A quién interesa: Empresas de alimentación, piensos,…etc
Problemática: Nuestro cliente desea mejorar la receta de un producto alimentario variando la composición de alguno de K ingredientes. El procedimiento a seguir es fabricar lotes de recetas diferentes y darlas a evaluar a consumidores habituales del producto que valoran la aceptación del producto y a especialistas en análisis sensorial que identifican características sensoriales.
Hay que tener en cuenta que una persona no puede realizar más de «x» catas, una muestra ha de ser probada por al menos «n» personas para reducir la variabilidad en la medida, y las recetas han de ser construidas siguiendo un plan experimental consistente para que los datos obtenidos puedan ser modelizados adecuadamente.
Teniendo en cuenta el conocimiento de expertos sobre el producto, las fuentes de variabilidad y los recursos disponibles proponemos una sistemática de recogida de datos con criterios estadísticos: una batería de recetas a experimentar, un plan de cómo distribuirlas por perfil de consumidores junto a productos de la competencia y métricas a evaluar. El análisis de datos se lleva a cabo cruzando los datos de consumidores y de expertos en análisis sensorial para identificar relaciones causales: qué elementos de la receta afectan a la aceptación del consumidor, cómo es el efecto y qué elementos sensoriales aparecen en esta percepción que pueden ser utilizados para potenciar la receta que se industrialice. Finalmente se propone una receta óptima.
Solución: Acorde con el tipo de mayonesa a mejorar se proponen diferente tipo de batería de experimentos. Se analiza diferentes percepciones del consumidor y se cruzan los resultados con el análisis sensorial. Finalmente se identifica: qué elementos de la receta afectan a la aceptación del consumidor, cómo es el efecto y qué elementos sensoriales aparecen en esta percepción y que pueden ser utilizados para potenciar la receta que se industrialice.
Técnicas utilizadas: Diseños de experimentos (“factoriales completos” y “fraccionados”, “Composite Design”, “Box-Behnken”), modelos de regresión, “Partial Least Squares”