2007年7月23日，IBM公司发布一项调查显示，绝大多数消费者认为，由消费品企业所提供的关于它们产品的成分、来源和环境影响等信息的水平，极大地影响着他们对这些企业的信任度。

根据IBM对美国1,676名消费者所做的调查，最近所发生的产品污染及召回事件，加上市场推广中一些说法所造成的混淆，大大降低了消费者对消费品制造商的信任感。近70%的消费者对有关“品牌食品”对于周围的影响及对人体健康和福利方面的好处等说法总体上信任度比较低；几乎一半的消费者更担心安全问题，近五分之二的消费者尝试买不同牌子的产品。近60%的受访者表示，与两年前相比，他们对自己所购买食品的成分识别意识有所增强，但尽管这样，仍有72%的消费者想要了解更多关于他们所购买的带包装食品的信息，包括原料来源、生产方法和成分等。

在与这一调查结果同时发布的一项补充研究中，IBM公司发现了一类新的消费者群体，正在推动以上变化。这一题为“通过可追溯性技术来建立信任感”（Establishing Trust through Traceability）的研究报告将这一类起推动作用的消费者称之为“全面消费者”（Omni Consumer）。这些消费者与以往任何其它消费者相比，更多地关心尖端科技，更多地依靠及使用他们手边上的尖端科技。

根据这项研究，“全面消费者”也购买各种不同的产品，并且经常能将自己不想要的市场宣传信息过滤掉。“显然，影响消费者购买行为的因素在过去5年里已经发生了很大变化，”IBM全球企业咨询服务部，全球消费品业务负责人Bill Gilmour说，“虽然产品、包装和品牌推广仍然是关键，但它们的重要性已经不及其他一些因素。‘全面消费者’需要的是能够不断改善健康、增加社会福利的产品，同时也希望了解这些产品对个人、社会和环境的影响。”

就亚太地区而言，IBM亚太区流通行业业务发展执行主管Chris Cave Jones指出：“由于世界上一些最重要的食品及原料生产商和出口商都在亚太地区，所以这项研究极为重要。因为我们是在一个全球经济环境中进行竞争和向消费者提供产品，所以我们需要建立并确保消费者对亚洲产品的信心，这是使亚太国家在全球出口业务中继续获得成功所必需的条件。”

在这项新的研究中，IBM建议企业应将实现“全价值可追溯性”（Full Value Traceability）路线图与它们为使自己与众不同而设计的品牌愿景结合起来。这些新的系统既能保护食品供应安全和透明度，增强消费者信心，反过来又能保护和提升企业自己的品牌。将物流和信息流供应链结合起来，同时又与所有相关业务保持联系，是建立一个“全面的价值可追溯性”系统的必要条件。

“迄今为止，大多数可跟踪性投资都是由监管部门所推动的，”IBM消费品行业总经理Tom Peterson说。“我们建议客户在这个方面应该更加主动的一些，而不只是采取被动防卫的姿态，企业要利用客户在这些方面的需求来进行品牌建设。这将使他们能够更好地保护自己的品牌不受污染、伪造和召回等事件的影响。与此同时，这样做还能为企业搭建一个平台，恢复消费者的信心，并向功能食品和有机食品等新的高价值市场拓展。‘全面消费者’时代要求更大程度地保证透明度，能够做到这一点的企业显然将会是赢家。”

IBM在消费品行业有深厚的经验，在全球供应链及采购系统管理方面更是有自己的专长。IBM可以提供能将物流和信息流供应链有效连接起来的一整套全面的软件、硬件和服务，还与GS1 （物品编码中心）和 GCI（全球商务倡议联盟）等行业组织直接合作，来支持全球数据标准的定义、采用和实施。

IBM全球企业咨询服务部的咨询专家能为客户实施一个“全价值可追溯性”系统提供分析和计划，也能提供“IBM食品安全管理器”等解决方案。该公司在部署诸如“SOA（基于服务的基础架构）”、2D条形码等技术以及围绕“RFID（无线射频识别）”所进行的创新方面也居于领先地位，这些技术和创新都是向消费者提供透明度的关键要素。

IBM 的调查方法

这项调查工作是由“哈里斯互动调查顾问公司”（Harris Interactive）代表IBM公司于2007年2月13日至21日在网上对年龄在18岁及以上的1,064名美国成年人和612名英国成年人进行的。根据在家庭内所承担的日用品采购责任度，这些符合资格的受访者被归类为决策者（grocery decision makers）。在必要的地方，对美国的年龄/性别、种族、地区、教育和收入数字以及英国的年龄/性别、地区、教育和互联网使用数字进行了加权处理，以使它们与其在美国和英国人口中的实际比例相一致。另外，研究人员还采用“倾向性得分加权”（Propensity score weighting）来调整受访者上网的倾向性。对于一个数量分别为1,064和 612的纯粹的概率样本集来说，我们可以以95% 的概率说，总体结果将会分别有一个+/- 3.1个百分点和+/-4.0个百分点的取样误差。基于子样（sub-samples）的取样误差会更高一些，并且会各不相同。然而，这种分析并没有将其他误差来源考虑进去。这一网上调查并不是基于一个概率样本集，因而不能计算理论取样误差。