針對商品感官屬性的評分資料,介紹分析方法與視覺化討論的技巧。
感官資料有各式各樣的形態,除了量化數字,還有質性文字,本書將以量化數字為主軸,透過多變量方法的應用與視覺化技術,來回答:最受消費者喜歡的是哪些特性?現行商品符合市場需求嗎?
本書寫作為完整的資料導向,涵蓋推薦系統和消費者與專家品鑑兩類資料的形狀與特性,實做上則以R 套件SensoMineR 完成分析為重點。每章開場皆以詳述特定的資料結構為鋪陳,希望透過認識資料(know your data)深入感官資料分析的方法。
第一章是基於消費的採購行為所做的關聯推論,也是第二章品鑑資料的基礎。第三章則是稍微特殊一點的感官資料,也就是對商品屬性的專業品鑑,分別針對專業品鑑者(panelists)和商品的多種屬性作系統性分析。第四、五章為「商品角度的感官評分:單維度以及多重的屬性清單」。最後一章則是分析現今最流行的「按讚」行為,從中分析出消費者的偏好。
作者簡介:
何宗武
美國Univ. of Utah經濟學博士,現為國立臺灣師範大學全球經營與策略研究所教授,教學資歷豐富,曾任世新大學經濟學系及財務金融學系教授。
專長
計量建模,財務經濟學,商業資料科學
著作
多本相關書籍如:《大數據決策分析盲點大突破10講:我分類故我在》、《資料分析輕鬆學:R Commander高手捷徑》、《大數據時代的決策思維:資料敘事的起承轉合》、《數位創新:商業模式經濟學》、《管理數學、Python與R:邊玩程式邊學數學,不小心變成數據分析高手》、《財經時間序列預測─使用R的計量與機器學習方法》、《文圖互織的資料寫作學:使用 R Markdown》。
作者序
感官評分的資料科學
推薦系統與產品分析
這本書針對商品感官屬性的評分資料,介紹分析方法與視覺化討論的技巧。本書涵蓋的第一種評分資料是消費者對電影、音樂或書籍等商品的滿意度評分(Liking);本書將介紹如何利用相似度矩陣執行協同演算法,來建立推薦系統。第二種則牽涉商品感官屬性的調查資料,例如,雞尾酒成分、口紅色調,和香水香調等商品屬性的評分;本書將透過多變量方法的應用與視覺化技術,來回答:最受消費者喜歡的是哪些特性?現行商品符合市場需求嗎?
在我有限的認知下,台灣相關感官資料分析的書至少有兩本,分別是楊士慶與陳耀茂(2018) 的《感官檢查統計分析》和劉伯康與莊朝琪(2020) 的《食品感官品評》。這兩書內容已涵蓋不少主題,因此,若兩書已有詳盡說明,本書就不列為主題,例如,CATA 分析在楊士慶與陳耀茂(2018) 有專章,我就不選入。劉伯康與莊朝琪(2020)有完整的調查方法與實驗設計解說,若讀者有意於此,應該參考此書。這兩本書對我幫助十分巨大,必須對作者致上敬意。除此,感官資料另一類涉及文字資料的處理與分析,因此涵蓋篇幅過大,暫不列為本書主題。
本書寫作為完整的資料導向,涵蓋推薦系統和消費者與專家品鑑兩類資料的形狀與特性,實做上則以R 套件SensoMineR 完成分析為重點。每章開場皆以詳述特定的資料結構為鋪陳,希望透過認識資料(know your data) 深入感官資料分析的方法。
感官資料的應用不止在於市場調查(商品),在民意調查,將公眾人物的屬性定義好,依然可以回答類似問題:公眾人物的哪些屬性,最受選民歡迎?中間選民的特徵為何?
感官評分的資料科學
推薦系統與產品分析
這本書針對商品感官屬性的評分資料,介紹分析方法與視覺化討論的技巧。本書涵蓋的第一種評分資料是消費者對電影、音樂或書籍等商品的滿意度評分(Liking);本書將介紹如何利用相似度矩陣執行協同演算法,來建立推薦系統。第二種則牽涉商品感官屬性的調查資料,例如,雞尾酒成分、口紅色調,和香水香調等商品屬性的評分;本書將透過多變量方法的應用與視覺化技術,來回答:最受消費者喜歡的是哪些特性?現行商品符合市場需求嗎?
在我有限的認知下,台灣相關感官資料分析的書至少有兩本,分別...
目錄
序
第一章 推薦演算之一:關聯規則與購物籃分析
第一節 交易記錄資料與基礎測量
第二節 關聯規則演算法之一:Apriori
第三節 其他方法
第二章 推薦演算之二:評分資料分析Real Rating
第一節 Real Rating 資料處理
第二節 協同演算法Collaborative Filtering
第三章 感官資料量化分析:ANOVA 方法
第一節 品鑑者角度的感官品鑑:單維度屬性清單
第二節 ANOVA 之一:使用panelperf()
第三節 ANOVA 之二:使用paneliperf()
第四章 商品角度的感官評分之一:單維度屬性清單
第一節 資料
第二節 主成分方法簡介
第三節 adjmean 的主成分分析
第四節 集群分析方法
第五節 adjmean 的集群分析之一:階層式集群樹狀圖
第六節 adjmean 的集群分析之二:K-means 方法
第五章 商品角度的感官評分之二:屬性的多重清單
第一節 利用MFA 建構商品空間
第二節 從Group 角度的整合與詮釋
第三節 資料練習—酒的感官饗宴
第六章 大家一起來按讚:消費者品鑑
第一節 享樂分數資料分析
第二節 當消費者喜好Liking 遇到專家評分Rating
第三節 消費者接受性分析之一:JAR 資料
第四節 消費者接受性分析之二:IPM 資料
序
第一章 推薦演算之一:關聯規則與購物籃分析
第一節 交易記錄資料與基礎測量
第二節 關聯規則演算法之一:Apriori
第三節 其他方法
第二章 推薦演算之二:評分資料分析Real Rating
第一節 Real Rating 資料處理
第二節 協同演算法Collaborative Filtering
第三章 感官資料量化分析:ANOVA 方法
第一節 品鑑者角度的感官品鑑:單維度屬性清單
第二節 ANOVA 之一:使用panelperf()
第三節 ANOVA 之二:使用paneliperf()
第四章 商品角度的感官評分之一:單維度屬性清單
第一節 資料
第...