Mintel emplea numerosas técnicas de análisis de datos cuantitativos y cualitativos para mejorar el valor de nuestra investigación sobre los consumidores. Las técnicas utilizadas varían de un informe a otro. Este artículo le ofrece una visión general de las técnicas más comunes utilizadas por nuestros analistas expertos para crear sus informes.

Se utiliza para crear grupos de consumidores basados en comportamientos o actitudes comunicados. Las respuestas de los consumidores con el mismo valor (o lista de valores) en una lista de elementos de la encuesta se contabilizan en una sola variable. La variable de repertorio resume el número de veces que aparece el valor o los valores en una lista de elementos de la encuesta.

Esta técnica asigna un conjunto de personas individuales a grupos llamados clústeres en función de una o más respuestas, de modo que los encuestados dentro del mismo clúster son, en cierto sentido, más cercanos o más similares entre sí que los encuestados que se agruparon en un clúster 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 bidimensional. Nos permite mostrar las imágenes de marca (y/o las actitudes de los consumidores hacia las marcas) relacionadas con cada marca cubierta en esta encuesta en un espacio conjunto fácil de entender. La significación de la relación entre una marca y su imagen asociada se mide mediante la prueba de 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, a continuación, se muestran cerca unas de otras en el mapa perceptual.

CHAID (Chi-squared Automatic Interaction Detection), un tipo de análisis de árbol de decisión, se utiliza para destacar los grupos objetivo clave en una muestra identificando qué subgrupos son más propensos a mostrar una característica particular. 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. Se utiliza comúnmente para comprender y visualizar la relación entre una variable de interés, como el interés en 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 el enfoque entre 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 tienen una asociación o vínculo más fuerte 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 otros y garantizar que los recursos, a menudo limitados, se puedan asignar para 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. Se utiliza normalmente cuando el número de características o atributos debe ser limitado, pero el objetivo sigue siendo llegar al público más amplio 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 del TURF es aditivo, ya que 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 características mostradas.

El análisis de sensibilidad al precio muestra las expectativas de los consumidores sobre el precio de un producto terminado. Se pidió a los consumidores que proporcionaran un precio para el producto terminado. A continuación, los precios agregados se trazan en mapas de precios para indicar el punto de baratura marginal (PMC), el punto de carestia marginal (PME) y el punto de precio óptimo (OPP).

Para la mayoría de los informes sobre 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 el ARIMA (media móvil integrada autorregresiva). La regresión nos permite modelizar y, por lo tanto, predecir los tamaños de mercado utilizando información exógena (por ejemplo, el PIB o el desempleo). ARIMA nos permite modelar los tamaños de mercado utilizando información endógena (valores rezagados). Para estimar este tipo de modelo, Mintel utiliza el software R.

Los datos históricos sobre el tamaño del mercado que se utilizan en cada previsión se recopilan en la base de datos de Mintel sobre el tamaño del mercado 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 previsión, analizamos las relaciones entre los tamaños reales del mercado 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 en la explicación de 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 única fuerza impulsora del estado futuro de los mercados. Por lo tanto, los valiosos insights cualitativos de los expertos del sector sobre acontecimientos futuros que podrían afectar a diversos mercados desempeñan un papel inestimable en nuestro proceso de evaluación de modelos postestadísticos.

Como resultado, las previsiones de Mintel complementan un riguroso proceso estadístico con un profundo conocimiento y experiencia del mercado, lo que permite tener en cuenta factores adicionales o condiciones del mercado que escapan al alcance de las previsiones estadísticas.

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

El gráfico en abanico muestra el tamaño real del mercado durante los últimos 5 o 6 años, en algunos casos una estimación del año en curso, una previsión central a 5 o 6 años (resultante de modelos estadísticos y conocimientos cualitativos) y los intervalos de predicción de la previsión (resultantes de modelos estadísticos).

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

Conclusión general: basándonos en nuestro conocimiento actual de los datos históricos del tamaño del mercado, así como en las proyecciones de las principales medidas macroeconómicas y socioeconómicas utilizadas para elaborar la previsión, podemos afirmar que el tamaño real del mercado en el futuro se situará dentro del abanico sombreado con una probabilidad del 95 %. Existe una pequeña probabilidad del 5 % de que el tamaño real del mercado en el futuro se sitúe fuera de estos límites.

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

Para ilustrar la incertidumbre en las previsiones con un ejemplo cotidiano, supongamos que se ha elaborado la siguiente previsión meteorológica basándose en los conocimientos actuales de los meteorólogos sobre las condiciones meteorológicas de los últimos días, las observaciones atmosféricas, los frentes meteorológicos que se avecinan, etc.

Ahora bien, ¿qué certeza podemos tener de que la temperatura del sábado será realmente de 15 °C?

Afirmar que la temperatura en el centro de Londres el sábado subirá exactamente a 15 °C es posible, pero no se puede estar 100 % seguro de ello.

Decir que la temperatura del 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 al 95 % de que la temperatura del sábado estará entre 14 °C y 17 °C, y solo al 50 % de que estará entre 14,5 °C y 15,5 °C. Por último, existe una pequeña probabilidad del 5 % de que la temperatura real del sábado se salga de estos límites y, por lo tanto, sea inferior a 14 °C o superior a 17 °C.