Mintel emplea numerosas técnicas de análisis de datos cuantitativos y cualitativos para aumentar el valor de nuestras investigaciones sobre los consumidores. Las técnicas utilizadas varían de un informe a otro. Este artículo le dará una visión general de las técnicas más comunes utilizadas por nuestros expertos analistas para crear sus Informes.

Esta técnica se utiliza para crear grupos de consumidores basados en comportamientos o actitudes declarados. Las respuestas de los consumidores a una lista de ítems de la encuesta se agrupan en una única variable de repertorio. La variable repertorio resume el número de apariciones en la lista de ítems de la encuesta.

Esta técnica de segmentación asigna un conjunto de personas individuales a grupos denominados conglomerados en función de sus respuestas en la encuesta, de modo que los encuestados de un mismo conglomerado son, en cierto sentido, más cercanos o similares entre sí que los encuestados agrupados en un conglomerado diferente.

Mintel suele utilizar un método de agrupación en dos fases.

Este método de visualización estadística se utiliza para mostrar las asociaciones entre filas (p. ej., imagen, atributos) y columnas (p. ej., marcas, productos) de una tabla de contingencia bidireccional en un mapa perceptual de fácil comprensión mediante la interpretación de proximidades.

La importancia de la relación entre una Marca y su atributo asociado, por ejemplo, se mide mediante la prueba Chi-cuadrado. Si dos marcas muestran patrones similares en relación con sus atributos asociados, se les asignan puntuaciones similares en las dimensiones subyacentes y se mostrarán próximas entre sí en el mapa perceptual.

Un análisis CHAID (Detección Automática de Interacción Chi-cuadrado) se utiliza para destacar los grupos objetivo clave de una muestra identificando qué subgrupo tiene más probabilidades de mostrar una característica concreta (por ejemplo, interés por probar un nuevo producto).

Divide la muestra en una serie de subgrupos que comparten características similares (p. ej., edad, sexo) y nos permite identificar qué combinación de características muestra el mayor índice de respuesta para la variable objetivo (p. ej., interés por probar un nuevo producto). La primera categoría predictora en la que se dividirá la muestra (p. ej., la edad) es la más asociada a la variable de respuesta, es decir, la que ofrece los grupos de encuestados más diferenciados. Cada subgrupo se divide a su vez hasta que el análisis no encuentra ningún predictor significativamente discriminante.

El resultado es un árbol cuyas ramas son las variables predictoras que dividen la muestra en grupos discriminantes.

El Análisis de Factores Clave se utiliza para identificar y priorizar los distintos factores que pueden influir en las actitudes y comportamientos de los consumidores (por ejemplo, la satisfacción del cliente, la probabilidad de recomendar una marca o de cambiar de proveedor) evaluando su importancia relativa. Para ello se puede utilizar un análisis de regresión logística o de correlación.
​
La regresión logística es un análisis predictivo utilizado para identificar la relación entre una variable dependiente (por ejemplo, la satisfacción del cliente) y una o más variables independientes (por ejemplo, la calidad del servicio al cliente o la gama de productos).
​
El análisis de correlación describe la fuerza y la naturaleza de la relación entre una variable dependiente de interés (por ejemplo, la satisfacción general del cliente) y una o más variables independientes (por ejemplo, la satisfacción con el servicio al cliente, la gama de productos).

Un análisis TURF (alcance y frecuencia totales no duplicados) identifica la combinación de características, atributos o mensajes que atraerán al mayor número de encuestados únicos. Suele utilizarse cuando el número de características o atributos debe o debería ser limitado, pero el objetivo sigue siendo llegar al mayor público posible. Al identificar el alcance total no duplicado, es posible maximizar el número de personas que encuentran una o más de sus características o atributos preferidos en la línea de productos.

El resultado de TURF es aditivo: cada característica adicional aumenta el alcance total. El gráfico se lee de izquierda a derecha, y cada flecha indica el cambio incremental en el alcance total al añadir una nueva característica, atributo, etc. La barra final representa el alcance máximo de la población total cuando se ofrecen todas las características, atributos, etc. mostrados.

El análisis de sensibilidad al precio es una forma de medir cómo afecta el precio de un producto al comportamiento de compra del consumidor. El análisis ayuda a identificar el precio ideal, así como una gama de precios aceptables, para un bien o servicio específico entre los consumidores. Se identifican diferentes puntos de precio.

Los puntos de precio agregados se trazan en Mapas de Precios para indicar los umbrales de precio alto/bajo, así como el Punto de Precio Óptimo (PPO).

Para la mayoría de los Informes de Estados Unidos, Canadá, Reino Unido, Alemania y China, Mintel elabora previsiones centrales a cinco años basadas en la "regresión con errores ARIMA", que es una combinación de dos técnicas de modelización estadística sencillas pero potentes: la regresión y la ARIMA (media móvil integrada autorregresiva). La regresión nos permite modelizar, y por tanto predecir, tamaños de mercado utilizando información exógena (por ejemplo, PIB, desempleo). ARIMA nos permite modelizar el tamaño de los mercados a partir de información endógena (valores retardados). Para estimar este tipo de modelos, Mintel utiliza el programa informático R.

Los datos históricos sobre el tamaño de los mercados que se utilizan en cada previsión se recopilan en la propia base de datos de Mintel y se complementan con datos macroeconómicos y socioeconómicos procedentes de organizaciones como la Economist Intelligence Unit y la Office for Económico Responsibility.

Dentro del proceso de elaboración de previsiones, analizamos las relaciones entre los tamaños de mercado reales y una selección de determinantes económicos y demográficos clave (variables independientes) con el fin de identificar los predictores que más influyen en el mercado.

Los factores utilizados en una previsión se indican en la sección correspondiente del informe junto con una interpretación de su papel a la hora de explicar la evolución de la demanda del producto o mercado en cuestión.

En Mintel entendemos que los datos históricos tienen una capacidad limitada para actuar como la única fuerza detrás del estado futuro de los mercados. Por ello, la información cualitativa de los expertos del sector sobre los acontecimientos futuros que podrían afectar a los distintos mercados desempeña un papel inestimable en nuestro proceso de evaluación posterior a la elaboración de modelos estadísticos.

Como resultado, las Previsiones de Mintel complementan un riguroso proceso estadístico con un profundo conocimiento y experiencia del mercado para tener en cuenta factores adicionales o condiciones de mercado fuera de la capacidad de la previsión estadística.

Las previsiones de resultados económicos futuros siempre están sujetas a incertidumbre. Para concienciar a nuestros clientes e ilustrar esta incertidumbre, Mintel muestra las previsiones del tamaño de mercado en forma de gráfico de abanico.

El gráfico de abanico muestra el tamaño real del mercado en los últimos 5 ó 6 años, en algunos casos una estimación para el año en curso, una previsión central a 5 ó 6 años (resultante de la modelización estadística y de la percepción cualitativa) y los intervalos de predicción de la previsión (resultantes de la modelización estadística).

Los intervalos de predicción representan la gama de valores en la que se situará el tamaño real futuro del mercado con una probabilidad determinada.

Una conclusión general: basándonos en nuestro conocimiento actual de los datos históricos sobre el tamaño del mercado, así como en las proyecciones de las principales medidas macroeconómicas y socioeconómicas que se utilizaron para crear las previsiones, podemos afirmar que el futuro tamaño real del mercado se situará dentro del abanico sombreado con una probabilidad del 95%. Existe una pequeña probabilidad del 5% de que el tamaño real del mercado quede fuera de estos límites.

Dado que en la mayoría de las aplicaciones el 95% es el umbral que define si podemos aceptar o rechazar un resultado estadístico, los límites exteriores del intervalo de predicción del 95% pueden considerarse el mejor y el peor caso de la previsión.

Para ilustrar la incertidumbre en las previsiones con un ejemplo cotidiano, supongamos que la siguiente previsión meteorológica se ha elaborado a partir de los conocimientos actuales de los meteorólogos sobre el estado del tiempo en los últimos días, las observaciones atmosféricas, los frentes meteorológicos entrantes, etc.

Ahora bien, ¿hasta qué punto podemos estar seguros de que la temperatura del sábado será efectivamente de 15°C?

Afirmar que la temperatura en el centro de Londres el sábado será exactamente de 15°C es posible, pero no se puede estar seguro al 100% de ese hecho.

Decir que la temperatura el sábado estará entre 14°C y 17°C es una afirmación más amplia y mucho más probable.

En general, podemos decir que, basándonos en el modelo estadístico existente, se puede estar seguro en un 95% de que la temperatura del sábado estará entre 14°C y 17°C, y sólo en un 50% de que estará entre 14,5°C y 15,5°C aproximadamente. Por último, existe una pequeña probabilidad del 5% de que la temperatura real del sábado se salga de estos límites y, por tanto, sea inferior a 14 °C o superior a 17 °C.