Capítulo 7

Optimización del rendimiento del producto

Davide Giacalone
Universidad del Sur de Dinamarca, Odense, Dinamarca

Bosquejo del capítulo

1. Introducción Hacia dentro en el Producto
2. Optimización basada en ¿Proceso de desarrollo?
Atributos y preferencias 3.2 Integración de Aspectos
sensoriales
Intrínsecos y extrínsecos del
2.1 Asignación de preferencias producto
Enfoques 3.3 Respuestas emocionales a
2.2 Enfoques basados en el Productos alimenticios
consumidor
3.4 Salud y bienestar
(JAR, Perfil ideal, y
3.5 Ajustar el contexto de uso
CATA) previsto
3. Optimización del producto 4. Conclusión
"Más allá del gusto” Referencias
3.1 ¿Qué debemos optimizar?

1. INTRODUCCIÓN
El desarrollo de nuevos productos (NPD) es un aspecto crucial que las empresas
necesitan para ser cada vez más exitoso para sobrevivir en el mercado altamente
competitivo de hoy (Costa y Jongen, 2006). Sin embargo, la tasa de éxito para
nuevos productos en los alimentos y otros productos empacados son
notoriamente bajos (Stewart-Knox) & Mitchell, 2003), con un estimado de 75% -
90% de nuevos productos que se retiran del mercado dentro de 1 año del
lanzamiento (Dijksterhuis, 2016; Köster & Mojet, 2012). Este sorprendente
estado de cosas apunta a la necesidad de una efectiva métodos para guiar el
desarrollo del producto hacia la maximización del rendimiento del producto en el
mercado.

Uno de los pasos más importantes en NPD es la optimización del producto. La

meta de este paso es obtener instrucciones para formular productos que se
alineen lo más posible con los ideales de los consumidores (Ares, Varela, Rado
y Giménez, 2011). Operacionalmente, la optimización consiste en identificar el
conjunto de propiedades del producto que maximiza un determinado indicador
de rendimiento del producto, como la aceptabilidad del producto o gusto general.
El enfoque convencional en la ciencia sensorial y el consumidor consiste en
recopilar datos de "gustos" en una gama suficientemente amplia de productos y
relacionarlos con las características sensoriales y / o formulaciones de los
productos de prueba. A través de modelos de regresión, con los objetivos de (1)
identificar el punto o región en el espacio del producto preferida por los
consumidores, (2) identificar los atributos subyacentes del producto ("impulsores
de gusto") que definen esta región ideal, y (3) formular recomendaciones sobre
cómo deben formularse nuevos productos (o cómo deberían modificarse los
productos existentes) para maximizar el gusto del consumidor (van Trijp, Punter,
Mickartz y Kruithof, 2007).

Existen varios enfoques de optimización disponibles para este fin, con las
principales diferencias relacionadas con si los datos perceptuales son obtenidos
por un panel capacitado externo o por los consumidores, y si la región ideal debe
ser estimada a partir de los datos o indicada directamente por los consumidores.
Situada dentro de este contexto, la primera parte de este capítulo proporciona
una visión general de los enfoques principales para la optimización de productos
utilizados en la ciencia sensorial y del consumidor.

Además de la optimización basada en el gusto, los científicos sensoriales se han

vuelto cada vez más interesados en incluir otras medidas de rendimiento del
producto. Estos incluyen, entre otros, respuestas emocionales, asociaciones
conceptuales, medidas actitudinales cognitivas y potencial de salud y bienestar.
Motivado por la necesidad de comprender mejor y, en última instancia, predecir
las experiencias de productos de los consumidores, este movimiento "más allá
de la simpatía" ha sido una de las tendencias más destacadas en el campo
sensorial y de consumo en los últimos años. Estos avances se revisan en la
segunda parte del capítulo, que también proporciona una discusión sobre la
incorporación de tales medidas en el contexto de la optimización del producto.

2. OPTIMIZACIÓN BASADA EN ATRIBUTOS SENSORIALES Y QUE GUSTA

2.1 Enfoques de mapeo de preferencias

Las propiedades sensoriales de los alimentos y bebidas son un factor crítico para
determinar las elecciones de los consumidores de alimentos y bebidas, y sin
duda el factor más importante para determinar nuestro disfrute de estos
productos. Lo que es más importante, tanto la experiencia cotidiana como la
investigación empírica nos dicen que la aceptabilidad sensorial de los alimentos
predice fuertemente el consumo (Hellemann & Tuorila, 1991; Sidel, Stone,
Woolsey y Mecredy, 1972), convirtiéndolo en un criterio de optimización muy
razonable en el contexto de NPD. Debido a esto, los científicos sensoriales llevan
mucho tiempo interesados en comprender la relación entre las propiedades
sensoriales específicas y la aceptabilidad de los alimentos, para identificar
aquellos que maximizan el gusto dentro de una categoría de producto específico,
así como para segmentos de consumidores específicos dentro de esa categoría.

El resultado ha sido el desarrollo de una sofisticada matriz de métodos

estadísticos para cuantificar las relaciones entre las propiedades sensoriales del
producto, típicamente evaluadas por un panel sensorial capacitado usando
análisis descriptivo y clasificaciones de aceptabilidad, típicamente evaluadas por
un panel de consumidores que utilizan, por ejemplo, el 9- escala hedónica pt
(Lawless y Heymann, 2010; Macfie, 2007). Esta clase de métodos se conoce
colectivamente como mapeo de preferencias (McEwan, 1996). En su forma más
básica, el mapeo de preferencias se basa en modelos lineales de las
puntuaciones de gusto individuales de los consumidores a partir de las
puntuaciones de intensidad sensorial o, más a menudo, una combinación de
modelado lineal siguiendo alguna técnica de reducción de datos (Næs, Brockhoff
y Tomic, 2010). Esta forma de mapeo de preferencias generalmente se conoce
como asignación de preferencias "externa", en oposición a "interna", que solo
utiliza los datos de preferencias del consumidor para crear el espacio del
producto (Macfie, 2007). La relación entre los atributos sensoriales (la matriz de
predicción) y los datos de aceptación del consumidor (la matriz de respuesta) se
modela utilizando herramientas como la regresión del componente principal o la
regresión de mínimos cuadrados parciales. Los dos primeros componentes
principales siempre se conservan como variables independientes en el mapa de
preferencias, aunque a veces, para conjuntos de datos específicos, puede ser
razonable retener un mayor número de componentes.

Aunque es posible usar clasificaciones de aceptabilidad promedio como la

variable dependiente, es más habitual incluir modelos separados para cada
consumidor, mostrando qué atributos sensoriales del producto contribuyen a sus
clasificaciones de preferencia respectivas. La razón para adaptarse a los
consumidores individuales proviene de la importante comprensión de que,
incluso dentro de una categoría de producto estrecha, los consumidores a
menudo exhiben patrones de preferencia bastante heterogéneos. En tal
situación, un modelo que incluyera solo una medida agregada de aceptabilidad
sería de poca utilidad. Por el contrario, la captura de esta heterogeneidad en el
análisis de datos permite la segmentación de los consumidores en grupos
caracterizados por patrones de preferencia similares. Según Thomson (2007),
entre tres y ocho segmentos son típicos dentro de una categoría de producto
único. El mapeo de preferencias puede proporcionar información valiosa a los
desarrolladores de productos, ya que permite el desarrollo de productos que se
adaptan a las preferencias de segmentos de consumidores específicos. Danzart
(Heyd & Danzart, 1998) introdujo la idea de definir contornos en el espacio de
mapeo de preferencias que muestra el número de consumidores que se
pronostica sobre la base de su modelo ajustado inicialmente a un puntaje mayor
que un puntaje de "corte" fijo (para Por ejemplo, en la escala hedónica de 9
puntos, un corte adecuado podría ser 7). La figura 7.1 muestra un ejemplo de
este tipo de análisis para un conjunto de datos sobre 16 cócteles (Lê & Husson,
2008).

En su forma más básica, el mapeo de preferencias se basa en el modelado lineal,

es decir, supone que las preferencias del consumidor disminuyen o aumentan
con la intensidad creciente de cualquier atributo específico. Esta suele ser una
suposición válida dentro de las condiciones probadas. Sin embargo, si el espacio
sensorial es lo suficientemente grande, puede ser razonable esperar que a los
consumidores les guste un atributo específico hasta cierto punto "óptimo",
después de lo cual su gusto disminuirá. Si ese es el caso, un modelo más
avanzado basado en enfoques de regresión polinomial de segundo grado
generalmente proporcionará un mejor ajuste a los datos. El modelo lineal
identifica la dirección de las preferencias crecientes ("cuanto más, mejor"); Los
modelos polinomiales identificarán en cambio los "puntos ideales" en el mapa.
Un ejemplo de mapas de preferencia obtenidos utilizando el modelo vectorial
(lineal) y el modelo ideal de puntos (cuadráticos) se muestra en la figura 7.2,
utilizando datos de un estudio sobre quesos bajos en grasa (Johansen, Hersleth
y Næs, 2010). Se remite al lector a McEwan (1996) para una discusión en
profundidad de los diferentes enfoques de modelado.
FIGURA 7.1 Mapeo externo para 16 cócteles evaluados mediante análisis sensorial
descriptivo con un panel sensorial entrenado, y luego sometido a una prueba de
aceptación con 100 consumidores. (a) La gráfica de puntuaciones que ilustra las
posiciones de los productos (etiquetadas 1-16) en los primeros dos componentes de un
modelo de análisis de componentes principales a partir de los datos sensoriales. (b) El
gráfico de cargas que muestra la correlación de los dos componentes con las variables
sensoriales, así como con el puntaje hedónico de cada consumidor. Los últimos se
representan como vectores sin etiqueta, cuya dirección y longitud representan,
respectivamente, la dirección de las preferencias crecientes y el grado de ajuste del
modelo. La mayoría de las preferencias de los consumidores aparecen correlacionadas
positivamente con los primeros componentes principales que identifican los atributos
dulzor, grosor y olor a plátano como principales impulsores del gusto. Esto se confirma
con la gráfica de contorno superpuesta en la gráfica de puntajes, que identificó la región
entre los productos 2, 3 y 11 como la del consumidor. El conjunto de datos está
disponible en R (R Development Core Team, 2015), y este análisis particular se puede
realizar utilizando la función carto del paquete SensoMineR (Lê & Husson, 2008).
FIGURA 7.2 Modelo de preferencia externa de preferencias del consumidor por 17
productos de queso bajos en grasa utilizando un modelo polinomial que incluye términos
lineales y cuadráticos para dos componentes de análisis de componente principal (PCA)
(Johansen, Hersleth, et al., 2010). (a) El gráfico de cargas de correlación para una PCA
que ilustra las diferencias relativas para los 17 productos en función de los atributos
sensoriales significativos. (b-d) Mapas de preferencia y diagramas de contorno para tres
grupos de consumidores diferentes. Las preferencias para los consumidores en el
primer grupo (b) se describen mejor mediante un modelo de punto ideal cuadrático con
preferencia maximizada para los productos al centro del gráfico, como el producto 1. El
segundo grupo se describe nuevamente mediante un modelo cuadrático, pero en este
caso los términos al cuadrado para los dos componentes tienen signos opuestos. Esto
genera un modelo de "punto de silla" (c), con las preferencias más altas yendo en dos
direcciones sensoriales diferentes. El tercer y último grupo (d) tiene una estructura de
preferencia lineal principalmente impulsada por productos en el cuadrante inferior
izquierdo, pero sin alcanzar puntajes hedónicos óptimos. Como las preferencias en este
grupo son linealmente (es decir, tanto mejor) relacionadas con sabores cremosos y
ácidos, el aumento de estos atributos en, por ejemplo, los productos 15 y 1 optimizaría
estos productos para este segmento de consumidores. (Reproducido con permiso de
Elsevier).

Los desarrolladores de productos pueden usar mapas de preferencias como una

herramienta para comprender qué atributos sensoriales deberían modificarse
para lograr ese óptimo. La utilidad de dichos modelos depende en gran medida
de la elección del espacio del producto. Los mejores resultados se obtienen
cuando los productos de prueba (1) cubren un espacio sensorial representativo
de la categoría de producto y (2) se eligen de acuerdo con un diseño
experimental que permite la máxima interpretabilidad con respecto a la
formulación que puede ofrecer el óptimo identificado. Una vez que un nuevo
producto reformulado está disponible, puede enviarse para su evaluación al
panel sensorial capacitado para obtener un nuevo perfil sensorial, que luego
puede ser conectado al modelo de mapeo de preferencias disponible para
obtener una predicción de su rendimiento esperado (en términos de consumo
gusto) y para evaluar qué tan cerca está del óptimo identificado. Como señaló
Thomson (2007), algunas iteraciones de desarrollo de productos, perfiles
sensoriales y mapeo de preferencias pueden ser necesarias para obtener un
producto casi óptimo, que luego se somete a pruebas confirmatorias de
productos con el grupo objetivo de consumidores.

Los modelos de mapeo de preferencias son modelos flexibles con respecto a los
datos de entrada. Por ejemplo, los datos fisicoquímicos de los productos se
pueden usar para modelar las preferencias del consumidor, ya sea en forma
adicional a los datos sensoriales o de forma independiente (véase, por ejemplo,
Thybo, Kühn y Martens, 2004).

Una estrategia relacionada, que es particularmente útil en la optimización del

producto, es desarrollar un conjunto de productos de acuerdo con un diseño
experimental con una variación sistemática alrededor de ingredientes o procesos
clave. Los factores de diseño (por ejemplo, dos ingredientes para los cuales se
han definido los límites superior e inferior), así como sus interacciones, se usan
para modelar las preferencias del consumidor directamente, usando regresión
lineal o polinomial. Este tipo de análisis de datos es una forma de metodología
de superficie de respuesta (RSM, Giovanni, 1983), donde se usa la aceptabilidad
del consumidor como criterio de optimización. Es extremadamente útil como
herramienta de optimización de productos para inferir la combinación óptima de
factores de diseño a partir de los datos. En consecuencia, numerosas
publicaciones dan fe de su utilidad para una variedad de propósitos. Como
ejemplo, consideremos brevemente una aplicación de RSM para optimizar las
mezclas de vino tinto hechas de tres variedades de uva: cultivares de Cabernet
Sauvignon, Merlot y Zinfandel (Dooley, Threlfall y Meullenet, 2012). En este
estudio de caso, los factores fueron las proporciones relativas de las tres
variedades de uva en la mezcla; por lo tanto, se utilizó un diseño de mezcla
(Arteaga, Li-Chan, Vázquez-Arteaga y Nakai, 1994) para seleccionar un
subconjunto de mezclas de vino (figura 7.3). Debido a que el criterio de
optimización fue la maximización del gusto del consumidor, las mezclas
seleccionadas del diseño de la mezcla se probaron posteriormente con un grupo
de consumidores (N = 108) que las evaluó usando la escala hedónica de 9
puntos.

El modelo de RSM para estos datos se obtuvo haciendo una regresión de los
puntajes de afición individuales para identificar el área en el espacio experimental
donde se maximiza el gusto. El resultado principal en este análisis se muestra
en la figura 7.4 (a) y (b), que visualiza espacios de productos óptimos para dos
segmentos de consumidores diferentes. (Tenga en cuenta que los consumidores
se dividieron en dos segmentos antes de este análisis. Este paso a menudo
puede ser necesario en aplicaciones prácticas cuando las preferencias del
consumidor también lo son
FIGURA 7.3 Aplicación de la metodología de superficie de respuesta para la
optimización del producto de mezclas de vino tinto. La figura muestra el diseño de la
mezcla utilizada para seleccionar el conjunto de mezclas de vino para la prueba del
consumidor. (Reimpreso con permiso de Dooley, L., Threlfall, R.T., Meullenet, J. (2012).
Optimización de la calidad del vino mezclado a través de la maximización del gusto del
consumidor. Calidad y preferencia de los alimentos, 24, 40-47).

heterogéneo). Los dos modelos identificaron las siguientes mezclas de vinos

optimizadas para los dos segmentos de consumidores:

 Segmento 1 (Fig. 7.4 (a), N = 60): 68% Cabernet Sauvignon + 26% Merlot
+ 6% Zinfandel
  Segmento 2 (Fig. 7.4 (b), N = 48): 27% Cabernet Sauvignon + 2% Merlot +
71% Zinfandel

Se pueden encontrar detalles adicionales sobre este estudio de caso en Dooley

et al. (2012) RSM ha sido un elemento básico de la optimización sensorial
desde su introducción al campo por Giovanni (1983). Otros ejemplos
"pedagógicos" de esta técnica en el contexto de la optimización del producto se
pueden encontrar en el estudio de Felberg, Deliza, Farah, Calado y Donangelo
(2010), en el que los autores utilizaron el mismo enfoque para estimar las
concentraciones óptimas de ingredientes clave (café instantáneo,

FIGURA 7.4 Ubicación de la preferencia máxima (en una escala de 9 puntos) y mezclas
de vinos optimizadas para dos segmentos de consumidores. Las clasificaciones de
gusto del consumidor se convirtieron usando una fórmula de conversión de deseabilidad
donde por el valor más bajo (0 en una escala de 9 puntos) corresponde a un valor de
0.0, el valor medio (el valor medio de cada consumidor en todas las muestras)
corresponde a 0.5 deseabilidad, y el valor superior (9) corresponde a una deseabilidad
de 1.0. (Reimpreso con permiso de Dooley, L., Threlfall, R.T., Meullenet, J. (2012).
Optimización de la calidad del vino mezclado a través de la maximización del gusto del
consumidor. Calidad y preferencia de los alimentos, 24, 40-47).

azúcar, y leche de soya) para bebidas de café de soja, y en un estudio de Khare,

Biswas, Balasubramanium, Chatli y Sahoo (2014) en el que se utiliza RSM para
optimizar las condiciones de procesamiento (tiempo de secado y vaporización)
para fideos de carne de pollo.

Cabe señalar aquí que RSM (y el mapeo de preferencias en general) es un

enfoque flexible, y muchos otros criterios de optimización a veces se consideran
(rendimiento y / o costo de producción, por ejemplo). Los métodos que permiten
la optimización simultánea en múltiples criterios también están disponibles (ver,
por ejemplo, Khuri y Mukhopadhyay, 2010), aunque en la experiencia de este
autor, su aplicación en la ciencia sensorial y del consumidor es muy limitada.

Otras extensiones del mapeo de preferencias incluyen métodos de tres bloques

para modelar los datos de preferencia de los datos sensoriales del producto y
cualquier característica de fondo de la muestra del consumidor (Thybo et al.,
2004). Esta es una extensión que es particularmente útil en la comercialización
de nuevos productos, ya que puede revelar si los segmentos de consumidores
tienen alguna relación con las características relevantes del consumidor, como
edad, sexo, origen étnico, etc., que pueden apoyar un posicionamiento más
específico del producto. Este enfoque tuvo cierta popularidad inicial como se
muestra en varias publicaciones (Frandsen, Dijksterhuis, Martens, y Martens,
2007; Giacalone, Bredie, & Frøst, 2013; Plaehn & Lundahl, 2006; Thybo et al.,
2004; Vinzi, Guinot, & Squillacciotti, 2007). Aunque prometedor, aún no se ha
convertido en una corriente principal en el análisis sensorial y de consumo, en
parte debido a su complejidad inherente y en parte debido al limitado soporte de
software para este tipo de análisis.
2.2 Enfoques basados en el consumidor (JAR, perfil ideal y CATA)

Uno de los inconvenientes de los enfoques de mapeo de preferencias es que el

espacio sensorial se define externamente (por ejemplo, por un panel entrenado).
La validez de este enfoque se basa en la suposición de que el espacio producido
por el panel capacitado (1) es representativo de cómo los consumidores perciben
los productos y (2) produce dimensiones que pertenecen a las preferencias: una
suposición bastante fuerte que ha sido cuestionada en la literatura (Jaeger,
Wakeling, y MacFie, 2000). Esto, junto con el creciente reconocimiento de que
los consumidores son capaces de evaluar las propiedades sensoriales, ha
despertado el interés en desarrollar métodos basados directamente en las
percepciones de los consumidores. Uno de esos métodos que es muy popular
para la optimización de productos es la escala de ¨Tal como me gusta¨ (JAR –
just about right). Este es un tipo de prueba cuantitativa del consumidor donde los
consumidores evalúan un producto con atributos sensoriales específicos. Las
escalas JAR son esencialmente escalas bipolares con el punto central
etiquetado "casi correcto" y los polos "demasiado" o "insuficiente". Escala de
línea y escalas de categoría (3, 5, 7 y 9 puntos) se utilizan, y los resultados se
visualizan fácilmente trazando la distribución de las respuestas de los
consumidores para cada punto de la escala. Como ejemplo, la Fig. 7.5 muestra
dos distribuciones hipotéticas de respuestas JAR para dos productos evaluados
con el atributo "salinidad".

En la mayoría de los casos, las evaluaciones de JAR se obtienen

concurrentemente con las pruebas de aceptabilidad de los mismos
consumidores. La combinación de estos dos tipos de información ("gustos" y
"JAR") permite al desarrollador del producto estimar el impacto de las
desviaciones del nivel JAR en el gusto del consumidor. Por lo general, esto se
hace mediante el "análisis de penalización", un procedimiento simple en el que
los datos se separan inicialmente en grupos inferiores, superiores o al nivel JAR.
Luego, se calculan las calificaciones de gustos promedio para cada grupo y se
resta la media de cada grupo que no es JAR de la media del grupo JAR. La
diferencia resultante (la "caída media") representa la reducción en la
aceptabilidad del producto cuando la intensidad del atributo no es óptima.
FIGURA 7.5 Distribución hipotética de las respuestas JAR sobre dos productos
relacionados con el atributo "salinidad". El gráfico muestra que la respuesta JAR para el
producto A se aproxima a una distribución normal, lo que indica que este producto tiene
un valor casi óptimo. Intensidad en ese atributo. Por el contrario, el producto B muestra
una distribución sesgada a la izquierda, lo que sugiere que hay una necesidad de
mejorar la salinidad en ese producto.

La figura 7.6 muestra un resultado típico del análisis de penalización, en el cual

la caída media en el gusto se grafica frente al porcentaje de consumidores que
marcan ese punto de escala. Esta información suele ser útil para los
desarrolladores de productos, ya que les permite evaluar si las desviaciones del
ideal son lo suficientemente grandes como para justificar cualquier ajuste del
producto, así como identificar los atributos sensoriales que se deben priorizar en
otros esfuerzos de optimización, es decir, los que causan la mayor caída en
aceptabilidad y muchos consumidores la perciben como no JAR.

Como los ejemplos en las Figuras. 7.5 y 7.6, las escalas JAR proporcionan
información directa e intuitiva sobre la dirección para la optimización del
producto: una característica atractiva tanto para los desarrolladores de productos
como para cualquier parte interesada (por ejemplo, clientes, personal de
marketing, etc.) a quienes se les comunicarán los resultados.

El trabajo de Worch y sus colegas ha ampliado el concepto de escalas JAR en

el llamado método de perfil ideal (IPM) (Worch, Lê, Punter, & Pagès, 2013). Este
método de prueba combina las escalas JAR con los elementos del perfil sensorial
clásico, ya que requiere que los consumidores califiquen tanto la intensidad
percibida como la ideal de los atributos sensoriales. En la misma prueba, los
consumidores también califican el gusto por el producto. Por lo tanto, IPM
proporciona un conjunto completo de datos que incluye perfiles sensoriales de
los productos, puntajes de gusto para los productos e intensidades ideales para
los atributos calificados. Debido a que la optimización generalmente se realiza
en datos agregados, el primer paso en el análisis generalmente consiste en
verificar si existen ideales únicos o múltiples. Este es un aspecto importante para
monitorear porque la optimización del producto se basa en la suposición de que
los consumidores pueden asociar confiablemente el producto probado con un
ideal único dentro de esa (sub) categoría de producto (Worch et al., 2013),
siempre que la categoría sea suficientemente estrecha. 1 Suponiendo que se
está probando más de un producto, los consumidores en efecto calificarán las
intensidades ideales tantas veces como productos, permitiendo al
experimentador calificar la consistencia de estas calificaciones ideales también
dentro de los consumidores individuales. En el nivel de los atributos individuales,
la suposición de que existe un ideal único puede probarse utilizando el análisis
de varianza utilizando calificaciones ideales como la variable dependiente y el
producto y los consumidores como efectos principales. Multivariadamente, la
exclusividad puede evaluarse computando un análisis de componentes
principales (PCA) y observando la incertidumbre en torno a la posición del
producto ideal en el mapa visualizado a través de elipses de confianza obtenidas
de una técnica de remuestreo de datos. La figura 7.7 muestra un ejemplo del
análisis principal de los datos de IPM de un estudio sobre una crema para la piel
(Worch, Crine, Gruel, & Lê, 2014).

En particular, la figura 7.7 (a) muestra los puntajes de PCA para la gráfica en
función de las características sensoriales percibidas e ideales del producto.
Estos se ubican consistentemente en la parte superior izquierda de la gráfica, y
el hecho de que la confianza se omite en la superposición de puntos ideales se
toma como evidencia de que los consumidores realmente tienen un ideal único
para este conjunto de productos al cual apuntar durante el proceso de
optimización. Los resultados en el nivel de los atributos individuales se pueden
visualizar utilizando, por ejemplo, diagramas de araña como se muestra en la
figura 7.7 (b), para visualizar efectivamente las distancias entre las
características del producto percibido e ideal. De forma similar a JAR, también
son posibles los análisis complementarios cuando se incluyen clasificaciones de
gusto para evaluar el orden de importancia de las desviaciones de ideal para el
gusto. En Worch, Dooley, Meullenet y Punter (2010) se analizan diferentes
enfoques analíticos para este tipo de análisis sobre los datos de IPM.