ืื ืืืื ืืขื
ืืื Tastry “ืืืืื ืืืฉื ืืืขืื”
איך Tastry משתמשת בכימיה חדשנית ובינה מלאכותית כדי לחזות העדפות צרכנים.
מתחילתה, השאלה שרצינו לענות הייתה: “האם אנו יכולים לפענח את המטריצות הייחודיות של תוצרים סנסוריים, ואת ההעדפות הביולוגיות הייחודיות של צרכנים כדי לחזות באופן מדויק את האהדה?” התשובה הקצרה היא כן.
אולם, בתחילת המחקר שלנו, מצאנו כי שיטות ניתוח כימיות קיימות ונתוני העדפות צרכנים קיימים, סיפקו מתאמים או חיזויים סטטיסטית לא מובהקים. ידענו שנצטרך ליצור את הנתונים שלנו בשביל להתקדם.
ראשית, היינו צריכים ליצור שיטת כימיה אנליטית שתספק תמונה ברורה ככל האפשר של הכימיה (כולל חומרים נדיפים, חומרים לא נדיפים, חומרים מומסים, נתונים ספקטרליים וכו’). גם היינו צריכים לפענח את מטריצת הטעם בדרך שתוכל להיטמע כדי להעריך כיצד בני אדם חווים את הכימיה על חך הם.
שנית, היינו צריכים ליצור שיטה לאסוף, לשפר ולעקוב אחר העדפות הסנסוריות הביולוגיות של קבוצה גדולה, מגוונת וגדלה של צרכנים אמיתיים, כדי לשמש כנקודת האמת שלנו.
למה שיטות נוכחיות נכשלות בחיזוי העדפות הצרכנים של מוצרים סנסוריים
כאשר התחלנו את המחקר שלנו ב-2015, היינו בעלי השערה שכל מה שאתה צריך לדעת על הטעם של יין, כלומר הטעם, הריח, הטקסטורה והצבע – קיים בכימיה. אולם, מה שחסר היה שיטת ניתוח מקיפה יותר.
כדי להסביר את המגבלה הזו, חשוב להבין שהכימיה של מוצרים סנסוריים מתמקדת בעיקר בבקרת איכות, כלומר, כמה מזה האנליט הזה קיים בתערובת הזו? המוקד לא הוא בדרך כלל להעריך את כל האנליטים, היחסים היחסיים שלהם, או כיצד הם משתלבים על חך האדם כדי ליצור טעם. זהו הנקודה העיוורת שהיינו צריכים להאיר, מכיוון שישנם אינטראקציות דינאמיות המתרחשות בין מאות תרכובות על חך האדם. חך האדם חווה “מרק כימי” של תרכובות טעם בו-זמנית, ולא תרכובת אחת בכל פעם כמו מכונה. האינטראקציות בין תרכובות אלו, בשילוב עם הביולוגיה הייחודית של כל צרכן, מספקות הקשרים קריטיים לגבי מהם המאפיינים של הכימיה מובעים לאותו אדם.
לחלק שבו הסנסורי נלקח בחשבון, בפשטות, הגישה הטיפוסית נראית כך:
- נתוני סקר מראים שאנשים אוהבים חמאה.
- דיאצטיל הוא תרכובת המקושרת בדרך כלל עם הטעם של חמאה.
- אם אנו יוצרים שרדונה עם יותר דיאצטיל, יותר אנשים יאהבו אותה.
בעיות מרכזיות עם גישה זו.
- טעם לא יכול להיחזה על ידי כמות של תרכובות לבד. ריכוז נתון של דיאצטיל עשוי להתפרש כחמאה ביין אחד או ענב, אבל לא באחר. זה מכיוון שיש מאות תרכובות אחרות ביין, ותלוי בריכוזים ויחסים שלהן, דיאצטיל עשוי להיות מוסתר או מובע. לא כמו מכונה, בני אדם חווים את כל התרכובות בו-זמנית, חושיהם לא מנתחים כל תרכובת בנפרד, לכן כל כמות נתונה אינה בהכרח מנבאת.
- בני אדם תופסים ומתקשרים טעמים באופן שונה. אפילו בין פאנל של מומחים, חצי מהמומחים עשויים לתאר משהו כטעם תפוח, וחצי המומחים האחרים עשויים לתאר אותו כטעם אגס. והצרכן הממוצע אפילו פחות צפוי. ממחקרינו, אנו לא מאמינים שטעם אדם מספיק מוחשי כדי להיות מובע באופן מדויק רק דרך שפה מאדם לאדם. תיאורינו חוסריים, והגדרותינו משתנות על בסיס ביולוגיה וחוויות תרבותיות. לדוגמה, בארצות הברית, רוב הצרכנים מתארים את התפיסה של בנזלדהיד כ”טעם דובדבן”, אבל רוב הצרכנים באירופה מתארים אותו כ”טעם מרציפן”…אפילו באותו יין.
- הטעמים שצרכנים תופסים אין קשר לכך שהם באמת אוהבים אותו. במחקר שלנו, התברר שצרכנים לא מחליטים לרכוש יין בגלל שהוא טעים כמו דובדבן. הם פשוט מחליטים שהם אהבו את היין, והם בטוחים לאהוב אותו שוב.
דוגמה: חוסר הבנה זה לא ייחודי לסקטור היין. הינו פגשנו עם מנהלים וחוקרים בחברות הטעם והבושם הגדולות בעולם. מנהל אחד תיאר את התסכול שלו עם פרויקט אחרון ליצור שוקולד לבנדר חדש. חברה זו הוציאה מיליוני דולרים בישיבות וריצה של קבוצות מוקד עם צרכנים שאהבו במיוחד שוקולד, אהבו לבנדר, ואהבו שוקולד לבנדר. לבסוף, התוצאות היו שהמשיבים הסכימו שזהו שוקולד לבנדר, אבל גם הסכימו שהם לא אוהבים את שוקולד הלבנדר הזה.
כתוצאה מתובנות אלו, הסיקנו שעלינו להתמקד במחקר שלנו בחיזוי מהם מטריצות הכימיה שצרכנים אוהבים, ובאיזו מידה, במקום מהם הטעמים שהם תופסים.
כיצד גישתנו שונה
זבל-פנימה, זבל-החוצה. כאשר זה מגיע לאיכות נתונים, הבנו שניתן לא ליצור קבוצת אימון תקפה מנתונים מסחריים או נתונים מהקהל. היינו צריכים ליצור את שלנו, בבית.
הדבר הראשון שהיינו צריכים היה שיטת כימיה שתספק תמונה ברורה ככל האפשר של הכימיה (כולל חומרים נדיפים, חומרים לא נדיפים, חומרים מומסים, נתונים ספקטרליים וכו’), כדי להיות יותר קשור לחך האדם.
שנים של ניסויים הובילו לפיתוח שיטה שמייצרת מעל מיליון נקודות נתונים לדגימה. כמות גדולה ומגוונת זו של נתונים מעובדת על ידי אלגוריתמים של למידת מכונה שתוכננו על ידי צוות המדענים שלנו, כדי לפענח את התלות ההדדית שמודיעה על תפיסה אנושית על בסיס היחסים של התרכובות וקבוצות התרכובות.
כאשר הוכחנו את היעילות של שיטה זו, התחלנו לנתח ולפענח את מטריצת הטעם של אלפי יינות ברחבי העולם, ופיתחנו בסיס נתונים מקיף של מטריצות טעם של עולם היין.
יחוס העדפות צרכנים לכימיה
הבא, היינו צריכים להבין מהן מטריצות הטעם שצרכנים שונים מעדיפים, על ידי הטעמת היין שניתחנו. במהלך השנים, ערכנו פאנלים של טעימה כפולה עיוורת עם אלפי צרכנים, כל אחד טעם עשרות או מאות יינות במהלך הזמן. המשיבים כללו מתחילים ביין, שותים יין רגילים, מומחים, יצרני יין וסומליים.
מערכות המונים נוטות להחמיץ או להתעלם מנתונים קריטיים. לדוגמה, בסולם פארקר, רוב האנשים לא ידרגו יין מתחת לטווח 80 נקודות. אבל למדנו שצרכנים שונאים את מה שהם שונאים, יותר מאשר אוהבים את מה שהם אוהבים. לכן, חשוב להיות בעלי תמונה מלאה של העדפה – במיוחד העדפות שליליות.
השתמשנו בלמידת מכונה החדשנית שלנו כדי להבין את ההעדפות הייחודיות של צרכנים לסוגים שונים של מטריצות טעם ביין. במהלך הזמן, זה איפשר לנו לחזות באופן מדויק את ההעדפות שלהם ליינות שטרם טעמו. במהלך תהליך זה, גם למדנו שיינות יחידים, כמו גם העדפות יחידות, הם כמעט כמו טביעות אצבע – ייחודיים. הסיקנו שלא ניתן לקבוצת צרכנים או לסנן אותם באופן מדויק, בניגוד לתרגולים הרגילים בתעשייה.
דוגמה: שתי נשים יכולות לשתף גאוגרפיה, תרבות, אתניות, חינוך, הכנסה, מכונית, טלפון, ושתיהן אוהבות יין Kim Crawford Sauvignon Blanc; אבל אחת יכולה לאהוב יין Morning Fog Chardonnay והשנייה תשנא אותו. התרחיש היחיד האמין נמצא בחך הביולוגי שלהן.
איך להגדיל את החדשנות הזו?
מה שיצרנו היה טוב, אבל פאנלים של טעימה הם יקרים וצורכים זמן. היה בלתי אפשרי לערוך פאנל טעימה שנתי של כל 248 מיליון אמריקאים מעל גיל 21, כדי להבין אילו יינות הם יאהבו.
רצינו לעצב כלי מתקדם שיהיה בעל אותה יעילות בחיזוי העדפות הצרכנים, ללא צורך בהשתתפות בפאנלים של טעימה או ביטוי העדפותיהם לסט של יינות שנטעמו בעבר.
פתרוננו היה לתת ל-AI לבחור פריטי מזון פשוטים שחולקים היבטים של כימיה עם יינות באסימון. המשיבים בפאנלים שלנו ענו על מאות שאלות כאלו על העדפותיהם למזון וטעמים שאינם קשורים ישירות ליין; כגון, “כיצד אתה מרגיש לגבי פלפל ירוק?”, או “כיצד אתה מרגיש לגבי פטריות?”.
אלו השאלות שימשו על ידי TastryAI כמודלים לסוגים וליחסים של תרכובות הנפוצות בכימיה התת-מודעת של יין. כבני אדם, אנו לא יכולים לפענח או להבין את הקשרים המורכבים והדפוסים האלו, אבל כפי שמתברר, פיענוח קשרים אלו הוא בעיה מצוינת ללמידת מכונה.
עם נתונים אלו, TastryAI למדה לחזות את העדפות הצרכנים ליין, על בסיס תשובותיהם לסקר ההעדפות של מזון.
כמה נתונים אנו צריכים כדי להבין העדפות צרכנים?
אף על פי שהתחלנו עם מאות שאלות, ככל שיותר שאלות נענות, התוצאות יותר מדויקות, ישנן תשואות פוחתות אחרי 9-12. עם עקרון פארטו, השאלות הטובות ביותר סיפקו כ-80% הבנה של חך הצרכן.
כיום, יש בדרך כלל סקר של 10-12 שאלות ליין אדום, ועוד 10-12 שאלות ליין לבן, רוזה ויין שמפניה.
זה איפשר פתרון מסונן. מאז שנפתחנו בניסויים שנים רבות, יש כעת הרבה מבחנים דומים באתרי מסחר אלקטרוני. צרכן לוקח מבחן של 30 שניות על האם הוא אוהב פטל או קפה, והוא מקבל המלצות יין. ההבדל הוא שמבחנים אלו הם בעיקר מסננים של תיאורי טעימה, כלומר, אם אתה אוהב פטל, אתה תאהב יין שמישהו מתאר כ”טעם פירות כהים”, או אם אתה אוהב קפה, אתה תאהב יין שמישהו מתאר כ”מריר”. אבל למדנו שאם התיאורים האלו מדויקים לחך של אותו אדם, זה לא בהכרח בעל כוח ניבוי לגבי האם הוא יאהב את היין; אבל זה מעורר.
המלצות Tastry קשורות למטריצת הטעם של היין. TastryAI אינה מסנן תיאורי טעימה, היא לא שואלת אם אתה אוהב את הריח או הטעם של פטריות ביינך, היא מנסה להבין את היחסים של תרכובות שאתה אוהב או לא אוהב, על בסיס העדפות חך הצרכן הביולוגיות. כל שאלה מספקת הרבה שכבות של תובנה, כי כל שאלה חופפת ומזינה את השאלות האחרות. כך, לאחר שאלה על פטריות, השאלה הבאה עשויה להיות “כיצד אתה מרגיש לגבי טעם פלפל ירוק?”. ה-AI עשויה לדעת שיש, לדוגמה, 33 תרכובות ביחס כללי האחראיות לתפיסה של פטריות, ו-22 תרכובות האחראיות לטעם של פלפל ירוק – אבל חשוב, חלק מהתרכובות האלו קיימות בשניהם. אם אתה אומר שאתה אוהב פטריות, אבל שונא פלפל ירוק, אז ה-AI יותר בטוחה שאתה אוהב חלק מהתרכובות, יותר בטוחה שאתה שונא תרכובות אחרות, ואלו שחופפות הן בהקשר.
Tastry Virtual Focus Group
לאחר ניתוח יין, פיענוח מטריצת הטעם שלו, והערכת הטעימות שלו נגד שילוב של חך אמיתי ווירטואלי, ה-AI היא כרגע 92.8% מדויקת בחיזוי הדירוג הממוצע של צרכנים בארצות הברית ליין. במילים אחרות, ה-AI יכולה לחזות את הדירוג הממוצע של 5 כוכבים ליין, בתוך +/- 1/10ת של כוכב.
קל לחשוב על ה-AI כ”קבוצת מוקד וירטואלית” של העדפות צרכנים.
יקבים משתמשים ב-TastryAI כדי לרוץ סימולציות על איך צרכנים יתפסו את היין שלהם, אפילו לפני שהם משקיעים שנים ומיליוני דולרים ביצירתו. סיטונאים משתמשים ב-TastryAI כדי לקבוע את האזורים בהם יינות שונים יבצעו היטב. קמעונאים משתמשים ב-TastryAI כדי לאפטימיזציה של המבחר שלהם על המדפים ובאינטרנט. וצרכנים משתמשים ב-TastryAI כדי להימנע מסיכון של רכישת יין שהם לא יאהבו.
