Comment optimiser vos Preference mapping et segmentation des préférences ? RECO#4

Preference Mapping (Prefmap) augmenté : intégrer l'overall liking dans la construction de la carte sensorielle via une AFM pour une meilleure modélisation des préférences

Le Preference Mapping (ou PrefMap) est un outil clé pour relier le profil sensoriel d'un produit au plaisir ressenti par les consommateurs. 

Utilisé pour optimiser des recettes, piloter des innovations ou guider des repositionnements, il permet d'identifier avec précision les leviers sensoriels qui génèrent la préférence.

Cependant, parvenir à une lecture cohérente entre la vision experte (issue d'un panel entraîné à décrire finement les produits) et la réalité consommateur (où la préférence est subjective, émotionnelle et souvent hétérogène) reste un défi majeur.

C'est pourquoi, chez Repères, nous recommandons d'intégrer directement l'overall liking dans la construction de la carte sensorielle via une Analyse Factorielle Multiple (AFM). Cette approche garantit une représentation plus robuste, plus fidèle et mieux alignée avec ce qui drive réellement la préférence consommateur.

🎯 Une ACP sur les données sensorielles ne suffit pas toujours pour comprendre la préférence consommateur

L'ACP (Analyse en Composantes Principales) est l'outil traditionnellement utilisé pour représenter l'espace sensoriel à partir des descripteurs fournis par un panel expert. Elle permet une visualisation simple et efficace des différences perçues entre produits par les experts sensoriels.

Mais lorsqu'il s'agit de modéliser la préférence consommateur, ce positionnement expert montre souvent des limites.

1. L'ACP représente la perception expert… pas la perception consommateur

Un panel expert est calibré pour détecter et quantifier des nuances fines, dont les consommateurs n'ont pas conscience - ou auxquelles ils n'attachent aucune importance. Résultat : certains axes sensoriels très structurants pour les experts n'expliquent pas la préférence consommateur.

2. Elle donne le même poids à tous les descripteurs

L'ACP ne tient pas compte du fait que certaines dimensions :

• sont invisibles aux consommateurs,
• ne déclenchent aucune émotion,
• ne contribuent pas à la préférence.

Le modèle sensoriel peut alors être « pollué » par des attributs sans impact réel sur le liking.

3. Elle est difficilement exploitable dès que les préférences sont hétérogènes 

Dans les marchés où les goûts sont très segmentés (cas très fréquents !), les préférences ne se superposent pas toujours bien au positionnement sensoriel. 
Il est ainsi difficile de modéliser la préférence et d'obtenir une analyse fiable pour expliquer la diversité des préférences.

⭐ L'AFM : un espace sensoriel construit selon « ce qui compte vraiment »

L'AFM (Analyse Factorielle Multiple) consiste à intégrer directement l'overall liking des consommateurs dans la construction même de l'espace sensoriel.

Cette approche, théorisée notamment par Thierry Worch (2013)*, permet d'aligner la carte sensorielle sur les dimensions qui déterminent réellement les préférences.

En pratique, intégrer le liking dans le modèle permet de :

• capturer les dimensions réellement liées à la préférence, même lorsqu'elles ne se trouvent pas sur les premiers axes sensoriels 
• diminuer le poids des attributs “experts‑only” – ceux que les consommateurs ne perçoivent pas ou n'utilisent pas, et qui introduisent du bruit dans une ACP classique 
• rendre la structure sensorielle cohérente avec les réactions hédoniques, ce qui est essentiel lorsque les préférences sont hétérogènes 
• stabiliser les zones de préférence et les drivers, rendant l'identification du « produit idéal » plus robuste.

Ainsi, la carte sensorielle est redessinée pour une meilleure cohérence avec les segments de préférence et une modélisation optimisée.

En intégrant liking et données sensorielles dans un espace commun, l'AFM permet un Prefmap plus pertinent, plus explicatif et plus prédictif.

Chez Repères, nous l'utilisons dès que les données le permettent, car elle produit des insights plus justes et des décisions plus fiables.

* Retrouvez l'article de Thierry Worch PrefMFA, a solution taking the best of both internal and external preference mapping techniques ici

Voir également nos autres recommandations pour des études prefmap optimisées :

RECO#1 : VALORISEZ LE RESSENTI SPONTANÉ DES CONSOMMATEURS POUR ALLER AU‑DELÀ DU SIMPLE LIKING

RECO #2 : UNE SEGMENTATION DES PRÉFERENCES OPERATIONNELLE ET ACTIONNABLE

RECO #3 : MIEUX COMPRENDRE ET CIBLER VOS SEGMENTS DE PRÉFÉRENCE

DU PREFERENCE MAPPING SANS DONNEES SENSORIELLES, C'EST POSSIBLE !