Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Data Mining im Rahmen einer Studie in der Lebensmittelindustrie

In diesem Projekt haben wir ein mit Hilfe unserer Data Mining Tools Preference Mapping durchgeführt, um die Marktforschungsabteilung einer Lebensmittelfirma bei der Produktoptimierung zu unterstützen.

Sollten Sie zu einem Projekt dieser oder auch jeder anderen Art Unterstützung benötigen, helfen unsere Statistiker Ihnen gerne weiter. Nutzen Sie einfach unser Kontaktformular für eine kostenlose Beratung & ein unverbindliches Angebot – oder rufen Sie uns an.

Vorbereitung und Herausforderung

In einer initialen Telefonkonferenz haben wir mit unseren Kunden die Ausgangslage besprochen. Das uns beauftragende Unternehmen produziert To-Go-Cocktails und es war das Ziel der Untersuchung, die Rezepturen ihrer Getränke anhand der Kundenvorlieben zu optimieren, um den Absatz zu steigern. Das hierfür zuständige Sensoriklabor hat 16 Cocktails von professionellen Verkostern anhand von 13 sensorischen Eigenschaften bewerten lassen. Anschließend haben Konsumenten die Getränke auf einer Skala von 0 bis 10 bewertet. Unsere Aufgabe bestand nun darin, mit den richtigen Data Mining Methoden die Kunden zu segmentieren und für die Rezepturen den Geschmacksvorlieben der verschiedenen Zielgruppen entsprechend Anpassungsvorschläge zu erarbeiten..

Projektverlauf und Auswertung

Wir haben uns dazu entschieden, aus der Menge möglicher Data Mining Methoden haben wir das Preference Mapping für dieses Projekt ausgewählt. Da wir nicht nur über die hedonischen Kundenbewertungen verfügten, sondern darüber hinaus die Daten aus den sensorischen Beurteilungen der Experten vorhanden waren, entschieden wir uns für die Methode des externen Preference Mapping.

In Frage kamen für die Analyse mehrere Data Mining Tools und wir haben uns letztendlich in Absprache mit den Kunden für die Statistiksoftware R entscheiden Die Beschreibungen der sensorischen Charakteristika haben wir mittels Boxplots dargestellt. Eine Preference Map darf nicht mehr als drei Dimensionen aufweisen, daher haben wir mit dem dimensionsreduzierenden Verfahren der Hauptkomponentenanalyse die Anzahl von sensorischen Variablen von 13 auf 2 reduziert. Die beiden wichtigsten Hauptkomponenten erklärten über 80% der Varianz und auch der Screeplot hat bestätigt, dass die Anzahl der Hauptkomponenten 2 betragen sollte.

Im Korrelationskreis haben wir die Korrelationen der 13 sensorischen Variablen mit den beiden Hauptkomponenten visualisiert. So konnte der Kunde auf einen Blick erkennen, welche sensorischen Variablen zusammengehören. Die Kundenvorlieben haben wir sowohl mit dem Vektormodell, als auch mit Idealpunktmodellen wie dem zirkulären Modell grafisch dargestellt. Mit der Variablenselektion haben wir das jeweils beste Modell ausgewählt.

Durch die Verteilung der Idealpunkte und Anti-Idealpunkte auf der externen Preference Map konnten wir in einem gemeinsamen Gespräch mit dem Kunden Strategien für die Erstellung optimierter Rezepturen für die einzelnen Zielgruppen erstellen.

Ergebnis und Lieferung

Die Data Mining Analyse erfolgte mit der Statistiksoftware R. Den Quellcode haben wir zum besseren Verständnis der Kunden ausführlich kommentiert. Die Grafiken haben wir komprimiert verschickt und zusätzlich wurden diese durch das Ausführen des R-Skripts auch automatisch im Workspace abgelegt. Um die Grafiken nachträglich ohne Informationsverlust skalieren zu können, haben wir uns für ein Vektorgrafikformat entschieden. In einem Textdokument haben wir die Ergebnisse der Data Mining Analyse und Grafiken gemeinsam mit den Interpretationen und der Dokumentation unserer Vorgehensweise zusammengefasst. Eine genaue Dokumentation der Ergebnisse war nötig, da die Kunden über keine eigenen Data Mining Tools verfügten.