可以看出，采用均值表示对产品总体的评价，几种汤料的评价都相差不大，汤料D似乎更好一些。而事实上，受访者1和2偏好汤料A，而受访者4和5偏好的汤料C，所以总体评价上并没有体现出受访者在咸度和浓稠度上的偏好。从得分在7－9分之间的比例来看，汤料D也确实更胜一筹，但事实上，汤料D既不能满足受访者受访者1和2的要求，也不能满足受访者4和5的要求。所以均值分析上表现最好的产品可能是最少人喜欢的产品。 口味测试中均值分析的缺陷在于，对整体进行均值分析掩盖了消费者个体在属性偏好之间的差别，而消费者在口味上的偏好是多方向的，并非技术产品，如CPU，速度越快肯定越好这样简单。因而依据均值分析的设计出的产品不能真正的满足细分人群。看似适合每个人的产品对任何一个人来说并不是最优的。

三、知觉偏好分析
　　为了克服上述问题，需要获得消费者对属性各个不同水平的偏好。并在此基础上，通过对受访者个体最优水平进行聚类分析，把那些具有相似最优水平的受访者分成不同的组，从而得到不同的细分市场。 

表2 知觉偏好分析数据示例

　　注意到表中，不仅列出了受访者对咸度和浓稠度每个水平的评价，还采用了级差，即最高评价值与最低评价值之间的差值，来表示受访者对每种属性的敏感度。级差可以反映就每个受访者而言，该属性对产品总体偏好有多大的影响程度。例如，第一位受访者在咸度上的级差为3而第三位受访者在咸度上的级差仅为1，这意味着第一位受访者对汤料的总体偏好很大程度上受咸度水平的影响，而第三位受访者的总体偏好则不太受咸度水平的影响。 与前面的方法相比，通过这种方法设计的产品，建立在受访者对具体属性水平偏好的基础之上，因而研究结果是针对细分市场一个"配方"，即最优程度水平的组合，能够为新产品开发提供明确的方向。 同样这种方法也存在缺陷，首先产品属性和水平不宜过多，否则会给实地操作带来困难；其次产品属性水平必须明确而清晰，能够被受访者所感知；另外这种方法适用于属性水平的最优不存在"极限"界定，如咸度，未必是盐放得越多就越好，不同的人对咸淡程度"最优水平"的界定是不同的。对于"越多/越少越好"的属性水平，则不能采用这种方法，因为受访者肯定会选择CPU速度最快、内存最大、价格最低的电脑，但实际上这样的产品是不现实的。对于简单的口味测试，这种方法还是比较适宜的。一些市场研究公司使用的Sensory模型即以此为依据，并在大量的食品研究中发挥着重要作用。

四、结合分析
　　迄今为止，结合分析是做口味测试最为强大的工具。仍以汤料为例，假设其主要属性咸度、浓稠度、口味鲜度、油腻程度，每种汤料都可看作不同属性水平的组合。 让5位受访者对18组属性水平组合进行排序，1表示最喜欢，18表示最不喜欢。

表3 结合分析数据示例

　　用结合分析，不仅可以获得受访者对哪种属性最为看重，如是咸度还是口味鲜度；而且可以知道属性的哪个水平最为受访者喜爱，如是咸一些还是淡一些。所以结合分析不仅可以确定改进的方向，而且可以确定改进程度的大小。 其次，通过结合分析研究口味测试研究，可以进行市场细分。对于各种属性水平，评分相似的受访者会被划分成一个细分市场。这种细分可以产生真正的"基于偏好的细分"，这是如聚类等其他分析方法很难做到的，因为受访者很难说明究竟他们最重视那种利益。 第三，结合分析的另一个优点是可以将研究结果做成市场模拟模型，并能很好的应用于未来。对于市场变化，传统的研究方法是每当市场发生重大变动，就需要进行调查，来发现人们对这种变动的感受及它将如何影响人们的购买行为。使用结合分析，将产品或现有产品的改变可以一起输入模拟模型，得出人们对这些变动做出何种反应的预测。 由于结合分析技术的复杂性，因此前期设计非常关键，需要确定产品的主要属性及属性各个水平。同时，对实地操作的要求也非常高。 五、小 结 现在大量进行的口味测试研究中，均值分析仍然是最主要的方法，其优点是简单，操作容易且成本低，相对分析结果不够精确；知觉偏好分析实地操作难度不大，分析中的工作量增加，适用于属性水平需要通过感知确定的产品，但明显比均值分析更具合理性，应该是当前最具推广价值的方法；结合分析从设计到操作都很复杂，成本很高，分析结果最丰富。 需要指出的是，本文以口味测试为例比较上述三种方法，但实际上，和产品研究中涉及指标评价的内容，都可以参考上述思路。 另外，最先进的分析技术并不意味着是最合适的。即便是口味测试这样目的相对单纯的研究项目，成败的关键也往往是对客户问题的把握、指标体系建立、是配对测试还是连续单一测试等方法的设计，因此，科思瑞智发展的口味测试模型TasterSM，其分析技术建立在上述方法之上，但其核心价值却在于针对特定分析方法，界定相应的解决范围、操作方法，并和相应案例结合起来，从而帮助客户更准确地界定问题，选择相应的解决方案。