Cette vidéo tutorielle montre, pas à pas, comment réaliser une cartographie des préférences consommateurs à l'aide du package SensoMineR (via R Commander) et du jeu de données sensométriques. Le présentateur télécharge d'abord deux jeux de données (QDA‑cocktail et Edo), les importe dans R, convertit les variables numériques en facteurs, puis calcule les moyennes produit‑descripteur via une ANOVA. Il concatène ensuite le tableau sensoriel (results) avec le tableau hédonique (Edo) en veillant à l’alignement des lignes. À partir de ce tableau combiné, il lance le module Preference Mapping qui effectue une ACP sur les descripteurs sensoriels et projette les notes de préférence des consommateurs sur le plan factoriel. Le résultat est une carte affichant les zones de forte préférence (≈90 % des consommateurs) et de rejet (≈20 % des consommateurs), ainsi que les points noirs représentant les produits idéaux pour chaque consommateur. Le présentateur montre aussi la segmentation des consommateurs en deux classes (rejet vs appréciation) et en trois classes, en utilisant la fonction cartoConsumer pour visualiser les courbes de préférence de chaque segment. L’ensemble illustre le flux complet : importation, pré‑traitement, agrégation, analyse multivariée, visualisation et interprétation des préférences.
Chapters
On va voir maintenant comment faire une cartographie des préférences dans Sensominer. Donc je vais récupérer les données sur la page François Husson, données. Dans la rubrique sensométrie, je vais récupérer un jeu de données cocktail QDA. Enregistrer la cible du lien sous le bureau. Voilà. Et je vais récupérer aussi le jeu de données EDO qui correspond aux notes d'appréciation. Jeu de données TXT. Enregistrer sous. Je vais ensuite aller dans R, lancer R Commander. Je vais commencer par importer le jeu de données, donc le jeu de données QDA. Séparateur est le point-virgule. Il n'y a pas de décimales donc on peut prendre le point ou la virgule pour le séparateur de décimales. Le fichier s'appelle QDA-cocktail. Je vérifie que le jeu de données est bien importé. Les variables quantitatives pour les descripteurs. Certaines variables sont considérées comme quantitatives ici: séance, jugé, rang. Je vais les remettre en qualitatives. Convertir des variables numériques en facteurs. Donc les variables juge, rang et séance. Et je vais utiliser les noms pour éviter de renommer chaque niveau de facteur. Je remplace chaque variable. Alors ce jeu de données QDA, c'est un jeu de données avec en ligne un produit vu par un juge à une séance. Et moi, ce qu'il me faut pour faire la cartographie des préférences, c'est un jeu de données avec les produits en ligne et les descripteurs en colonne. Sur ce tableau complet, je vais calculer les moyennes par produit et par descripteur. Donc les moyennes de produits et puis je prends l'effet juge comme ça dans mon modèle d'analyse de variance, si j'ai des données manquantes, ça va rééquilibrer les données par rapport à l'effet juge. Je calcule les moyennes sur tous les descripteurs et je clique sur submit. Donc les calculs sont faits, les résultats sont dans le fichier results.csv. Si je sélectionne Résultats et que je fais Soumettre, j'ai un tableau avec en ligne tous les produits, en colonne les descripteurs et dans chaque case les moyennes par produit et par descripteur. Je vais maintenant importer le jeu de données avec les notes des appréciations. Pour ça, je vais cliquer sur FactoMineR, Importer le jeu de données. J'utilise FactoMineR parce qu'ici je vais pouvoir préciser que le nom des produits est dans la première colonne du tableau de données. Le tableau, je vais l'appeler Edo. Le séparateur de champs ici, c'est la tabulation. C'est un fichier TXT, séparateur tabulation. Je clique sur OK. Le jeu de données est le jeu de données Edo cocktail. Je fais Statistiques, Résumer le jeu de données actif. J'ai beaucoup de variables, 100 variables. Toutes les variables sont quantitatives. Le jeu de données est complet. Alors maintenant, il va falloir que je concatène le tableau sensoriel et le tableau hédonique. Pour ce faire, je vais vérifier que le nom des lignes est le même dans results et dans hedo. Donc renames de results et renames de hedo. Donc les noms sont les mêmes, ils sont ici triés dans le bon ordre. Donc je peux concaténer les jeux de données. Results suivi de Edo et là ça me permet de concaténer les deux jeux de données. Alors je peux aussi préciser que dans Edo je veux sélectionner les lignes dans l'ordre des lignes de results. Donc ici le fait de prendre Edo de entre crochets rownames de results, ça signifie que je prends les lignes qui correspondent à rownames de results, donc ça va me trier les lignes du tableau dans le même ordre que results et après la virgule je mets les colonnes, je prends toutes les colonnes. Donc c'est bien Edo retrier. Alors ici, c'était pas forcément nécessaire, mais dans certains cas c'est nécessaire. Je soumets. Évidemment, c'est la fonction combine.data.frame. Je resoumets et le tableau est créé. Donc le tableau est maintenant disponible en cliquant dans Données et je peux cliquer sur Dons. OK. Et maintenant, il me reste à faire la cartographie. Je vais réaliser la cartographie des préférences en cliquant sur Preference Mapping. Je vais sélectionner les descripteurs dans mon jeu de données dons. Les variables suivantes sont les consommateurs. L'analyse va d'abord faire une ACP à partir des descripteurs sensoriels et sur le plan d'ACP va projeter les préférences des consommateurs. Je vais conserver les résultats de l'ACP dans un objet qui s'appellera res.PCA. Je peux, dans les outputs, décrire chacune des classes et soumettre. Donc j'ai une carte des préférences avec les positions des produits sur le plan sensoriel et les préférences qui sont superposées. Donc on voit que Cette zone ici est une zone de préférence puisqu'on a un pic avec 90% des consommateurs qui apprécient les produits qui sont dans cette zone. Et au contraire, cette zone ici est une zone de rejet puisqu'il n'y a que 20% des consommateurs qui apprécient. Et puis on voit ici qu'il y a beaucoup de points noirs qui correspondent à des produits idéaux pour chacun des consommateurs. On a également une classification qui est réalisée des consommateurs, alors ici avec un découpage en 2 classes. Et pour chaque classe, on calcule par produit la moyenne de toutes les notes des individus de la classe. On peut projeter les préférences de la classe. On voit ici que les préférences sont assez proches malgré tout, elles sont vers les produits qui sont vers la gauche. Dans R Commander, on peut voir les résultats des descriptions des classes. La classe 1 est une classe qui va rejeter les produits. Donc principalement le produit MCB et le produit MCO, c'est ça qui la caractérise. Et comme il y a uniquement 2 classes, évidemment la classe 2 est caractérisée comme une classe qui apprécie au contraire ces produits MCB et MCO. Donc c'est pas très intéressant quand on n'a que 2 classes, mais quand on a plus de 2 classes, cette classification est intéressante. On peut également utiliser la fonction cartoConsumer qui va construire une cartographie après avoir fait une segmentation des consommateurs. Donc une segmentation ici en 3 classes et les préférences de chacune des classes sont matérialisées ici avec les courbes. Donc on voit que les zones de préférence de chaque classe sont à peu près autour de la zone de préférence qu'on avait tout à l'heure.
