Mintel employs numerous quantitative and qualitative data analysis techniques to enhance the value of our consumer research. The techniques used vary from one report to another. This article will give you an overview of the most common techniques used by our expert analysts to create their reports.

This is used to create consumer groups based on reported behaviour or attitudes. Consumer responses of the same value (or list of values) across a list of survey items are tallied into a single variable. The repertoire variable summarises the number of occurrences in which the value or values appear among a list of survey items.

This technique assigns a set of individual people into groups called clusters on the basis of one or more responses, so that respondents within the same cluster are in some sense closer or more similar to one another than to respondents that were grouped into a different cluster.

This is a statistical visualisation method for picturing the associations between rows (image, attitudes) and columns (brands, products, segments, etc) of a two-way contingency table. It allows us to display brand images (and/or consumer attitudes towards brands) related to each brand covered in this survey in a joint space that is easy to understand. The significance of the relationship between a brand and its associated image is measured using the Chi-square test. If two brands have similar response patterns regarding their perceived images, they are assigned similar scores on underlying dimensions and will then be displayed close to each other in the perceptual map.

CHAID (Chi-squared Automatic Interaction Detection), a type of decision-tree analysis, is used to highlight key target groups in a sample by identifying which sub-groups are more likely to show a particular characteristic. This analysis subdivides the sample into a series of subgroups that share similar characteristics towards a specific response variable and allows us to identify which combinations have the highest response rates for the target variable. It is commonly used to understand and visualise the relationship between a variable of interest, such as interest in trying a new product, and other characteristics of the sample, such as demographic composition.

Key Driver Analysis can be a useful tool in helping to prioritise focus between different factors which may impact key performance indicators (KPIs), such as satisfaction, likelihood to switch providers and likelihood to recommend a brand. Using correlations analysis or regression analysis we can get an understanding of which factors or attributes of a market have the strongest association or link with a positive performance on KPIs. Hence, we are able to identify which factors or attributes are relatively more critical in a market category compared to others and ensure that often limited resources can be allocated to focusing on the main market drivers.

TURF (Total Unduplicated Reach & Frequency) analysis identifies the mix of features, attributes, or messages that will attract the largest number of unique respondents. It is typically used when the number of features or attributes must be or should be limited, but the goal is still to reach the widest possible audience. By identifying the Total Unduplicated Reach, it is possible to maximize the number of people who find one or more of their preferred features or attributes in the product line. The resulting output from TURF is additive, with each additional feature increasing total reach. The chart is read from left to right, with each arrow indicating the incremental change in total reach when adding a new feature. The final bar represents the maximum reach of the total population when all shown features are offered.

Price sensitivity analysis shows consumer expectations about pricing of a finished product. Consumers were asked to provide a price point for the finished product. The aggregate price points are then plotted onto Price Maps to indicate Point of Marginal Cheapness (PMC), Point of Marginal Expensiveness (PME) as well as the Optimal Price Point (OPP).

Statistical modelling

For the majority of reports for the United States, Canada, the United Kingdom, Germany and China, Mintel produces five-year central forecasts based on 'regression with ARIMA errors' which is a combination of two simple yet powerful statistical modelling techniques: regression and ARIMA (Auto-Regressive Integrated Moving Average). Regression allows us to model, thus predict, market sizes using exogenous information (eg GDP, unemployment). ARIMA allows us to model market sizes using endogenous information (lagged values). To estimate this type of model, Mintel uses the software R.

Historical market size data feeding into each forecast are collated in Mintel’s own market size database and supplemented by macro- and socio-economic data sourced from organisations such as the Economist Intelligence Unit and the Office for Budget Responsibility.

Within the forecasting process, we analyse relationships between actual market sizes and a selection of key economic and demographic determinants (independent variables) in order to identify those predictors that have the most influence on the market.

Factors used in a forecast are stated in the relevant report section alongside an interpretation of their role in explaining the development in demand for the product or market in question.

Qualitative insight

At Mintel we understand that historic data is limited in its capacity to act as the only force behind the future state of markets. Thus, rich qualitative insights from industry experts regarding future events that might impact upon various markets play an invaluable role in our post-statistical modelling evaluation process.

As a result, the Mintel forecast complements a rigorous statistical process with in-depth market knowledge and expertise to allow for additional factors or market conditions outside of the capacity of the statistical forecast.

The Mintel fan chart

Forecasts of future economic outcomes are always subject to uncertainty. In order to raise awareness amongst our clients and to illustrate this uncertainty, Mintel displays market size forecasts in the form of a fan chart.

The fan chart shows the actual market size for the past 5 or 6 years, in some cases a current year estimate, a 5-year or 6-year horizon central forecast (resulting from statistical modelling and qualitative insight), and the forecast’s prediction intervals (resulting from statistical modelling).

The prediction intervals represent the range of values which the actual future market size will fall in with a specific probability.

A general conclusion: based on our current knowledge of given historic market size data as well as projections for key macro- and socio-economic measures that were used to create the forecast, we can say that the future actual market size will fall within the shaded fan with a probability of 95%. There is a small probability of 5% that the future actual market size will fall out of these boundaries.

Since 95% is in most applications the threshold that defines whether we can accept or refuse a statistical result, the outer limits of the 95% prediction interval can be seen as the forecast’s best and worst cases.

Weather analogy

To illustrate uncertainty in forecasting in an everyday example, let us assume the following weather forecast was produced based on the meteorologists’ current knowledge of the previous weather condition during the last few days, atmospheric observations, incoming weather fronts, etc.

Now, how certain can we be that the temperature on Saturday will indeed be 15°C?

To state that the temperature in central London on Saturday will rise to exactly 15°C is possible but one can’t be 100% certain about that fact.

To say the temperature on Saturday will be between 14°C and 17°C is a broader statement and much more probable.

In general, we can say that based on the existing statistical model, one can be 95% certain that the temperature on Saturday will be between 14°C and 17°C, and only 50% certain it will be between about 14.5°C and 15.5°C. Finally, there is a small probability of 5% that the actual temperature on Saturday will fall out of these boundaries and thus will be below 14°C or above 17°C.

英敏特运用多样化的定量数据分析技术来提升消费者研究的价值。我们根据每个报告不同的分析需求来使用不同的分析方法。下面是一些我们报告中较为常用的分析方法。

这个分析方法是根据消费者的行为习惯或者态度来将他们分成不同的细分人群。在调研中，被访者们会从同一个选项列表中选择一个或几个答案。我们将选择了相同选项个数的被访者们集合成一个细分群体（如选择了1个答案个数的被访者作为一个细分人群，选择了2个答案个数的被访者作为另一个细分人群，以此类推）。所以频度分析就是用来检验选择每个选项个数的被访者占总体人群的比例。举个例子，在关于消费者购买品牌数量的频度分析中，消费者可以被分为购买1-2个品牌者、购买3-4个品牌者、以及购买5个或更多品牌者，这3个不同的细分群体。每个细分群体都有足够大的样本量（即N=75个样本或以上）以供分析。

根据被访者在一道或者几道问题上的回答，我们运用这种分析技术将他们细分成不同的“聚类”(cluster)。被分在同一个“聚类”中的样本，在某些测量维度上都具有较为相似的共性。而分在不同“聚类”中的样本，在这些测量维度上，会体现出不同的差异。

这种数据可视化方法可以用来描绘一张二维数据表的行（如品牌形象、消费者态度）和列（如品牌、产品、细分人群等）之间的关联性。对应分析生成的图表能用简单易懂的方式展现每个品牌在消费者眼中呈现的形象（和/或消费者对于品牌的态度）。我们运用卡方检验（Chi-square test）来检测不同品牌之间显著性差异，以及不同品牌形象描述语句之间的显著性差异。如果在消费者看来某两个品牌具有相似形象，那么在某些维度上这两个品牌就会具有相近的分数，因此在对应分析图表中，这两个品牌之间的距离就会很近。

CHAID (Chi-squared Automatic Interaction Detection) 决策树分析是用来发现目标人群的一种分析方法。通过分析样本中哪类细分人群更有可能具备某种特定的性质，从而找出关键目标人群。依据被访者对于某个特定参数的回答结果，这种分析方法将样本一层一层细化为具有相似特性的细分群体，从而帮助我们发现哪些不同的组合将为目标参数提供最大的选中率。

例如，在分析哪些不同的人群特征组合会对某些参数有重大影响（如“对于尝试一个新产品感兴趣”）时，我们会使用决策树分析并提供可视化的结果。

在分析每个因素对于KPI（如满意度、转换品牌的可能性、推荐某个品牌的可能性）的重要程度时，关键动因分析是个非常有用的工具。通过使用相关分析(Correlation Analysis) 或回归分析(Regression Analysis)，我们能了解哪些因子/特性和某个KPI的良好表现是存在最强相关性或连接度的。借此，我们可以发现对于某个品类，哪些因子/特性更为至关重要，从而保证有限的资源可以被有效利用在最主要的市场动因上。

TURF分析（累积无重复到达率和频次分析）可以找出能吸引最大数量不重复消费者的产品特性、属性或信息的组合。当我们想要覆盖尽可能多的受众，但是产品特性或属性的数量却有限的时候，就可以使用TURF分析。通过分析一个或更多喜欢的产品特性或属性，累积无重复到达率，从而在产品线中找到能最大化渗透的消费者数量。

价格敏感度分析展示了消费者对某种成品的期望价格。消费者被要求为某个成品给出一个价格，根据这些答案得出的累计价格点会被绘制成价格曲线图，用来表示最高心理价位（PME）、最低心理价位（PMC）以及最优价格点（OPP）。

统计模型

这一模型主要基于从英敏特独家市场数据库提取的市场历史数据，并结合各种私有和公共部门机构（例如中国国家统计局和EIU经济学人智库）发布的宏观经济和人口统计数据。

这一模型通过寻找实际市场规模大小和具有高相关性的关键宏观经济及人口统计因素（自变量）间的关系以识别对市场影响力最大的预测因素。

预测中所使用的因素将在相关章节得以详述，并提供这些因素对于所探究的产品需求和市场发展起到什么样的作用。

定性见解

英敏特认为历史性数据对于市场未来走向和状态的决定作用是有限的。所以，行业专家们在市场影响事件方面的真知灼见对我们的超数据模型评估过程弥足珍贵。

因此，英敏特除了使用严格的数据统计程序，还融入了深入细致的市场知识和专家意见以提供数据预测未覆盖的额外因素和市场状况。

英敏特扇形图

预测未来的经济走向一直存在着不确定性。为了让我们的客户更好地认识和了解这种不确定性，英敏特推出了扇形图，以这种全新的方式显示市场规模预测。

在历史市场规模和当前年估计的旁边，扇形图显示了未来5年市场价值/总量的各种结果的可能性。

在一个95%的置信区间，95%的预测结果会落在最大限制值间，我们称之为最好和最差的预测。这些基于统计数据的市场预测是预计将会实现的最高（最好）和最低（最差）的市场规模。

向外扩大的扇形区域相继显示95%、90%、70%和50%概率间隔情况下的市场发展情况。统计数据中央预测会出现在较深阴影区，并有50%的发生概率。

一般性结论：基于我们对于给定历史市场规模数据的认识和用于预测的主要宏观和社会经济措施的评估，我们猜想95%的情况下，实际市场规模大小将会是扇形图的紫色阴影区。在所有的情况下，这种模型有5%的可能是不正确的，这是源于随机误差和实际市场规模超出预测范围。

天气类比

为了以一个日常例子说明预测的不确定性，让我们假设以下天气预报是根据气象专家所掌握的过去几天天气情况、大气观测和冷/暖空气前锋等数据做出的。

那么现在，星期六的温度将会是15°C的预测有多准确？我们又有多确定该预测？

预测上海市中心星期六的气温将上升到不高不低刚好15°C是可能的，但没有人能100%确定这是会发生的事实。

星期六温度将会介于13°C和17°C是一个更概泛的预测，也更有可能实现。

总的来说，我们可以说根据现有的统计模型，我们95%确定星期六的温度将会在13°C和17°C间；50%确定温度将大约在14.5°C和15.5°C间。 可是，仍然有5%的可能星期六的实际温度将不在预计范围内，也就是说温度实际将低于13°C或高于17°C。

弊社では消費者調査の価値をさらに高めるために、いくつかの定量的データ分析の手法を使っている。使用される手法はレポートによって様々であり、以下が頻繁に使われる手法の簡単な説明である。

対象者の行動や態度に基づいてグルーピングをするために使われる分析手法。例えば、ブランド購入のレパートリー分析では、「1-2つのブランドを購入した人」「3-4つのブランド購入した人」「5つ以上のブランドを購入した人」などのグループに分ける。なお、分析を行うために、それぞれのグループのサンプルサイズは一定数必要となる（例：N=75以上）。

1つもしくは複数の質問における対象者の反応をもとに、似通った対象者群をクラスターというグループに分ける分析手法。

コレスポンデンス分析は、データの行（イメージ、態度）と列（ブランド、製品、セグメント）の関連性を視覚化する分析手法。この手法を用いると、ブランドイメージやブランドに対する態度などが、マッピングされ容易に理解することができる。通常、複雑なクロス集計（例 製品と製品への態度の関連性、ブランドとブランドイメージの関連性）において、データ間の距離を解釈することによって容易に関連性を理解するために使われる。ブランドや製品とイメージの関係性などを、カイ二乗検定を使って計測する。対象者に認知されているイメージや製品への態度に関して、2つのデータが類似する反応を示している場合、似通った数値が割り当てられ、コレスポンデンスマップでもデータは近くに配置される。

CHAID (Chi-squared Automatic Interaction Detection) はキーターゲットグループを見つけるために使われる分析手法。この分析では、サンプルをある特定の変数における反応が共通するいくつかのサブグループに分け、どの組み合わせが最もターゲットグループになりそうかを判断する。例えば、「新しい製品を試してみたい」という興味の変数と属性などのその他の変数との間の関係性を視覚化し、理解するために用いられる。

キードライバー分析はKPI（満足度、競合へのスイッチの可能性、ブランドを推奨する可能性）に影響する可能性のある異なる要因間での優先度を図る上で有用な手法。相関分析や回帰分析を用いて、どの要因がKPIと強く関連性があるかのほか、どの要因が最も重要で、また限られたリソースをどのように配分するかを知ることができる。

TURF (Total Unduplicated Reach & Frequency)分析は、より多くの対象者が魅力的だと思う製品の特徴、属性やメッセージなどの組み合わせを示すものである。通常、製品の特徴や属性の組み合わせが限られている際に用いられるが、あくまで目的はより多くの対象者が魅力的だと思う製品特徴や属性などを探索することである。より多くの対象者が魅力的だと思う組み合わせをを見つけることによって、製品ラインの中にある好きな製品特徴や特性を一つ、もしくはそれ以上を見つける人を最大限増やすことができる。

グラフは左から右に読み、特徴が追加されたときの増加分が矢印とともに数値として示されている。棒グラフの最後の値は、全ての特徴が示されたきに、それらの特徴が魅力的だと思う対象者の最大値である。

価格感度分析は、ある製品の価格設定に対する消費者の期待を示します。消費者はある製品に対する価格について回答しています。消費者の回答価格が価格マップにプロットされ、消費者にとってのその製品の下限価格（PMC）、妥協価格（PME）と最適価格（OPP）が示されます。

Mintel ใช้เทคนิคการวิเคราะห์ข้อมูลเชิงปริมาณหลากหลายวิธีเพื่อเพิ่มคุณค่าให้กับการวิจัยผู้บริโภคของเรา เทคนิคที่ใช้นั้นแตกต่างกันไปในแต่ละรายงาน ด้านล่างจะอธิบายถึงเทคนิคอย่างคร่าวๆที่ใช้กันทั่วๆ ไป

เทคนิคนี้ใช้เพื่อสร้างกลุ่มผู้บริโภคตามพฤติกรรมหรือทัศนคติ การตอบของผู้บริโภคที่มีแบบเดียวกัน (หรือลิสต์ของคำตอบ) ในแบบสำรวจจะนับค่าลงในตัวแปรเดียว ตัวแปร Repertoire จะสรุปจำนวนครั้งที่มีค่าหรือค่าปรากฏขึ้นในแบบสำรวจ ตัวอย่างเช่น repertoire การซื้อแบรนด์อาจสร้างกลุ่มของผู้ที่ซื้อ 1-2 แบรนด์ 3-4 แบรนด์และ 5 แบรนด์ขึ้นไป แต่ละกลุ่มย่อยควรมีขนาดใหญ่เพียงพอที่จะใช้วิเคราะห์ เช่น N = 75 ขึ้นไป

เทคนิคนี้จะจำแนกบุคคลแต่ละคนลงในกลุ่มโดยมีพื้นฐานของการตอบคำถามหนึ่งคำถามขึ้นไป เพื่อให้ผู้ตอบแบบสอบถามถูกจัดอยู่ภายในกลุ่มเดียวกันที่มีลักษณะคำตอบเหมือนกัน ใกล้เคียงกัน หรือคล้ายกันมากกว่า ผู้ตอบที่ถูกจัดกลุ่มเป็นกลุ่มที่แตกต่างกัน

เทคนิคนี้เป็นวิธีการสร้างแผนภาพเชิงสถิติแสดงความสัมพันธ์ระหว่างแถว (ภาพลักษณ์, ทัศนคติ) และคอลัมน์ (แบรนด์ ผลิตภัณฑ์ กลุ่ม ฯลฯ ) ของข้อมูลแยกเป็นสองทาง ช่วยให้เราเห็นภาพลักษณ์ของแบรนด์ (และ / หรือทัศนคติของผู้บริโภคที่มีต่อแบรนด์) ที่เกี่ยวข้องกับแต่ละแบรนด์ที่ครอบคลุมในแบบสำรวจนี้มีพื้นที่ร่วมกัน ทำให้เข้าใจได้ง่ายขึ้นความสำคัญของความสัมพันธ์ระหว่างแบรนด์และภาพที่เกี่ยวข้องกันนั้นวัดโดยการทดสอบ Chi-square หากแบรนด์สองแบรนด์มีรูปแบบของการกลุ่มคำตอบที่คล้ายกันบนแผนภาพ แบรนด์เหล่านั้นจะได้รับคะแนนที่ใกล้เคียงกัน บนแกนพื้นฐานและจะปรากฏใกล้กันในแผนภาพ

CHAID (Chi-squared Automatic Interaction Detection) เป็นรูปแบบของการวิเคราะห์แบบแผนผังรูปต้นไม้ถูกใช้ในการตัดสินใจใช้เพื่อเน้นกลุ่มเป้าหมายหลักในกลุ่มตัวอย่างโดยการระบุว่ากลุ่มย่อยใดมีแนวโน้มที่จะแสดงลักษณะเฉพาะ การวิเคราะห์นี้จะแบ่งย่อยตัวอย่างเป็นเซตของกลุ่มย่อย ที่มีลักษณะเฉพาะตัวและมีความคล้ายกันที่ส่งผลต่อตัวแปรเป้าหมายที่เราสนใจและช่วยให้เราแยกแยะได้ว่ากลุ่มที่มีอัตราการตอบสูงสุดสำหรับตัวแปรเป้าหมาย ซึ่งเทคนิคนี้จะให้เราเข้าใจและเห็นภาพความสัมพันธ์ระหว่างตัวแปรเป้าหมาย เช่น "สนใจทดลองผลิตภัณฑ์ใหม่" และลักษณะอื่น ๆ ของตัวอย่างเช่น องค์ประกอบทางประชากร

การวิเคราะห์ด้วยตัวผลักดันเป็นเครื่องมือที่มีประโยชน์ในการช่วยให้ความสำคัญกับการโฟกัสระหว่างปัจจัยต่าง ๆ ซึ่งอาจส่งผลกระทบต่อตัวบ่งชี้ประสิทธิภาพหลัก (เช่น ความพึงพอใจ โอกาสในการเปลี่ยนผู้ให้บริการ โอกาสในการแนะนำแบรนด์ ฯลฯ ) การใช้การวิเคราะห์ความสัมพันธ์หรือการวิเคราะห์การถดถอยเราสามารถทำความเข้าใจว่าปัจจัยหรือคุณลักษณะของตลาดใดที่มีความสัมพันธ์ที่แข็งแกร่งที่สุดหรือ "ลิงค์" ที่มีประสิทธิภาพในเชิงบวกต่อตัวบ่งชี้ประสิทธิภาพหลัก (KPI) ดังนั้นเราสามารถระบุปัจจัยหรือคุณลักษณะที่มีความสำคัญมากกว่าในประเภทตลาดเมื่อเปรียบเทียบกับปัจจัยอื่น ๆ และทำให้มั่นใจได้ว่าข้อมูลที่มีจำกัดมักจะถูกจัดสรรเพื่อมุ่งเน้นไปที่ตัวผลักดันตลาดเป็นหลัก

การวิเคราะห์ TURF (การเข้าถึงโดยสิ้นเชิงและความถี่ที่ไม่ซ้ำกัน) ระบุว่าการผสมผสานของคุณลักษณะ, ความคิดเห็น หรือข้อความที่จะรวบรวมผู้ตอบแบบสอบถามที่ไม่ซ้ำจำนวนมากที่สุด โดยทั่วไปจะใช้เมื่อจำนวนคุณลักษณะหรือคุณลักษณะต้องจำกัด หรือควรถูกจำกัด แต่เป้าหมายยังคงเข้าถึงผู้ตอบแบบสอบถามที่มากที่สุดเท่าที่จะเป็นไปได้ โดยการระบุการเข้าถึงที่ไม่ได้ทำซ้ำโดยรวมเป็นไปได้ที่จะเพิ่มจำนวนผู้ที่พบคุณลักษณะ หรือคุณลักษณะที่ต้องการอย่างน้อยหนึ่งรายการในช่วงผลิตภัณฑ์ ผลลัพธ์ที่ได้จากการวิเคราะห์ TURF เป็นการวิเคราะห์เพิ่มเติมโดยแต่ละคุณสมบัติเพิ่มขึ้นจะเพิ่มการเข้าถึงโดยรวม แผนภูมิจะอ่านจากซ้ายไปขวาโดยแต่ละลูกศรแสดงการเปลี่ยนแปลงที่เพิ่มขึ้นของการเข้าถึงทั้งหมดเมื่อเพิ่มคุณลักษณะใหม่ แถบสุดท้ายแสดงการเข้าถึงสูงสุดของประชากรทั้งหมดเมื่อมีการนำเสนอคุณลักษณะที่แสดงทั้งหมด

การวิเคราะห์ความอ่อนไหวต่อราคาแสดงถึงความคาดหวังของผู้บริโภคเกี่ยวกับการตั้งราคาของผลิตภัณฑ์สำเร็จรูป โดยการถามผู้บริโภคให้ระบุจุดราคาสำหรับผลิตภัณฑ์สำเร็จรูป จากนั้นจึงรวบรวมจุดราคาเหล่านี้และนำมาพล็อตบนแผนที่ราคา เพื่อแสดงถึงจุดราคาที่ถูกที่สุดที่ยังยอมรับได้ จุดราคาที่แพงที่สุดที่ยังยอมรับได้ และจุดราคาที่เหมาะสมที่สุด

Mintel setzt zahlreiche quantitative Datenanalysetechniken ein, um den Wert unserer Konsumforschung zu steigern. Welche Techniken hierzu verwendet werden, variiert von Bericht zu Bericht. Im Folgenden werden einige der am häufigsten verwendeten Techniken beschrieben.

Die Repertoire-Analyse wird verwendet, um basierend auf dem berichteten Verhalten oder berichteten Einstellungen Verbrauchergruppen zu erstellen. Verbraucherantworten, die auf einer Liste von Umfrageelementen demselben Wert (oder derselben Werteliste) entsprechen, werden in einer einzelnen Variablen zusammengefasst. Die Repertoire-Variable fasst die Häufigkeit zusammen, mit der der Wert bzw. die Werte in einer Liste mit Umfrageelementen auftauchen. So könnte beispielsweise ein Markenkauf-Repertoire Gruppen aufdecken, die 1–2 Marken, 3–4 Marken und 5 oder mehr Marken kaufen. Jede Untergruppe sollte groß genug sein (dh n = 75+), um analysiert werden zu können.

Bei diesem Vorgehen wird eine Reihe einzelner Personen auf Grundlage einer oder mehrerer beantworteter Fragen Gruppen zugeordnet, die als Cluster bezeichnet werden. Die Befragten innerhalb desselben Clusters stehen einander in gewisser Weise näher oder sind einander ähnlicher als den Befragten, die in einem anderen Cluster zusammengefasst wurden.

Hierbei handelt es sich um eine statistische Visualisierungsmethode zur Darstellung der Verbindungen zwischen Zeilen (Image, Einstellungen) und Spalten (Marken, Produkte, Segmente usw) in einer bidirektionalen Kontingenztabelle. Damit können wir für jede der in einer Umfrage behandelten Marken ihr Image (und/oder die Einstellungen der Verbraucher zu den Marken) auf kompakte, leicht verständliche Art und Weise darstellen. Die Bedeutung der Beziehung zwischen einer Marke und ihrem zugehörigen Image wird mit dem Chi-Quadrat-Test gemessen. Wenn zwei Marken in Bezug auf ihr wahrgenommenes Image ähnliche Reaktionsmuster erzielen, werden ihnen auf den zugrunde liegenden Dimensionen ähnliche Bewertungen zugewiesen und sie werden dann in der Wahrnehmungskarte nahe beieinander angezeigt.

Bei CHAID (Chi-Square Automatic Interaction Detection) handelt es sich um eine Entscheidungsbaumanalyse. Sie wird verwendet, um wichtige Zielgruppen aus einer Stichprobe hervorzuheben, indem ermittelt wird, welche Untergruppen mit größerer Wahrscheinlichkeit ein bestimmtes Merkmal aufweisen. Diese Analyse unterteilt die Stichprobe in eine Reihe von Untergruppen, die bei einer bestimmten Antwortvariablen ähnliche Merkmale aufweisen, und ermöglicht es uns so, zu identifizieren, welche Kombinationen für die Zielvariable die höchsten Antwortquoten aufweisen. Sie wird häufig verwendet, um die Beziehung zwischen einer interessierenden Variablen wie Interesse an der Erprobung eines neuen Produkts und anderen Merkmalen der Stichprobe, wie z. B. der demographischen Zusammensetzung, zu verstehen und zu visualisieren.

Die Analyse von Schlüsseltreibern kann ein nützliches Instrument sein, um die Schwerpunktverteilung auf verschiedene Faktoren zu erleichtern, die sich auf wichtige Leistungsindikatoren auswirken können (zB Zufriedenheit, Wahrscheinlichkeit eines Anbieterwechsels, Wahrscheinlichkeit einer Markenempfehlung). Mit Hilfe von Korrelations- oder Regressionsanalysen können wir verstehen, welche Faktoren oder Merkmale eines Marktes im Hinblick auf Key Performance Indicators (KPI, Leistungskennzahlen) am stärksten mit einer positiven Leistungsfähigkeit zusammenhängen oder verknüpft sind. Auf diese Weise können wir die Faktoren oder Merkmale identifizieren, die für eine Marktkategorie im Vergleich zu anderen relativ gesehen entscheidender sind, und so sicherstellen, dass häufig begrenzte Ressourcen gezielt für die Förderung der wesentlichen Markttreiber eingesetzt werden können.

Bei der TURF-Analyse (Total Unduplicated Reach & Frequency) wird eine Mischung aus Funktionen, Merkmalen und/oder Botschaften identifiziert, die die größte Anzahl einzelner Befragter ansprechen wird. Sie wird in der Regel verwendet, wenn die Anzahl der Funktionen oder Merkmale eingeschränkt werden muss oder sollte, das Ziel jedoch weiterhin darin besteht, ein möglichst breites Zielpublikum zu erreichen. Durch die Ermittlung der nicht duplizierten Gesamtreichweite (Total Unduplicated Reach) ist es möglich, die Anzahl der Personen zu maximieren, die mindestens eine ihrer bevorzugten Funktionen oder Merkmale in der Produktlinie finden können. Die resultierende Ausgabe von TURF ist additiv, wobei jede zusätzliche Funktion die Gesamtreichweite erhöht. Das Diagramm wird von links nach rechts gelesen, wobei jeder Pfeil die schrittweise Änderung der Gesamtreichweite bei einer Ergänzung um eine weitere Funktion angibt. Der letzte Balken stellt die maximale Reichweite in der Gesamtbevölkerung dar, wenn alle angezeigten Funktionen angeboten werden.

Die Preissensitivitäts-Analyse zeigt die Erwartungen von Konsumenten bezüglich der Bepreisung fertiger Produkte. Konsumenten wurden gebeten, einen Preispunkt für das fertige Produkt festzusetzen. Die aggregierten Preispunkte werden dann auf sogenannten Preiskarten (Price Maps) visualisiert, um den Punkt der Preisuntergrenze (Point of Marginal Cheapness - PMC), den Punkt der Preisobergrenze (Point of Marginal Expensiveness - PME) sowie den optimalen Preispunkt (Optimal Price Point - OPP) aufzuzeigen.

Statistische Modellierung

Für die Mehrheit der Mintel Reports erstellt Mintel eine zentrale Fünf-Jahres-Prognose. Diese basiert auf „Regressionsanalysen mit ARIMA-Modellen für die Residuen“, einer Kombination aus zwei einfachen, aber aussagekräftigen statistischen Modellbildungsmethoden: Regression und ARIMA (Auto Regressive Integrated Moving Average, dt. autoregressiver integrierter gleitender Durchschnitt). Die Regression ermöglicht es uns, Marktgrößen mithilfe exogener Informationen (wie etwa BIP, Arbeitslosenrate) zu modellieren und somit zu prognostizieren. ARIMA erlaubt es uns, Marktgrößen anhand von endogenen Informationen (zeitlich verschobenen Variablen) zu modellieren. Um diese Art von Modell zu berechnen, nutzt Mintel die Software R.

Historische Daten zu Marktgrößen, die in jede Prognose einfließen, werden von Mintel in der eigenen Marktgrößen-Datenbank gesammelt und durch makro- und sozioökonomische Daten ergänzt, die von Organisationen wie The Economist Intelligence Unit (EIU) stammen.

Um innerhalb des Prognoseprozesses die Faktoren mit dem stärksten Einfluss auf den Markt zu identifizieren, analysieren wir Beziehungen zwischen tatsächlichen Marktgrößen und einer Auswahl an bedeutenden ökonomischen und demografischen Bestimmungsfaktoren (unabhängige Variablen).

Die Faktoren, die in eine Prognose einfließen, werden im entsprechenden Berichtsabschnitt aufgeführt und mit einer Interpretation ihrer Rolle in der Erklärung der Nachfrageentwicklung für das betreffende Produkt oder den betreffenden Markt ergänzt.

Qualitative Erkenntnisse

Wir bei Mintel sind uns bewusst, dass historische Daten nur begrenzt in der Lage sind als einzige Kraft hinter der künftigen Marktlage zu agieren. Daher spielen umfassende, qualitative Erkenntnisse von Branchenexperten hinsichtlich zukünftiger Ereignisse, die sich auf verschiedene Märkte auswirken könnten, in unserem Evaluierungsprozess nach der statistischen Modellierung eine unschätzbare Rolle.

Somit ergänzt die Mintel-Prognose ein stringentes statistisches Verfahren um tiefgreifende Markt- und Fachkenntnisse, dank derer zusätzliche Faktoren oder Marktbedingungen berücksichtigt werden können, die außerhalb der Kapazitäten einer statistischen Prognose liegen.

Das Mintel-Fächerdiagramm

Prognosen zukünftiger wirtschaftlicher Ergebnisse sind immer mit Unsicherheiten behaftet. Um unsere Kunden auf diese Unsicherheiten aufmerksam zu machen und diese zu veranschaulichen, stellt Mintel Marktgrößenprognosen in Form eines Fächerdiagramms dar.

Das Fächerdiagramm zeigt die tatsächliche Marktgröße für die vergangenen fünf oder sechs Jahre, in manchen Fällen eine Schätzung für das aktuelle Jahr, eine zentrale Prognose für die kommenden fünf oder sechs Jahre (basierend auf statistischer Modellierung und qualitativen Erkenntnissen) sowie die Prädiktionsintervalle für die Prognose (basierend auf statistischer Modellierung).

Die Prädiktionsintervalle stellen den Wertebereich dar, in den die tatsächliche zukünftige Marktgröße mit einer bestimmten Wahrscheinlichkeit fallen wird.

Als generelle Schlussfolgerung gilt: Basierend auf aktuellen Kenntnissen der historischen Marktgrößendaten sowie auf Vorhersagen für die Entwicklung bedeutsamer makro- und sozioökonomischer Faktoren, die zur Erstellung der Prognose verwendet wurden, können wir ableiten, dass die zukünftige tatsächliche Marktgröße mit einer Wahrscheinlichkeit von 95% in den schattierten Fächerbereich des Diagramms fallen wird. Es besteht eine geringe Wahrscheinlichkeit von 5%, dass die zukünftige tatsächliche Marktgröße diese Grenzlinien überschreiten wird.

In den meisten Anwendungsfällen ist ein Wert von 95% der maßgebliche Grenzwert dafür, ob wir ein statistisches Ergebnis annehmen oder nicht. Entsprechend können die äußeren Grenzen des 95-prozentigen Prädiktionsintervalls als bester und schlechtester Prognosefall betrachtet werden.

Wetteranalogie

Um die Unsicherheit bei Prognosen mit einem alltäglichen Beispiel zu veranschaulichen, nehmen wir an, dass die folgende Wettervorhersage auf Grundlage des aktuellen Wissens von Meteorologen über die Wetterbedingungen der letzten Tage, atmosphärische Beobachtungen, heranziehende Wetterfronten usw. erstellt wurde.

Wie sicher können wir sein, dass am Samstag tatsächlich 15°C herrschen werden?

Man könnte behaupten, dass die Temperatur im Zentrum von London am Samstag auf genau 15°C steigen werden, aber niemand kann hundertprozentig sicher sein, dass dies der Fall sein wird.

Zu sagen, dass die Temperatur am Samstag zwischen 14°C und 17°C liegen wird, ist eine weniger präzise Aussage, deren Eintreten viel wahrscheinlicher ist.

Basierend auf dem vorhandenen statistischen Modell können wir allgemein davon ausgehen, dass die Temperatur am Samstag mit einer Wahrscheinlichkeit von 95% zwischen 14°C und 17°C liegen wird. Wir können jedoch nur zu 50% sicher sein, dass sie zwischen 14,5°C und 15,5°C liegen wird. Abschließend besteht außerdem eine geringe Wahrscheinlichkeit von 5%, dass die tatsächliche Temperatur am Samstag die Grenzlinien überschreitet und entweder unter 14°C oder über 17°C liegen wird.

A Mintel emprega diversas técnicas de análise quantitativa de dados para aumentar o alcance de nossa pesquisa de consumidor. As técnicas usadas variam de acordo com o relatório. Abaixo seguem as descrições das técnicas mais comumente utilizadas.

Esta técnica é usada para criar grupos de consumidores com base em comportamentos e atitudes. Respostas de mesmo valor (ou de uma lista de valores) ao longo de uma lista de itens de pesquisa são computadas em uma única variável. A variável de repertório sumariza o número de ocorrências em que o valor ou valores aparecem em uma lista de itens de pesquisa. Por exemplo, o repertório de uso de marca pode produzir grupos de consumidores que compram uma ou duas marcas, três ou quatro marcas ou mais de cinco marcas. Cada subgrupo precisa ser grande o suficiente (maior que 75 pessoas) para ser analisado.

Esta técnica organiza um conjunto de indivíduos em grupos chamados “clusters” (ou agrupamentos) com base em uma ou mais respostas. Os indivíduos dentro de um mesmo cluster são mais parecidos entre eles do que aqueles agrupados em clusters diferentes.

Este é um método de visualização estatística usado para retratar as associações entre linhas (imagens, atitudes) e colunas (marcas, produtos, segmentos etc.) de um gráfico de contingência de duas vias. Esta técnica permite exibir imagens de marcas (e/ou atitudes de consumidores em relação a elas) relacionadas a cada marca analisada na pesquisa de forma fácil de entender. A importância da relação entre a marca se sua imagem associada é medida pela utilização do teste Qui Quadrado. Caso duas marcas tenham padrões de resposta semelhantes em relação a suas imagens, elas marcam pontos semelhantes em dimensões subjacentes e são exibidas em posições próximas uma da outra no mapa percentual.

A técnica CHAID (Detecção de Interação Automática do Qui-Quadrado), um tipo de análise de árvore de decisão, é usada para destacar grupos-alvo em uma amostra através da identificação de qual subgrupo é mais suscetível a mostrar uma característica particular. Esta análise subdivide a amostra em uma série de subgrupos que compartilham características semelhantes em relação a uma variável específica de resposta e permite identificar quais combinações apresentam as maiores taxas de resposta para a variável-alvo. Esta técnica é normalmente usada para entender e visualizar a relação entre uma variável como “interesse em testar um novo produto” e outras características da amostra, como a composição demográfica.

Esta técnica pode ser uma ferramenta importante para priorizar o foco entre diferentes fatores que podem impactar indicadores de desempenho (ex. satisfação, probabilidade de trocar de provedor, probabilidade de recomendar uma marca etc.). Usando análises de correlação ou de regressão podemos entender quais fatores ou atributos de um mercado têm a associação mais forte com um desempenho positivo em indicadores-chave. Dessa forma, podemos identificar quais fatores ou atributos são relativamente mais críticos em uma categoria de mercado em comparação com outros e garantir que recursos geralmente limitados podem ser alocados para os principais influenciadores do mercado.

A análise TURF (Alcance e Frequência Totais Não-Duplicados) identifica a combinação de características, atributos ou mensagens que atrairão o maior número de entrevistados únicos. Normalmente, esta técnica é usada quando o número de características ou atributos deve ser limitado, mas o objetivo ainda é alcançar o público mais amplo possível. Ao identificar o TURF, é possível maximizar o número de pessoas que encontram uma ou mais de suas características ou atributos preferidos na linha de produtos. O resultado do TURF é aditivo, com cada característica adicional aumentando o alcance total. O gráfico é lido da esquerda para a direita, com cada seta indicando a mudança incremental no alcance total ao adicionar um novo atributo. A barra final representa o alcance máximo da população total quando todas as características mostradas são oferecidas.

A análise de sensibilidade de preço mostra as expectativas dos consumidores em relação ao preço de um produto final. Os consumidores foram solicitados a fornecer um preço para o produto final. Os preços agregados são então plotados em mapas de preços para indicar o Ponto de Barateza Marginal (PMC, ou Point of Marginal Cheapness, em inglês), o Ponto de Dispendiosidade Marginal (PME, ou Point of Marginal Expensiveness, em inglês) e o Ponto de Preço Ótimo (OPP, ou Optimal Price Point, em inglês).