奖惩分析作为口味测试的核心模型，用来评估单个产品的产品属性对特定因变量（如总体喜好度）的影响，并根据净惩罚值得出进一步的改进方向。同时也是初入行接触的最简单的项目，现在来详细拆解下它的每一个步骤的计算方式，并且记录下来实际项目案例中的数据解读。
奖惩分析是聚焦于一个特定产品的数据的微观层面的分析，使用量表度量属性”刚好“的水平，奖惩分析可以分析：
1）改良哪些产品属性，可以帮助提高特定的因变量得分（如总体喜好度）
2）决定产品属性的改良方向，如减少酸味，可以帮助提高特定的因变量得分（如总体喜好度）
3）奖惩分析中的惩罚度，可以反应认为产品某一属性”刚好“的人，与那些认为产品这一属性”太过/太少“的人之间，在特定因变量（总体喜好度）上的差值。
通常问卷中是以打分制的形式来进行询问：针对每个具体属性进行打分，一般是5分制的题目，3分表示该指标刚好，两端则表示太过/太少。具体问法如下：
奖惩分析的计算原理
-
通常在问卷中，我们会评估各指标的喜好度表现，然后再针对各指标具体属性进行具体评价。（同时会设定喜好度跟属性具体评价的逻辑，如果喜好度选择一点也不喜欢，评价不能选择刚好；如果喜好度选择非常喜欢，评价则不能选择太过/太少）
-
当我们得到消费者对各个属性的打分后，开始进行奖惩分析：
-
第一步：首先我们需要计算惩罚系数。
按照各指标的打分情况把人群分为三类：打分1/2分的人归为太少Too little(TL)，打3分刚好的人归为正好just about right(JAR)，打分4/5分的人归为太多too much(TM)。
当得到这三类人之后，我们需要分别去看这三类人在总体喜好度上的均值，并且进行相减，由此得到两组惩罚系数，1）太少TL-正好JAR 2）太多TM-正好JAR，通过这两组惩罚系数我们能看到太多/太少人群相比正好人群对喜好度的偏向。
如果太过或不够的比例过小，惩罚系数仅作参考。负值越高表明产品总体喜欢程度在该指标上表现较弱 （一般情况下惩罚系数都为负值，因为认为太少/太过的消费者喜好度打分是要低于认为刚好消费者的喜好度打分的；如果惩罚系数为正数则改为0，说明太多/太少对该指标没有惩罚）
这里注意，低度惩罚：[惩罚系数] <0.3；中度惩罚：0.3≤ [惩罚系数] <0.7；高度惩罚：[惩罚系数] ≥0.7
-
第二步：我们需要计算看净惩罚值
只有惩罚系数还不够，我们需要去看它的整体偏向情况，需要用惩罚系数乘以太多/太少的百分比，（太少TL-正好JAR）*太少%=负偏向，（太多TM-正好JAR）*太多%=正偏向，最终我们要看的是负偏向-正偏向的差值，得到净惩罚值。
-
第三步：我们通过净惩罚值对结果进行判断
首先看该指标与对标是否有明显差距（如喜好度是否差距过大），再看JAR的分值是否小于75%，再看最终偏向值，我们要找的是对产品表现有最终提升意义的指标。
1） 首先看喜好度是否与对标有明显的差距
2） 再看正好的比例是否小于75%，如果小于75%，那么该指标需要进行改进。(PS,这个75%的比例具体是怎么来的，笔者也思考了很久，由其他行业同事告知，是模型计算给到的标准，科学计算加过去经验所得）
3） 其次判断，净惩罚值是否大于7，如果大于7表示该指标惩罚方向明确，需要改进；小于7则两方惩罚力度相当，方向待寻找。Net penalty净惩罚负值代表整体“不够”比较突出，需要在该指标上进行增强；正值代表整体“太过”比较突出，需要在该指标上进行减弱
奖惩分析的实际应用
Q：如果正合适比例小于75%，但净惩罚值并没有大于7，这说明什么？
A：说明当前惩罚方向不明确，当前无需改善。
Q：如果口味喜好度指标非常高，同时奖惩分析结果大于7，怎么办？
A：以口味喜好度为准。
Q：如果开放题结果和奖惩分析不一致怎么办？
A：改进方向以奖惩分析为准，可以结合开放题来看，作为辅助说明，说部分消费者认为xx
