Multi-block methods for investigating consumer acceptance of food

Abstract

Today's researchers easily gather large amounts of data of different origin and type. In sensory and consumer studies the objective is the collection of data to better understand consumer behavior in the market. Statistical methods are thus necessary to identify the relevant information and draw the best possible conclusions from such complex data sets. In experimental sensory and consumer studies, information about different product attributes, many consumer characteristics and consumer acceptance or preference can be collected. Well-known statistical methods are used to reveal important information from multivariate data tables. These methods can, for example, identify key product attributes that determine which food people like. In many cases, anyway, one is also interested in more complex relations, such as the relations between different consumer characteristics and between consumer characteristics and acceptance. Another example is the relation between sensory and additional product attributes for the insight into drivers of liking. New method development is thus needed for combining or decomposing high order data tables in order to reveal the new types of underlying phenomena for the purpose of data analysis and prediction. In this thesis a number of tools, so-called multi-block methods, are presented and discussed in order to handle multiple blocks of data arisen from experimental sensory and consumer studies. Some of the methods can be considered as extensions and some others as combinations of well-known statistical techniques. Their use is beneficial when analysing different types of data sets and when measurements can be organised in conceptually meaningful blocks. An example of such a natural division into blocks may be data of different properties considered on the same set of objects (e.g. sensory and chemical attributes of products; consumer habits and attitudes). Multi-block strategies are here developed with the aim of improving knowledge on the consumer acceptance of food products, by means of different types of product attributes and/or consumer characteristics. When product, consumer and acceptance data are included in one single study, the different dimensionality between blocks will be the main issue. In addition, a deep understanding of consumer acceptance requires insight into average acceptance patterns and individual differences. Consumer heterogeneity and strategies for segmenting the population of consumers are thus investigated throughout the thesis. The multi-block methods proposed in the present thesis are clear, easy to reproduce in standard software packages and flexible in their use. Results show the potential of these methods for the understanding of consumers in general and for improved insight into consumer individual differences. This is important for products development, successful marketing strategies and other practical implications for the industry.

Dagens forskere samler lett inn store mengder data av ulike typer. I sensorikk- og forbrukerstudier er målsettingen med datainnsamlingen å få bedre forståelse av forbrukerens oppførsel i markedet. Statistiske metoder er nødvendige for å avdekke relevant informasjon og trekke best mulige konklusjoner fra slike komplekse datasett. I sensorikk- og forbrukerstudier kan for eksempel informasjon om ulike produktegenskaper, forbrukerkarakteristikker og forbrukeraksept eller preferanse, samles inn. Det finnes etablerte statistiske metoder for å avdekke viktig informasjon i multivariate datasett. Disse metodene kan for eksempel identifisere viktige produktegenskaper som avgjør hvilken mat folk liker. I mange tilfeller er man i tillegg interessert i mer komplekse sammenhenger, for eksempel mellom ulike forbrukerkarakteristikker og mellom forbrukerkarakteristikker og aksept for et produkt. Et annet eksempel er sammenhengen mellom sensorikk og produktegenskaper for å få innsikt i hva som gjør at man liker produktet. Utvikling av nye metoder er derfor nødvendig for å kombinere og bryte ned komplekse data, for å avdekke nye typer underliggende fenomener. I denne avhandlingen blir en rekke statistiske verktøy, såkalte multiblokkmetoder, presentert, og anvendelser på data fra sensorikk- og forbrukerstudier blir diskutert. Metodene er utvidelser og kombinasjoner av velkjente statistiske teknikker. Multiblokkmetodene er nyttige når man skal analysere data som kan ordnes i begrepsmessig meningsfulle blokker. Et eksempel der man kan ordne dataene i slike naturlige blokker er der ulike egenskaper blir vurdert på samme objekt (for eksempel sensoriske og kjemiske egenskaper hos produkter, og holdninger og vaner hos forbruker). Multiblokkstrategiene er her utviklet med mål om å få økt kunnskap om forbrukeres aksept av matvarer, ved hjelp av ulike typer produktegenskaper og/eller forbrukerkarakteristikker. Når data om produkt, forbruker og aksept er inkludert i en enkelt studie, blir ulik dimensjon mellom blokkene hovedutfordringen. En dyp forståelse av forbrukeraksept krever i tillegg innsikt i både gjennomsnittlige akseptmønstre og individuelle forskjeller. Uensartethet mellom forbrukerne og strategier for segmentering av forbrukerpopulasjonen er derfor et gjennomgående tema i avhandlingen. Multiblokkmetodene som blir lagt frem i denne avhandlingen er tydelige, fleksible, og lar seg utføre med standard softwarepakker. Resultater viser potensialet til disse metodene for å forstå forbrukere generelt, og få bedre innsikt i individuelle forskjeller mellom forbrukere. Dette er viktig for å utvikle produkter, skape vellykkede markedsstrategier, og andre praktiske implikasjoner for industrien.