Mintel menggunakan berbagai teknik analisis data kuantitatif dan kualitatif untuk meningkatkan nilai penelitian konsumen kami. Teknik yang digunakan bervariasi dari satu laporan ke laporan lainnya. Artikel ini akan memberikan gambaran umum tentang teknik yang paling umum digunakan oleh analis ahli kami untuk membuat laporan mereka.

Ini digunakan untuk membuat kelompok konsumen berdasarkan perilaku atau sikap yang dilaporkan. Tanggapan konsumen dengan nilai yang sama (atau daftar nilai) di seluruh daftar item survei dihitung menjadi satu variabel. Variabel repertoar merangkum jumlah kemunculan nilai atau nilai-nilai yang muncul di antara daftar item survei.

Teknik ini mengelompokkan sekelompok orang menjadi beberapa kelompok yang disebut klaster berdasarkan satu atau lebih tanggapan, sehingga responden dalam klaster yang sama dalam arti tertentu lebih dekat atau lebih mirip satu sama lain daripada responden yang dikelompokkan ke dalam klaster yang berbeda.

Ini adalah metode visualisasi statistik untuk menggambarkan hubungan antara baris (gambar, sikap) dan kolom (merek, produk, segmen, dll.) dari tabel kontingensi dua arah. Metode ini memungkinkan kami menampilkan citra merek (dan/atau sikap konsumen terhadap merek) yang terkait dengan setiap merek yang dicakup dalam survei ini dalam ruang bersama yang mudah dipahami. Signifikansi hubungan antara merek dan citra yang terkait diukur menggunakan uji Chi-kuadrat. Jika dua merek memiliki pola respons yang serupa terkait citra yang dipersepsikan, keduanya akan diberi skor yang serupa pada dimensi yang mendasarinya dan kemudian ditampilkan berdekatan satu sama lain dalam peta persepsi.

CHAID (Chi-squared Automatic Interaction Detection), jenis analisis pohon keputusan, digunakan untuk menyoroti kelompok target kunci dalam sampel dengan mengidentifikasi sub-kelompok yang lebih mungkin menunjukkan karakteristik tertentu. Analisis ini membagi sampel menjadi serangkaian subkelompok yang memiliki karakteristik serupa terhadap variabel respons tertentu dan memungkinkan kami mengidentifikasi kombinasi mana yang memiliki tingkat respons tertinggi untuk variabel target. Analisis ini umumnya digunakan untuk memahami dan memvisualisasikan hubungan antara variabel yang diminati, seperti minat untuk mencoba produk baru, dan karakteristik lain dari sampel, seperti komposisi demografi.

Analisis Pendorong Utama dapat menjadi alat yang berguna dalam membantu memprioritaskan fokus antara berbagai faktor yang dapat memengaruhi indikator kinerja utama (KPI), seperti kepuasan, kemungkinan untuk berpindah penyedia, dan kemungkinan untuk merekomendasikan suatu merek. Dengan menggunakan analisis korelasi atau analisis regresi, kita dapat memahami faktor atau atribut pasar mana yang memiliki hubungan atau keterkaitan terkuat dengan kinerja positif pada KPI. Oleh karena itu, kita dapat mengidentifikasi faktor atau atribut mana yang relatif lebih penting dalam suatu kategori pasar dibandingkan dengan yang lain dan memastikan bahwa sumber daya yang seringkali terbatas dapat dialokasikan untuk berfokus pada pendorong pasar utama.

Analisis TURF (Total Unduplicated Reach & Frequency) mengidentifikasi kombinasi fitur, atribut, atau pesan yang akan menarik jumlah responden unik terbanyak. Analisis ini biasanya digunakan ketika jumlah fitur atau atribut harus atau sebaiknya dibatasi, tetapi tujuannya tetap untuk menjangkau audiens seluas mungkin. Dengan mengidentifikasi Total Unduplicated Reach, dimungkinkan untuk memaksimalkan jumlah orang yang menemukan satu atau lebih fitur atau atribut yang mereka sukai dalam lini produk. Hasil yang diperoleh dari TURF bersifat aditif, dengan setiap fitur tambahan meningkatkan jangkauan total. Bagan dibaca dari kiri ke kanan, dengan setiap panah menunjukkan perubahan tambahan dalam jangkauan total saat menambahkan fitur baru. Bilah terakhir mewakili jangkauan maksimum dari total populasi ketika semua fitur yang ditampilkan ditawarkan.

Analisis sensitivitas harga menunjukkan ekspektasi konsumen tentang harga produk jadi. Konsumen diminta untuk memberikan titik harga untuk produk jadi. Titik harga agregat kemudian diplot ke Peta Harga untuk menunjukkan Titik Marginal Murah (PMC), Titik Marginal Mahal (PME), serta Titik Harga Optimal (OPP).

Untuk sebagian besar laporan untuk Amerika Serikat, Kanada, Inggris, Jerman, dan Tiongkok, Mintel membuat prakiraan pusat lima tahun berdasarkan 'regresi dengan kesalahan ARIMA' yang merupakan kombinasi dari dua teknik pemodelan statistik yang sederhana namun kuat: regresi dan ARIMA (Auto-Regressive Integrated Moving Average). Regresi memungkinkan kami untuk membuat model, sehingga dapat memprediksi ukuran pasar menggunakan informasi eksogen (misalnya PDB, pengangguran). ARIMA memungkinkan kami membuat model ukuran pasar menggunakan informasi endogen (nilai yang tertinggal). Untuk memperkirakan model jenis ini, Mintel menggunakan perangkat lunak R.

Data ukuran pasar historis yang dimasukkan ke dalam setiap prakiraan dikumpulkan dalam basis data ukuran pasar milik Mintel dan dilengkapi dengan data makro dan sosio-ekonomi yang bersumber dari organisasi seperti Economist Intelligence Unit dan Office for Budget Responsibility.

Dalam proses prakiraan, kami menganalisis hubungan antara ukuran pasar aktual dan pilihan faktor penentu ekonomi dan demografi utama (variabel independen) untuk mengidentifikasi prediktor yang paling berpengaruh terhadap pasar.

Faktor-faktor yang digunakan dalam prakiraan dinyatakan dalam bagian laporan yang relevan bersama dengan interpretasi peranannya dalam menjelaskan perkembangan permintaan untuk produk atau pasar yang bersangkutan.

Di Mintel, kami memahami bahwa data historis memiliki keterbatasan dalam kapasitasnya untuk menjadi satu-satunya kekuatan di balik keadaan pasar di masa depan. Oleh karena itu, wawasan kualitatif yang kaya dari para pakar industri mengenai peristiwa masa depan yang mungkin berdampak pada berbagai pasar memainkan peran yang sangat berharga dalam proses evaluasi pemodelan pasca-statistik kami.

Hasilnya, prakiraan Mintel melengkapi proses statistik yang ketat dengan pengetahuan dan keahlian pasar yang mendalam untuk memungkinkan faktor-faktor tambahan atau kondisi pasar di luar kapasitas prakiraan statistik.

Prakiraan hasil ekonomi di masa depan selalu tunduk pada ketidakpastian. Untuk meningkatkan kesadaran di antara klien kami dan untuk menggambarkan ketidakpastian ini, Mintel menampilkan prakiraan ukuran pasar dalam bentuk bagan kipas.

Bagan kipas menunjukkan ukuran pasar aktual selama 5 atau 6 tahun terakhir, dalam beberapa kasus perkiraan tahun berjalan, prakiraan sentral untuk jangka waktu 5 atau 6 tahun (hasil pemodelan statistik dan wawasan kualitatif), serta interval prediksi prakiraan (hasil pemodelan statistik).

Interval prediksi mewakili kisaran nilai yang akan dicapai oleh ukuran pasar aktual di masa depan dengan probabilitas tertentu.

Kesimpulan umum: berdasarkan pengetahuan kami saat ini tentang data ukuran pasar historis yang diberikan serta proyeksi untuk langkah-langkah makro dan sosial ekonomi utama yang digunakan untuk membuat prakiraan, kami dapat mengatakan bahwa ukuran pasar aktual di masa depan akan berada dalam kipas yang diarsir dengan probabilitas 95%. Ada kemungkinan kecil sebesar 5% bahwa ukuran pasar aktual di masa depan akan berada di luar batas-batas ini.

Karena 95% dalam sebagian besar aplikasi merupakan ambang batas yang menentukan apakah kita dapat menerima atau menolak hasil statistik, batas luar interval prediksi 95% dapat dilihat sebagai kasus terbaik dan terburuk dari prakiraan.

Untuk mengilustrasikan ketidakpastian dalam perkiraan dalam contoh sehari-hari, mari kita asumsikan ramalan cuaca berikut ini dibuat berdasarkan pengetahuan terkini ahli meteorologi tentang kondisi cuaca selama beberapa hari terakhir, observasi atmosfer, front cuaca yang akan datang, dll.

Sekarang, seberapa yakin kita bahwa suhu pada Sabtu akan benar-benar 15°C?

Menyatakan bahwa suhu di pusat London pada Sabtu akan naik tepat menjadi 15°C adalah mungkin, tetapi kita tidak dapat yakin 100% tentang hal itu.

Mengatakan bahwa suhu pada hari Sabtu akan berada antara 14°C dan 17°C adalah pernyataan yang lebih luas dan jauh lebih mungkin.

Secara umum, berdasarkan model statistik yang ada, kita dapat mengatakan bahwa kita dapat yakin 95% bahwa suhu pada hari Sabtu akan berada antara 14°C dan 17°C, dan hanya 50% yakin bahwa suhu akan berada antara sekitar 14,5°C dan 15,5°C. Akhirnya, ada kemungkinan kecil sebesar 5% bahwa suhu sebenarnya pada Sabtu akan berada di luar batas ini dan karenanya akan di bawah 14°C atau di atas 17°C.