食品感官中描述性分析的任务，是回答“这款产品究竟是什么滋味”。经典方法是定量描述分析（QDA）——由经过筛选与培训的评价小组，用统一的描述词和标度给产品画像，结果精确、稳定、可重复。但它有个短板：评价员的选拔与培训周期长、成本高，对企业快速更迭新品来说并不划算。 

   于是，一类“让消费者也能胜任”的快速描述性分析方法迅速发展起来：这类方法用更灵活的任务设计，在更短时间内拿到可用的产品感官轮廓。下面这五种，就是目前最常被提起的代表。

 

一、CATA（适合项勾选法）

   原理：先准备一份描述词清单【通常由目标消费者小组讨论生成(也可由专家辅助拟定)，但为保证消费者视角，词表最好源于消费者自身】，评价员品评样品后，从清单中勾出所有认为适合描述该样品的词。数据落点是“引用频率”——某个词被勾选的人越多，说明这个属性在产品中越突出。统计上常用Cochran's Q检验判断样品间差异是否显著。

   优点：无需培训，普通消费者即可参与；操作简单、耗时短、成本低。

   缺点：只记录“有/没有”，不反映强度，难以区分感官特征相近、仅强度略有不同的产品；依赖词表质量，词表没覆盖到的属性会被系统性忽略。

   场合：新品概念测试、快速给产品画“消费者语言”画像、大样本消费者调研。通常由目标消费者小组讨论生成(也可由专家辅助拟定)，但为保证消费者视角，词表最好源于消费者自身。

 

二、RATA（所有适合项量化法）

   原理：可以看作CATA的“加强版”。流程前半段与CATA一致——先勾出适用的描述词；后半段多了一步：对勾中的属性再评一次强度（如低/中/高三点量表，或多点量表）。这样数据就从纯粹的“频率”升级为“频率＋强度”，得到的是一份带强度的有序数据。

   优点：在保留快速、低门槛优势的同时，补上了CATA缺失的强度维度，对样品的分辨力明显提升。

   缺点：任务变重、耗时变长；评价员可能因为要打分而勾选更多描述词，引入额外偏差。

   场合：几款产品的差异主要体现在强度大小而非某种属性“有或无”时，优先选它。

 

三、JAR（恰好标度法）

   原理：它测的不是绝对强度，而是与理想点的偏离程度。量表是双极的，中点为“恰到好处”，两端分别为“太少—略少”和“略多—太多”（常用五点或七点）。把JAR结果和喜好度评分放在一起做惩罚分析，就能算出“某个属性没做到位，会让整体喜好掉多少分”。

   优点：结论可以协助配方优化——不是笼统地说“不好吃”，而是明确回答“甜度不够”还是“咸味过了”。

   缺点：只适用于存在明确“理想点”的属性（甜度、咸度、酸度、辣度等），并非所有属性都适用。

   场合：配方优化与产品改良，尤其是减盐、减糖、调酸这类“调到刚刚好”的任务。

 

四、PP（中心点剖面法）

   原理：先指定一个样品作为参比样，其余待测样品都只跟它比。评价员用自己想到的词，按“比参比样更__”或“比参比样更不__”的格式自由描述。统计某样品某属性被提及的频次，进而转化为某样品某属性的数据（得分），可视化后再进行解释与分析。

   优点：不需要预先准备词表，也不需要培训；因为有统一参照，结果好解释，还常常能听到评价员自发的、生动的表达。

   缺点：结论与参比样关联密切——换一个参照样，描述和结论可能随之改变；自由描述词后期的整理、归类工作量不小。

   场合：配方改良款对标原版、我方产品对标竞品，或者需要快速说清“改了这一版到底变在哪”。

 

五、Napping（桌布法）

   原理：给每位评价员一张白纸，请他们把所有样品按感官相似性摆上去：觉得像的就放近，不像的就放远。核心假设很朴素——空间距离就是感知距离。摆完后通常再让评价员给每个样品补几个描述词，最后用多重因子分析处理所有人的坐标数据，合成一张共识地图。

   优点：极快、直观，一场就能看完一批样品；不预设词表，适合发现“意料之外”的差异维度。

   缺点：任务非结构化，个体差异较大；对细微的香气差异不够敏感，捕捉能力弱于结构化方法。

   场合：研发早期摸底——先看清这批样品“整体上差在哪”，再决定用哪种精细方法深挖。

 

总结一下五种方法怎么选？

先问三个问题：

要不要强度信息（要→RATA/JAR）；

有没有明确参照（有→PP）；

是摸底探索还是精确刻画（探索→Napping；刻画→CATA/RATA）。

方法没有高下，只有合不合适——很多时候，它们还是组合着用的。