์ฌ์ ๋ฆฌ๋
Tastry โ์ปดํจํฐ์ ๋ง์ ๊ฐ๋ฅด์น ๋ฐฉ๋ฒโ
Tastry는 새로운 화학과 AI를 사용하여 소비자 선호도를 예측하는 방법
처음부터 우리가 답변하고자 하는 질문은 “센서 기반 제품의 고유한风味 행렬과 소비자의 고유한 생물학적 선호도를 해석하여 호감도를 정확하게 예측할 수 있는가?”였다. 짧은答案은 예스이다.
그러나 초기 연구에서 우리는 기존의 화학 분석 방법과 기존의 소비자 선호도 데이터가 통계적으로 무의미한 상관관계 또는 예측을 제공한다는 것을 발견했다. 우리는 진행하기 위해 자체 데이터를 생성해야 할 것이라는 것을 알았다.
첫째, 우리는 화학을 가능한 한 투명하게 제공하는 분석 화학 방법을 생성해야 했다(휘발성, 비휘발성, 용해된, 분광 데이터 등). 우리는 또한風味 행렬을 인간이 그것을 경험하는 唇의 방법으로 번역할 수 있는 방법으로 해석해야 했다.
둘째, 우리는 큰 규모의 다양한 소비자 그룹의 생물학적 감각적 선호도를 지속적으로 정확하게 얻고, 보강하고, 추적할 수 있는 방법을 생성해야 했다. 이것은 우리의 기준이 될 것이다.
현재 방법은 왜 감각 기반 제품에 대한 소비자 선호도를 예측하지 못하는가
우리가 2015년에 우리의 연구를 시작했을 때, 우리는 와인의風味, 즉 맛, 향, 질감, 색상에 대한 모든 정보가 화학에 있다는 가설을 가지고 있었다. 그러나 더 포괄적인 분석 방법이 부족했다.
이 제한을 설명하기 위해, 센서 기반 제품의 화학은 주로 품질 관리에 초점이 맞춰져 있다는 것을 이해하는 것이 중요하다. 즉, 이 혼합물에 얼마나 많은 분석물이 있는가? 일반적으로風味를 생성하는 분석물의 모든 것, 그들의 상대적 비율, 또는 인간의 唇에서 어떻게 결합하는지 평가하는 것이 아니다. 이것은 우리가照明해야 하는盲点이다. 인간의 唇에서 수백 개의 화합물 사이에 동적인 상호작용이 발생한다. 인간의 唇은風味 화합물의 “화학 수프”를同时 경험한다. 기계와 달리, 인간은 하나씩 분석하는 것이 아니라同時에 모든 화합물을 경험한다. 이러한 복잡한 상호작용은 인간의 唇에서風味를 생성한다.
일반적으로 센서를 고려하는 접근법은 간단하게 설명하면 다음과 같다:
- 調査 데이터는 사람들이 버터를 좋아한다는 것을 보여준다.
- 다이아세틸은 일반적으로 버터의風味와 관련된 화합물이다.
- 우리가 다이아세틸이 더 많은 샤도네를 만들면, 더 많은 사람들이 그것을 좋아할 것이다.
이 접근법의 핵심 문제.
- 風味는 화합물의 양으로만 예측할 수 없다. 다이아세틸의 특정 농도는 한 와인이나 빈티지에서 버터로 인식될 수 있지만, 다른 와인이나 빈티지에서는 그렇지 않을 수 있다. 이것은 와인에 수백 개의 다른 화합물이存在하고, 그들의 농도와 비율에 따라 다이아세틸이 가려지거나 표현될 수 있기 때문이다. 기계와 달리, 인간은同時에 모든 화합물을 경험한다. 따라서 개별적인 양은 필수적으로 예측할 수 없다.
- 인간은 風味를 다르게 인식하고 전달한다. 전문가 패널 중에서도, 절반의 전문가가 어떤 것을 사과로 설명할 수 있고, 다른 절반은 배로 설명할 수 있다. 평균 소비자는 훨씬 더 예측할 수 없다. 우리의 연구에 따르면, 인간의味觉는 언어를 통해 한 사람에서 다른 사람으로 정확하게 전달될 수 있을 만큼 구체적이지 않다. 우리의 설명은 너무 모호하고, 정의는 개인의 생물학적 및 문화적 경험에 따라 다르다. 예를 들어, 미국에서 대부분의 소비자는 벤즈알데히드의 인식을 “체리”로 설명하지만, 유럽의 대부분의 소비자는 와인에서 “마르지판”으로 설명한다.
- 소비자가 인식하는 風味는 실제로 그것을 좋아하는지와 아무 상관이 없다. 우리의 연구에 따르면, 소비자는 와인이 체리 맛이 나는 이유로 와인을 구매하지 않는다. 그들은 단순히 와인을 좋아한다는 판단을 내리고, 그것을 다시 좋아할 가능성이 있다.
예: 이 이해의 부족은 와인 세그먼트에만 국한되지 않는다. 우리는 세계에서 가장 큰風味와 향료 회사들의 임원들과 연구원들을 만나왔다. 한 임원은 최근 라벤더 초콜릿을 만들기 위한 프로젝트에 대한 그의 좌절을 설명했다. 이 회사는 와인, 라벤더, 라벤더 초콜릿을 좋아하는 소비자들과의 포커스 그룹을 진행했다. 그러나 결과는 응답자들이 라벤더 초콜릿이라는 것에 동의했지만, 그 특정한 라벤더 초콜릿을 좋아하지 않는다는 것이었다.
이 통찰력의 결과로, 우리는 우리의 연구를風味 행렬을 소비자가 좋아하는지, 그리고 어느 정도인지 예측하는 데 초점을 맞추어야 한다는 것을 결론지었다. 즉, 그들이 어떤 風味를 인식하는지와는 반대로 말이다.
우리의 접근법은 어떻게 다른가
쓰레기-인, 쓰레기-아웃. 데이터 품질에 관해서, 우리는 유효한 훈련 세트를 생성하기 위해 기존의 상업적 또는 크라우드소싱 데이터를 사용할 수 없다는 것을 깨달았다. 우리는 자체적으로 생성해야 했다.
첫째, 우리는 화학 방법이 와인의 精妙한 균형, 즉 휘발성, 비휘발성, 용해된, 분광 데이터 등을 한 눈에 볼 수 있는 방법을 제공해야 했다. 이것은 인간의 唇과 더 관련이 있다.
수년간의 실험의 결과, 우리는 하나의 샘플당 1백만 개의 데이터 포인트를 생성하는 방법론을 개발했다. 이 거대한 양의 데이터는 우리의 데이터 과학 팀이 개발한 기계 학습 알고리즘에 의해 처리되며, 분석물의 비율과 그룹에 대한 의존성을 해석하여 인간의 인식을 해석한다.
이 방법의 효능을 입증한 후, 우리는 세계의 많은 와인의風味 행렬을 분석하고 해석하기 시작했다. 그리고 우리는 와인의 세계에 대한 포괄적인風味 행렬 데이터베이스를 개발했다.
소비자 선호도를 화학에 연결시키기
다음으로, 우리는 분석한 와인을 소비자가 맛보고 평가하는 것을 통해 다양한 소비자가 어떤 風味 행렬을 선호하는지 이해해야 했다. 수년간 우리는 수천 명의 소비자와 함께 정기적인 이중맹검 테이스팅 패널을 진행했다. 각 응답자는 수십 개 또는 수백 개의 와인을 테이스팅했다. 응답자에는 와인에 대한 뉴비, 일반 와인 음용자, 전문가, 와인 제조자, 소믈리에 등이 포함되었다.
크라우드소싱 시스템은 일반적으로 중요한 데이터를 놓치거나 무시한다. 예를 들어, 파커 스케일에서 대부분의 사람들은 와인을 80점 미만으로 평가하지 않는다. 그러나 우리는 소비자가 싫어하는 것을 더 많이 싫어한다는 것을 알았다. 따라서 선호도에 대한 전체적인 그림을 가지고 있는 것이 중요하다.
우리는 기계 학습을 사용하여 소비자의 고유한 선호도를 이해했다. 그리고 우리는 소비자가 아직 맛보지 않은 와인에 대한 선호도를 정확하게 예측할 수 있었다. 이 과정에서 우리는 와인과 소비자 모두가 거의 유일무이한 것처럼 유일무이한 것이라는 것을 알았다. 우리는 소비자와 와인을 일반화하거나 협력적으로 필터링할 수 없다는 것을 결론지었다.
예: 두 명의 여성은 같은 지리적 위치, 문화, 민족, 교육, 소득, 자동차, 전화 등을 공유할 수 있다. 그리고 두 명 모두 김 크로포드 소비뇽 블랑을 좋아할 수 있다. 그러나 한 명은 모닝 포그 샤도네를 좋아할 수 있고, 다른 명은 싫어할 수 있다. 유일하게 예측 가능한 가시성은 그들의 생물학적 唇에 있다.
이 혁신을 어떻게 확대할 수 있는가?
우리가 생성한 것은 훌륭했다. 그러나 테이스팅 패널은 비싸고 시간이 많이 걸린다. 21세 이상의 모든 2.48억 명의 미국인을 대상으로毎년 테이스팅 패널을 진행하는 것은 불가능하다.
우리는 테이스팅 패널에 참여하지 않거나 이전에 테이스팅한 와인에 대한 선호도를 표현하지 않아도 소비자의 선호도를 예측하는 동일한 효능을 가진 확장 가능한 도구를 설계하고자 했다.
우리의 해결책은 와인과 관련이 없는 단순한 음식 항목을 선택하여 그들의 화학을 공유하는 것을 AI가 선택하는 것이었다. 응답자들은 와인과 직접적으로 관련이 없는 음식과風味에 대한 선호도에 대한 수백 개의 질문에 답변했다. 예를 들어, “당신은 녹색 피망을 어떻게 생각하시나요?” 또는 “당신은 버섯을 어떻게 생각하시나요?”
이 질문들은 TastryAI에 의해 와인에 일반적으로있는 화합물의 유형과 비율의 아날로그로 사용되었다. 인간으로서, 우리는 이러한 복잡한 상관관계와 패턴을 해석하거나 이해할 수 없다. 그러나 이러한 복잡한 관계를 풀어내는 것은 기계 학습에게는 훌륭한 문제이다.
이 데이터를 사용하여, TastryAI는 소비자의 와인에 대한 선호도를 예측하는 방법을 배웠다. 그리고 우리는 와인에 대한 데이터를 소비자로부터 얻을 필요가 없게 되었다.
소비자 선호도를 이해하기 위해 얼마나 많은 데이터가 필요한가?
우리가 시작했을 때, 수백 개의 음식 선호도 질문이 있었지만, 더 많은 질문이 답변될수록 더 정확한 결과가 나온다. 그러나 9-12개 이후에는 감소하는 수익이 있다. 파레토 원리에 따라, 최상의 성능을 보이는 음식 선호도 질문은 약 80%의 이해를 제공했다.
현재, 적색 와인에는 10-12개의 설문조사, 그리고 백색, 로제, 스파클링 와인에는 또 다른 10-12개의 설문조사가 있다.
이로 인해 확장 가능한 해결책이 가능했다. 우리는 여러 년 전에 다양한 파일럿을 시작한 이후,現在는 많은 이커머스 사이트에서 유사한 퀴즈를 볼 수 있다. 소비자는 30초 동안 블랙베리나 커피를 좋아하는지에 대한 퀴즈에 답변하고, 와인 추천을 받는다. 그러나 다른 퀴즈는 맛 노트 필터에 불과하다. 즉, 블랙베리를 좋아한다면 다크 프루트로 설명된 와인을 좋아할 것이고, 커피를 좋아한다면 신맛이 있는 와인을 좋아할 것이다. 그러나 우리는 이러한 설명이 그 사람의 唇에 정확하다면, 와인을 좋아할지의 예측력은 없다는 것을 알았다. 그러나 이는 소비자에게 흥미로운 것이다.
Tastry의 추천은 와인의風味 행렬에 연결된다. TastryAI는 와인에서 버섯의 향이나 맛을 좋아하는지 묻지 않는다. 그것은 생물학적 唇의 선호도에 따라 화합물의 비율을喜欢하거나 싫어하는지 이해하려고 한다. 각 질문은 여러 계층의 통찰력을 제공한다. 왜냐하면 각 질문은 다른 질문과 중첩되고, 피드백을 제공하기 때문이다. 예를 들어, 버섯에 대한 질문에 이어, 다음 질문은 “당신은 녹색 피망의 맛을 어떻게 생각하시나요?”일 수 있다. AI는 33개의 화합물이 일반적으로 버섯의 인식과 관련이 있으며, 22개의 화합물이 녹색 피망의 맛과 관련이 있음을 알 수 있다. 그러나 일부 화합물은 두 가지 모두에 존재한다. 만약 당신이 버섯을 좋아하지만, 녹색 피망을 싫어한다면, AI는 당신이 일부 화합물을 좋아한다는 것을 더 확신할 수 있고, 다른 화합물을 싫어한다는 것을 더 확신할 수 있으며, 중첩되는 화합물은 맥락적일 수 있다.
따라서, 다차원 벤 다이어그램을 상상할 수 있다. 여기서 AI는 어떤 화합물을喜欢하거나 싫어하는지 다른 화합물과 결합하여 이해한다.
이 風味 선호도 설문조사와 소비자 피드백을 통해, 우리는 전 세계에서 匿名화된 唇 데이터를 수집한다. 이커머스 사이트나 대형 박스 소매점은 앱에서 Tastry 퀴즈를 시작할 수 있고, 수시간 내에 미국 전역의 소비자로부터 수천 개의 응답을 받을 수 있다. 우리는 지리적 코드를 사용하여 베이즈 리지를 적용한다. 이것은 우리가 수집하고 모니터링하는 알려진 소비자 唇의 지리적 분포와 다른 데이터를 사용하여 미국의 2억 명 이상의 소비자 唇을 예측한다. 우리는 이 향상된 데이터 세트를 진리로서 사용하여 와인이 시장에서, 매장에서, 지역적으로 어떻게 수행할지에 대한 예측을 제공한다.
Tastry 가상 포커스 그룹
와인을 분석하고, 그들의風味 행렬을 해석하고, 실제 및 가상의 唇의 조합에 대한 팔라빌리티를 평가한 후, AI는 현재 92.8%의 정확도로 미국 소비자 평균 평점을 예측할 수 있다. 즉, AI는 와인의 평균 5スター 평점을 +/- 1/10의 스타 내에서 예측할 수 있다.
AI를 “가상 포커스 그룹”으로 생각하는 것이 가장 쉽다.
와인 제조업체는 TastryAI를 사용하여 소비자가 와인을 어떻게 인식할지에 대한 시뮬레이션을 실행한다. 그리고 수년간의 투자와 수백만 달러를 투자하기 전에 와인을 만들기 전에. 도매업체는 TastryAI를 사용하여 와인이 어느 지역에서 가장 잘 수행할지 결정한다. 소매업체는 TastryAI를 사용하여 매장과 온라인의 제품을 최적화한다. 그리고 소비자는 TastryAI를 사용하여 와인을 구매할 위험을 피한다.
