タストリーが新しい化学とAIを用いて消費者のお気に入りを予測する方法

タストリーが新しい化学とAIを用いて消費者のお気に入りを予測する方法

最初から、答えたい質問は「感覚に基づく製品のユニークなフレーバーマトリックスと消費者のユニークな生物学的好みを解読して、好き嫌いを正確に予測できるか？」でした。簡単に言うと、はい。

しかし、研究の初期段階で、既存の化学分析方法と既存の消費者好みデータは、統計的に無意味な相関関係または予測を提供することがわかりました。自分でデータを作成する必要があることを知っていました。

まず、化学の透明性を可能な限り高める分析化学方法を作成する必要がありました（揮発性、非揮発性、溶解性、分光データなど）。また、フレーバーマトリックスを人間が味わう方法で解読する必要がありました。

次に、大規模で多様な消費者の生物学的感覚好みを継続的に正確に取得、増強、追跡する方法を作成する必要がありました。これは、私たちの基準となる真実となります。

現在の方法が感覚に基づく製品の消費者好みを予測できない理由

私たちが2015年に研究を開始したとき、ワインのフレーバー、つまり味、香り、テクスチャー、色について知る必要があるすべての情報が化学の中に存在すると仮定しました。ただし、より包括的な分析方法が欠けていました。

この限界を説明するために、感覚に基づく製品の化学は主に品質管理に焦点が当てられていることを理解することが重要です。つまり、混合物の中にどれだけの分析物質が含まれているかということです。分析物質の相対的な比率や、人間の味覚でフレーバーを作り出すためにどのように組み合わさるかを評価することは通常行われません。これは、私たちが照らす必要がある盲点です。人間の味覚では、数百種類の化合物が同時に相互作用しているからです。人間の味覚では、機械のように個別の化合物を一つずつではなく、化合物の「化学スープ」を同時に経験します。消費者のユニークな生物学と組み合わさるこれらの複数の化合物の相互作用は、どの化学的特性が表現されるかというコンテキストを提供します。

感覚が考慮される場合、通常のアプローチは次のようになります：

• 調査データによると、人々はバターが好きです。
• ジアセチルは、バターのフレーバーと関連付けられる化合物です。
• シャルドネをもっとジアセチルを含むように作れば、もっと多くの人が好きになるでしょう。

このアプローチの根本的な問題。

1. フレーバーは化合物の量だけでは予測できない。 ダイアセチルの特定の濃度は、一つのワインやヴィンテージではバターのように感じられるかもしれませんが、別のワインやヴィンテージではそうではないかもしれません。ワインの中には数百種類の化合物があり、それらの濃度や比率によっては、ダイアセチルがマスクされるか表現されるかもしれません。機械と違って、人間は同時にすべての化合物を経験しています。彼らの感覚は個別の化合物を個別に分析していません。したがって、個別の量化は必ずしも予測可能ではありません。

2. 人間はフレーバーを異なる方法で感知し、コミュニケーションします。 甚至、専門家パネルの中で、半分の専門家は何かをリンゴのように味わうと説明し、もう半分はナシのように味わうと説明するかもしれません。一般的な消費者は予測不可能です。私たちの研究によると、人間の味覚は言語を通じて他の人に正確に伝えることができないほど、曖昧で不確実です。私たちの記述はあまりに漠然とし、定義は個人の生物学や文化的経験によって異なります。例えば、アメリカでは、消費者の多くはベンズアルデヒドの感覚を「チェリー」と説明しますが、ヨーロッパでは「マルジパン」と説明します… 甚至同じワインの中でもです。

3. 消費者が感知するフレーバーは、彼らが実際に好きかどうかとは相関関係がない。 私たちの研究では、消費者はワインがチェリーのように味わうからと言って、それを購入するのではないことが観察されました。彼らはただ、ワインが好きだという判断を下し、また好きになる可能性が高いだけです。

例： この理解不足はワインセグメントに限ったことではありません。世界最大のフレーバーとフラグランス会社の幹部や研究者と会ったことがあります。ある幹部は最近のラベンダーチョコレートの新製品開発プロジェクトで困っていることを説明しました。同社は、チョコレート、ラベンダー、ラベンダーチョコレートが好きな消費者を集めたフォーカスグループを設置し、数百万ドルを費やしました。最終的に、回答者はラベンダーチョコレートであることを確認しましたが、特にそのラベンダーチョコレートが好きではないと回答しました。

これらの洞察の結果、私たちは消費者がどのような化学的マトリックスを好きか、どの程度好きかを予測することに焦点を当てるべきであると結論付けました。彼らがどのようなフレーバーを感知するかではなく。

私たちのアプローチはどのように異なるか

ガベージイン、ガベージアウト。データの品質については、有効なトレーニングセットは既存の商用またはクラウドソーシングデータから生成できないことを実現しました。自分で作成する必要がありました。

必要な最初のものは、人間の味覚により関連するワインの揮発性、非揮発性、溶解性、分光データなどのデリケートなバランスの可視性を提供する化学方法でした。

数年の実験の結果、1サンプルあたり100万を超えるデータポイントを生成する方法論が開発されました。このグラニュラーで圧倒的な量のデータは、人間の感覚に基づいて情報を提供するアナライトの相互依存関係を解読するために設計された機械学習アルゴリズムによって処理されます。

この方法の有効性を証明した後、世界中の数千種類のワインのフレーバーマトリックスを分析し、解読し、ワインの世界の包括的なフレーバーマトリックスデータベースを開発しました。

消費者のお気に入りを化学に結び付ける

次に、私たちが分析し、解読したワインのフレーバーマトリックスを好み、評価する消費者を理解する必要がありました。数年間、数千人の消費者と定期的な二重盲検味覚パネルを実施しました。回答者には、初心者からワイン愛好家、専門家、ワイナリー、ソムリエまで幅広く含まれます。

クラウドソーシングシステムは、重要なデータを欠落させたり無視したりします。例えば、パーカー・スケールでは、ほとんどの人が80点台の中間点以下のスコアを付けることはありません。ただし、私たちは消費者が好きではないものを好きであるものよりも嫌いなものをより多く持っていることを学びました。したがって、好みの全体像を把握することが重要です。特に否定的な好みについてはです。

私たちは新しい機械学習を使用して、消費者のさまざまなフレーバーマトリックスに対するユニークな好みを理解しました。時間の経過とともに、これにより、まだ味わっていないワインに対する彼らの好みを正確に予測することが可能になりました。プロセスの中で、個々のワインや個々の好みは、ほぼ指紋のようにユニークであることを結論付けました。消費者やワインを一般化したり、共同フィルタリングしたりすることはできないという結論に至りました。

例： 2人の女性が同じ地理的地域、文化、民族、教育、収入、車、電話を共有し、キム・クロフォード・ソーヴィニョン・ブランを愛しているかもしれませんが、1人はモーニング・フォグ・シャルドネを愛し、もう1人は嫌いになるかもしれません。信頼できる予測の可視性は、彼らの生物学的味覚にあります。

このイノベーションをどのようにスケールアップするか

私たちが作成したものは素晴らしいものでしたが、味覚パネルは高価で時間がかかります。全米の21歳以上の248百万人を毎年味覚パネルに参加させることは不可能です。

消費者の好みを予測するために、味覚パネルに参加したり、事前に味わったワインのセットに対する好みを表明したりする必要がない、同じ有効性を持つスケーラブルなツールを設計したいと考えました。

私たちの解決策は、ワインのアソートメントと共通の化学的側面を持つシンプルな食料品をAIが選択することでした。私たちの味覚パネル回答者は、ワインとは直接関係のない食料品やフレーバーに対する好みについて数百個の質問に答えました。例えば、「グリーンペッパーはどう感じますか？」または「キノコはどう感じますか？」

これらの質問は、ワインの基礎化学の共通の化合物や比率のアナログとしてTastryAIによって使用されました。人間としては、これらの複雑な相関関係やパターンを解読または理解することはできないのですが、機械学習にとってはこれは優れた問題です。

このデータを使用して、TastryAIは消費者の食料品好み調査への回答に基づいて消費者のワイン好みを予測する方法を学びました。結果として、消費者からワインに関するデータを取得する必要がなくなりました。

消費者のお気に入りを理解するために必要なデータの量

初期には数百個の食料品好みの質問から始めましたが、回答するにつれて結果の精度が高まりますが、9〜12個の質問で減少する戻り値があります。パレートの原理が働いているため、最も優れた食料品好みの質問は消費者の味覚について約80%の理解を提供しました。

現在、通常、赤ワインには10〜12個の質問、白ワイン、ロゼワイン、スパークリングワインには別の10〜12個の質問があります。

これにより、スケーラブルな解決策が可能になりました。数年前にさまざまなパイロットプログラムで立ち上げて以来、ECサイトでは多くの類似のクイズが見られます。消費者は30秒でブラックベリーやコーヒーが好きかどうかについてのクイズに答え、ワインのレコメンドを受け取ります。違いは、これらのクイズが味覚ノートのフィルターや、ダークフルーツのような味覚のワインを好む人には黒ベリーが好き、コーヒーが好きなら渋みのあるワインが好きというフィルターや、ただのエンゲージメントツールにすぎないことです。消費者はクイズが好きです。

Tastryのレコメンドはワインのフレーバーマトリックスに結び付いています。TastryAIは味覚ノートのフィルタではありません。ワインの中のマッシュルームの香りや味が好きかどうかを尋ねるのではなく、消費者の生物学的味覚の好みに基づいて、好きか嫌いかの化合物の比率を理解しようとしています。各質問は多層の洞察を提供し、各質問は他の質問と重なり合い、フィードバックしています。マッシュルームについて尋ねた後、次の質問は「グリーンペッパーの味はどう感じますか？」です。AIは、たとえば、33種類の化合物が特定の比率でマッシュルームの感覚を引き起こし、22種類の化合物がグリーンペッパーの味を引き起こすことを知っているかもしれませんが、重要なのは、これらの化合物のいくつかが両方に存在することです。如果あなたがマッシュルームが好きだがグリーンペッパーが嫌いだと言うなら、AIは、一部の化合物が好きであること、一部の化合物が嫌いであること、そして重複する化合物がコンテキストに依存することをより自信を持って推測できます。

多次元のベン図をイメージしてみてください。ここで、AIは、消費者が好きまたは嫌いな化合物を、他の化合物と組み合わせたときにどのように感じるかを解明しています。

このフレーバー好み調査と消費者フィードバックを使用して、世界中から匿名化された味覚データを収集しています。ECサイトや大手小売業者は、アプリ上でTastryクイズを立ち上げ、数時間以内に全米の消費者から数千件の回答を収集できます。取得する唯一の他のデータは、郵便番号です。郵便番号を使用して、ベイズのリッジの派生物を適用し、収集および監視している既知の消費者の味覚の地理的分布やその他のデータを予測し、全米の200万以上の消費者の味覚を予測します。この強化されたデータセットを真実の源として使用し、店舗、ローカル、または地域レベルでのワインのパフォーマンスについて予測します。

タストリー・バーチャル・フォーカス・グループ

ワインを分析し、フレーバーマトリックスを解読し、実際のパレットと仮想パレットの組み合わせに対する味覚を評価した後、AIは現在、米国の消費者評価を92.8%の精度で予測できます。つまり、AIはワインの平均5スター評価を10分の1の精度で予測できます。

AIを「バーチャル・フォーカス・グループ」と考えるのが最も簡単です。

ワイナリーはTastryAIを使用して、消費者がワインをどのように感知するかについてシミュレーションを実行します。卸売業者はTastryAIを使用して、さまざまなワインがどの地域で最もよく機能するかを決定します。小売業者はTastryAIを使用して、店舗やオンラインでのアソートメントを最適化します。消費者はTastryAIを使用して、好きではないワインを購入するリスクを回避します。