Wie Tastry mit neuer Chemie und KI die Vorlieben der Verbraucher vorhersagt

Wie Tastry mit neuer Chemie und KI die Vorlieben der Verbraucher vorhersagt.

Von Beginn an wollten wir die Frage beantworten: “Können wir die einzigartigen Geschmacksmatrizen von sinnesbasierten Produkten und die einzigartigen biologischen Vorlieben der Verbraucher entschlüsseln, um ihre Vorlieben genau vorherzusagen?” Die kurze Antwort ist ja.

Früh in unserer Forschung fanden wir jedoch heraus, dass bestehende chemische Analysemethode und bestehende Verbraucherpräferenzdaten statistisch unbedeutende Korrelationen oder Vorhersagen lieferten. Wir wussten, dass wir unsere eigenen Daten erstellen müssten, um Fortschritte zu machen.

Zuerst mussten wir eine analytische Chemiemethode entwickeln, die uns so viel Transparenz über die Chemie wie möglich bot (einschließlich flüchtiger, nicht-flüchtiger, gelöster, spektraler Daten usw.). Wir mussten auch die Geschmacksmatrix entschlüsseln, um sie in eine Form zu bringen, die es uns ermöglichte, die Erfahrung des Menschen mit dieser Chemie auf seinem Gaumen zu approximieren.

Zweitens mussten wir eine Methode entwickeln, um die biologischen Sinnesvorlieben einer großen, vielfältigen und ständig wachsenden Gruppe von Verbrauchern kontinuierlich und genau zu erfassen und zu verfolgen, um unsere Grundwahrheit zu haben.

Warum aktuelle Methoden nicht in der Lage sind, die Vorlieben der Verbraucher für sinnesbasierte Produkte vorherzusagen

Als wir 2015 mit unserer Forschung begannen, hatten wir die Hypothese, dass alles, was man über den Geschmack von Wein wissen muss, d.h. den Geschmack, den Duft, die Textur und die Farbe, in der Chemie existiert. Es fehlte jedoch eine umfassendere Methode der Analyse.

Um diese Einschränkung zu erklären, ist es wichtig zu verstehen, dass die Chemie von sinnesbasierten Produkten hauptsächlich auf die Qualitätssicherung ausgerichtet ist, d.h. wie viel von diesem Analyten in dieser Mischung ist? Der Fokus liegt nicht typischerweise darauf, alle Analyten, ihre relativen Verhältnisse oder wie sie auf dem menschlichen Gaumen kombiniert werden, um den Geschmack zu erzeugen. Dies ist der blinden Fleck, den wir erhellen mussten, da es dynamische Wechselwirkungen zwischen hunderten von Verbindungen auf dem menschlichen Gaumen gibt. Ein menschlicher Gaumen erlebt ein “chemisches Gemisch” von Geschmacksverbindungen gleichzeitig, nicht eine Verbindung nach der anderen wie eine Maschine. Die Wechselwirkungen zwischen diesen mehreren Verbindungen in Kombination mit der einzigartigen Biologie jedes Verbrauchers liefern wichtige Kontexte darüber, welche Merkmale der Chemie für diese Person ausgedrückt werden.

Wenn die Sinneswahrnehmung berücksichtigt wird, sieht der typische Ansatz so aus:

• Umfragedaten zeigen, dass Menschen Butter mögen.
• Diacetyl ist eine Verbindung, die typischerweise mit dem Geschmack von Butter assoziiert wird.
• Wenn wir einen Chardonnay mit mehr Diacetyl herstellen, werden mehr Menschen ihn mögen.

Grundlegende Probleme mit diesem Ansatz.

1. Der Geschmack kann nicht durch die Quantifizierung von Verbindungen allein vorhergesagt werden. Eine gegebene Konzentration von Diacetyl kann in einem Wein oder einer Vintage als Butter wahrgenommen werden, aber nicht in einem anderen. Dies liegt daran, dass es hunderte andere Verbindungen im Wein gibt, und je nach ihren Konzentrationen und Verhältnissen kann Diacetyl entweder maskiert oder ausgedrückt werden. Im Gegensatz zu einer Maschine erleben Menschen alle Verbindungen gleichzeitig, ihre Sinne analysieren nicht jede Verbindung individuell, daher ist jede gegebene Quantifizierung nicht unbedingt vorhersehbar.

2. Menschen wahrnehmen und kommunizieren Geschmacksnoten unterschiedlich. Selbst unter einem Panel von Experten können die Hälfte der Experten etwas als apfelartig beschreiben, während die andere Hälfte es als birnenartig beschreibt. Und der durchschnittliche Verbraucher ist noch weniger vorhersehbar. Aus unserer Forschung geht hervor, dass der menschliche Geschmack nicht ausreichend greifbar ist, um ihn genau durch Sprache von einer Person zu einer anderen zu kommunizieren. Unsere Beschreibungen sind zu vage, und unsere Definitionen variieren je nach individueller Biologie und kulturellen Erfahrungen. Zum Beispiel beschreiben die meisten Verbraucher in den USA die Wahrnehmung von Benzaldehyd als “Kirsche”, während die meisten Verbraucher in Europa es als “Mandel” beschreiben… sogar im gleichen Wein.

3. Die Geschmacksnoten, die Verbraucher wahrnehmen, haben keine Korrelation mit der Frage, ob sie das Produkt tatsächlich mögen. In unserer Forschung wurde beobachtet, dass Verbraucher nicht entscheiden, ein Produkt zu kaufen, weil es nach Kirsche schmeckt. Sie treffen einfach die Entscheidung, dass sie das Produkt mögen, und sie werden es wahrscheinlich wieder mögen.

Beispiel: Dieses mangelnde Verständnis ist nicht einzigartig für den Weinsektor. Wir haben mit Managern und Forschern einiger der größten Aromen- und Duftstoffunternehmen der Welt gesprochen. Ein Manager beschrieb seine Frustration über ein kürzlich abgeschlossenes Projekt, um eine neue Lavendel-Schokolade zu erstellen. Dieses Unternehmen hat Millionen von Dollar für Sitzungen und Fokusgruppen mit Verbrauchern ausgegeben, die speziell Schokolade, Lavendel und Lavendel-Schokolade lieben. Letztendlich waren die Ergebnisse, dass die Befragten zustimmten, es sei Lavendel-Schokolade, aber sie stimmten auch zu, dass sie diese bestimmte Lavendel-Schokolade nicht mochten.

Als Ergebnis dieser Erkenntnisse kamen wir zu dem Schluss, dass wir unsere Forschung auf die Vorhersage konzentrieren sollten, welche Chemiematrizen Verbraucher mögen und in welchem Ausmaß, anstatt zu versuchen, die Geschmacksnoten vorherzusagen, die sie wahrnehmen.

Wie unser Ansatz anders ist

Müll rein, Müll raus. Wenn es um die Datenqualität geht, haben wir erkannt, dass ein gültiger Trainingsdatensatz nicht aus bestehenden kommerziellen oder crowdsourcierten Daten generiert werden kann. Wir mussten unsere eigenen Daten in-house erstellen.

Das Erste, was wir benötigten, war eine Chemiemethode, die uns die Möglichkeit bot, die empfindliche Balance der flüchtigen, nicht-flüchtigen, gelösten Feststoffe, spektralen Daten usw. eines Weins in einem einzigen Snapshot zu sehen, um ihn besser mit dem menschlichen Gaumen in Verbindung zu bringen.

Jahrelange Experimente führten zu einer Methode, die über 1 Million Datenpunkte pro Probe erzeugt. Diese granularen und überwältigenden Datenmengen werden dann von Machine-Learning-Algorithmen verarbeitet, die von unserem Data-Science-Team entwickelt wurden, um die Abhängigkeiten zu entschlüsseln, die die menschliche Wahrnehmung auf der Grundlage der Verhältnisse der Analyten und Analytengruppen informieren.

Sobald wir die Wirksamkeit dieser Methode nachgewiesen hatten, begannen wir, die Geschmacksmatrix vieler Tausend Weine weltweit zu analysieren und haben seither eine umfassende Datenbank der Geschmacksmatrizen der Welt des Weins entwickelt.

Verbraucherpräferenzen mit Chemie in Verbindung bringen

Als nächstes mussten wir verstehen, welche Geschmacksmatrizen verschiedene Verbraucher bevorzugen, indem wir sie den Wein kosten und bewerten ließen, den wir analysiert hatten. Im Laufe der Jahre haben wir regelmäßige Doppel-Blind-Verkostungen mit Tausenden von Verbrauchern durchgeführt, von denen jeder Dutzende oder Hunderte von Weinen über einen längeren Zeitraum hinweg gekostet hat. Die Befragten umfassten Neueinsteiger in den Wein, typische Weintrinker, Experten, Winzer und Sommeliers.

Crowdsourcierte Systeme verpassen oder ignorieren typischerweise kritische Daten. Zum Beispiel werden auf der Parker-Skala die meisten Menschen einen Wein nicht unterhalb der mittleren 80-Punkte-Skala bewerten. Wir haben jedoch gelernt, dass Verbraucher das ablehnen, was sie ablehnen, mehr als das, was sie mögen. Daher ist es wichtig, ein vollständiges Bild der Präferenz zu haben – insbesondere negative Präferenzen.

Wir verwendeten unsere neue Machine-Learning-Technologie, um die einzigartigen Präferenzen der Verbraucher für verschiedene Arten von Geschmacksmatrizen im Wein zu verstehen. Im Laufe der Zeit ermöglichte uns dies, ihre Präferenzen für Weine, die sie noch nicht gekostet hatten, genau vorherzusagen. Während dieses Prozesses lernten wir auch, dass einzelne Weine sowie einzelne Präferenzen fast wie Fingerabdrücke in ihrer Einzigartigkeit sind. Wir kamen zu dem Schluss, dass Verbraucher und Weine im Gegensatz zu den üblichen Branchenpraktiken nicht genau in Verallgemeinerungen gruppiert oder gefiltert werden können.

Beispiel: Zwei Frauen können die gleiche Geographie, Kultur, Ethnie, Bildung, Einkommen, Auto, Telefon und beide Kim Crawford Sauvignon Blanc lieben; aber eine kann Morning Fog Chardonnay lieben und die andere kann es hassen. Die einzige zuverlässige vorhersehbare Sichtbarkeit liegt in ihrer biologischen Gaumenpräferenz.

Wie man diese Innovation skalieren kann

Was wir geschaffen hatten, war großartig, aber Verkostungen sind teuer und zeitaufwändig. Es wäre unmöglich, jedes Jahr eine Verkostung von allen 248 Millionen Amerikanern über 21 Jahren durchzuführen, um zu verstehen, welche Weine sie mögen werden.

Wir wollten ein skalierbares Tool entwickeln, das die gleiche Wirksamkeit bei der Vorhersage der Präferenzen eines Verbrauchers hatte, ohne dass dieser an Verkostungen teilnehmen oder seine Präferenzen für eine große Anzahl von zuvor gekosteten Weinen ausdrücken musste.

Unsere Lösung bestand darin, dass die KI einfache Lebensmittel auswählte, die Aspekte ihrer Chemie mit Weinen in einer Auswahl teilten. Die Befragten in unseren Verkostungen beantworteten mehrere hundert solcher Fragen zu ihren Präferenzen für Lebensmittel und Geschmacksnoten, die nicht direkt mit Wein zusammenhängen; wie zum Beispiel: “Wie gefällt Ihnen grüner Paprika?”, oder “Wie gefällt Ihnen Pilze?”

Diese Fragen wurden von TastryAI als Analogien zu den Arten und Verhältnissen von Verbindungen verwendet, die häufig in der zugrunde liegenden Chemie von Wein vorkommen. Als Menschen können wir diese komplexen Korrelationen und Muster nicht entschlüsseln oder verstehen, aber es stellt sich heraus, dass dies ein hervorragendes Problem für Machine Learning ist.

Mit diesen Daten lernte TastryAI, die Präferenz eines Verbrauchers für Wein vorherzusagen, basierend auf seinen Antworten auf den Lebensmittel-Präferenz-Fragebogen. Was sich daraus ergab, war unsere Fähigkeit, die Notwendigkeit von Wein-spezifischen Daten von einem Verbraucher zu eliminieren, um seine Präferenz für Wein vorherzusagen.

Wie viel Daten benötigen wir, um die Verbraucherpräferenz zu verstehen?

Obwohl wir mit Hunderten von Lebensmittel-Präferenz-Fragen begannen, werden die Ergebnisse genauer, je mehr Fragen beantwortet werden, es gibt jedoch abnehmende Erträge nach 9-12 Fragen. Mit dem Pareto-Prinzip werden die besten Lebensmittel-Präferenz-Fragen etwa 80% des Verständnisses der Gaumenpräferenz eines Verbrauchers geliefert.

Derzeit gibt es typischerweise einen 10-12-Fragen-Fragebogen für Rotwein und einen weiteren 10-12-Fragen-Fragebogen für Weißwein, Rosé und Sekt.

Dies ermöglichte eine skalierbare Lösung. Seit wir in verschiedenen Pilotprojekten vor Jahren gestartet sind, gibt es jetzt viele ähnliche, spielerisch aussehende Quizfragen auf E-Commerce-Websites. Ein Verbraucher beantwortet ein 30-Sekunden-Quiz darüber, ob er schwarze Johannisbeeren oder Kaffee mag, und wird mit Weinempfehlungen belohnt. Der Unterschied besteht darin, dass diese Quizfragen höchstens Geschmacksnoten-Filter sind, d.h. wenn Sie schwarze Johannisbeeren mögen, werden Sie wahrscheinlich einen Wein mögen, der von jemandem als dunkle Frucht beschrieben wird, oder wenn Sie Kaffee mögen, werden Sie wahrscheinlich einen Wein mögen, der von jemandem als adstringent beschrieben wird. Aber wir haben gelernt, dass, wenn diese Beschreibungen für den Gaumen dieser Person genau sind, sie keine vorhersehbare Macht darüber hat, ob sie den Wein mögen oder nicht; aber es ist ansprechend, Verbraucher mögen Quizfragen.

Die Empfehlungen von Tastry sind an die Geschmacksmatrix des Weins gebunden. TastryAI ist kein Geschmacksnoten-Filter, es fragt nicht, ob Sie den Duft oder den Geschmack von Pilzen in Ihrem Wein mögen, sondern es versucht, die Verhältnisse der Verbindungen zu verstehen, die Sie mögen oder nicht mögen, basierend auf Ihren biologischen Gaumenpräferenzen. Jede Frage liefert viele Schichten von Erkenntnissen, da jede Frage mit anderen Fragen überlappt und in sie einfließt. Wenn Sie also nach Pilzen gefragt werden, ist die nächste Frage vielleicht: “Wie gefällt Ihnen der Geschmack von grünem Paprika?” Die KI kann wissen, dass es 33 Verbindungen in einem bestimmten Verhältnis gibt, die normalerweise für die Wahrnehmung von Pilzen verantwortlich sind, und 22 Verbindungen, die normalerweise für den Geschmack von grünem Paprika verantwortlich sind – aber wichtig ist, dass einige dieser Verbindungen in beiden vorkommen. Wenn Sie sagen, Sie lieben Pilze, aber hassen grünen Paprika, dann ist die KI zuversichtlicher, dass Sie einige Verbindungen mögen, zuversichtlicher, dass Sie andere Verbindungen nicht mögen, und diejenigen, die überlappen, sind wahrscheinlich kontextabhängig.

Man kann sich so etwas wie ein multidimensionales Venn-Diagramm vorstellen, in dem die KI herausfindet, welche Verbindungen Sie mögen oder nicht mögen, in Kombination mit anderen Verbindungen.

Und mit dieser Geschmackspräferenz-Umfrage und Verbraucher-Feedback sammeln wir anonymisierte Gaumen-Daten aus der ganzen Welt. Eine E-Commerce-Website oder ein Großhandelsunternehmen kann das Tastry-Quiz auf der App starten und innerhalb von Stunden Tausende von Antworten von Verbrauchern in den USA erhalten. Die einzigen anderen Daten, die wir sammeln, sind eine Postleitzahl. Wir verwenden die Postleitzahl, um eine Ableitung von einer Bayes-ridge zu verwenden, die die geografische Verteilung der bekannten Verbraucher-Gaumen sammelt und überwacht und andere Daten, und vorhersagt die restlichen 200 Mio. + möglichen Verbraucher-Gaumen in den USA. Wir verwenden diese erweiterte Datenmenge als Quelle der Wahrheit und um Vorhersagen darüber zu liefern, wie Weine in einem Markt, in einem Laden, auf lokaler oder regionaler Ebene abschneiden werden.

Tastry Virtuelle Fokusgruppe

Nach der Analyse eines Weins, der Entschlüsselung seiner Geschmacksmatrix und der Bewertung seiner Genießbarkeit gegenüber der Kombination von tatsächlichen und virtuellen Gaumen, ist die KI derzeit 92,8% genau bei der Vorhersage der aggregierten US-Verbraucher-Bewertung für den Wein. Mit anderen Worten kann die KI die durchschnittliche 5-Sterne-Bewertung für einen Wein innerhalb von +/- 1/10 eines Sterns vorhersagen.

Es ist am einfachsten, sich die KI als eine “Virtuelle Fokusgruppe” von Verbraucherpräferenzen vorzustellen.

Weingüter verwenden TastryAI, um Simulationen darüber durchzuführen, wie Verbraucher ihren Wein wahrnehmen werden, noch bevor sie Jahre und Millionen von Dollar in die Herstellung investieren. Großhändler verwenden TastryAI, um die Regionen zu bestimmen, in denen verschiedene Weine am besten abschneiden werden. Einzelhändler verwenden TastryAI, um ihre Auswahl auf den Regalen und online zu optimieren. Und Verbraucher verwenden TastryAI, um das Risiko zu vermeiden, einen Wein zu kaufen, den sie nicht mögen werden.