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

Cette méthode est utilisée pour créer des groupes de consommateurs sur la base de comportements ou d'attitudes déclarés. Les réponses des consommateurs de la même Valeur (ou liste de valeurs) à travers une liste d'éléments d'enquête sont totalisées en une seule variable. La variable "répertoire" résume le nombre d'occurrences dans lesquelles la ou les valeurs apparaissent parmi une liste d'éléments de l'enquête.

Cette technique consiste à répartir un ensemble de personnes dans des groupes appelés grappes sur la base d'une ou plusieurs réponses, de sorte que les répondants d'une même grappe sont, d'une certaine manière, plus proches ou plus similaires les uns des autres que les répondants regroupés dans une grappe différente.

Il s'agit d'une méthode de visualisation statistique des associations entre les lignes (image, attitudes) et les colonnes (marques, produits, segments, etc.) d'un tableau de contingence à double entrée. Elle nous permet de représenter les images de marque (et/ou les attitudes des consommateurs à l'égard des marques) liées à chaque marque couverte par cette enquête dans un espace commun facile à comprendre. L'importance de la relation entre une Marque et l'image qui lui est associée est mesurée à l'aide du test du Khi-deux. Si deux marques présentent des profils de réponse similaires concernant leurs images perçues, des scores similaires leur sont attribués sur les dimensions sous-jacentes et elles seront alors affichées à proximité l'une de l'autre dans la carte perceptuelle.

L'analyse CHAID (Chi-squared Automatic Interaction Detection), un type d'analyse d'arbre de décision, est utilisée pour mettre en évidence des groupes cibles clés dans 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 vis-à-vis d'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 l'essai d'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 établir des priorités entre les différents facteurs qui peuvent avoir un impact sur les indicateurs clés de performance (ICP), tels que la satisfaction, la probabilité de changer de fournisseur et la probabilité de recommander une marque. En utilisant l'analyse des corrélations ou l'analyse de régression, nous pouvons comprendre quels facteurs ou attributs d'un marché ont l'association ou le lien le plus fort avec une performance positive sur les ICP. Catégorie, nous sommes 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 veiller à ce que des ressources souvent limitées puissent être allouées pour 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 attireront 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 du TURF est additif, chaque caractéristique supplémentaire augmentant la portée totale. Le graphique se lit de gauche à droite, chaque flèche indiquant la variation progressive de la portée totale lors de l'ajout d'une nouvelle caractéristique. La dernière barre représente la portée maximale de la population totale lorsque toutes les fonctionnalités indiquées sont proposées.

L'analyse de sensibilité au prix montre les attentes des consommateurs concernant le prix d'un produit fini. Les consommateurs ont été invités à indiquer un prix pour le produit fini. Les points de prix agrégés sont ensuite reportés sur des cartes de prix afin d'indiquer le point d'économie marginale (PMC), le point de dépense marginale (PME) ainsi que le point de 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 à cinq ans basées sur la "régression avec erreurs ARIMA", qui est une combinaison de 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 prévoir, la taille des marchés à l'aide d'informations exogènes (par exemple, le PIB, le chômage). L'ARIMA permet de modéliser les tailles du marché à l'aide d'informations endogènes (valeurs retardées). Pour estimer ce type de modèle, Mintel utilise le logiciel R.

Les données historiques sur la taille du marché qui alimentent chaque prévision sont rassemblées dans la propre base de données de Mintel sur la taille du marché et complétées par des données macro- et socio-économiques provenant d'organisations telles que l'Economist Intelligence Unit et l'Office for Budget Responsibility (Office de la responsabilité budgétaire).

Dans le cadre du processus de Prévisions, nous analysons les relations entre les Tailles du Marché réelles 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 Produits 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 sont limitées dans leur capacité à agir comme la seule force derrière l'état futur des marchés. Ainsi, les riches Insights qualitatifs des experts de l'industrie concernant les événements futurs qui pourraient avoir un impact sur les différents marchés jouent un rôle inestimable dans notre processus d'évaluation de la modélisation post-statistique.

Par conséquent, les prévisions de Mintel complètent un processus statistique rigoureux par une connaissance et une expertise approfondies du marché afin de prendre en compte des facteurs supplémentaires ou des conditions de marché qui dépassent la capacité des prévisions statistiques.

Les prévisions des résultats économiques futurs sont toujours sujettes à l'incertitude. Afin de sensibiliser nos clients et d'illustrer cette incertitude, Mintel présente les prévisions de taille du marché sous la forme d'un graphique en éventail.

Le diagramme 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'un aperçu qualitatif), et les intervalles de prédiction de la prévision (résultant d'une modélisation statistique).

Les intervalles de prédiction représentent la fourchette de valeurs dans laquelle la Taille du Marché future se situera avec une probabilité spécifique.

Conclusion générale : sur la base de notre connaissance actuelle des données historiques relatives à la taille du marché, ainsi que des projections relatives aux principales mesures macro et socio-économiques utilisées pour établir les prévisions, nous pouvons affirmer que la taille du marché futur se situera dans l'éventail ombré avec une probabilité de 95 %. Il existe une faible probabilité de 5 % que la Taille du marché réelle future 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 prédiction de 95 % peuvent être considérées comme les meilleurs et les pires cas de la prévision.

Pour illustrer l'incertitude des prévisions par 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, l'arrivée de fronts météorologiques, etc.

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

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 sûr 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 à 50 % seulement qu'elle sera comprise entre 14,5°C et 15,5°C environ. Enfin, il existe une faible probabilité de 5 % que la température réelle de samedi se situe en dehors de ces limites et soit donc inférieure à 14°C ou supérieure à 17°C.