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.
💡 Kiat Sebagai pelanggan Mintel Reports, Anda dapat menemukan semua laporan dalam langganan Anda dengan menerapkanfilter Jenis konten Laporan di clients.mintel.com.
Analisis Repertoar
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 ke dalam satu variabel. Variabel repertoar merangkum jumlah kemunculan Nilai atau Nilai-Nilai yang muncul di antara daftar item survei.
📝 Contoh: Sebuah repertoar pembelian merek dapat menghasilkan kelompok-kelompok yang terdiri dari mereka yang membeli 1-2 merek, 3-4 merek, dan 5 merek atau lebih. Setiap subkelompok harus cukup besar (yaitu N=75+) untuk dianalisis.
Analisis Kelompok
Teknik ini menempatkan sekumpulan individu ke dalam kelompok-kelompok yang disebut klaster berdasarkan satu atau beberapa tanggapan, sehingga responden dalam klaster yang sama dalam beberapa hal lebih dekat atau lebih mirip satu sama lain dibandingkan dengan responden yang dikelompokkan ke dalam klaster yang berbeda.
Analisis Korespondensi
Ini adalah metode visualisasi statistik untuk menggambarkan hubungan antara baris (citra, sikap) dan kolom (merek, produk, segmen, dll.) dari tabel kontingensi dua arah. Metode ini memungkinkan kami untuk menampilkan citra merek (dan/atau sikap konsumen terhadap merek) yang terkait dengan setiap merek yang tercakup dalam survei ini dalam sebuah ruang gabungan yang mudah dipahami. Signifikansi hubungan antara sebuah merek dan citra yang terkait diukur dengan menggunakan uji Chi-square. Jika dua merek memiliki pola respons yang sama terkait citra yang dirasakan, maka kedua merek tersebut akan diberi nilai yang sama pada dimensi yang mendasarinya dan kemudian akan ditampilkan berdekatan satu sama lain dalam peta persepsi.
Analisis CHAID
CHAID (Chi-squared Automatic Interaction Detection), sebuah jenis analisis pohon keputusan, digunakan untuk menyoroti kelompok target utama dalam sampel dengan mengidentifikasi sub-kelompok mana yang lebih cenderung menunjukkan karakteristik tertentu. Analisis ini membagi sampel menjadi beberapa subkelompok yang memiliki karakteristik yang sama terhadap variabel respons tertentu dan memungkinkan kita untuk mengidentifikasi kombinasi mana yang memiliki tingkat respons tertinggi untuk variabel target. Analisis ini biasanya digunakan untuk memahami dan memvisualisasikan hubungan antara variabel yang diminati, seperti minat untuk mencoba produk baru, dan karakteristik lain dari sampel, seperti komposisi demografis.
Analisis Pendorong Utama
Analisis Pendorong Utama dapat menjadi alat yang berguna dalam membantu memprioritaskan fokus di antara berbagai faktor yang dapat memengaruhi indikator kinerja utama (KPI), seperti kepuasan, kemungkinan berpindah penyedia layanan, dan kemungkinan merekomendasikan merek. Dengan menggunakan analisis korelasi atau analisis regresi, kita dapat memperoleh pemahaman tentang faktor atau atribut pasar mana yang memiliki hubungan terkuat atau keterkaitan 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 sering kali terbatas dapat dialokasikan untuk berfokus pada pendorong pasar utama.
Analisis TURF
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 jangkauan total. Grafik dibaca dari kiri ke kanan, dengan setiap panah menunjukkan perubahan tambahan dalam jangkauan total saat menambahkan fitur baru. Bar terakhir menunjukkan jangkauan maksimum dari total populasi ketika semua fitur yang ditampilkan ditawarkan.
Analisis Sensitivitas Harga
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 Murah Marginal (PMC), Titik Mahal Marginal (PME), serta Titik Harga Optimal (OPP).
Prakiraan Statistik
Pemodelan statistik
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 mengestimasi 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 perannya dalam menjelaskan perkembangan permintaan produk atau pasar yang bersangkutan.
Wawasan kualitatif
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.
Bagan penggemar Mintel
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, perkiraan pusat horison 5 tahun atau 6 tahun (yang dihasilkan dari pemodelan statistik dan wawasan kualitatif), dan interval prediksi perkiraan (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.
Analogi cuaca
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, pengamatan 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 adalah mungkin, tetapi kita tidak bisa 100% yakin tentang fakta 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 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.