In this lecture, the instructor outlines the structure of the course on sensory data analysis, focusing on how to treat and analyze data collected from a tasting panel of 29 agri‑food students who evaluated six Lindt dark chocolates. The dataset includes qualitative variables (session, judge, rank, product, first‑product indicator, previous product) and quantitative sensory descriptors (14 attributes covering odor, flavor, and texture) scored on a 0‑10 scale. The experimental design balanced rank and first‑order carry‑over effects, ensuring orthogonality between product, rank, and succession effects. The speaker demonstrates initial descriptive analyses using the R package sensominer: histograms per descriptor to assess overall score distributions and box‑plots per chocolate to visualize product‑specific score patterns, highlighting potential data entry errors and offering early insights into product characterization. The lecture emphasizes the importance of these preliminary checks before proceeding to more advanced statistical analyses.
Chapters
Donc dans le premier cours, on a vu comment construire des plans d'expériences, donc quelles expériences choisir, dans quel ordre faire déguster les produits. Ensuite, bien, il y a la dégustation proprement dite, et maintenant tout ce qu'on va faire, ça va être comment traiter les données, comment analyser les données qu'on a recueillies. Donc je vais suivre le plan suivant. Donc dans un premier temps, je vais présenter le jeu de données sur lequel je vais m'appuyer pendant l'ensemble du reste du cours. Ensuite, on va s'intéresser à une question qui est essentielle en analyse sensorielle, qui est comment caractériser un ensemble de produits ou comment caractériser un produit particulier. Ensuite, on va s'intéresser à l'évaluation de la performance d'un juge et l'évaluation de la performance d'un jury. Donc est-ce que le jury est performant quand il décrit un produit? Est-ce qu'il est répétable dans le temps? Est-ce que tous les juges évaluent le produit à peu près de la même façon? Et puis après, même question sur les juges, est-ce que les juges arrivent à différencier les produits et à caractériser les produits? Et puis dans une dernière partie, on verra comment caractériser les produits de façon multidimensionnelle, donc en fait comment construire ce qu'on appelle un espace produit. Alors, le jeu de données sur lequel on va travailler, c'est un jeu de données avec des chocolats noirs, des chocolats Lindt. Donc je vous ai mis le nom des 6 chocolats: Excellence, Amer, Mi Doux, Amazonie, Pâtissier, Supérieur. Alors, tous ces chocolats étaient dans la gamme des chocolats noirs, sachant que le Mi Doux ici avait quand même un petit peu de lait dedans, mais il était dans la gamme des chocolats noirs. Donc on verra que ce chocolat a des chances de sortir comme particulier. Alors le jury, c'était un jury d'étudiants du cursus agroalimentaire. Il y avait 29 étudiants qui avaient dégusté ces chocolats lors de 2 séances de dégustation. L'évaluation qui avait été faite, c'est une évaluation classique dans laquelle ils ont un produit, ils évaluent les produits selon une liste de descripteurs, et puis une fois qu'ils ont évalué un produit, ils évaluent un deuxième produit, puis le troisième, quatrième, cinquième et sixième. Donc les produits, ils les avaient un par un et ils évaluaient à chaque fois tous les descripteurs. Et les descripteurs sont ici. Donc il y a des descripteurs d'odeur, de saveur, de texture. Donc odeur de cacao, odeur de lait, et puis le caractère sucré, l'acidité, l'amertume. Quand il y a cacao ici, ça veut dire saveur de cacao, saveur de lait, saveur de caramel. Ensuite il y a l'astringence et puis les caractères croquant, fondant, collants ou granuleux. Donc des caractères à la fois odeur, saveur et texture. Et donc les produits étaient évalués selon des notes: 0, une très faible acidité, très faible saveur sucrée, et 10, une très forte valeur pour l'acidité ou la saveur sucrée par exemple. Et puis on avait bien travaillé, on avait fait un plan d'expériences qui équilibrait les effets rangs et les arrière-effets d'ordre 1. C'est ce que j'appelle aussi les effets de succession ou produits précédents. Donc ça, c'était bien équilibré, donc ça veut dire qu'il y avait orthogonalité entre effets produits et effets rangs, orthogonalité entre effets produits et effets succession. Quand on est en train d'évaluer l'effet produit, on le distingue complètement de l'effet rang et de l'effet succession. Il n'y a pas de confusion. Voilà, alors le jeu de données, une fois qu'il est saisi, vous avez un ensemble de descripteurs l'ensemble des descripteurs ici, donc de l'odeur de cacao, odeur de lait jusqu'aux granuleux. Donc vous avez les 14 descripteurs ici, et puis avant vous avez des variables séance. Donc il y avait 2 séances de dégustation, donc on indique la séance de dégustation 1 ou 2, le numéro du juge entre 1 et 29, le rang de dégustation du produit le numéro du produit, une colonne qui correspond à est-ce que le produit était dégusté en premier ou est-ce qu'il n'était pas dégusté en premier. Donc ça prend la modalité 1, la valeur 1 si le produit est dégusté en premier et la valeur 0 sinon. Et puis le précédent, c'est le numéro du produit qui a été dégusté précédemment. Donc on met la valeur 0 quand le produit est dégusté en premier et puis sinon on met la valeur du produit précédent. Donc si je regarde la première ligne, c'est le juge 1 qui évalue à la séance 1 le produit 6, il l'évalue au rang 1, donc c'est le premier produit qu'il évalue, il n'y a pas de produit précédent, et il met une valeur de 7 pour l'odeur de cacao, 6 pour l'odeur de lait, 7 pour le sucré, etc. Donc le tableau, on le met sous cette forme-là parce qu'à chaque fois qu'on va faire des statistiques, on met en général une colonne qui correspond à une variable. Et ici, il y a des variables qui caractérisent l'expérience: les variables séance, juge, rang, produit, premier, précédent. Et puis après, il y a les variables réponse: odeur de cacao, odeur de lait, etc. Alors de quelle nature sont les variables? Les variables séance, juge, rang, produit, premier, précédent, c'est des variables qui sont de nature qualitative. Ici elles sont codées comme quantitatives, mais la variable produit c'est un numéro de produit, mais en fait ça correspond au chocolat excellent, amer, mi-doux, etc. Donc c'est bien une variable qualitative. Le numéro du juge, là aussi c'est qualitatif. Normalement on a un nom de juge ou un prénom de juge, mais c'est pas du tout quantitatif. Et par contre odeur de cacao, odeur de lait, eh bien ça c'est des variables quantitatives. Alors ici c'est des variables qui sont discrètes, ça peut prendre que les valeurs entières, on va considérer que c'est quantitatif. Alors première chose à faire quand on recueille un jeu de données, eh bien c'est de commencer par faire une analyse descriptive des données. À quoi ça sert? Eh bien ça va servir à voir si on n'a pas fait d'erreurs de saisie par exemple, est-ce qu'on n'a pas mal codé une note et mis une note de 70, il ne faudrait pas se lancer dans des analyses statistiques avec des notes comme ça qui sont aberrantes. Donc ça permet d'une part de regarder si on n'a pas des erreurs de saisie, des valeurs aberrantes, et ça permet aussi d'avoir une première idée sur les résultats. Alors dans tous les transparents que je vais vous donner, de temps en temps vous aurez écrit ici en orange en haut à gauche un nom de fonction. C'est le nom d'une fonction du package sensominer, package qu'on utilisera en TD pour faire les analyses statistiques. Donc là, la fonction histprod, c'est une fonction et cette fonction permet d'avoir ce qu'il y a sur le transparent. Cette fonction permet d'avoir des histogrammes par descripteur. Donc ici vous avez un histogramme avec la distribution des notes de l'arôme de cacao Donc vous voyez qu'il y a assez peu de notes qui sont faibles, inférieures à 4, il y a beaucoup de notes qui sont entre 6 et 8. Après, pour l'arôme de lait, on a beaucoup de notes qui sont faibles, inférieures à 8, et très peu de notes qui sont au-delà. Ça donne une idée de la distribution des notes, et ça c'est tous produits confondus. Donc c'est pas forcément une analyse qui est très intéressante, ça donne juste une idée la distribution des notes. On voit par exemple qu'il y a beaucoup de chocolats avec une forte saveur de cacao, ce qui est normal puisque c'était des chocolats noirs. Et puis plutôt des notes faibles pour les arômes de lait, ce qui est aussi normal puisque c'était des chocolats noirs. Autre représentation graphique qui va permettre de vérifier qu'il n'y a pas d'erreur de saisie, mais qui va donner beaucoup plus d'informations par rapport aux histogrammes, c'est de construire des boîtes à moustaches. Et on construit des boîtes à moustaches par chocolat. Donc là, que donne cette représentation graphique? Cette représentation graphique va permettre de visualiser la distribution des notes par chocolat. Ici, cette boîte à moustaches représente la distribution des notes du chocolat 1 pour l'arôme de cacao. Je suis focalisé sur un descripteur et je regarde la distribution des notes. Et donc là, je commence déjà à avoir une description en fait des produits parce que je vais voir que, par exemple, le chocolat 3 a tendance à avoir des notes inférieures aux notes des autres chocolats. Alors, je sais pas encore si c'est significatif, d'accord? J'ai pas fait de test pour voir si c'était juste un hasard ou si au contraire c'est une information qui est importante. Mais je commence déjà à avoir des idées sur la distribution des notes et sur la caractérisation des produits. Alors même chose pour l'arôme de lait, on voit que là les notes pour le chocolat 3 ont tendance à être plutôt supérieures à celles des autres chocolats. Ce graphe-là est à mon avis indispensable à faire quand vous avez fait votre description sensorielle, votre analyse sensorielle, et que vous allez dans une première fois regarder les données avant de se lancer dans toute analyse plus poussée. C'est indispensable de faire cette description des produits.
