Mintel utilise de nombreuses techniques d'analyse quantitative et qualitative des données afin d'améliorer la valeur de ses études sur les consommateurs. Les techniques utilisées varient d'un rapport à l'autre. Cet article vous donnera un aperçu des techniques les plus couramment utilisées par nos analystes experts pour créer leurs rapports.

Cette technique est utilisée pour créer des groupes de consommateurs en fonction de comportements ou d'attitudes rapportés. Les réponses des consommateurs ayant la même valeur (ou liste de valeurs) dans une liste d'éléments d'enquête sont regroupées en une seule variable. La variable « répertoire » résume le nombre d'occurrences de la ou des valeurs dans une liste d'éléments d'enquête.

Cette technique consiste à répartir un ensemble de personnes dans des groupes appelés clusters sur la base d'une ou plusieurs réponses, de sorte que les répondants d'un même cluster soient, dans un certain sens, plus proches ou plus similaires les uns des autres que les répondants regroupés dans un autre cluster.

Il s'agit d'une méthode de visualisation statistique permettant de représenter les associations entre les lignes (image, attitudes) et les colonnes (marques, produits, segments, etc.) d'un tableau de contingence à deux dimensions. Elle permet d'afficher les images de marque (et/ou les attitudes des consommateurs envers les marques) associées à chaque marque couverte par l'enquête dans un espace commun facile à comprendre. La signification de la relation entre une marque et l'image qui lui est associée est mesurée à l'aide du test du chi carré. Si deux marques ont des schémas de réponse similaires concernant leurs images perçues, elles se voient attribuer des scores similaires sur les dimensions sous-jacentes et sont alors affichées à proximité l'une de l'autre dans la carte perceptuelle.

CHAID (Chi-squared Automatic Interaction Detection), un type d'analyse par arbre de décision, est utilisé pour mettre en évidence les groupes cibles clés d'un échantillon en identifiant les sous-groupes les plus susceptibles de présenter une caractéristique particulière. Cette analyse subdivise l'échantillon en une série de sous-groupes qui partagent des caractéristiques similaires par rapport à une variable de réponse spécifique et nous permet d'identifier les combinaisons qui ont les taux de réponse les plus élevés pour la variable cible. Elle est couramment utilisée pour comprendre et visualiser la relation entre une variable d'intérêt, telle que l'intérêt pour un nouveau produit, et d'autres caractéristiques de l'échantillon, telles que la composition démographique.

L'analyse des facteurs clés peut être un outil utile pour aider à hiérarchiser les différents facteurs susceptibles d'influencer les indicateurs clés de performance (KPI), tels que la satisfaction, la probabilité de changer de fournisseur et la probabilité de recommander une marque. Grâce à l'analyse des corrélations ou à l'analyse de régression, nous pouvons comprendre quels facteurs ou attributs d'un marché ont la plus forte association ou le lien le plus fort avec une performance positive des KPI. Nous sommes ainsi en mesure d'identifier les facteurs ou attributs qui sont relativement plus critiques dans une catégorie de marché par rapport à d'autres et de garantir que les ressources souvent limitées puissent être allouées de manière à se concentrer sur les principaux moteurs du marché.

L'analyse TURF (Total Unduplicated Reach & Frequency) identifie la combinaison de caractéristiques, d'attributs ou de messages qui attirera le plus grand nombre de répondants uniques. Elle est généralement utilisée lorsque le nombre de caractéristiques ou d'attributs doit ou devrait être limité, mais que l'objectif reste d'atteindre le public le plus large possible. En identifiant la portée totale non dupliquée, il est possible de maximiser le nombre de personnes qui trouvent une ou plusieurs de leurs caractéristiques ou attributs préférés dans la gamme de produits. Le résultat de l'analyse TURF est additif, chaque caractéristique supplémentaire augmentant la portée totale. Le graphique se lit de gauche à droite, chaque flèche indiquant le changement incrémental de la portée totale lors de l'ajout d'une nouvelle caractéristique. La barre finale représente la portée maximale de la population totale lorsque toutes les caractéristiques affichées sont proposées.

L'analyse de la sensibilité aux prix montre les attentes des consommateurs en matière de prix d'un produit fini. Les consommateurs ont été invités à indiquer un prix pour le produit fini. Les prix agrégés sont ensuite reportés sur des cartes de prix afin d'indiquer le point de marginalité (PMC), le point de marginalité élevée (PME) ainsi que le prix optimal (OPP).

Pour la majorité des rapports concernant les États-Unis, le Canada, le Royaume-Uni, l'Allemagne et la Chine, Mintel produit des prévisions centrales sur cinq ans basées sur une « régression avec erreurs ARIMA », qui combine deux techniques de modélisation statistique simples mais puissantes : la régression et l'ARIMA (moyenne mobile intégrée autorégressive). La régression nous permet de modéliser, et donc de prédire, les tailles de marché à l'aide d'informations exogènes (par exemple, le PIB, le chômage). L'ARIMA nous permet de modéliser les tailles de marché à l'aide d'informations endogènes (valeurs décalées). Pour estimer ce type de modèle, Mintel utilise le logiciel R.

Les données historiques sur la taille du marché utilisées dans chaque prévision sont rassemblées dans la base de données de Mintel sur la taille du marché et complétées par des données macroéconomiques et socio-économiques provenant d'organisations telles que l'Economist Intelligence Unit et l'Office for Budget Responsibility.

Dans le cadre du processus de prévision, nous analysons les relations entre les tailles réelles du marché et une sélection de déterminants économiques et démographiques clés (variables indépendantes) afin d'identifier les facteurs prédictifs qui ont le plus d'influence sur le marché.

Les facteurs utilisés dans une prévision sont indiqués dans la section correspondante du rapport, accompagnés d'une interprétation de leur rôle dans l'évolution de la demande pour le produit ou le marché en question.

Chez Mintel, nous comprenons que les données historiques ont une capacité limitée à servir de seule base pour prédire l'état futur des marchés. Ainsi, les riches insights qualitatifs des experts du secteur concernant les événements futurs susceptibles d'avoir un impact sur divers marchés jouent un rôle inestimable dans notre processus d'évaluation post-statistique.

Les prévisions de Mintel complètent ainsi un processus statistique rigoureux par une connaissance approfondie du marché et une expertise qui permettent de prendre en compte des facteurs supplémentaires ou des conditions de marché qui échappent à la capacité des prévisions statistiques.

Les prévisions économiques sont toujours soumises à des incertitudes. Afin de sensibiliser nos clients à ces incertitudes et de les illustrer, Mintel présente ses prévisions de taille du marché sous forme de diagramme en éventail.

Le graphique en éventail montre la taille réelle du marché pour les 5 ou 6 dernières années, dans certains cas une estimation pour l'année en cours, une prévision centrale à 5 ou 6 ans (résultant d'une modélisation statistique et d'une analyse qualitative) et les intervalles de prévision (résultant d'une modélisation statistique).

Les intervalles de prédiction représentent la fourchette de valeurs dans laquelle la taille réelle du marché futur se situera avec une probabilité donnée.

Conclusion générale : sur la base de nos connaissances actuelles des données historiques relatives à la taille du marché et des projections des principaux indicateurs macroéconomiques et socio-économiques utilisés pour établir les prévisions, nous pouvons affirmer que la taille réelle future du marché se situera dans le secteur ombré avec une probabilité de 95 %. Il existe une faible probabilité de 5 % que la taille réelle future du marché se situe en dehors de ces limites.

Étant donné que 95 % est, dans la plupart des applications, le seuil qui définit si nous pouvons accepter ou refuser un résultat statistique, les limites extérieures de l'intervalle de prévision de 95 % peuvent être considérées comme les meilleurs et les pires cas de prévision.

Pour illustrer l'incertitude des prévisions à l'aide d'un exemple quotidien, supposons que les prévisions météorologiques suivantes aient été établies sur la base des connaissances actuelles des météorologues concernant les conditions météorologiques des derniers jours, les observations atmosphériques, les fronts météorologiques en approche, etc.

Dans quelle mesure pouvons-nous être certains que la température sera effectivement de 15 °C samedi ?

Il est possible d'affirmer que la température dans le centre de Londres samedi atteindra exactement 15 °C, mais on ne peut pas en être certain à 100 %.

Dire que la température samedi sera comprise entre 14 °C et 17 °C est une affirmation plus large et beaucoup plus probable.

En général, on peut dire que, sur la base du modèle statistique existant, on peut être sûr à 95 % que la température samedi sera comprise entre 14 °C et 17 °C, et seulement à 50 % qu'elle sera comprise entre environ 14,5 °C et 15,5 °C. Enfin, il existe une faible probabilité de 5 % que la température réelle samedi se situe en dehors de ces limites et soit donc inférieure à 14 °C ou supérieure à 17 °C.