Mintel menggunakan berbagai teknik analisis data kuantitatif dan kualitatif untuk meningkatkan nilai riset 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 para analis ahli kami untuk membuat laporan mereka.

Teknik ini digunakan untuk membuat kelompok konsumen berdasarkan perilaku atau sikap yang dilaporkan dalam laporan. Tanggapan konsumen di seluruh daftar item survei dihitung ke dalam satu variabel repertoar. Variabel repertoar merangkum jumlah kemunculan di seluruh daftar item survei.

Teknik segmentasi ini menempatkan sekumpulan individu ke dalam kelompok yang disebut cluster berdasarkan tanggapan mereka dalam survei, sehingga responden dalam cluster yang sama dalam beberapa hal lebih dekat atau lebih mirip satu sama lain dibandingkan dengan responden yang dikelompokkan ke dalam cluster yang berbeda.

Mintel biasanya menggunakan pendekatan 2 langkah untuk pengelompokan.

Metode visualisasi statistik ini digunakan untuk menampilkan hubungan antara baris (misalnya gambar, atribut) dan kolom (misalnya merek, Produk) dari tabel kontingensi dua arah dalam peta persepsi yang mudah dimengerti dengan menginterpretasikan kedekatan.

Signifikansi hubungan antara merek dan atribut yang terkait, misalnya, diukur dengan menggunakan uji Chi-square. Jika dua merek menunjukkan pola yang sama terkait atribut terkait, mereka diberi skor yang sama pada dimensi yang mendasarinya dan akan ditampilkan berdekatan satu sama lain dalam peta persepsi.

Analisis CHAID (Deteksi Interaksi Otomatis Chi-kuadrat) digunakan untuk menyoroti kelompok target utama dalam sampel dengan mengidentifikasi sub-kelompok mana yang paling mungkin menunjukkan karakteristik tertentu (misalnya, ketertarikan untuk mencoba Produk Baru).

Metode ini membagi sampel menjadi beberapa subkelompok yang memiliki karakteristik yang sama (misalnya usia, jenis kelamin) dan memungkinkan kami untuk mengidentifikasi kombinasi karakteristik mana yang menunjukkan tingkat respons tertinggi untuk variabel target (misalnya minat untuk mencoba Produk Baru). Kategori prediktor pertama yang akan membagi sampel (misalnya usia) adalah yang paling terkait dengan variabel respons, yaitu yang paling membedakan kelompok responden. Setiap subkelompok kemudian dipecah lebih lanjut hingga analisis tidak lagi menemukan prediktor yang membedakan secara signifikan.

Outputnya adalah sebuah pohon yang cabang-cabangnya merupakan variabel prediktor yang membagi sampel dalam kelompok-kelompok pembeda.

Analisis Pendorong Utama digunakan untuk mengidentifikasi dan memprioritaskan berbagai faktor yang dapat memengaruhi sikap dan perilaku konsumen (misalnya, kepuasan konsumen, kemungkinan untuk merekomendasikan suatu merek atau berpindah penyedia layanan) dengan menilai tingkat kepentingannya. Hal ini dapat dicapai dengan menggunakan regresi logistik atau analisis korelasi.
​
Regresi logistik adalah analisis prediktif yang digunakan untuk mengidentifikasi hubungan antara satu variabel dependen (misalnya kepuasan pelanggan) dan satu atau lebih variabel independen (misalnya kualitas layanan pelanggan, rangkaian produk).
​
Analisis korelasi menggambarkan kekuatan dan sifat hubungan antara variabel dependen yang diminati (misalnya kepuasan pelanggan secara keseluruhan) dan satu atau lebih variabel independen (misalnya kepuasan dengan layanan pelanggan, rangkaian produk).

Analisis TURF (Total Unduplicated Reach & Frequency) mengidentifikasi perpaduan fitur, atribut, atau pesan yang akan menarik jumlah responden unik terbesar. Analisis ini biasanya digunakan ketika jumlah fitur atau atribut harus atau sebaiknya dibatasi, namun 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 dihasilkan dari TURF bersifat aditif, dengan setiap fitur tambahan akan meningkatkan total jangkauan. Grafik dibaca dari kiri ke kanan, dengan setiap panah menunjukkan perubahan tambahan dalam jangkauan total saat menambahkan fitur, atribut, dll. Bar terakhir menunjukkan jangkauan maksimum dari total populasi ketika semua fitur, atribut, dan lain-lain yang ditampilkan ditawarkan.

Analisis sensitivitas harga adalah cara untuk mengukur bagaimana harga suatu produk mempengaruhi perilaku pembelian konsumen. Analisis ini membantu mengidentifikasi harga yang ideal, serta kisaran harga yang dapat diterima, untuk barang atau jasa tertentu di antara konsumen. Titik harga yang berbeda diidentifikasi.

Titik-titik harga agregat diplot pada Peta Harga untuk menunjukkan ambang batas harga tinggi/rendah serta Titik Harga Optimal (OPP).

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

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

Dalam proses prakiraan, kami menganalisis hubungan antara ukuran pasar aktual dan sejumlah faktor penentu ekonomi dan demografi utama (variabel independen) untuk mengidentifikasi prediktor yang memiliki pengaruh paling besar pada pasar.

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

Di Mintel, kami memahami bahwa data historis memiliki keterbatasan dalam kapasitasnya untuk bertindak sebagai satu-satunya kekuatan di balik kondisi 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 tak ternilai dalam proses evaluasi pemodelan pasca-statistik kami.

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

Prakiraan hasil ekonomi di masa depan selalu mengandung ketidakpastian. Untuk meningkatkan kesadaran di antara klien kami dan untuk menggambarkan ketidakpastian ini, Mintel menampilkan prakiraan ukuran pasar dalam bentuk fan chart.

Diagram kipas menunjukkan ukuran pasar aktual selama 5 atau 6 tahun terakhir, dalam beberapa kasus, perkiraan tahun berjalan, prakiraan pusat horison 5 tahun atau 6 tahun (yang dihasilkan dari pemodelan statistik dan wawasan kualitatif), dan interval prediksi prakiraan (yang dihasilkan dari pemodelan statistik).

Interval prediksi mewakili kisaran nilai di mana ukuran pasar aktual di masa depan akan jatuh dengan probabilitas tertentu.

Kesimpulan umum: berdasarkan pengetahuan kami saat ini tentang data ukuran pasar historis serta proyeksi untuk ukuran makro dan sosio-ekonomi utama yang digunakan untuk membuat prakiraan, kami dapat mengatakan bahwa ukuran pasar aktual di masa depan akan berada di 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% adalah ambang batas dalam sebagian besar aplikasi 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 prakiraan dalam contoh sehari-hari, mari kita asumsikan prakiraan cuaca berikut ini dibuat berdasarkan pengetahuan terkini para ahli meteorologi mengenai kondisi cuaca sebelumnya selama beberapa hari terakhir, observasi atmosfer, front cuaca yang akan datang, dan lain-lain.

Sekarang, seberapa yakin kita dapat memastikan bahwa suhu pada hari Sabtu akan mencapai 15°C?

Menyatakan bahwa suhu di pusat kota London pada hari Sabtu akan naik menjadi tepat 15°C mungkin saja terjadi, namun kita tidak bisa 100% yakin akan hal tersebut.

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

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