产品测试中JAR问题的分析方法
出处：上海简博市场研究公司 发布日期：2009年09月02日 14:30
产品测试研究中，经常需要消费者对产品的感官属性进行评价，而人类通常对感官属性有一个最佳的适应点，例如：香味的浓淡程度，并不是香味越浓越好；甜味，也不是越甜越好。针对这种情况，在产品测试中，我们通常有两种方式来测度消费者对某个属性的感受：
1、 将属性感觉表现转化为快感指标(Hedonic scale)，比如消费者队属性表现的喜欢程度。这是很多研究公司常用的一种手段，提问方式可能是这样的：请问您对该产品气味浓淡的喜欢程度如何？请用1到5分来评价，1分表示非常不喜欢，5分表示非常喜欢。这种方式的优点是：评价量表（喜欢程度）是有次序的，通常可以利用显著性检验/相关/回归分析等方式来进行统计分析；但缺点是：即使被访者回答不喜欢，也难以从评价中得知气味是偏浓呢，还是偏淡，如果偏淡，大致需要改进多少？因此通常还需要借助其他手段来补救。
2、 用"正好(Just-About-Right，简称JAR问题)"的尺度方式来提问。同样对上面问题，我们提问的方式变为：请问你认为该产品气味的浓淡程度如何？请用1~5分来评价，1分表示太淡，5分表示太浓，3分表示正好。在这种方式下，评价得分并非越高越好，而是越靠近3分越好。JAR问题的优势是，可以借助于消费者的个人感知标准，确定最优的属性改进方向和大致改进尺度。因此JAR问题可以帮助产品开发人员直观地诊断产品的缺陷，确定产品属性改进方向和程度。但其缺点是：这种评价方式下，研究人员通常缺乏有力的统计分析手段，通常的显著性检验/相关/回归分析难以进行，在多个JAR属性中，难以确定这些因素的相对重要性和改进优先度。
虽然存在种种不便，但是JAR问题由于其对产品开发改进指导的直观性，仍然受到产品研发人员的青睐，目前，在食品/饮料、纺织品、个人护理用品等领域中，JAR问题是产品测试的常用尺度。而研究分析人员经过不懈的努力，也发展出了对JAR问题一系列分析手段，兹举例如下
一、常规的均值和图形分析
蛇形图可以将属性的平均得分通过折线图表示出来，这样可以看到每个属性离中心点的大致偏向。这种方式直观简洁，一目了然，是最常用的方法之一。
二、三角图展示方法
三角图也是用来呈现JAR属性的一个好手段，可用于呈现单个属性的评价，也可用于多个属性的评价，以及多个产品的对比呈现。
三角图的制作很简单，采用等边三角形的方式，左边表示JA人群的比例，右边表示TL人群的比例，下方表示TM人群的比例，具体的刻度方式参见下图：
图：一个三角图示例
上图含义：对于属性A，60%的人认为正好合适，28%的人认为过少，12%的人认为过多。而对于B配方，42%的人认为正好，20%的人认为过少，38%的认为过多。
将多个属性置于同一个三角图，可以方便地呈现产品的优点和缺点：
l 属性越靠近三角形的上尖端，则表示产品在该属性上表现越佳；
l 属性越靠近底端，则表明该属性的合适程度越低；
l 属性如果靠近左边（位于中心线左边），则表明认为该属性过强(多)的比例超过过弱（少）的比例；如果靠近右边（中心线右边），则表明认为属性过弱（少）的比例超过过强（多）的比例。
三、Penalty分析
Penalty分析是JAR问题分析中最常用方法，它可以在多个属性中，找出每个属性的相对重要程度，并确定产品改进的优先次序。Penalty分析的基本思想是：通过分析具体属性和对产品总评价之间的关联，确定每个具体属性对总体属性的影响程度，从而达到确定具体数据重要性的目的。在传统的属性评价中，这部分工作通常是通过回归分析和相关分析进行的。
Penalty分析的过程
Penalty分析需要以下两个方面的指标：
l 对产品的总体评价。总体评价必须是等差或等比的尺度，比如对产品的总体喜欢程度用1-7分评价，分数越高越喜欢。
l 对具体属性的JAR偏好评价。假定消费者评价了产品的某个具体属性，采用方式的是，中间值表示最合适。对一个5分量表而言：1分表示太少，2分稍微有点少，3分正好，4分稍微有点多，5分表示太多。
于是根据每个属性，我们可以将消费者分为3类：
l 第1类（打1~2分者）：认为产品在属性上偏少的人，记为TL；
l 第二类（打3分者）：认为属性表现为正好的人，记为JA，
l 第三类（打4~5分者）：认为属性表现为偏多的人，记为TM。
对于总体评价指标（总体喜欢程度），记消费者对该产品的总体喜欢程度为L。针对每个属性的三类人群，记每类人群对产品的总体喜欢程度（平均值）为
l L(TL)：表示TL人群对产品的总体喜欢程度
l L(TM)：表示TM人群对产品的总体喜欢程度
l L(JA)：表示JA人群对产品的总体喜欢程度
于是我们可以计算每个属性（比如说甜度）的Penalty指数(简记为P)
l P(TL)=L(TL)-L(JA)，TL人群的Penalty指数
l P(TM)=L(TM)-L(JA)，TM人群的Penalty指数
Penalty的大小反应了某个属性的偏向对总体指标的影响力度，通常称为Mean drops。如果将Penalty指数乘以该偏向的人群比例，则可以计算出由于这个属性偏向某个方向，而导致消费者总体评价下降的总分数，常称为Total mean drops。
Penalty指数反映了属性对总体评价的影响程度，因此它是一个可以用来衡量属性重要程度的标志，也被称为Penalty重要性。借助于象限分析等手段，可以确定产品属性的改进优先度和改进方向。
一个Penalty分析计算过程
JAR刻度 人数 占总体比例 产品总体喜欢程度（平均值） 分类平均喜欢程度 Penalty指数Mean drops total mean drops
1分-太少 8 8% 2.0 L(TL)=2.60 2.60-4.50=-1.90 (-1.90)*(8+12)=-38
2分-稍少 12 12% 3.0
3分-正好 50 50% 4.5 L(JA)=4.50
4分-稍多 20 20% 3.5 L(TM)=3.17 3.17-4.50=-1.33 (-1.33)*(20+10)=-40
5分-太多 10 10% 2.5
下面是一个典型的Penalty分析输出图表
从上图可以看出，奶味浓度偏淡是该产品的最主要问题。在甜度方面，虽然有23%的消费者认为过甜，但是过甜对消费者的总体喜欢影响不大，Penalty指数仅为-1.6；而甜度太弱对消费者的总体喜欢影响很大，因此总体来看，该产品在甜度方面的改进需要并不迫切。
四、JAR问题的统计分析
在统计分析方面，为了客户JAR尺度的非线性问题，目前研究者(R. Xiong等,2004)这提出了采用哑变量（Dummy Variable）处理的方法，也有些研究者尝试采用优化线性尺度后回归的方法。其中哑变量处理的方法比较直观，在此作简要介绍：
采用哑变量处理的基本思路是：将JAR问题的两个方向测度转化为两个哑变量，具体来说，对于一个5分尺度的JAR变量，处理方式如下
原始变量尺度 哑变量
X Z1 Z2 Z=Z1-Z2
1（太少） -2 0 -2
2（有点少） -1 0 -1
3（正好） 0 0 0
4（有点多） 0 1 -1
5（太多了） 0 2 -2
在进行过哑变量处理之后，原始变量事实上被拆分为两个单向变量，然后我们对这两个变量进行传统意义上的统计分析，比如主成分分析、回归分析等。
以回归分析为例，假定原来的回归模型为
Y=a+b1x1+b2x2+…+bkxk
经过哑变量处理后，回归模型转化为：
Y=a+(b11Z11+b12*Z12)+(b21*Z21+B22*Z22)+...+(Bk1*Zk1+Bk2*Zk2)
经过哑变量处理之后，对于回归分析而言，哑变量处理之后的变量间共线性程度可能加剧，因此采用PLS（偏最小二乘法）回归或者岭回归方法更加常用一些。
借助于回归分析模型，我们可以预测产品在改进后的最大喜欢程度（当所有测量属性都处于正好状态时的喜欢程度），并分析产品主要属性对产品喜欢程度的贡献。
结束语
总体来看，目前关于JAR问题的分析方法在产品测试中仍然是一个热门的话题，一些分析方法（比如采用Bootstrap方法[2]）仍在探讨和改进之中。由于所学有限，本文介绍中定有不当或遗漏之处，尚请同仁不吝指正。（上海简博市场研究公司：向采发）
参考文献：
1、Jean-Francois Meullenet and Rui Xiong，Bootstrap Penalty Analysis-Alternatives to distributions and. penalty analysis.
2、R. Xiong and J.-F. Meullenet ，A Novel Dummy Variable Approach to Preference Mapping. of Likings from JAR Data.
