Digitale tweelingen in sensorisch onderzoek

‍

Maar zelfs de beste sensorische panels opereren in de echte wereld. Panelleden kunnen afwezig zijn, onderzoeksopzetten kunnen variëren, attributen kunnen ontbreken en er kunnen hiaten in de gegevens ontstaan. Wanneer dit gebeurt, kan de impact groter zijn dan verwacht: verminderde analysecapaciteit, tragere rapportage, lagere vergelijkbaarheid tussen studies en, in sommige gevallen, kostbare herhalingstests.

Deze uitdaging wordt nog belangrijker in onderzoeksomgevingen met een hoge doorvoer, waar meerdere studies in korte tijd moeten worden afgerond. In die gevallen zijn snelheid en continuïteit cruciaal.

Bij Haystack stelden we een eenvoudige maar krachtige vraag: wat als we een betrouwbare digitale versie van een expert panellid zouden kunnen creëren, niet om hen te vervangen, maar om het onderzoeksproces te ondersteunen wanneer gegevens onvolledig zijn?

En dat is precies wat we hebben gebouwd: digitale tweelingen.

‍

Wat dit betekent voor uw onderzoek

Voor klanten zijn de voordelen zeer concreet.

Digitale tweelingen houden onderzoeksteams op koers wanneer onderzoek in de praktijk complex wordt. Wanneer een panellid afwezig is, gaat de studie zonder vertraging verder. Als er enkele scores ontbreken, maakt de dataset gebruik van deelnemerspecifieke gegevens in plaats van generieke gemiddelden. En wanneer de deadlines krap zijn, werken teams met een compleet en robuust beeld van de resultaten.

Belangrijk is dat dit geen one-size-fits-all model is. We bouwen digitale tweelingen op basis van de eigen beschikbare gegevens, categorie en panelcontext van de klant. We werken iteratief en valideren het model op de specifieke dataset die het moet ondersteunen. Dit voorkomt een black-box benadering of de generieke aanname dat het model in elke context zal werken. In plaats daarvan stemmen we de oplossing af op de specifieke categorie, het panel en de dataset en testen we deze voor voordat we ze toepassen.

Dit ondersteunt snellere rapportage, minder herhalingstests en minder druk op expert panels. Het kan ook helpen de vermoeidheid van panelleden te verminderen, omdat niet elke kloof hoeft te leiden tot extra veldwerk.

De aanpak is vooral relevant voor klanten die frequent sensorisch onderzoek uitvoeren, lange termijn trackingprogramma's hebben of innovatie pijplijnen met een hoog volume beheren. In deze contexten kunnen zelfs kleine efficiëntiewinsten op termijn een grote impact hebben.

Digitale tweelingen ondersteunen productinnovatie, herformulering, kwaliteitscontrole, concurrentiebenchmarking en sensorische tracking. Ze helpen teams producten consistenter te vergelijken, de kwaliteit van beslissingen te waarborgen en sneller van data naar actie over te gaan.

Kortom, ze helpen klanten betere beslissingen te nemen wanneer de omstandigheden niet perfect zijn. En in praktijkgericht onderzoek zijn die zelden perfect.

‍

Voorbij gemiddelden: Wat zijn digitale tweelingen?

Digitale tweelingen zijn synthetische modellen die getraind zijn op historische panelgegevens binnen een specifieke productcategorie. Ze zijn ontworpen om het scoringspatroon van een individueel panellid te reproduceren voor producten en attributen binnen die categorie. Het model houdt ook rekening met de productcontext, de relatie tussen attributen en de manier waarop het panellid zich gedraagt in vergelijking met de rest van het panel.

Dus wanneer gegevens ontbreken, vervangt een digitale tweeling deze niet zomaar door een gemiddelde. In plaats daarvan maakt het een meer individuele schatting op basis van hoe dat specifieke panellid in het verleden, in vergelijkbare contexten, heeft gescoord.

Dat verschil doet ertoe. Gaten opvullen met gemiddelden lijkt misschien onschuldig, maar het kan stilletjes de variantie afvlakken en de relaties tussen attributen verzwakken. Toch is deze onderliggende structuur precies waar analyses zoals PCA (Principal Component Analysis), sensorische mapping en benchmarking van afhankelijk zijn. Een digitale tweeling helpt meer van die structuur te behouden door rekening te houden met de scoringsstijl van elk panellid, de productcontext en de relaties binnen de data.

Om deze aanpak te valideren, heeft Haystack digitale tweelingen getest door opzettelijk gegevens te verwijderen en te controleren hoe goed het model de ontbrekende waarden kon schatten. Dit omvatte ontbrekende attribuutscores, ontbrekende productgegevens en ontbrekende panelleden.

Tijdens ons validatiewerk kwamen digitale tweelingen consequent dichter bij de werkelijke scores dan simpele gemiddelden. Zelfs toen verschillende panelleden uit de gegevens werden verwijderd, kon het model hun werkelijke scoringspatronen nog steeds nauwkeurig voorspellen. In de praktijk betekent dit dat digitale tweelingen kunnen helpen de sensorische capaciteiten te vergroten, zowel in het algemeen als nog sterker in specifieke gevallen of projecten. Ze doen dit niet door het panel te vervangen, maar door beter gebruik te maken van de reeds bestaande expertgegevens.

‍

Klaar voor onderzoek dat in beweging blijft?

Ontbrekende gegevens zullen altijd deel uitmaken van onderzoek in de praktijk. Panelleden zullen soms afwezig zijn, studies zullen niet altijd perfect compleet zijn en deadlines zullen krap blijven.

De gelegenheid is om intelligenter met die realiteiten om te gaan.

Bij Haystack ontwikkelen we digitale tweelingoplossingen die klanten helpen de onderzoekskwaliteit te beschermen, operationele frictie te verminderen en van onvolledige gegevens naar betrouwbare beslissingen te gaan. Want de toekomst van sensorisch onderzoek draait niet om een keuze tussen snelheid en kwaliteit. Het gaat om het bouwen van slimmere systemen die beide bieden.

Benieuwd hoe digitale tweelingen uw onderzoeksproces kunnen versterken? Laten we onderzoeken wat er mogelijk is voor uw categorie, uw gegevens en uw innovatie-uitdagingen.

‍