Analyse de données de projective mapping/Napping dans Excel

Ce tutoriel explique comment réaliser et interpréter une analyse de données de projective mapping avec Excel en utilisant XLSTAT.

Jeu de données

Les données proviennent d’un projective mapping/Napping réalisé à Rennes par AGROCAMPUS OUEST.

Dans cette expérience, 24 sujets ont placé 8 smoothies sur une feuille de papier. Lorsqu'une personne trouve que deux produits sont similaires alors elle les placera proches sur la feuille de papier. De la même façon, deux produits perçus différemment seront éloignés. Le projective mapping (ou Napping) donne ainsi une notion de distance entre les produits.

Pour l'analyse des données, les coordonnées de chaque feuille de papier sont récupérées. Le fichier original peut être obtenu avec le package R SensoMineR.

But de ce tutoriel

Le but de ce tutoriel est :

1. d’étudier et visualiser les liens entre les smoothies. Une carte des produits représentant le point de vue global des sujets va être construite.
2. d’étudier les accords entre les sujets, afin de déterminer si leurs réponses se ressemblent et si des sujets atypiques existent.

Nous utiliserons la fonction Analyse de données de projective mapping de XLSTAT pour faire cette analyse. Cet outil nous permettra de réaliser les deux objectifs définis ci-dessus.

Paramétrer la boîte de dialogue de l’Analyse de données de projective mapping

Une fois XLSTAT lancé, sélectionnez le menu XLSTAT / Fonctions avancées / Analyse de données sensorielles / Analyse de données de projective mapping.

La boîte de dialogue Analyse de données de projective mapping apparaît. Dans l’onglet Général, vous pouvez alors sélectionner les données de projective mapping (l’ensemble des coordonnées des sujets concaténées verticalement). Les libellés des produits (smoothies) peuvent également être renseignés.

Deux méthodes sont proposées pour l’analyse des données : la méthode STATIS et l’Analyse Factorielle Multiple (AFM). Nous choisissons ici d’utiliser la méthode STATIS.

Dans l’onglet Options, nous avons décidé de limiter le nombre d’axes à 5 et de regarder uniquement les deux premiers axes graphiquement. Cependant, en décochant cette dernière case, un choix différent de représentation graphique des axes peut être réalisé (via une fenêtre qui s’ouvrira après avoir cliqué sur OK).

Les calculs commencent lorsque vous cliquez sur le bouton OK.

Interpréter les résultats d’une analyse de données de projective mapping

Après l'affichage des statistiques descriptives et des valeurs propres, vient l’objectif principal de l’analyse de données de projective mapping : représenter les produits sur une carte à 2 dimensions, et ainsi identifier les proximités entre ces derniers. Nous voyons par exemple que les smoothies « Casino_PBC » et « Innocent_PBC » sont perçus comme proches, mais qu’ils diffèrent beaucoup du « Casino_SRB ». De même, les smoothies « Innocent_SB » et « Immedia_MP » sont opposés.

Si l’on s’intéresse à deux sujets en particulier, il est utile de regarder la matrice RV qui donne le coefficient RV entre chaque sujet (coefficient entre 0 et 1, qui augmente avec la proximité des sujets). Nous voyons ici que le sujet 1 a un avis très similaire au sujet 2, mais très différent du sujet 4 (qui a des faibles valeurs de RV avec beaucoup d’autres sujets ici).

Les facteurs d’échelle de chaque sujet indiquent comment les sujets ont utilisé l’espace de la feuille de papier par rapport aux autres. Plus un sujet a un facteur élevé, plus la méthode a dû amplifier les espaces entre les produits pour contrecarrer une faible utilisation de la feuille. Ici, nous voyons que les sujets 3 et 8 ont très peu utilisé l’espace de la feuille par rapport aux autres (ils ont concentré leurs produits plus ou moins au même endroit). Il est intéressant d’évaluer la proximité d’un sujet avec tous les autres, c’est-à-dire avec le point de vue global reflété par le consensus. Pour cela, nous regardons le diagramme en bâtons représentant la similarité d’un sujet avec le consensus, et nous voyons que les sujets 2 et 4 sont plutôt atypiques, au contraire du 18 ou du 23.

Le graphique suivant donne les résidus par produit. Celui-ci indique quels smoothies ont été placés (par rapport aux autres) plutôt de même manière par les sujets, comme le smoothie « Innocent_PBC », ou plutôt différemment, comme le smoothie « Carrefour_SB ».

Enfin, l’indice d’homogénéité des sujets (entre 1/m et 1, m étant le nombre de sujets) permet d’évaluer si les sujets ont répondu de manière consensuelle. Plus l’indice est proche de 1, plus les sujets sont homogènes. Ici, nous voyons que l’homogénéité est moyenne. Une classification des sujets pourrait être nécessaire pour déterminer des classes de sujets ayant le même point de vue. Pour cela, vous pouvez utiliser la méthode CLUSTATIS.