Quel outil d’analyse de données sensorielles choisir ?

Cet article vous aidera à identifier les méthodes d'analyse des données sensorielles adaptées à vos questions et à vos données.

Toutes les méthodes mentionnées dans cet article se trouvent dans le menu Analyse de données Sensorielles dans XLSTAT, à l'exception de l’Analyse en Composantes Principales, du Multidimensional Scaling (menu Analyse des données), de la régression PLS et de l'ANOVA (menu Modélisation des données).

Il y a différents types d’expériences sensorielles

Expériences de discrimination entre produits : les différences globales entre les produits sont évaluées par des juges. Ces expériences fournissent un aperçu global des différences entre les produits, sans entrer dans la caractérisation sensorielle détaillée. Elles trouvent leur utilité lorsqu'un nouveau produit est évalué pour la première fois.

Expériences de profil sensoriel, où un panel de juges évalue un certain nombre de produits sur plusieurs attributs, et souvent au cours de plusieurs sessions. Une analyse sensorielle plus approfondie est alors possible, par rapport aux expériences de discrimination entre produits. Les expériences suivantes sont des catégories typiques d'expériences de profil sensoriel :

• Profil conventionnel ou Quantitative Descriptive Analysis (QDA)

• Méthode du Spectre (Spectrum Method)

• Profils libres (Free Choice Profiling).

Si l'objectif de l'étude est d'optimiser les caractéristiques sensorielles des produits pour maximiser leur désirabilité, certaines méthodes permettent d'ajouter des données de préférences mesurées sur une échelle quantitative.

Expériences temporelles, où la perception des attributs est évaluée à travers le temps.

Deux autres outils sensoriels sont disponibles dans XLSTAT et seront traités séparément dans ce guide : analyse TURF et conception de roues sensorielles.

Expériences de discrimination entre produits

Dans les expériences de discrimination entre produits, les différences globales entre les produits sont évaluées. Il en existe différents types :

Expériences permettant de déterminer si un produit cible peut être facilement discriminé. Les méthodes impliquées sont les tests de discrimination sensorielle, comprenant notamment le très emblématique test du triangle : Les évaluateurs reçoivent trois produits, dont deux produits similaires et un produit cible. Ils doivent alors identifier le produit cible. D'autres tests de discrimination sensorielle disponibles dans XLSTAT sont répertoriés et expliqués ici. Il est important de s’attarder sur la mise en place du plan d’expériences pour les tests de discrimination sensorielle en utilisant la fonctionnalité XLSTAT développée à cet escient.

Expériences dans lesquelles les produits sont comparés par paires par des évaluateurs. Pour chaque paire, l'évaluateur sélectionne un produit gagnant d’un point de vue de la préférence ou d’un attribut spécifique. L'objectif est de classer les produits en termes d'intensité d’attribut ou de préférence et de définir un tableau quantifiant la propension à sélectionner un produit plutôt qu'un autre pour chaque paire de produits. Le modèle de Bradley-Terry généralisé peut être utilisé ici.

Une autre expérience consiste elle aussi à comparer plusieurs produits par paires. Dans ce deuxième cas, pour chaque paire, la dissimilarité ou similarité entre les deux produits est quantifiée numériquement par l'évaluateur. Le Multidimensional Scaling (MDS) trace une carte des produits. Les distances sur la carte représentent la dissimilarité.

Expériences de Tri Libre : les juges classent une série de produits dans des groupes qu’ils jugent similaires. A partir de ces classements, l’analyse de données de tri libre (free sorting) permet d’évaluer les distances entre produits.

Expériences de Projective mapping / Napping : chaque juge reçoit une nappe et est invité à y placer des produits en fonction de leur dissimilarité (les objets jugés similaires sont placés proches l’un de l’autre sur la nappe). La dissimilarité globale entre les produits peut ensuite être analysée à l'aide de la fonctionnalité STATIS, qui se base sur les coordonnées des objets de tous les juges.

Expériences de profil sensoriel

Préparation de l’expérience de profil sensoriel

Tout d'abord, il est fondamental d’organiser correctement l'expérience de profil sensoriel en prenant en compte les besoins et les contraintes, et tout en garantissant des résultats statistiquement exploitables. Les contraintes peuvent se traduire par un nombre limité de juges et un nombre limité de produits pouvant être testés par chaque juge. Les plans d'expériences pour l'analyse sensorielle permettent de construire des plans optimaux d’un point de vue statistique, tout en respectant les contraintes de l’utilisateur.

Une fois le plan défini, il existe plusieurs façons de collecter des données. Les attributs sensoriels peuvent être mesurés sur différentes échelles :

• Echelle quantitative (numérique) : typiquement, des échelles de Likert à 5, 7 ou 9 points, ou une échelle non-structurée. Le grand avantage de l’échelle quantitative est qu'elle donne des résultats plus précis. L'inconvénient est qu'elle nécessite un entraînement plus important du panel.

• Echelle Just About Right (JAR) : généralement mesurée sur une échelle de 3 ou 5 points où le point médian est le plus désirable. Exemple d’échelle JAR : pas assez salé – juste ce qu’il faut (JAR) - trop salé. Avantage : permet une optimisation plus fine des produits.

• Echelle CATA (binaire) : les juges cochent simplement la présence ou l'absence des attributs dans les produits. Avantage : la commodité de la méthode permet aux consommateurs non-experts mais représentatifs du marché réel de participer à l'expérience.

Vous trouverez ci-dessous un jeu de données typique d'une expérience de profil sensoriel.

Que faire une fois les données récoltées ? Tout dépend du type de données dont vous disposez et de la question que vous vous posez.

Mes évaluations sont quantitatives. Comment avoir une vue d’ensemble de l’information cachée derrière les données récoltées ?

En d'autres termes, comment visualiser globalement les relations entre les attributs sensoriels, les relations entre les produits et la caractérisation des produits par les attributs ? Les techniques multivariées s’avèrent utiles dans ce contexte.

L'Analyse en Composantes Principales (ACP) est souvent utilisée à cette fin. Les données doivent d'abord être moyennées parmi les juges pour obtenir une seule ligne pour chaque produit et une seule colonne pour chaque attribut (voir l'exemple de tableau ci-dessous). L'ACP efface ainsi les spécificités individuelles de chaque évaluateur. Par exemple, l’ACP ignore le fait qu'un évaluateur peut noter les attributs sur des échelles plus larges ou note de manière systématiquement plus élevée que les autres évaluateurs.

L'Analyse Procrustéenne Généralisée (GPA) apporte une solution au problème de l'ACP car elle prend en compte et corrige les distorsions de chaque évaluateur individuel. De plus, la GPA permet d'étudier le consensus entre les évaluateurs.

STATIS est une autre méthode multivariée qui prend également en compte les effets des juges. Les évaluateurs atypiques ont moins d'impact sur le résultat, ce qui est souhaitable lorsque ceux-ci ne sont pas représentatifs de la population. STATIS est basé sur des coefficients RV, qui permettent de comparer numériquement les notes des évaluateurs entre elles ou avec le consensus.

GPA et STATIS permettent également d'explorer des données issues d’expériences de Profil Libre (Free Choice Profiling), où les attributs évalués peuvent changer d'un juge à un autre (voir exemple de données ci-dessous). Ce type de données ne peut pas être étudié via une ACP.

L’Analyse Factorielle Multiple (AFM) peut elle aussi être utilisée dans ce contexte. L’AFM est une méthode générale permettant d’explorer les relations parmi plusieurs tableaux de données. Dans notre situation, chaque juge constitue un tableau (produits - attributs). En tant que méthode générale, l'AFM peut également être utilisé pour découvrir des informations sur les relations entre différents ensembles d'attributs sensoriels. Par exemple, dans l'évaluation sensorielle du vin, il est intéressant d’étudier les liens parmi les blocs d’attributs suivants :

Ensemble 1: 5 attributs liés à l’olfaction après repos.
Ensemble 2: 3 attributs liés à des critères visuels.
Ensemble 3: 10 attributs liés à l’olfaction après agitation.
Ensemble 4: 9 attributs liés au goût.

CLUSTATIS est une méthode permettant une classification des sujets sur la base de leurs perceptions des produits. Elle permet de mettre en lumière les différents points de vue du panel de sujets.

Mes évaluations sont quantitatives. Dans quelle mesure mon panel est-il fiable ?

Un panel de qualité doit avoir les caractéristiques suivantes :

Les juges doivent bien discriminer les produits.
Les juges doivent être en accord les uns avec les autres.
Les juges doivent être en accord avec eux-mêmes. En d’autres termes, leurs évaluations doivent être répétables d’une session à une autre.

L’Analyse de Panel permet d’étudier ces trois composantes dans le détail.

Les graphiques sémantiques différentiels peuvent être utilisés pour comparer les profils de juges à travers les attributs sensoriels d'un produit donné et ainsi évaluer le degré d'accord entre les juges.

Mes évaluations sont quantitatives. Comment caractériser et comparer les produits ?

Traditionnellement, l'Analyse de Variance (ANOVA) est utilisée pour comparer les produits entre eux pour chaque attribut. Les attributs sont les variables dépendantes (Y). Il est recommandé de tenir compte de l'effet juge en utilisant des ANOVA à deux facteurs avec le produit et l'évaluateur comme variables indépendantes. Si l'effet du produit global est significatif, des procédures de comparaison multiples peuvent être mises en place pour examiner la significativité précise des différences des produits entre eux, tout en contrôlant l’erreur de type I.

Contrairement à l’ACP, la GPA et STATIS, la méthode ANOVA est univariée. Elle ignore les relations entre les attributs sensoriels. Cependant, les tests qui découlent de l’ANOVA rendent l'étude des différences de produits pour chaque attribut plus précise.

La Caractérisation de produits est une autre fonctionnalité basée sur l'ANOVA. Elle aide à identifier rapidement les attributs sensoriels significativement supérieurs ou inférieurs à la moyenne pour chaque produit.

Les graphiques sémantiques différentiels peuvent aussi être utilisés pour comparer les profils sensoriels des produits.

Mes évaluations sont quantitatives. Comment étudier le lien entre les préférences et les données sensorielles ?

La Cartographie Externe des Préférences est une technique multivariée qui permet de modéliser les préférences en fonction des données sensorielles (exemple de données ci-dessous). Habituellement, l'espace sensoriel des produits est représenté sur une carte d’ACP, sur laquelle des zones de préférences plus ou moins élevées se superposent. La Cartographie Externe des Préférences permet notamment d'orienter le développement sensoriel d'un produit en direction des zones de préférences élevées.

Un grand avantage de la Cartographie Externe des Préférences est que les données de préférences et les données sensorielles ne doivent pas nécessairement être fournies par le même panel. Ainsi, il est courant d'utiliser des données de préférences issues de consommateurs, qui sont plus représentatifs du marché réel.

La Régression par les Moindres Carrés Partiels (PLS) peut également être utilisée pour modéliser les préférences en fonction des évaluations sensorielles des produits. Il est possible de sélectionner une variable unique de préférence (qui pourrait être la préférence moyenne pour chaque produit), ou un ensemble de variables de préférence (une par consommateur par exemple, voir tableau de données précédent). La régression PLS peut également être utilisée pour identifier les déterminants chimiques des attributs sensoriels, en particulier lorsque le nombre de composés chimiques évalués est élevé, ce qui peut être le cas des données issues de la spectroscopie.

La Cartographie Interne des Préférences est un autre outil multivarié conçu pour analyser les données de préférences seules, sans faire le lien avec l'espace sensoriel. Elle peut être utilisée pour détecter des groupes de consommateurs associés à des profils de préférence différents. La Cartographie Interne des Préférences est une adaptation de l’Analyse en Composantes Principales avec les consommateurs en variables et les produits en observations.

Mes données sensorielles sont évaluées sur une échelle JAR. Comment étudier le lien entre les préférences et les données sensorielles ?

L'Analyse des Pénalités (Penalty Analysis) est une méthode spécifique développée pour relier les données sensorielles Just-About-Right (JAR) aux données de préférences. Voici un exemple d'échelle JAR à 3 points: 1 = Pas assez sucré ; 2 = Juste ce qu’il faut (JAR) ; 3 = Trop sucré. L'analyse des pénalités permet une optimisation fine et quantifiée des produits. Cependant, contrairement à la Cartographie Externe des Préférences, les évaluations sensorielles et de préférence doivent obligatoirement être fournies par le même panel.

Étant donné que les plans d’expérience pour l'analyse des pénalités sont simples et n'impliquent pas d'effet juge, la fonctionnalité Plans d'expériences pour l'analyse sensorielle ne peut pas être utilisée pour générer une expérience d'Analyse des pénalités.

Mes données sensorielles sont binaires (CATA). Comment comparer les produits et étudier le lien entre les préférences et les données sensorielles ?

L'Analyse de données CATA (Check-All-That-Apply) permet de comparer les profils sensoriels des produits mesurés sur une échelle binaire (présence ou absence d'attributs). La simplicité d’évaluation sur une échelle CATA permet de sonder des consommateurs non-entraînés mais représentatifs du marché réel.

Si des données de préférences sont également fournies, CATA peut aider à identifier les attributs nécessaires et les attributs négatifs dans le but d’optimiser le score de préférence.

L’analyse de données CATA implique une succession de procédures statistiques, notamment des tests Q de Cochran, une Analyse Factorielle des Correspondances et une Analyse en Coordonnées Principales.

La fonctionnalité CATATIS offre une amélioration des méthodes multivariées utilisées dans CATA lorsqu’il est souhaitable de limiter l'influence des juges atypiques.

CLUSCATA va construire une classification des sujets sur la base des perceptions des produits. Cette méthode est à privilégier en cas d’hétérogénéité du panel de sujets.

Expériences temporelles

Au cours de la consommation de produits alimentaires, notre expérience sensorielle évolue avec le temps. Alors que toutes les méthodes citées jusqu’ici reposent sur l'évaluation statique des attributs sensoriels, des méthodes d'analyse dynamique peuvent être utilisées pour explorer les profils sensoriels au fil du temps.

La Dominance Temporelle des Sensations (DTS) et TCATA sont deux fonctionnalités similaires car elles permettent de comparer les profils sensoriels de différents produits au cours du temps. Pour chaque produit et à chaque pas de temps, les juges sont invités à noter la présence ou l’absence de différents attributs (exemple de tableau de données ci-dessous). Alors que DTS est plus visuelle et descriptive, TCATA implique des tests de significativité des différences entre les produits pour chaque attribut à chaque pas de temps. De plus, TCATA fournit une carte des trajectoires des produits dans l'espace sensoriel.

L’analyse Temps-Intensité compare des produits pour un attribut unique au cours du temps. Les données d'entrée doivent être quantitatives. Chaque évaluation est supposée suivre une courbe en forme de cloche : l'intensité de l’attribut augmente puis diminue avec le temps. Plusieurs paramètres (liste ici) de la courbe sont mesurés par le logiciel à chaque évaluation, et l'Analyse de Variance (ANOVA) est utilisée pour comparer ces paramètres entre les produits.

L’Analyse Sensorielle de Durée de Vie permet d'évaluer la meilleure durée de consommation d’un produit avant qu'il ne perde trop de propriétés sensorielles désirables, et ainsi de définir des dates de péremption. Cette méthode est basée sur des modèles paramétriques de survie.

Quelle combinaison de produits d'une marque doit être mise en avant pour toucher un maximum de consommateurs ?

Lorsque plusieurs produits sont fabriqués par la même marque, il est intéressant d'identifier quel sous-ensemble de produits maximiserait l’intérêt du consommateur lorsqu'ils sont exposés sur une étagère de supermarché, par exemple. Le sous-ensemble pourrait être une combinaison de 6 saveurs préférées sélectionnées parmi un ensemble de 30 saveurs disponibles pour une marque de crème glacée. L'Analyse TURF (Total Unduplicated Reach and Frequency) permet d'identifier la meilleure combinaison de produits sur la base de données d'évaluation des préférences de consommateurs pour tous les produits disponibles.

Comment concevoir un guide descriptif convivial d’attributs sensoriels hiérarchisés ?

La Roue Sensorielle est un guide visuel qui aide les juges à caractériser des produits spécifiques avec différents niveaux de précision. XLSTAT propose un outil pour concevoir facilement une roue sensorielle. Ci-dessous, une reproduction de la coffee tasters’ sensory wheel (coffeeandhealth.org).