました。
来年は、これまで度々紹介してきました「官能評価と機器分析のデータの活用」から、少し触れていきたいと思っています。

では、2017年が皆様にとって実りのある年となりますように。。。
QDAデータの解析と解釈(1)
先日、Dr. Herbert StoneによるQDAワークショップを開催致しました。Stone先生と一緒に仕事をし始めて10年以上になりますが、官能評価の認知や向上に懸ける強い思いは相変わらずで、精力的な活動に大変頭が下がります。今回も多くの皆様にご参加頂き、ありがとうございました。QDAに関して、より理解を深めて頂ければ幸いです。

さて、QDA法のデータをとったあとの解析は、一般的に難関のようです。今回のワークショップのアンケートでも、難しいという声が多かったです。

QDAデータの解析には、基本記述統計のほか、分散分析と多重比較検定、それに多変量解析(主成分分析など)が行われます。機器分析データがあれば、各属性との相関を求めたり、あるいはQDAデータと分析データを組み合わせ、回帰分析で消費者の受容度の予測モデルを構築したりすることも可能です。それによって、官能評価の負担を軽減させられ、さらに客観性が高まるので、企業にとっては大いにチャレンジする価値があります。

とはいえ、QDAデータの解析のコアとなるのは、何と言っても分散分析です。まず、一元配置分散分析で、パネリストのパフォーマンスを評価します。下図のグラフ(FIZZにより出力)は、属性「つや」に関して、パネリストの識別感度を示すp値(横軸)と、繰り返し評価の変動を示すCV Anova(縦軸)をプロットしたもので、右下にプロットされるパネリストほど製品間のつやの違いを識別しており、かつ評価の再現性が良いことを示します。識別の目安をp値で最大0.5としたとき、つやを識別できていないパネリストが3名いることが分かります。

分散分析

しかし、パネリスト一人がすべての属性に関する違いを検出できることは期待されません!そのために、約12名ものパネリストを使うのです。また、すべての属性で、サンプル間の違いが検出されることも期待されません。属性は十分理解されていたのか、サンプル間に本来差があったのかについて、次の試験前に再度ディスカッションを行うことが現実的です。
QDA法(6)準備ができたらデータ収集!
QDA試験前にすべきことは、これまで出現した用語の整理や、セッションで用いるサンプル数(食品であれば6〜8検体)、サンプル量、提示間隔など試験プロトコルの確立です。

パネルリーダーが、評価の仕方に関して統制を図ります。また、用語の定義を完成させることは重要です。もし、重複する意味の複数の用語をひとつにまとめるときは、除かれた用語を残された用語の定義に加えることができます。

そして、いよいよ本試験です。
QDAのトレーニング後は、できるだけ期間をあけないでデータ収集を行うことが望ましいです。人の記憶は覚えるのに時間がかかる割に、忘れるのはあっという間ですから。本試験では、モナディック(単一のサンプルのみを試験する)法でデータを収集します。

ひとつのサンプルとスコアカードを提示し、その評価後に両方回収してから次のサンプルとスコアカードを渡します。最近では、FIZZのような官能評価ソフトウェアがあるので、利用することでペーパーレスで試験が行えますし、回答漏れを防ぐこともできます。

サンプルの提示順序は、複数刺激の順序効果を防ぐためにパネル内でランダマイズ化します。そして、試験は必ず繰り返し(通常3回〜4回)行います。その分、時間はかかるため省略されがちですが、分散分析での誤差と交互作用(サンプルxパネル)を分離するために必須です。

QDAtest

▲PAGE TOP

最近のエントリー
過去のエントリー
カレンダー
S M T W T F S
      1
2345678
9101112131415
16171819202122
23242526272829
30      
<< April 2017 >>
ブログ内を検索


PROFILE
モバイル
OTHERS