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.

Se utiliza para crear grupos de consumidores basados en comportamientos o actitudes declarados. Las respuestas de los consumidores con el mismo Valor (o lista de Valores) a través de una lista de ítems de la encuesta se agrupan en una única variable. La variable repertorio resume el número de veces que el valor o los valores aparecen en una lista de ítems de la encuesta.

Esta técnica asigna un conjunto de personas individuales a grupos denominados conglomerados sobre la base de una o más respuestas, 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.

Se trata de un método de visualización estadística para representar las asociaciones entre filas (imagen, actitudes) y columnas (marcas, productos, segmentos, etc.) de una tabla de contingencia bidireccional. Permite visualizar las imágenes de marca (y/o las actitudes de los consumidores hacia las marcas) relacionadas con cada una de las marcas objeto de este estudio en un espacio conjunto de fácil comprensión. La importancia de la relación entre una Marca y su imagen asociada se mide mediante la prueba Chi-cuadrado. Si dos marcas tienen patrones de respuesta similares en cuanto a sus imágenes percibidas, se les asignan puntuaciones similares en las dimensiones subyacentes y se mostrarán entonces cerca la una de la otra en el mapa perceptual.

El CHAID (Chi-squared Automatic Interaction Detection), un tipo de análisis de árbol de decisión, se utiliza para destacar grupos objetivo clave en una muestra identificando qué subgrupos tienen más probabilidades de mostrar una característica concreta. Este análisis subdivide la muestra en una serie de subgrupos que comparten características similares hacia una variable de respuesta específica y nos permite identificar qué combinaciones tienen las tasas de respuesta más altas para la variable objetivo. Suele utilizarse para comprender y visualizar la relación entre una variable de interés, como el interés por probar un nuevo producto, y otras características de la muestra, como la composición demográfica.

El Análisis de Factores Clave puede ser una herramienta útil para ayudar a priorizar la atención entre los diferentes factores que pueden afectar a los indicadores clave de rendimiento (KPI), como la satisfacción, la probabilidad de cambiar de proveedor y la probabilidad de recomendar una marca. Mediante el análisis de correlaciones o el análisis de regresión podemos comprender qué factores o atributos de un mercado están más estrechamente relacionados con un rendimiento positivo en los KPI. De este modo, podemos identificar qué factores o atributos son relativamente más críticos en una categoría de mercado en comparación con otras y garantizar que los recursos, a menudo limitados, puedan asignarse a centrarse en los principales impulsores del mercado.

El 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. La barra final representa el alcance máximo de la población total cuando se ofrecen todas las funciones mostradas.

El análisis de sensibilidad al precio muestra las expectativas de los consumidores sobre el precio de un producto acabado. Se pidió a los consumidores que indicaran un precio para el producto acabado. A continuación, los puntos de precio agregados se trazan en Mapas de Precios para indicar el Punto de Baratura Marginal (PMC), el Punto de Carestía Marginal (PME) y el Punto de Precio Óptimo (OPP).

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 del mercado 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 Budget 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 de 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.