1. Plan de entrenamiento a clientes.
reference mapping.P
Gabriel Contreras: gabriel.contreras@sinnetic.com
Fundamentos metodológicos e interpretativos.
Parte I.

2. Introducción.
Un Preference mapping es una metodología utilizada en ingeniería de producto para desarrollar o
innovar con propuestas en el mercado.
Las dos actividades (optimizar una formula existente o Innovar con una nueva propuesta en el
mercado) requiere homologar dos lenguajes: el lenguaje del experto (sobre el cual se basa el
ingeniero de alimentos y la estructura de producción de la compañía) y el lenguaje del consumidor
(sobre el cual se basa marketing).
¿Qué implica innovar?: Generar un producto nuevo, una experiencia organoléptica diferente
dentro del escenario competitivo promedio.
a. Se requiere probar por lo menos 4 productos de la categoría en el mercado y al menos dos
productos que no estén en el mercado (propuestas). Habitualmente en la practica se
seleccionan productos extranjeros como referentes novedosos.
¿Qué implica Optimizar?: Mejorar un producto existente homologándolo al perfil de los lideres de
la categoría sin perder identidad organoléptica, es mejorar desde la línea base.
a. Todos los productos dentro del escenario competitivo, por lo menos 4 se deben estar
actualmente expuestos en el mercado y representar el entre el 70% y el 80% de las ventas del
segmento de producto evaluado.

3. Internal Vs External Preference Mapping.
Según el objetivo de negocio se debe escoger la metodología de PM.
1. La optimización debe hacerse solo con productos que se encuentren actualmente en el
escenario competitivo. (el escenario competitivo actual pone los márgenes donde se mueve
un buen y un mal producto en términos organolépticos). La metodología de PM adecuada en
este caso es el INTERNAL PREFERENCE MAPPING y los datos de partida provienen del
consumidor.
2. La innovación debe tener en cuenta propuestas extremas en aquellas dimensiones en las que
se planea hacer la nueva propuesta. Estos pueden ser prototipos (productos diseñados) o
foráneos (productos extranjeros). La metodología de PM adecuada en este caso es el
EXTERNAL PREFERENCE MAPPING y los datos de partida provienen del panel sensorial.
Ambas metodologías homologan el lenguaje del consumidor con el lenguaje del panel sensorial
para facilitar la labor del ingeniero de producto. Sin embargo, la referencia cambia y dada la
naturaleza de los datos, los protocolos de análisis varían en su estructura.

4. Internal Vs External Preference Mapping.
Datos sensoriales.
PCA
Correlación con
consumidor
Present Plot
Datos de consumidor.
PCA en pref map
Correlación con juicio
de experto.
Present Plot
Internal Preference mapping
External Preference mapping
Vector model

5. PASO 1: Comprensión univariada de la
información.
Es importante comprender la distribución y comportamiento de las variables que contemplan el
espectro de producto.
El análisis de proporciones y medias por producto es un buen indicador unidimensional del
comportamiento comparativo de los productos.
Es necesario tener en cuenta algunas limitaciones:
1. La escala JAR debe estar redactada en términos que mida intensidades sensoriales no
preferencias sensoriales. Es decir: “Este producto tiene mas picante que otros productos de la
misma categoría” en lugar de “Tiene mas picante del que me gusta”.
2. El análisis unidimensional ofrece una visión miope de la realidad ya que solo evalúa el
producto como si este fuese compuesto por el atributo que se esta analizando. La realidad es
multidimensional.
3. Para darle sentido a los datos multidimensionales es importante analizar el impacto que cada
uno de los atributos tiene sobre el OVERALL LINKING index.

6. PASO 2: Comprensión y construcción del
Overall Linking Index.
1. Es diferente una persona que siempre mantuvo sus respuestas en TTB o JAR (4/5 en escalas
hedónicas de 1 a 5 o 3 en escalas JAR de 1 a 5) a una persona que siempre califico el producto
con calificaciones fuera de TTB y JAR y estos dos perfiles son diferentes a aquellos perfiles que
oscilaron entre TTB y no TTB.
El overall Linking es igual al conjunto de personas que simultáneamente estuvieron el TTB para dos
preguntas:
1. Intensión de compra.
2. Calificación en términos generales.
Overall Linking sería igual a ( A / A+B+C+D)
Si TTB No TTB
Si TTB A B
No TTB C D
Calificación en
términos generales en
prueba.
Intensión de compra.

7. PASO 3: Jerarquización los atributos segun su
aporte al Overall Linking index.
Existe una importante diferencia entre jerarquizar y ranquear un conjunto de atributos.
a. El ranqueo implica una organización basada en la proporción de respondentes o intensidad en
las medias o promedios.
b. La jerarquización implica tomar una variable de referencia y ver el impacto o aporte de cada
una de las variables (en este caso atributos de producto) sobre dicha referencia o gold
Estándar.
Para darle sentido a la valoración unidimensional, que se revisó en el punto 1, es importante ver el
impacto o aporte de cada atributo sobre el Overall Linking.
Para lograrlo hay que hacer uso de procesos de modelamiento complejo mediante una técnica de
la familia AMOS llamada SEM (Structural Equation Modeling).
a. El primer paso es construir un análisis factorial el cual reducirá el numero de atributos de
producto en factores que de aquí en adelante serán la referencia para los análisis. Estos
factores corresponden a correlaciones fuertes entre los atributos, tan fuertes que dichos
atributos en conjunto generan una nueva variable “latente” llamada factor. Atributos como
condimento, aliáceo y picante al estar correlacionados entre si, podrían generar un factor al
que se podría llamar “condimento”.
b. Tomando como X estas nuevas variables “latentes” o “factores” y como Y el Overall Linking
será posible entonces jerarquizar los atributos.

8. PASO 3: Jerarquización los atributos segun su
aporte al Overall Linking index.
¿Por qué usar análisis factorial para extraer variables “latentes” y no simplemente usar los
atributos directamente contra Overall Linking?
La respuesta tiene dos dimensiones, una metodológica y otra de negocio.
1. A nivel metodológico existe un proceso llamado MULTICOLINEALIDAD en los modelos de
regresión. Cuando las X (variables explicativas) en este caso atributos de producto, están
correlacionadas entre si, se sobre-estima la contribución de un “factor” dentro del modelo
haciéndolo mas impreciso. El análisis factorial reduce este numero de variables (atributos de
producto) en factores reduciendo la correlación entre los X eliminando el ruido que genera la
multicolinealidad.
2. A nivel de negocio, la correlación entre variables “factor” es importante porque anuncia la
dependencia que existen entre las variables. Si por ejemplo existe correlación entre picante,
aliáceo y condimento, cualquier cambio entre las variables de este grupo afectará
directamente a las demás. Los factores son dimensiones funcionales del producto.
el producto al ser una unidad química depende de la estabilidad y proporción de todos sus
ingredientes, una unidad funcional es aquella en donde se encuentran los ingredientes que varían
en conjunto, si se decide cambiar el picante, hay que pensar en cambios proporcionales de aliáceo
y de condimento de lo contrario la estabilidad de la unidad funcional se verá afectada en términos
de preferencia.

9. Jerarquización de las variables segun su aporte
relativo a OL.
Importancia
promedio
51%
Importancia
promedio
91%
Importancia
promedio
38%
Importancia
promedio
79%
Este grafico analiza el poder discriminante de los atributos. Es importante saber si el atributo es capaz de
discriminar entre una persona que evalúa alto (siempre en TTB), Bajo (siempre fuera del TTB) y oscilante
cada uno de los productos evaluados. A mayor poder discriminante del atributo mayor cantidad de rutas
se podrán encontrar con el mismo. Este poder discriminante se reporta en porcentajes.

10. Análisis unidimensional de atributos.
Análisis de atributos hedónicos en formato full.
1 3 1 3 4 1
7
13
2
19
1
8
3
36
41
25
37
23
44
28
35
27
46
24
47
29
45
21
16
26
17
29
15
23
Norma Litros G: Manjar Almendras Manjar con almendras de TOP Litros G: Manjar Almendras2 Manjar con almendras de TOP2 Litros G: Manjar Almendras3 Manjar con almendras de TOP4
Excelente
Muy bueno
Bueno
Ni bueno, ni malo
Malo
Muy malo
Pésimo
Norma PRODUCTO A PRODUCTO B PRODUCTO C PRODUCTO D PRODUCTO D PRODUCTO E
Base 75 (A) 75 (B) 75 (C) 75 (D) 75 (E) 75 (F)
Media 5,39 5,95 5.35 6.04 5.43 5.85
TTB → 55 43 (-12) 72 (17) 41 (-14) 76 (21) 44 (-11) 68 (13)
OR contra Overall Linking, 21% 39% 23% 23% 19% 14%
= Norma < Norma > Norma
1
3
2

11. Análisis unidimensional de atributos.
Independiente del formato de graficación es importante tener tres datos del comportamiento
unidimensional de cada atributo (por separado).
1. TTB: esta información resume en proporciones el volumen de personas que expresaron
calificaciones hedónicas elevadas. Es importante poder contrastar dicha información contra
una norma potencial y detectar la significancia estadística de las diferencias entre el TTB de
cada producto y la norma (En el ejemplo ilustrativo aparece en colores).
2. Comportamiento promedio del atributo. El promedio ponderado permite analizar
comparativamente el atributo entre cada uno de los participantes del escenario de análisis. Las
diferencias en los promedios permite detectar la tendencia central. Cuando hay mas de dos
productos en análisis las diferencias en los promedios se detecta con una prueba denominada
Kruskal Wallis y sus respectivas pruebas de comparaciones múltiples. La media debe
interpretarse en función de la proporción de personas en TTB. Puede haber una media elevada
pero con una proporción baja de personas en TTB por lo que la interpretación debe ser
cautelosa porque es una media sesgada.
3. OR contra Overall Linking: El grafico de jerarquización analiza el comportamiento de la
categoría. El OR desglosa el comportamiento de la categoría producto por producto para
analizar cual de ellos apalanca el comportamiento de la categoría y en que medida. El OR o
Odds Ratio es una medida de importancia extraída de una regresión logística y permite
calcular la probabilidad que un atributo al estar el TTB incremente las puntuaciones del OL. Los
datos se transforman a probabilidades para analizar los resultados en términos relativos.

12. Análisis unidimensional de atributos.
Una forma útil de revisar univariadamente la información, consiste en graficar los TTB y los TBB
calculando la tasa TTB / TBB para observar cuantas personas fuera del TTB hay por cada persona en
TTB.
A
B
C
D E
F G H
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Apariencia de frescura TB
A B C D E F G H
P1 P2 P3 P4 P5 P6 P7 P8
1,95 2,78 2,15 1,86 3,00 4,38 6,65 4,32
TTB/BBT
TTB
BBT

13. Analisis Factorial previo a la regresión de
jerarquización.
Como se explico anteriormente el AF permite detectar unidades funcionales de producto de cara al CONSUMIDOR. Reduce la cantidad
de variables a un conjunto mas pequeño de variables que no se correlacionan entre si. A este nuevo conjunto de variables se le
denominan factores y se tratan como variables latentes, es decir, como variables que no fueron medidas directamente en la muestra
pero se crean a partir de la correlación entre variables.
Varianza
Explicada:
26%
Varianza
Explicada:
40%
Varianza
Explicada
Modelo
66%
FACTOR
Asociación
Del atributo
Al factor
Porción de la
Realidad
Explicada por
El factor
Porción de la realidad
Explicada por el
Modelo completo
Superficie de la mortadela ,835
Olor de la mortadela ,810
Tamaño de la mortadela ,795
Grosor de la mortadela ,763
Color de la mortadela ,759
Facilidad al morder y masticar de la mortadela ,790
Sabor residual ,776
Cauchosidad de la mortadela ,769
Nivel de sal de la mortadela ,763
Nivel de Condimentos de la mortadela ,758
Sabor càrnico de la mortadela ,753
Jugosidad de la mortadela ,750
Sabor picante de la mortadela ,733
Nivel de Grasa de la mortadela ,707
Factor apariencia.
Factor experiencia de sabor

14. Analisis Factorial previo a la regresión de
jerarquización.
Varianza
Explicada:
26%
Varianza
Explicada:
40%
Varianza
Explicada
Modelo
66%
FACTOR
Asociación
Del atributo
Al factor
Porción de la
Realidad
Explicada por
El factor
Porción de la realidad
Explicada por el
Modelo completo
Superficie de la mortadela ,835
Olor de la mortadela ,810
Tamaño de la mortadela ,795
Grosor de la mortadela ,763
Color de la mortadela ,759
Facilidad al morder y masticar de la mortadela ,790
Sabor residual ,776
Cauchosidad de la mortadela ,769
Nivel de sal de la mortadela ,763
Nivel de Condimentos de la mortadela ,758
Sabor càrnico de la mortadela ,753
Jugosidad de la mortadela ,750
Sabor picante de la mortadela ,733
Nivel de Grasa de la mortadela ,707
Factor apariencia.
Factor experiencia de sabor
En este ejemplo, emergen dos factores. El primero de
ellos esta agrupando 9 variables medidas directamente.
Estas 9 variables en conjunto generan una dimensión
funcional de producto.
Se entiende por dimensión funcional a aquel conjunto
de atributos de producto en donde, la percepción por
parte del consumidor de uno de ellos, afecta
linealmente la percepción de los demás.
Por ejemplo cuando el consumidor percibe alto
hedónicamente (alto nivel de agrado) el atributo
facilidad para morder y masticar, tiende a percibir alto
sabor residual, cauchosidad, nivel de sal etc.
Cuando percibe alto el sabor del picante, percibe alto
también el nivel de grasa de la mortadela pero no la
jugosidad.
El grafico esta organizado de forma tal que el atributo
que esta por debajo se ve afectado por el que prosigue
pero no por el precedente.
El investigador es autónomo de nombrar este conjunto
de atributos según ciertos criterios. Habitualmente se
nombra según los dos o tres atributos con mayores
puntuaciones factoriales (expresadas al lado del a
tributo)

15. Analisis Factorial previo a la regresión de
jerarquización.
Varianza
Explicada:
26%
Varianza
Explicada:
40%
Varianza
Explicada
Modelo
66%
FACTOR
Asociación
Del atributo
Al factor
Porción de la
Realidad
Explicada por
El factor
Porción de la realidad
Explicada por el
Modelo completo
Superficie de la mortadela ,835
Olor de la mortadela ,810
Tamaño de la mortadela ,795
Grosor de la mortadela ,763
Color de la mortadela ,759
Facilidad al morder y masticar de la mortadela ,790
Sabor residual ,776
Cauchosidad de la mortadela ,769
Nivel de sal de la mortadela ,763
Nivel de Condimentos de la mortadela ,758
Sabor càrnico de la mortadela ,753
Jugosidad de la mortadela ,750
Sabor picante de la mortadela ,733
Nivel de Grasa de la mortadela ,707
Factor apariencia.
Factor experiencia de sabor
Un modelo factorial es un modelo de reducción de dimensiones, como tal
implica que:
1. Se parte de una realidad de ilimitadas e incontables dimensiones, es
decir, una realidad compleja.
2. Se reduce esa realidad compleja a un numero contable y manejable de
dimensiones.
Este proceso de reducción no se logra siempre hacer de forma precisa, es
decir, no siempre se logra reducir el 100% de la realidad de un producto a
la cual llamaremos variabilidad. Por ello, cada uno de los factores logra
explicar una proporción de la varianza y la suma de la varianza explicada
por cada uno de los factores constituye la varianza explicada del modelo.
Es deseable que un modelo logre un nivel de explicación de varianza
superior al 65%.
Una alta explicación de la varianza indica que el modelo de reducción fue
capaz de capturar las diferentes matices del producto a nivel organoléptico
desde la perspectiva del consumidor.
Bajas puntuaciones en varianza explicada indica que el producto no cuenta
con unidades funcionales claras, es decir, que cada atributo organoléptico
es independiente y único (cambios en ese atributo no afectará a otros
atributos) y por lo tanto no es posible reducir la realidad a un conjunto de
factores y aun los factores encontrados son insuficientes.

16. Regresión contra OL via AMOS.
Apariencia
Sabor
PREFERENCIA
,15
,31
,44*Sabor cárnico de la mortadela
Sabor picante de la mortadela
Nivel de sal de la mortadela
Nivel de Condimentos de la mortadela
Nivel de Grasa de la mortadela
Facilidad al morder y masticar de la mortadela
Cauchosidad de la mortadela
Jugosidad de la mortadela
Sabor residual
,29*
,19*
,21*
,08
,29*
,22*
,21*
,52*
Color de la mortadela
Olor de la mortadela
Superficie de la mortadela
Tamaño de la mortadela
Grosor de la mortadela
,05
,08
,10*
,15*
,18*
Los valores en los cuadros representan el aporte porcentual de
cada atributo a la construcción del OL.
No suma 100 porque entre si los productos se co ayudan o co
inhiben para la construcción del OL.
Los atributos en verde, logran hacer un aporte significativo a la
unidad funcional de producto, en amarillo se encuentran ciertos
atributos que no logran hacer un aporte relevante.

17. PASO 4: Funciones de optimización.
Entendiendo que es lo importante para el consumidor y comprendiendo el comportamiento de
estas variables a nivel unidimensional, es ahora importante iniciar a unificar criterios en otras
palabras, homologar el lenguaje de experto al lenguaje de consumidor.
Para lograrlo, es importante generar unas funciones de optimización en donde el objetivo es
maximizar la preferencia del consumidor a partir de una combinación entre atributos de experto y
de consumidor.
Varias cosas son vitales:
1. Se deben estandarizar las puntuaciones que el consumidor le da a los atributos y las
intensidades valoradas por el panel sensorial ya que se encuentran en unidades diferentes.
2. Se toma como X la respuesta del consumidor y como Y la intensidad valorada por el experto.
3. Se genera una función (ecuación) que describa la relación entre experto y consumidor por
cada atributo de producto.
4. Se Observa que producto dentro del escenario competitivo es aquel que optimiza la función
(Maximiza la preferencia) Este producto tiene dos condiciones: 1. esta en el cuadrante I o II y
simultáneamente se encuentra muy cercano a la línea que describe la relación
Experto/Consumidor o valor esperado.

18. PASO 4: Funciones de optimización.
R² = 0.9906
-2.00
-1.50
-1.00
-0.50
0.00
0.50
1.00
1.50
2.00
2.50
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 2.00
Dorado(Panel)
Apariencia general (Consumidor)
Apariencia general Vs Dorado
R² = 0.6893
-2.00
-1.50
-1.00
-0.50
0.00
0.50
1.00
1.50
2.00
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 2.00
Colordelamiga(Panel)
Apariencia general (Consumidor)
Apariencia general Vs Color miga
Dado el proceso de estandarización que se describió en el slide anterior, las líneas verticales son los promedios de
preferencia de consumidor para el atributo mientras que la líneas horizontales en el plano cartesiano corresponden a los
promedios de intensidad detectados por el panel de expertos.
La línea curva es la que describe la relación experto consumidor con un determinado R cuadrado (el cual debe estar por
encima de 0.60 para poder pensar que la relación descrita es valida)
Las estrellas revelan el producto que logro maximizar la función. Este producto debe estar de lado derecho de la vertical
(por encima del promedio en preferencia) y simultáneamente estar cerca a la línea que describe la relación experto
consumidor.
Los productos que maximizan serán aquellos que se utilicen como plantilla para diseñar el optimo según sus proporciones
de preferencia.
A B C D E F G H
P1 P2 P3 P4 P5 P6 P7 P8

19. PASO 4: Funciones de optimización.
R2:0.99Apariencia y
frescura
Frutas y pasas
Suavidad y
sensación
0.70*
0.036
-0.21
Combinación 0.89
Cantidad de frutas
Cantidad de pasas
Sabor a frutas
0.88
0.88*
0.84
Sabor a pasas 0.78
Suavidad
Sensación esponjoso
0.87
0.86
Frescura
Apariencia fresca
Apariencia general
Color de la miga
Color de la corteza
0.87
0.86
0.82*
0.80
0.074
Aroma 0.75*
Términos generales
Sabor general
Sabor residual
Frescura de la miga
Tamaño de la fibra
0.45
0.47
0.46*
0.46
0.59
Sensación al paladar 0.66*
0.79
Color de la corteza
Apariencia de la tajada
0.77
0.42*
Color de la miga
Aroma general
Nivel de dulce
0.84
0.59
Características
generales
Color y
apariencia
Aroma y dulce
0.45*
0.09
0.14
R2:0.88
R2:0.67
R2:0.71
R2:0.98
R2:0.96
R2:0.79
R2:0.75
R2:0.79
R2:0.97
R2:0.84
R2:0.82
R2:0.79
FR2:0.85
R2:0.99
R2:0.72
R2:0.62
R2:0.99
R2:0.80
R2:0.24
R2:0.96
R2:0.70
R2:0.80
R2:0.95
F
E H
A
A
B D
B D
F
D H
B D
A B C D E
B C
F G
E F G
F
F
F G H
G H
G HD
C F G
A B
F
B C F G H
A E F
E FB
A E F
F
A E F
B D H
G HED
F G
G HED
G HED F
D H
B D E G H
A B
F
C E HF
E G HB
D E HF
D GF H
Es común encontrar este cuadro de resumen que se detalla en el siguiente slide.
Este cuadro resume el AMOS y las funciones de optimización para tener una sola visualización del proceso.

20. PASO 4: Funciones de optimización.
R2:0.99Apariencia y
frescura
Frutas y pasas
Suavidad y
sensación
0.70*
0.036
-0.21
Combinación 0.89
Cantidad de frutas
Cantidad de pasas
Sabor a frutas
0.88
0.88*
0.84
Sabor a pasas 0.78
Suavidad
Sensación esponjoso
0.87
0.86
Frescura
Apariencia fresca
Apariencia general
Color de la miga
Color de la corteza
0.87
0.86
0.82*
0.80
0.074
Aroma 0.75*
Términos generales
Sabor general
Sabor residual
Frescura de la miga
Tamaño de la fibra
0.45
0.47
0.46*
0.46
0.59
Sensación al paladar 0.66*
0.79
Color de la corteza
Apariencia de la tajada
0.77
0.42*
Color de la miga
Aroma general
Nivel de dulce
0.84
0.59
Características
generales
Color y
apariencia
Aroma y dulce
0.45*
0.09
0.14
R2:0.88
R2:0.67
R2:0.71
R2:0.98
R2:0.96
R2:0.79
R2:0.75
R2:0.79
R2:0.97
R2:0.84
R2:0.82
R2:0.79
FR2:0.85
R2:0.99
R2:0.72
R2:0.62
R2:0.99
R2:0.80
R2:0.24
R2:0.96
R2:0.70
R2:0.80
R2:0.95
F
E H
A
A
B D
B D
F
D H
B D
A B C D E
B C
F G
E F G
F
F
F G H
G H
G HD
C F G
A B
F
B C F G H
A E F
E FB
A E F
F
A E F
B D H
G HED
F G
G HED
G HED F
D H
B D E G H
A B
F
C E HF
E G HB
D E HF
D GF H
Frescura es un atributo que aporta el 87% a la
construcción de la dimensión funcional de producto
llamada “apariencia y frescura”. Esta dimensión
genera un aporte significativo del 70% a la
construcción del overall linkin.
Cuando el consumidor incrementa su calificación de
frescura hacia un producto, también incrementa su
calificación hacia apariencia fresca, apariencia
general, color de la miga, aroma y color de la corteza.
Un cambio en apariencia fresca, apariencia general,
color de la miga, aroma y color de la corteza, no
repercute en cambios de sobre la valoración de la
variable frescura.
Hasta este momento, esta porción de la visualización
solo permite ver los resultados del AMOS.

21. PASO 4: Funciones de optimización.
R2:0.99Apariencia y
frescura
Frutas y pasas
Suavidad y
sensación
0.70*
0.036
-0.21
Combinación 0.89
Cantidad de frutas
Cantidad de pasas
Sabor a frutas
0.88
0.88*
0.84
Sabor a pasas 0.78
Suavidad
Sensación esponjoso
0.87
0.86
Frescura
Apariencia fresca
Apariencia general
Color de la miga
Color de la corteza
0.87
0.86
0.82*
0.80
0.074
Aroma 0.75*
Términos generales
Sabor general
Sabor residual
Frescura de la miga
Tamaño de la fibra
0.45
0.47
0.46*
0.46
0.59
Sensación al paladar 0.66*
0.79
Color de la corteza
Apariencia de la tajada
0.77
0.42*
Color de la miga
Aroma general
Nivel de dulce
0.84
0.59
Características
generales
Color y
apariencia
Aroma y dulce
0.45*
0.09
0.14
R2:0.88
R2:0.67
R2:0.71
R2:0.98
R2:0.96
R2:0.79
R2:0.75
R2:0.79
R2:0.97
R2:0.84
R2:0.82
R2:0.79
FR2:0.85
R2:0.99
R2:0.72
R2:0.62
R2:0.99
R2:0.80
R2:0.24
R2:0.96
R2:0.70
R2:0.80
R2:0.95
F
E H
A
A
B D
B D
F
D H
B D
A B C D E
B C
F G
E F G
F
F
F G H
G H
G HD
C F G
A B
F
B C F G H
A E F
E FB
A E F
F
A E F
B D H
G HED
F G
G HED
G HED F
D H
B D E G H
A B
F
C E HF
E G HB
D E HF
D GF H
Habitualmente los círculos al lado de los atributo son
ubicados indistintamente como aquellos fácilmente
predecibles desde el panel, sin embargo pueden
ubicarse jerárquicamente según su distancia a la curva
de optimización.
Es decir, son los atributos sobre los cuales se puede
trabajar a nivel organoléptico.
El R cuadrado, indica que la relación consumidor
experto es elevada lo que se indica que ese atributo
se podrá traducir a lenguaje de experto de una forma
razonable y precisa.
Para el atributo frescura, los productos que pueden
utilizarse como plantilla son el F, el G y el H
garantizando que la traducción a lenguaje de experto
o panel sensorial tendrá una precisión del 67% (si se
basa en las puntuaciones de frescura obtenidas por
estos tres productos)
Los cambios en frescura repercutirán sobre apariencia
de frescura, atributo que puede traducirse
confiablemente a lenguaje de experto con una
precisión del 88% si se usa como plantilla los
productos F, G y H.

22. PASO 5: Análisis de componentes principales.
El análisis de componentes principales o PCA es una forma de resumir información proveniente del
PANEL SENSORIAL con el objetivo de obtener un mapa que posicione comparativamente los
productos medidos según sus características sensoriales.
Dureza
Dulce
Crocante
Product C
Product D
Product B
Product A
Acidez
Product E
Si dos o mas productos están cerca en el mapa, quiere
decir que comparten ciertas características sensoriales.
Si un atributo esta cercano a algún producto, quiere decir
que este atributo es mas intenso para este producto que
para los productos que están ubicados del lado opuesto
del mapa.
Para un atributo determinado, la proyección ortogonal
de productos en la líneas de dicho atributo es
equivalente al Rankin de productos para ese atributo.
Evaluando el atributo Dulce se
puede decir que el producto D es
mas dulce que el E, el A y el C
en este orden.
A y E están cerca al atributo
“Dureza” por lo que lo contienen
mientras que C esta en el lado
opuesto por lo que puede
considerarse SUAVE.

23. PASO 5: Análisis de componentes principales.
Dorado
Color Miga
Cav. Interna
Dist. de pasas
Dist. de frutas
T. de fibra
Cons. Miga-tacto
Cons.miga-paladar
Frescura Miga
Alcohol
Vainilla
Mantequilla
Olor Cítrico: naranja
Olor Cítrico: limón
Olor Cítrico: bergamota
Olor Frutal: chirimoya
Caramélico
Quemado
Cartón
Rancio
Ácido
Olor Total
Sabor Alcohol
Sabor Vainilla
Sabor MantequillaSabor Citrico: Naranja
Sabor Citrico: Limon
Sabor Cítrico: bergamota.
Sabor Frutal: chirimoya.
Sabor Caramélico
Sabor Quemado
Sabor Rancio
Sabor Cartón
Sabor: Dulzor
Sabor: Acidez
Sabor Total
-1
-0.75
-0.5
-0.25
0
0.25
0.5
0.75
1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1
F2(24,75%)
F1 (33,78 %)
Esta primera visualización permite ver la distribución de los atributos (únicamente) teniendo en cuenta las intensidades
censadas por el panel sensorial. Las agrupaciones de cada atributos son unidades funcionales a nivel de intensidad (a
diferencia de las unidades funcionales encontradas en el FA que son unidades de preferencia). En este caso acidez y rancio
son dos elementos altamente correlacionados un cambio en uno genera cambios directos sobre el otro. Cambios en sabor
acido o rancio no implica cambios sobre olor cítrico ni sabor dulce.

24. PASO 5: Análisis de componentes principales.
Para leer adecuadamente este cuadro, es importante tener en mente los resultados del slide anterior.
El producto A esta altamente asociado a atributos como sabor quemado, sabor dorado, consistencia de la miga en el paladar etc.
La línea violeta representa la línea ortogonal del atributo sabor caramelico en donde el ranking es P6, P1, P3, P5, P4, P2. estos datos cobran
relevancia cuando se observa que sabor caramelico esta asociado a sabor dulce el cual representa el 59% de la unidad de producto “ Aroma
y Dulce” y la cual aporta un 14% a la construcción del Overall Linking. ¿Qué posiciòn en el ranking obtienen nuestros productos?
-6
-4
-2
0
2
4
6
-8 -6 -4 -2 0 2 4 6 8 10
F2(24,75%)
F1 (33,78 %)
Observaciones (ejes F1 y F2: 58,54 %)
A B C D E F G H
P1 P2 P3 P4 P5 P6 P7 P8

25. PASO 6: Escalamiento multidimensional.
Conservando la posición que el panel sensorial le dio a todos y cada uno de los productos en el PCA según la intensidad de los atributos
percibida, se SOBRE PONEN las puntuaciones de preferencia que el consumidor le otorga a cada producto.
Se observa que la mayoría de atributos se agrupan en preferencia hacia los productos F, E y A. es decir, los consumidores prefieren mas las
notas organolépticas de estos productos.
Cada producto tiene un peso diferente en la preferencia y cada producto captura o se apropia de forma diferente de cada atributo, teniendo
en cuenta esto se configura un mapa de calor que resume toda esta información.
A B C D E F G H
P1 P2 P3 P4 P5 P6 P7 P8
Apariencia general
Color miga
Color de la corteza
Apariencia de la frescura
Frescura
Aroma Terminos generales
Sabor general Sabor residual
Frescura de la miga
Color de la miga
Color de la corteza Apariencia general
Cantidad de frutas
Cantidad de pasas
Combinación
Aroma general
Sabor a pasasSabor a frutas
Nivel de dulce
Tamaño de la fibra
Suavidad
Sensación al paladar
Sensación esponjosa
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
F2
F1
Mapa de las preferencias
E
C
B
D A
F

26. PASO 7: Mapa de calor.
C
D
B
A
F
E
El mapa de calor representa zonas en las cuales están concentradas aquellas características o atributos con mayor nivel de preferencia
otorgada por el consumidor.
Estas zonas se determinan respetando las posiciones que el panel sensorial le da a cada uno de los productos en el PCA.
La preferencia se relativiza
de 0% a 100% y cada zona
esta representando un
porcentaje de preferencia
determinado.

27. PASO 8: Perfil optimo.
La posición de cada producto en el mapa de calor, le otorga una puntuación determinada de preferencia a cada uno. Esto en unión a la
importancia de cada atributo y teniendo en cuenta las plantillas determinadas para maximizar la relación experto/ consumidor, se genera un
perfil optimo que se grafica de forma sobresaliente entre los demás perfiles sensoriales diseñados.
2.389 2.402
2.240
0.127
4.047
0.482
2.394
2.063
2.744
-1.00
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
Frescura Combinación Suavidad Sensación al
paladar
Color miga &
(Color a la
miga)
Aroma general
& (Aroma frutal
chirimoya)
Cantidad de
pasas &
(Distribución de
frutas)
Sabor a pasas &
(Sabor Acido)
Sabor a frutas
& (Sabor
citrico de
naranja)
A B C D E F G H
P1 P2 P3 P4 P5 P6 P7 P8