Tastry 如何使用新型化学和 AI 预测消费者偏好

Tastry 如何使用新型化学和 AI 预测消费者偏好

从一开始，我们就想回答这样一个问题：我们是否可以解码基于感官的产品的独特风味矩阵和消费者的独特生物偏好，以准确预测他们的喜欢程度？简短的答案是肯定的。

然而，在我们的研究初期，我们发现现有的化学分析方法和现有的消费者偏好数据提供的相关性或预测性不够。我们知道我们需要创建自己的数据来取得进展。

首先，我们需要创建一种分析化学方法，可以提供尽可能多的化学透明度（包括挥发性、非挥发性、溶解性、光谱数据等）。我们还需要以一种可以转换为人类在味觉中体验的方式来解码风味矩阵。

第二，我们需要创建一种方法来不断和准确地获取、增强和跟踪大量、多样化和不断增长的消费者群体的生物感官偏好，以作为我们的基准真实性。

为什么当前方法无法预测基于感官的产品的消费者偏好

当我们在 2015 年开始我们的研究时，我们假设所有关于葡萄酒风味的信息（即味道、香气、质地和颜色）都存在于化学中。然而，缺乏的是一种更全面的分析方法。

为了解释这一限制，了解感官产品的化学主要集中在质量控制上（即该混合物中含有多少这种分析物？）是很重要的。通常不评估所有分析物、它们的相对比例或它们如何在人类味觉中结合以产生风味。这是我们需要阐明的盲点，因为在人类味觉中，数百种化合物之间存在动态相互作用。人类味觉同时体验到“化学汤”的风味化合物，而不是像机器一样一次体验一种化合物。这些化合物与消费者独特生物学的相互作用提供了至关重要的上下文，以确定哪些化学特征被表达给该人。

通常，感官因素被考虑时，简单来说，方法如下：

• 调查数据显示人们喜欢黄油。
• 二乙酰是与黄油风味相关的化合物。
• 如果我们制作一款含有更多二乙酰的霞多丽葡萄酒，更多的人会喜欢它。

这种方法的核心问题。

1. 仅凭化合物的量化无法预测风味。 一定浓度的二乙酰可能在一种葡萄酒中被感知为黄油风味，但在另一种葡萄酒中则不然。这是因为葡萄酒中有数百种其他化合物，取决于它们的浓度和比例，二乙酰可能被掩盖或表达。与机器不同，人类同时体验所有化合物，它们的感官不会单独分析每种化合物，因此任何单独的量化都不能保证预测性。

2. 人类以不同的方式感知和传达风味。 即使在专家小组中，一半的专家可能将某种风味描述为苹果味，而另一半可能将其描述为梨味。普通消费者更加不可预测。根据我们的研究，我们不认为人类的味觉足够具体，可以仅通过语言从一个人传达给另一个人。我们的描述太模糊，我们的定义根据个体生物学和文化经验而有所不同。例如，在美国，大多数消费者将苯甲醛的感知描述为“樱桃味”，但在欧洲，大多数消费者将其描述为“杏仁味”… 即使在同一款葡萄酒中也是如此。

3. 消费者感知到的风味与他们是否喜欢它没有关联。 在我们的研究中，观察到消费者不会因为葡萄酒的味道像樱桃而决定购买它。他们只是判断自己喜欢这款葡萄酒，并且可能会再次喜欢它。

例子：这种缺乏理解并非仅限于葡萄酒行业。我们曾与世界上一些最大的风味和香料公司的高管和研究人员会面。其中一位高管描述了他最近为创造新款薰衣草巧克力而感到沮丧的项目。该公司花费了数百万美元召开和运行专注于消费者、特别是那些喜欢巧克力、喜欢薰衣草和喜欢薰衣草巧克力的消费者的焦点小组。最终结果是，受访者同意这款巧克力是薰衣草味，但他们也同意自己不喜欢这款特定的薰衣草巧克力。

因此，我们得出结论，我们的研究应该集中在预测哪些化学矩阵消费者喜欢，以及他们喜欢的程度，而不是预测他们感知到的风味。

我们的方法与众不同

垃圾输入，垃圾输出。当谈到数据质量时，我们意识到一个有效的训练集不能从现有的商业或众包数据中生成。我们需要创建自己的数据。

首先，我们需要一种化学方法，可以提供对葡萄酒中挥发性、非挥发性、溶解固体、光谱数据等的微妙平衡的可见性，以便更好地与人类味觉相关联。

经过多年的实验，我们开发了一种方法，可以为每个样本生成超过 100 万个数据点。然后，这些大量数据由机器学习算法处理，这些算法由我们的数据科学团队设计，以解码人类感知的相互依赖关系，这些相互依赖关系基于分析物的比例和分析物组的比例。

一旦我们证明了这种方法的有效性，我们就开始分析和解码世界各地成千上万种葡萄酒的风味矩阵，并开发了一个关于葡萄酒世界的综合风味矩阵数据库。

将消费者偏好与化学相关联

接下来，我们需要了解消费者偏好哪些风味矩阵，通过让他们品尝和评分我们分析过的葡萄酒。多年来，我们进行了定期的双盲品尝小组，成千上万的消费者参加，每人品尝了数十或数百种葡萄酒。参与者包括葡萄酒新手、普通葡萄酒饮用者、专家、酿酒师和侍酒师。

众包系统通常会忽略或遗漏关键数据。例如，在帕克评分系统中，大多数人不会给葡萄酒评分低于 80 分。但我们已经知道，消费者更讨厌他们不喜欢的东西，而不是喜欢他们喜欢的东西。因此，了解偏好，尤其是负面偏好的全面图景至关重要。

我们使用新型机器学习来了解消费者对不同风味矩阵的偏好。随着时间的推移，这使我们能够准确预测他们对尚未品尝过的葡萄酒的偏好。在此过程中，我们还了解到，个体葡萄酒和个体偏好几乎具有指纹般的独特性。我们得出结论，与行业惯例相反，消费者和葡萄酒不能被准确地分组或协同过滤到概括中。

例子：两个女性可以共享相同的地理位置、文化、种族、教育、收入、汽车、电话，并且都喜欢金克劳福德索维农白葡萄酒；但其中一个可能喜欢晨雾霞多丽，而另一个可能讨厌它。唯一可靠的预测性见解在于他们的生物味觉。

如何扩大这一创新？

我们创造的东西很棒，但品尝小组很昂贵且耗时。对于美国 2.48 亿 21 岁以上的消费者来说，想要一年一次地进行品尝小组来了解他们喜欢哪些葡萄酒是不可能的。

我们希望设计一个可扩展的工具，能够在不需要参与品尝小组或表达对大量已品尝葡萄酒的偏好的情况下预测消费者的偏好。

我们的解决方案是让 AI 选择一些与葡萄酒化学成分相关的简单食物项目。我们的品尝小组参与者回答了数百个这样的问题，询问他们对不直接与葡萄酒相关的食物和风味的偏好，例如“你对青椒的感觉如何？”或“你对蘑菇的感觉如何？”

这些问题被 TastryAI 用作葡萄酒化学成分的类比，例如“你喜欢绿椒吗？”或“你喜欢蘑菇吗？”这些问题被用来了解消费者对葡萄酒的偏好，而不是询问他们对葡萄酒的描述。通过这些问题，TastryAI 学会了如何预测消费者对葡萄酒的偏好，而无需任何葡萄酒特定的数据。

通过这些数据，TastryAI 学会了如何预测消费者对葡萄酒的偏好，基于他们对食物偏好调查的答案。结果是，我们能够消除需要任何葡萄酒特定数据来预测他们的偏好的必要性。

我们需要多少数据来理解消费者偏好？

虽然我们从数百个食物偏好问题开始，但答案越多，结果越准确，但在回答 9-12 个问题后，收益递减。根据帕累托原则，表现最佳的食物偏好问题提供了大约 80% 的消费者口味理解。

目前，通常有 10-12 个问题的调查用于红葡萄酒，另有 10-12 个问题的调查用于白葡萄酒、玫瑰葡萄酒和起泡葡萄酒。

这使得我们能够实现可扩展的解决方案。自从我们在几年前推出试点项目以来，现在有很多类似的、看起来很有趣的测验在电子商务网站上。消费者可以在 30 秒内回答他们是否喜欢黑莓或咖啡等问题，并获得葡萄酒推荐。不同的是，这些测验只是风味描述过滤器，例如，如果你喜欢黑莓，你可能会喜欢有人描述为带有黑色水果风味的葡萄酒，如果你喜欢咖啡，你可能会喜欢有人描述为具有涩味的葡萄酒。但我们已经知道，如果这些描述对某人的口味准确，那么它们对预测他们是否喜欢这款葡萄酒没有预测力；但它们很吸引人，消费者喜欢测验。

Tastry 的推荐与葡萄酒的风味矩阵相关联。TastryAI 不是风味描述过滤器，它不会询问你是否喜欢葡萄酒中的蘑菇风味；它试图了解你喜欢或不喜欢的化合物的比例，基于你的生物口味偏好。每个问题提供了多层次的洞察力，因为每个问题都与其他问题重叠并交叉。例如，在询问你对蘑菇的感觉之后，下一个问题可能是“你对青椒的味道的感觉如何？”AI 可能知道，有 33 种化合物以特定的比例负责蘑菇的感知，有 22 种化合物负责青椒的味道，但重要的是，其中一些化合物同时存在于两者中。如果你说你喜欢蘑菇，但讨厌青椒，那么 AI 更有信心你喜欢一些化合物，更有信心你讨厌其他化合物，而那些重叠的化合物可能是上下文相关的。

因此，你可以想象一个多维的维恩图，AI 正在解开你喜欢或不喜欢哪些化合物，以及它们如何与其他化合物结合。

通过这种风味偏好调查和消费者反馈，我们从全球各地收集匿名的口味数据。电子商务网站或大型零售商可以在应用程序上启动 Tastry 测验，并在几个小时内从美国各地的消费者那里收集数千个回复。我们唯一收集的其他数据是邮政编码。我们使用邮政编码应用贝叶斯岭回归的变体，该变体利用我们收集和监测的已知消费者口味的地理分布以及其他数据来预测美国 200 多万可行消费者口味的其余部分。我们使用此增强数据集作为真实来源，并提供有关葡萄酒在市场、商店、当地或区域水平上的表现的预测。

Tastry 虚拟焦点小组

分析葡萄酒、解码其风味矩阵并评估其可口性与实际和虚拟口味的组合后，AI 目前在预测美国消费者对葡萄酒的评分方面的准确率为 92.8%。换句话说，AI 可以预测葡萄酒的平均 5 星评分，误差在 +/- 0.1 星以内。

可以把 AI 想象成一个“虚拟焦点小组”，用于预测消费者偏好。

酿酒厂使用 TastryAI 运行模拟，以了解消费者如何看待他们的葡萄酒，甚至在他们投资数年和数百万美元生产它之前。批发商使用 TastryAI 来确定各种葡萄酒在哪些地区表现最佳。零售商使用 TastryAI 来优化他们的货架和在线产品选择。而消费者使用 TastryAI 来避免购买他们可能不喜欢的葡萄酒的风险。y 投资数年和数百万美元来生产它。批发商使用 TastryAI 来确定各种葡萄酒在哪些地区表现最佳。零售商使用 TastryAI 来优化他们的货架和在线产品选择。而消费者使用 TastryAI 来避免购买他们可能不喜欢的葡萄酒的风险。