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。
|
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》。
|
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
|
|