慢慢的來到了新一篇的分析報告，剛好最近打電腦時喜歡吃點苦苦的巧克力，所以就選擇了這份Cacao Data Set作為數據分析主軸，後續也會將本篇的報告中，小雷使用後有比較便利的語法也會整理上來，有興趣的朋友可以多加留意一下~
在本篇的數據分析報告之中，Cacao的Data Set有欄位是產地，所以一開始就有幾點讓小雷煩惱了，產地關係到的不只是地點的選擇，還包含當地的經濟條件、勞動力、季節相關的氣候水土，都可能影響原豆的生產品質，以下幾點是當時考慮的問題 :
1.
是否該把氣候、經濟條件數據加入作為分析中的一環呢?
2.
若是沒有將氣候、經濟、勞動力作為分析項目，是否會產生偏見?
3.
這些對於未來的原豆產地選擇上是否有意義?
4.
產地的選擇上是否有其他戰略考量，還是只與氣候、經濟、勞動力相關?例如運送等問題
最後並沒有將以上的因素做為分析的考量，考慮後有幾點因素 :
1.
在一開始的目標問題就是以消費者評分的依據進行數據間相關性的連結，並不是以原產地做為分析目標。
2.
消費者喜愛的廠商與其製造的產品，其中不一定只採用單一產地的單一品種，也會有混合的問題，在其中混合的比例上並沒有數據標明那些品種用了多少。
3.
假使加入了其他的數據資料，這份分析報告可能會變得非常複雜，以目前的能力，也有可能會分析不出來。
上完了Google Data Analytic的課程後，常常會想到課程裡面所說的偏見問題，也很擔心自己分析時，是否有經過思考與反思的過程取得客觀性的見解?還是其實已經偏離了很多?綜合以上的考量，選擇了先單純分析此份的數據資料，找出消費者喜好的關聯為優先，之後有取得其他的數據集，可以再另做分析報告出來。
以下是本次的分析報告內容，編程的語法也同樣放置於Kaggle與Github中，有以Github進行版本控制，新增刪減的過程可以不用特別看😂
小雷的Kaggle >> 點我連結
小雷的Github >> 點我連結
---------------------------------------------做個分隔線---------------------------------------------------------
Dara Analytic Cacao In R
Cacao產品對於消費者喜好研究
說起甜點，不分年齡層，也不分男女，更不分國籍，相信都是許多人喜愛的。
其中經由可可豆製成的甜點，更是多數人愛不釋口的選擇，市場上充斥著琳瑯滿目的品項。
本次研究項目透過分析可可豆產品，進一步了解不同品項中可可比例、可可豆型態等類別對於消費者評分情形。
分析階段與流程
主要分為五個流程，流程如下 :
- 確定目標問題。
- 數據來源、保存方式與數據資料檢視。
- 數據清洗、調整內容與變更紀錄。
- 數據彙總、分析與可視化。
- 見解與結論。
階段一 : 確定目標問題
1. 主要問題
- 消費者對於可可豆製作的成品進行評分與其間的關係。
- 如何掌握消費者喜好以及透過消費者喜愛的可可豆產品，提取並導入市場。
2. 數據分析之目標
- 那些廠商受到消費者評分較好?
- 對於不同可可的含量比例，哪種比較為消費者喜愛?
- 可可豆含量較高，是否較消費者喜愛並取得高評分?
- 甚麼樣的可可形態較為消費者所接受?
- 對於產地而言，是否有特殊喜好的產地?
階段二 : 數據來源、保存方式與數據資料檢視
- 特定數據集出處引用 : 作者 : Wanying Z
- 圖片來源引用 : 維基百科
- 圖片拍攝作者 : David Monniaux
- 數據集來源 : 由公開平台Kaggle取得。
- 數據資料內包含了9 Col與1795 Row，包含製造商與品項、年份、可可比例、評分等..
- 數據存放 : MySQL、Kaggle。
- 編碼位置 : Kaggle、Github。
- 操作語言 : R。
- 報告格式 : R Markdown。
- IDE : RStudio, VScode。
CSV File Import，導入數據資料。
# File loc
setwd("D:/Github_version_file_R/data_set/cacao")
# CSV File Import
cacao_df = read.csv("cacao.csv", encoding = "utf-8")Check Data Set，檢視數據集內容與各欄位型態。
# CSV File View
str(cacao_df)## 'data.frame': 1795 obs. of 9 variables:
## $ Maker : chr "A. Morin" "A. Morin" "A. Morin" "A. Morin" ...
## $ Origin : chr "Agua Grande" "Kpime" "Atsane" "Akata" ...
## $ REF : int 1876 1676 1676 1680 1704 1315 1315 1315 1319 1319 ...
## $ Review.Date : int 2016 2015 2015 2015 2015 2014 2014 2014 2014 2014 ...
## $ Cocoa.Percent : chr "63%" "70%" "70%" "70%" ...
## $ Maker.Location: chr "France" "France" "France" "France" ...
## $ Rating : num 3.75 2.75 3 3.5 3.5 2.75 3.5 3.5 3.75 4 ...
## $ Bean.Type : chr "NULL" "NULL" "NULL" "NULL" ...
## $ Bean.Origin : chr "Sao Tome" "Togo" "Togo" "Togo" ...head(cacao_df)## Maker Origin REF Review.Date Cocoa.Percent Maker.Location Rating
## 1 A. Morin Agua Grande 1876 2016 63% France 3.75
## 2 A. Morin Kpime 1676 2015 70% France 2.75
## 3 A. Morin Atsane 1676 2015 70% France 3.00
## 4 A. Morin Akata 1680 2015 70% France 3.50
## 5 A. Morin Quilla 1704 2015 70% France 3.50
## 6 A. Morin Carenero 1315 2014 70% France 2.75
## Bean.Type Bean.Origin
## 1 NULL Sao Tome
## 2 NULL Togo
## 3 NULL Togo
## 4 NULL Togo
## 5 NULL Peru
## 6 Criollo Venezuelacolnames(cacao_df)## [1] "Maker" "Origin" "REF" "Review.Date"
## [5] "Cocoa.Percent" "Maker.Location" "Rating" "Bean.Type"
## [9] "Bean.Origin"ncol(cacao_df)## [1] 9nrow(cacao_df)## [1] 1795Check NA Value，檢查是否存在不正確NA值與統計NULL值。
# Check NA
if(sum(is.na(cacao_df) > 0)){
print(sum(is.na(cacao_df)))
}else{
print("no na")
}## [1] "no na"sum(cacao_df == "NULL")## [1] 933資料集檢視狀況 :
- 數據集檢查後不存在NA錯誤值。
- 數據集中存在NULL空值，於bean_type(888個)，bean_origin(45個)，總計933個空值。
- 欄位名稱未統一，含有其餘標點符號。
階段三 : 數據清洗、調整內容與變更紀錄
Fix NULL And Adjust The Value
# 統一欄位名稱
cacao_df = clean_names(cacao_df)
# Change DataType
cacao_df = cacao_df %>%
mutate(maker = as.factor(maker),
origin = as.factor(origin),
percent = as.factor(cocoa_percent),
maker_location = as.factor(maker_location),
bean_type = as.factor(bean_type),
bean_origin = as.factor(bean_origin),
year = review_date,
rate = round(rating, digits = 2))
# Check NULL loc
levels(cacao_df$bean_type) # 33 > null## [1] "Amazon" "Amazon mix"
## [3] "Amazon, ICS" "Beniano"
## [5] "Blend" "Blend-Forastero,Criollo"
## [7] "CCN51" "Criollo"
## [9] "Criollo (Amarru)" "Criollo (Ocumare 61)"
## [11] "Criollo (Ocumare 67)" "Criollo (Ocumare 77)"
## [13] "Criollo (Ocumare)" "Criollo (Porcelana)"
## [15] "Criollo (Wild)" "Criollo, +"
## [17] "Criollo, Forastero" "Criollo, Trinitario"
## [19] "EET" "Forastero"
## [21] "Forastero (Amelonado)" "Forastero (Arriba)"
## [23] "Forastero (Arriba) ASS" "Forastero (Arriba) ASSS"
## [25] "Forastero (Catongo)" "Forastero (Nacional)"
## [27] "Forastero (Parazinho)" "Forastero(Arriba, CCN)"
## [29] "Forastero, Trinitario" "Matina"
## [31] "Nacional" "Nacional (Arriba)"
## [33] "NULL" "Trinitario"
## [35] "Trinitario (85% Criollo)" "Trinitario (Amelonado)"
## [37] "Trinitario (Scavina)" "Trinitario, Criollo"
## [39] "Trinitario, Forastero" "Trinitario, Nacional"
## [41] "Trinitario, TCGA"levels(cacao_df$bean_origin) # 54 > null## [1] "Africa, Carribean, C. Am." "Australia"
## [3] "Belize" "Bolivia"
## [5] "Brazil" "Burma"
## [7] "Cameroon" "Carribean"
## [9] "Carribean(DR/Jam/Tri)" "Central and S. America"
## [11] "Colombia" "Colombia, Ecuador"
## [13] "Congo" "Cost Rica, Ven"
## [15] "Costa Rica" "Cuba"
## [17] "Dom. Rep., Madagascar" "Domincan Republic"
## [19] "Dominican Rep., Bali" "Dominican Republic"
## [21] "DR, Ecuador, Peru" "Ecuador"
## [23] "Ecuador, Costa Rica" "Ecuador, Mad., PNG"
## [25] "El Salvador" "Fiji"
## [27] "Gabon" "Ghana"
## [29] "Ghana & Madagascar" "Ghana, Domin. Rep"
## [31] "Ghana, Panama, Ecuador" "Gre., PNG, Haw., Haiti, Mad"
## [33] "Grenada" "Guat., D.R., Peru, Mad., PNG"
## [35] "Guatemala" "Haiti"
## [37] "Hawaii" "Honduras"
## [39] "India" "Indonesia"
## [41] "Indonesia, Ghana" "Ivory Coast"
## [43] "Jamaica" "Liberia"
## [45] "Mad., Java, PNG" "Madagascar"
## [47] "Madagascar & Ecuador" "Malaysia"
## [49] "Martinique" "Mexico"
## [51] "Nicaragua" "Nigeria"
## [53] "NILL" "NULL"
## [55] "Panama" "Papua New Guinea"
## [57] "Peru" "Peru(SMartin,Pangoa,nacional)"
## [59] "Peru, Belize" "Peru, Dom. Rep"
## [61] "Peru, Ecuador" "Peru, Ecuador, Venezuela"
## [63] "Peru, Mad., Dom. Rep." "Peru, Madagascar"
## [65] "Philippines" "PNG, Vanuatu, Mad"
## [67] "Principe" "Puerto Rico"
## [69] "Samoa" "Sao Tome"
## [71] "Sao Tome & Principe" "Solomon Islands"
## [73] "South America" "South America, Africa"
## [75] "Sri Lanka" "St. Lucia"
## [77] "Suriname" "Tanzania"
## [79] "Tobago" "Togo"
## [81] "Trinidad" "Trinidad-Tobago"
## [83] "Trinidad, Ecuador" "Trinidad, Tobago"
## [85] "Uganda" "Vanuatu"
## [87] "Ven, Bolivia, D.R." "Ven, Trinidad, Ecuador"
## [89] "Ven., Indonesia, Ecuad." "Ven., Trinidad, Mad."
## [91] "Ven.,Ecu.,Peru,Nic." "Venez,Africa,Brasil,Peru,Mex"
## [93] "Venezuela" "Venezuela, Carribean"
## [95] "Venezuela, Dom. Rep." "Venezuela, Ghana"
## [97] "Venezuela, Java" "Venezuela, Trinidad"
## [99] "Venezuela/ Ghana" "Vietnam"
## [101] "West Africa"# Change NULL Value
null_beanType = which(levels(cacao_df$bean_type) == "NULL")
levels(cacao_df$bean_type)[null_beanType] = "no_record"
null_beanOrigin = which(levels(cacao_df$bean_origin) == "NULL")
levels(cacao_df$bean_origin)[null_beanOrigin] = "no_record"
# 確認數值
summary(cacao_df$year)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2006 2010 2013 2012 2015 2017summary(cacao_df$percent)## 100% 42% 46% 50% 53% 55% 56% 57% 58% 60% 60.50%
## 20 1 1 1 1 16 2 1 8 43 1
## 61% 62% 63% 64% 65% 66% 67% 68% 69% 70% 71%
## 8 14 12 34 78 23 27 47 10 672 31
## 72% 72.50% 73% 73.50% 74% 75% 76% 77% 78% 79% 80%
## 189 4 40 2 50 222 23 33 17 1 72
## 81% 82% 83% 84% 85% 86% 87% 88% 89% 90% 91%
## 5 17 4 4 36 1 1 8 2 8 3
## 99%
## 2summary(cacao_df$rate)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.875 3.250 3.186 3.500 5.000清洗、調整結果 :
- 進行欄位名稱統一與清理，移除標點符號、空格等
- 字符欄位變更型態為因子，方便後續統計分析，評分欄位調整小數點顯示位數
- 不移除NULL值欄位，避免損害原始數據集，變更NULL值為”無紀錄”
階段四 : 數據彙總、分析與可視化
Aggregate data
summary(cacao_df)## maker origin ref review_date
## Soma : 47 Madagascar : 57 Min. : 5 Min. :2006
## Bonnat : 27 Peru : 45 1st Qu.: 576 1st Qu.:2010
## Fresco : 26 Ecuador : 42 Median :1069 Median :2013
## Pralus : 25 Dominican Republic: 37 Mean :1036 Mean :2012
## A. Morin: 23 Venezuela : 21 3rd Qu.:1502 3rd Qu.:2015
## Arete : 22 Chuao : 19 Max. :1952 Max. :2017
## (Other) :1625 (Other) :1574
## cocoa_percent maker_location rating bean_type
## Length:1795 U.S.A. :764 Min. :1.000 no_record :888
## Class :character France :156 1st Qu.:2.875 Trinitario :419
## Mode :character Canada :125 Median :3.250 Criollo :153
## U.K. : 96 Mean :3.186 Forastero : 87
## Italy : 63 3rd Qu.:3.500 Forastero (Nacional): 52
## Ecuador: 54 Max. :5.000 Blend : 41
## (Other):537 (Other) :155
## bean_origin percent year rate
## Venezuela :214 70% :672 Min. :2006 Min. :1.000
## Ecuador :193 75% :222 1st Qu.:2010 1st Qu.:2.875
## Peru :165 72% :189 Median :2013 Median :3.250
## Madagascar :145 65% : 78 Mean :2012 Mean :3.186
## Dominican Republic:141 80% : 72 3rd Qu.:2015 3rd Qu.:3.500
## Nicaragua : 60 74% : 50 Max. :2017 Max. :5.000
## (Other) :877 (Other):512summary(cacao_df$year)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2006 2010 2013 2012 2015 2017summary(cacao_df$rate)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.875 3.250 3.186 3.500 5.000summary(cacao_df$percent)## 100% 42% 46% 50% 53% 55% 56% 57% 58% 60% 60.50%
## 20 1 1 1 1 16 2 1 8 43 1
## 61% 62% 63% 64% 65% 66% 67% 68% 69% 70% 71%
## 8 14 12 34 78 23 27 47 10 672 31
## 72% 72.50% 73% 73.50% 74% 75% 76% 77% 78% 79% 80%
## 189 4 40 2 50 222 23 33 17 1 72
## 81% 82% 83% 84% 85% 86% 87% 88% 89% 90% 91%
## 5 17 4 4 36 1 1 8 2 8 3
## 99%
## 2summary(cacao_df$maker_location)## Amsterdam Argentina Australia Austria
## 4 9 49 26
## Belgium Bolivia Brazil Canada
## 40 2 17 125
## Chile Colombia Costa Rica Czech Republic
## 2 23 9 1
## Denmark Domincan Republic Ecuador Eucador
## 15 5 54 1
## Fiji Finland France Germany
## 4 2 156 35
## Ghana Grenada Guatemala Honduras
## 1 3 10 6
## Hungary Iceland India Ireland
## 22 3 1 4
## Israel Italy Japan Lithuania
## 9 63 17 6
## Madagascar Martinique Mexico Netherlands
## 17 1 4 4
## New Zealand Niacragua Nicaragua Peru
## 17 1 5 17
## Philippines Poland Portugal Puerto Rico
## 1 8 3 4
## Russia Sao Tome Scotland Singapore
## 1 4 10 3
## South Africa South Korea Spain St. Lucia
## 3 5 25 2
## Suriname Sweden Switzerland U.K.
## 1 5 38 96
## U.S.A. Venezuela Vietnam Wales
## 764 20 11 1summary(cacao_df$bean_type)## Amazon Amazon mix Amazon, ICS
## 1 2 2
## Beniano Blend Blend-Forastero,Criollo
## 3 41 1
## CCN51 Criollo Criollo (Amarru)
## 1 153 2
## Criollo (Ocumare 61) Criollo (Ocumare 67) Criollo (Ocumare 77)
## 2 1 1
## Criollo (Ocumare) Criollo (Porcelana) Criollo (Wild)
## 1 10 1
## Criollo, + Criollo, Forastero Criollo, Trinitario
## 1 2 39
## EET Forastero Forastero (Amelonado)
## 3 87 1
## Forastero (Arriba) Forastero (Arriba) ASS Forastero (Arriba) ASSS
## 37 6 1
## Forastero (Catongo) Forastero (Nacional) Forastero (Parazinho)
## 2 52 8
## Forastero(Arriba, CCN) Forastero, Trinitario Matina
## 1 1 3
## Nacional Nacional (Arriba) no_record
## 2 3 888
## Trinitario Trinitario (85% Criollo) Trinitario (Amelonado)
## 419 2 1
## Trinitario (Scavina) Trinitario, Criollo Trinitario, Forastero
## 1 9 2
## Trinitario, Nacional Trinitario, TCGA
## 1 1- 數據紀錄時間自西元2006年至2017年止。
- 評分範圍最低為一最高為五。
- 可可百分比最低含量為42%，最高為100%
- 大多數生產地集中於U.S.A(764筆).，France(156筆)，Canada(125筆)。
- 可可豆型態前三名有Trinitario(419筆)，Criollo(153筆)，Forastero(87筆)，不包含未紀錄值。
Viualization
- 多少製造商獲得大於四分的評價
# 多少製造商評分大於四分
maker_rate <- cacao_df %>%
group_by(maker) %>%
summarise(rate = max(rate)) %>%
filter(rate >= 4.00) %>%
arrange(desc(rate)) %>%
view()
ggplot(data = maker_rate) +
geom_bar(mapping = aes(x = maker, y = rate, fill = rate), stat = "identity") +
xlab("Maker") +
ylab("Rating") +
labs(title = "Maker & Avg Rating", subtitle = "the most popular maker") +
theme(axis.text.x = element_text(angle = 45)) +
ylim(0, 5.00)
# 那些廠商的評價較低
maker_rate <- cacao_df %>%
group_by(maker) %>%
summarise(rate = max(rate)) %>%
filter(rate <= 2.00) %>%
arrange(desc(rate)) %>%
view()- 可可含量與高低評分關係
# 高於4.00評分的可可含量有那些
percent_high_rate <- cacao_df %>%
group_by(rate, percent) %>%
summarise(rate = mean(rate)) %>%
filter(rate >= 4.00) %>%
arrange(desc(rate)) %>%
view()## `summarise()` has grouped output by 'rate'. You can override using the `.groups` argument.ggplot(data = percent_high_rate) +
geom_bar(mapping = aes(x = percent, fill = rate)) +
xlab("Cacao Percent") +
ylab("Count") +
labs(title = "High Rating Of The Cacao Percent", subtitle = "most favorite ratio content") +
theme(axis.text.x = element_text(angle = 45))
# 低於2.00評分的可可含量有那些
percent_lower_rate <- cacao_df %>%
group_by(rate, percent) %>%
summarise(rate = mean(rate)) %>%
filter(rate <= 2.00) %>%
arrange(desc(rate)) %>%
view()## `summarise()` has grouped output by 'rate'. You can override using the `.groups` argument.ggplot(data = percent_lower_rate) +
geom_bar(mapping = aes(x = percent, fill = rate)) +
xlab("Cacao Percent") +
ylab("Count") +
labs(title = "Lower Rating Of The Cacao Percent", subtitle = "least favorite ratio content") +
theme(axis.text.x = element_text(angle = 45))
- 不同年份對於評價的變化
# 各年間對於可可產品的綜合評分
year_rate <- cacao_df %>%
group_by(year) %>%
summarise(top_rate = max(rate), bottom_rate = min(rate)) %>%
arrange(desc(year)) %>%
view()
ggplot(data = year_rate) +
geom_line(mapping = aes(x = year, y = top_rate), color = "blue", size = 1.5) +
geom_line(mapping = aes(x = year, y = bottom_rate), color = "red", size = 1.5) +
xlab("Year") +
ylab("The Heigh And Lower Rating") +
labs(title = "The Relationship Between Years And Rating", subtitle = "ratings tend to be average") +
xlim(2006, 2017)
- 可可豆的型態對於對於消費者評價的影響
# 甚麼樣形態的可可豆評分較好
bean_type_rate <- cacao_df %>%
group_by(rate, bean_type) %>%
summarise(rate = max(rate)) %>%
filter(rate >= 4.00, bean_type != "no_record") %>%
arrange(desc(rate)) %>%
view()## `summarise()` has grouped output by 'rate'. You can override using the `.groups` argument.ggplot(data = bean_type_rate) +
geom_bar(mapping = aes(x = bean_type, y = rate, fill = rate), size = 0.5, stat = "identity") +
ylim(0, 5.00) +
xlab("Bean Type") +
ylab("Rating") +
labs(title = "Bean Type & Rating", subtitle = "the bean type effect rating") +
theme(axis.text.x = element_text(angle = 30))## Warning: Removed 2 rows containing missing values (geom_bar).
- 高評分的可可豆產地集中於何處
origin_rate <- cacao_df %>%
group_by(bean_origin, rate) %>%
summarise(rate = max(rate)) %>%
filter(rate >= 4.00, bean_origin != "no_record") %>%
arrange(desc(rate)) %>%
view()## `summarise()` has grouped output by 'bean_origin'. You can override using the `.groups` argument.ggplot(data = origin_rate) +
geom_bar(mapping = aes(x = bean_origin, y = rate, fill = rate), stat = "identity") +
ylim(0, 5.00) +
xlab("Bean Origin") +
ylab("Rating") +
labs(title = "Bean Origin & Rating", subtitle = "the bean origin effect rating") +
theme(axis.text.x = element_text(angle = 30))## Warning: Removed 1 rows containing missing values (geom_bar).
Analyze Problem
- 高於4分評價的廠商有45間，其中Amedei獲得的最高的五分評價，獲得較低評價的廠商只有5間，其餘廠商都在2~4分的評價區間。
- 可可比例中獲得最高五分評價的為70%比例，四分評價區間在60%88%，令人意外的是低於兩分評價的比例最高為100%，其次為70%，剩餘範圍在53%99%之間。
- 隨著時間的推移，在2006年時最高與最低的評價差距最多，相反在2017年時最高與最低的評價分數開始趨於靠近，自2008年到2016年間，最高評價沒有改變，反而是低評價逐步往高分評價移動。
- 可可原豆型態，獲得最高評價的有Blend與Trinitario，獲得四分評價的也有14筆之多。
- 在產地的部分，Venezuela獲得最高評價，其餘也有30個產地所產出的可可豆獲得消費者四分評價。
階段五 : 見解與結論
- 最適當可可比例雖然在60%~88%，其中70%的比例獲得最高評價，但在較低評價之中，也包含了70%的比例，顯示除了可可比例影響消費者喜愛之外，可可原豆產地、型態、甚至於製造商位置都影響著消費者評價選擇，並不是70%比例就一定可以獲得好的評價。
- 獲得高評價廠商之中，發現在原豆型態的選擇上較為固定，以Blend(混合)、Trinitario(為Criollo與Forastero混合品種)、Criollo(擁有果香、細膩風味)、Forastero(苦味較強、味道較重)為最常見原豆型態，顯示消費者對於口味上有一定的習慣程度。
- 原豆產地的部分，Venezuela、Madagascar為最大宗，該區的氣候條件，種植的可可原豆獲得了消費者青睞，在低於兩分評價的原產地選擇上並未出現Venezuela與Madagascar兩個產地，顯示在消費者習慣的口味上，種植可可豆地區的氣候為評分最主要的影響條件，其次為可可豆品種。
- 製造商位置的選擇上，前三大位置為Italy(評價區間2.25 ~ 5.0)、France(評價區間2.5 ~ 4.0)、U.S.A.(評價區間1.5 ~ 4.0),有趣的是在Italy與France的製造商，在原豆產地與型態的選擇上較為固定，也造成了評價區間較小的主因。
- 從過往評分紀錄來看，每年對於評價的高低區間有越發靠近的趨勢，在11年的發展過程中，許多廠商抓住了消費者喜好，包含氣候、原豆產地、型態以至於比例調配，消費者最低評價逐年上漲，最高評價則幾乎維持不變，優點是消費者很容易取得習慣性口味的產品，製作商也容易製作出消費者喜好的產品，在另一個層面來看，市場上的產品趨於相似，容易導致消費者區分不出製作商，對於品牌來說較難維持忠誠度與印象，各家廠商競爭模式容易轉變為依靠大量廣告行銷預算，藉此穩定消費者，很快會造成強者恆強、弱者恆弱的趨勢，不利於市場發展。
沒有留言:
張貼留言