Jak Tastry využívá novou chemii a umělou inteligenci k předpovídání spotřebitelských preferencí

Jak Tastry využívá novou chemii a umělou inteligenci k předpovídání spotřebitelských preferencí.

Od začátku jsme se ptali, zda můžeme dešifrovat jedinečné flavorové matice smyslových produktů a jedinečné biologické preference spotřebitelů, abychom přesně předpověděli oblíbenost? Krátká odpověď je ano.

Avšak brzy jsme zjistili, že stávající chemické analytické metody a stávající spotřebitelská preferenční data poskytují statisticky nevýznamné korelace nebo předpovědi. Věděli jsme, že budeme muset vytvořit svá vlastní data, abychom mohli pokročit.

Nejprve jsme potřebovali vytvořit analytickou chemickou metodu, která by poskytla co největší transparentnost chemie (včetně letuchých a nelétavých látek, rozpuštěných látek, spektrálních dat atd.). Také jsme potřebovali dešifrovat flavorovou matici způsobem, který by mohl být přeložen do aproximace, jak lidé zažívají tuto chemii na svém patru.

Druhým krokem bylo vytvořit metodu pro stálé a přesné získávání, doplňování a sledování biologických smyslových preferencí velké, rozmanité a stále rostoucí skupiny skutečných spotřebitelů, aby sloužili jako naše referenční hodnoty.

Proč současné metody selhávají při předpovídání spotřebitelské preference pro smyslové produkty

Když jsme začali naše výzkumy v roce 2015, jsme měli hypotézu, že všechno, co je potřeba vědět o chuti vína, tj. chuť, aroma, textura a barva – existuje v chemii. Avšak co chybělo, byla komplexnější metoda analýzy.

Abyste pochopili toto omezení, je důležité vědět, že chemie smyslových produktů se zaměřuje především na kontrolu kvality, tj. kolik této látky je v této směsi? Zaměření není typicky na vyhodnocení všech látek, jejich relativních poměrů nebo toho, jak se kombinují na lidském patru, aby vytvořily chuť. Toto je slepá skvrna, kterou jsme potřebovali osvětlit, protože mezi stovkami látek na lidském patru dochází k dynamickým interakcím. Lidský patro zažívá “chemickou polévku” chutí současně, ne jednu látku najednou, jako stroj. Interakce mezi těmito látkami v kombinaci s jedinečnou biologií každého spotřebitele poskytují kritický kontext toho, které rysy chemie jsou vyjádřeny této osobě.

Pokud je smyslovost zohledněna, jednoduše řečeno, typický přístup vypadá takto:

• Dotazníková data ukazují, že lidé mají rádi máslo.
• Diacetyl je látka typicky spojena s chutí másla.
• Pokud vyrobíme chardonnay s více diacetylem, více lidí ho bude mít rádo.

Hlavní problémy s tímto přístupem.

1. Chuť nelze předpovědět pouze kvantifikací látek. Určité koncentrace diacetylu mohou být vnímány jako máslo v jednom vínu nebo ročníku, ale ne v jiném. To je proto, že existuje stovky dalších látek ve vínu, a v závislosti na jejich koncentracích a poměrech, diacetyl může být buď maskován nebo vyjádřen. Na rozdíl od stroje, lidé zažívají všechny látky současně, jejich smysly nejsou analyzovány jednotlivě, a proto žádná jednotlivá kvantifikace není nutně předpověditelná.

2. Lidé vnímají a komunikují chutě jinak. I mezi panelovými odborníky, polovina odborníků může popsat něco jako chuť jablka, a druhá polovina může popsat to jako chuť hrušky. A průměrný spotřebitel je ještě méně předpověditelný. Na základě našich výzkumů, nevěříme, že lidská chuť je dostatečně hmotná, aby mohla být přesně komunikována pouze prostřednictvím jazyka z jedné osoby na druhou. Naše popisy jsou příliš vágní, a naše definice se liší v závislosti na individuální biologii a kulturních zkušenostech. Například v USA, většina spotřebitelů popisuje vnímání benzaldehydu jako “třešňové”, ale většina spotřebitelů v Evropě popisuje to jako “mandlové”… i ve stejném vínu.

3. Chutě, které spotřebitelé vnímají, nemají žádnou korelaci s tím, zda je skutečně mají rádi. V našich výzkumech jsme pozorovali, že spotřebitelé nerozhodují o koupi vína, protože má chuť jako třešně. Prostě činí soud, že jim víno chutí, a jsou pravděpodobně rádi ho budou mít rádi znovu.

Příklad: Tento nedostatek porozumění není jedinečný pro segment vína. Setkali jsme se s výkonnými manažery a výzkumníky z některých největších firem na trhu s chutěmi a vůněmi na světě. Jeden výkonný manažer popsal svou frustraci s nedávným projektem na vytvoření nové čokolády s levandulí. Tato společnost utratila miliony dolarů za sezení a běh focus groupů se spotřebiteli, kteří měli rádi čokoládu, měli rádi levanduli a měli rádi levandulovou čokoládu. Nakonec výsledky ukázaly, že respondenti souhlasili, že to byla levandulová čokoláda, ale také souhlasili, že jim tato konkrétní levandulová čokoláda nechutí.

V důsledku těchto poznatků jsme dospěli k závěru, že bychom se měli zaměřit na předpovídání, jaké chemické matice spotřebitelé mají rádi, a do jaké míry, místo toho, aby se snažili určit, jaké chutě vnímají.

Jak je náš přístup jiný

Špatná data, špatné výsledky. Pokud jde o kvalitu dat, jsme si uvědomili, že platný tréninkový soubor nemohl být vygenerován z existujících komerčních nebo crowd-sourced dat. Bylo by nutné vytvořit svá vlastní, v rámci naší společnosti.

První věcí, kterou jsme potřebovali, byla chemická metoda, která by poskytla přehled o jemné rovnováze letuchých, nelétavých, rozpuštěných látek, spektrálních dat atd. vína v jednom snímku, aby byla více srozumitelná lidskému patru.

Roky experimentů vedly k metodě, která generuje přes 1 milion datových bodů na vzorek. Tyto jemné a ohromující množství dat jsou pak zpracovávána algoritmy strojového učení, které byly navrženy našim týmem datové vědy, aby dešifrovaly vzájemné závislosti, které informují lidské vnímání na základě poměrů látek a skupin látek.

Jakmile jsme prokázali účinnost této metody, začali jsme analyzovat a dešifrovat flavorovou matici mnoha tisíc vín po celém světě a od té doby jsme vyvinuli komplexní databázi flavorové matice světa vína.

Vztah spotřebitelských preferencí k chemii

Dalším krokem bylo pochopit, jaké flavorové matice různé spotřebitele preferují, a to tím, že je necháme ochutnat a ohodnotit víno, které jsme analyzovali. Během let jsme pořádali pravidelné dvojitě zaslepené ochutnávky se stovkami spotřebitelů, z nichž každý ochutnal desítky nebo stovky vín. Respondenti zahrnovali začínající spotřebitele vína, typické pijáky vína, odborníky, vinaře a someliéry.

Systémy crowd-sourcing často postrádají nebo ignorují kritická data. Například na Parkerově škále většina lidí nebude ohodnocovat víno pod středním rozsahem 80 bodů. Ale my jsme se dozvěděli, že spotřebitelé více nesouhlasí s tím, co nemají rádi, než souhlasí s tím, co mají rádi. Proto je důležité mít úplný přehled o preferencích – zejména negativních preferencích.

Použili jsme naše novou metodu strojového učení, abychom pochopili jedinečné preference spotřebitelů pro různé typy flavorových matic ve vínu. Během času to umožnilo přesně předpovědět jejich preference pro vína, která dosud neochutnali. Během tohoto procesu jsme také zjistili, že jednotlivá vína, stejně jako jednotlivé preference, jsou téměř jako otisky prstů ve své jedinečnosti. Došli jsme k závěru, že na rozdíl od běžných průmyslových postupů, spotřebitelé a vína nelze přesně seskupit nebo filtrovat do obecných kategorií.

Příklad: Dvě ženy mohou sdílet stejnou geografii, kulturu, etnickou příslušnost, vzdělání, příjem, auto, telefon a obě milují Kim Crawford Sauvignon Blanc; ale jedna může milovat Morning Fog Chardonnay a druhá může nenávidět ho. Jediná spolehlivá předpověditelná viditelnost spočívá v jejich biologickém patru.

Jak škálovat tuto inovaci?

Co jsme vytvořili, bylo skvělé, ale ochutnávky jsou drahé a časově náročné. Bylo by nemožné uspořádat roční ochutnávku všech 248 milionů Američanů starších 21 let, aby se pochopilo, která vína jim budou vyhovovat.

Chtěli jsme navrhnout škálovatelný nástroj, který by měl stejnou účinnost při předpovídání spotřebitelských preferencí, bez nutnosti účasti na ochutnávce nebo vyjádření svých preferencí pro velký soubor předem ochutnaných vín.

Naše řešení spočívalo v tom, že AI vybere jednoduché potraviny, které sdílejí aspekty své chemie s víny v nabídce. Respondenti v našich ochutnávkách odpověděli na stovky takových otázek o svých preferencích potravin a chutí, které nejsou přímo související s vínem; jako například: “Jak se vám líbí zelená paprika?”, nebo “Jak se vám líbí houby?”

Tyto otázky byly použity TastryAI jako analogy typů a poměrů látek běžně nalezených v podkladové chemii vína. Jako lidé, nemůžeme rozluštit nebo pochopit tyto složité korelace a vzorce, ale jako se ukázalo, vyřešení těchto složitých vztahů je vynikajícím problémem pro strojové učení.

S těmito daty, TastryAI se naučila předpovídat spotřebitelské preference vína na základě jejich odpovědí na Food Preference Survey. Co vyplynulo, byla naše schopnost eliminovat potřebu jakýchkoli vinných specifických dat od spotřebitele, aby se předpověděla jeho preference vína.

Kolik dat potřebujeme k pochopení spotřebitelské preference?

Ačkoli jsme začali se stovkami otázek o preferencích potravin, čím více otázek je zodpovězeno, tím přesnější jsou výsledky, ale existují úbytečné návraty po 9-12. S Paretoovým principem v provozu, nejlepšími otázkami o preference potravin poskytují přibližně 80% porozumění spotřebitelskému patru.

Dnes je typicky 10-12 otázek dotazníku pro červená vína a další 10-12 otázek dotazníku pro bílá, růžová a šumivá vína.

To umožnilo škálovatelné řešení. Od té doby, co jsme spustili různé pilotní projekty před lety, existuje mnoho podobných kvízů na e-commerce stránkách. Spotřebitel absolvuje 30sekundový kvíz o tom, zda má rád černý rybíz nebo kávu, a je odměněn doporučeními vína. Rozdíl spočívá v tom, že tyto kvízy jsou ve skutečnosti pouze filtry ochutnávek, tj. pokud máte rád černý rybíz, budete mít rád víno popsáno někým jako tmavé ovoce, nebo pokud máte rád kávu, budete mít rád víno popsáno někým jako astringentní. Ale my jsme se dozvěděli, že pokud tyto popisy jsou přesné pro patro této osoby, nemá to žádnou předpověditelnou sílu pro to, zda tuto osobu bude mít rád; ale je to zábavné, spotřebitelé milují kvízy.

Doporučení Tastry jsou vázána na flavorovou matici vína. TastryAI není filtrem ochutnávek, neptá se, zda máte rád aroma nebo chuť hub ve vašem vínu, snaží se pochopit poměry látek, které máte rádi nebo nemáte rádi na základě vašeho biologického patra. Každá otázka poskytuje mnoho vrstev přehledu, protože každá otázka se překrývá a krmit do ostatních otázek. Takže, po otázce na houby, perhaps další otázka je “Jak se vám líbí chuť zelené papriky?” AI může vědět, že existuje, například, 33 látek v určitém poměru obecně odpovědných za vnímání hub, a 22 látek obecně odpovědných za chuť zelené papriky – ale důležitý je, že některé z těchto látek existují v obou. Pokud řeknete, že milujete houby, ale nenávidíte zelenou papriku, pak je AI více přesvědčena, že máte rádi některé látky, více přesvědčena, že nemáte rádi jiné látky, a ty, které se překrývají, jsou pravděpodobně kontextové.

Můžete si představit multidimenzionální Vennův diagram, kde AI rozlušťuje, které látky máte rádi nebo nemáte rádi v kombinaci s jinými látkami.

A s touto flavorovou preferenční ankety a spotřebitelskou zpětnou vazbou, shromažďujeme anonymizovaná data o patru z celého světa. E-commerce stránka nebo velký maloobchodník může spustit Tastry Quiz na aplikaci a mít tisíce odpovědí do několika hodin od spotřebitelů po celých Spojených státech. Jediná další data, která získáváme, je poštovní směrovací číslo. Používáme poštovní směrovací číslo k aplikaci odvozeniny Bayesova ridge, který bere geografické rozložení známých spotřebitelských patra, která shromažďujeme a monitorujeme, a další data, a předpovídá zbývajících 200M+ životaschopných spotřebitelských patra ve Spojených státech. Používáme tento vylepšený datový soubor jako zdroj pravdy a k poskytování předpovědí o tom, jak vína budou fungovat na trhu, v obchodě, místně nebo regionálně.

Tastry Virtuální Focus Group

Po analýze vína, dešifrování jeho flavorové matice a vyhodnocení jeho pitelnosti proti kombinaci skutečných a virtuálních patra, AI je目前 92,8% přesná při předpovídání agregované hodnocení spotřebitele ve Spojených státech pro víno. Jinými slovy, AI může předpovědět průměrné hodnocení 5 hvězd pro víno v rámci +/- 1/10^th hvězdy.

Nejjednodušší způsob, jak si představit AI, je jako “Virtuální Focus Group” spotřebitelských preferencí.

Vinaři používají TastryAI k běhu simulací, jak spotřebitelé budou vnímat jejich víno, ještě předtím, než investují roky a miliony dolarů do jeho výroby. Velkoobchodníci používají TastryAI k určení regionů, ve kterých různá vína budou fungovat nejlépe. Maloobchodníci používají TastryAI k optimalizaci své nabídky na regálech a online. A spotřebitelé používají TastryAI k vyhnutí se riziku nákupu vína, které jim nebude chutnat.