Mintel impiega numerose tecniche di analisi quantitativa e qualitativa dei dati per aumentare il valore della nostra ricerca sui consumatori. Le tecniche utilizzate variano da un rapporto all'altro. Questo articolo fornisce una panoramica delle tecniche più comuni utilizzate dai nostri esperti analisti per creare i loro rapporti.

Questa tecnica viene utilizzata per creare gruppi di consumatori in base ai comportamenti o agli atteggiamenti riferiti. Le risposte dei consumatori a un elenco di voci del sondaggio vengono sommate in un'unica variabile di repertorio. La variabile di repertorio riassume il numero di occorrenze nell'elenco di voci dell'indagine.

Questa tecnica di segmentazione assegna un insieme di persone in gruppi chiamati cluster in base alle loro risposte al sondaggio, in modo che gli intervistati all'interno dello stesso cluster siano in un certo senso più vicini o più simili tra loro rispetto agli intervistati che sono stati raggruppati in un cluster diverso.

Mintel utilizza in genere un approccio al clustering in due fasi.

Questo metodo di visualizzazione statistica viene utilizzato per visualizzare le associazioni tra le righe (ad es. immagine, attributi) e le colonne (ad es. marchi, prodotti) di una tabella di contingenza a due vie in una mappa percettiva di facile comprensione attraverso l'interpretazione delle prossimità.

La significatività della relazione tra un marchio e l'attributo ad esso associato, ad esempio, viene misurata utilizzando il test del Chi-quadro. Se due marchi mostrano modelli simili per quanto riguarda gli attributi associati, vengono assegnati loro punteggi simili sulle dimensioni sottostanti e saranno visualizzati vicini nella mappa percettiva.

L'analisi CHAID (Chi-squared Automatic Interaction Detection) viene utilizzata per evidenziare i gruppi target chiave in un campione, identificando quale sottogruppo ha maggiori probabilità di mostrare una particolare caratteristica (ad esempio, l'interesse a provare un nuovo prodotto).

Divide il campione in una serie di sottogruppi che condividono caratteristiche simili (ad esempio, età, sesso) e ci permette di identificare quale combinazione di caratteristiche mostra il tasso di risposta più elevato per la variabile target (ad esempio, l'interesse a provare un nuovo prodotto). La prima categoria di predittori in base alla quale verrà suddiviso il campione (ad esempio, l'età) è maggiormente associata alla variabile di risposta, ossia fornisce i gruppi di intervistati più differenziati. Ogni sottogruppo viene poi ulteriormente suddiviso finché l'analisi non trova più alcun predittore significativamente discriminante.

L'output è un albero i cui rami sono le variabili predittive che dividono il campione in gruppi discriminanti.

L'Analisi dei Fattori Chiave viene utilizzata per identificare e dare priorità ai diversi fattori che possono influenzare gli atteggiamenti e i comportamenti dei consumatori (ad esempio, la soddisfazione del cliente, la probabilità di raccomandare un marchio o di cambiare fornitore), valutandone l'importanza relativa. A tal fine si può utilizzare una regressione logistica o un'analisi di correlazione.
​
La regressione logistica è un'analisi predittiva utilizzata per identificare la relazione tra una variabile dipendente (ad esempio la soddisfazione del cliente) e una o più variabili indipendenti (ad esempio la qualità del servizio clienti, la gamma di prodotti).
​
L'analisi di correlazione descrive la forza e la natura della relazione tra una variabile dipendente di interesse (ad esempio la soddisfazione complessiva del cliente) e una o più variabili indipendenti (ad esempio la soddisfazione per il servizio clienti, la gamma di prodotti).

L'analisi TURF (Total Unduplicated Reach & Frequency) identifica il mix di caratteristiche, attributi o messaggi che attireranno il maggior numero di rispondenti unici. Si usa di solito quando il numero di caratteristiche o attributi deve o dovrebbe essere limitato, ma l'obiettivo è comunque quello di raggiungere il pubblico più ampio possibile. Identificando la portata totale non duplicata, è possibile massimizzare il numero di persone che trovano una o più caratteristiche o attributi preferiti nella linea di prodotti.

Il risultato del TURF è additivo: ogni caratteristica aggiuntiva aumenta la portata totale. Il grafico si legge da sinistra a destra, con ogni freccia che indica la variazione incrementale della portata totale quando si aggiunge una nuova caratteristica, un nuovo attributo, ecc. La barra finale rappresenta la portata massima della popolazione totale quando vengono offerte tutte le caratteristiche, gli attributi e così via.

L'analisi di sensibilità al prezzo è un modo per misurare come il prezzo di un prodotto influisce sul comportamento di acquisto dei consumatori. L'analisi aiuta a identificare il prezzo ideale, nonché una gamma di prezzi accettabili, per uno specifico bene o servizio tra i consumatori. Vengono identificati diversi punti di prezzo.

I punti di prezzo aggregati vengono tracciati su mappe dei prezzi per indicare le soglie di prezzo alto/basso e il punto di prezzo ottimale (OPP).

Per la maggior parte dei Rapporti per gli Stati Uniti, il Canada, il Regno Unito, la Germania e la Cina, Mintel produce previsioni centrali a cinque anni basate sulla "regressione con errori ARIMA", che è una combinazione di due semplici ma potenti tecniche di modellazione statistica: la regressione e l'ARIMA (Auto-Regressive Integrated Moving Average). La regressione ci permette di modellare, e quindi prevedere, le dimensioni del mercato utilizzando informazioni esogene (ad esempio PIL, disoccupazione). L'ARIMA ci permette di modellare le dimensioni del mercato utilizzando informazioni endogene (valori ritardati). Per stimare questo tipo di modelli, Mintel utilizza il software R.

I dati storici sulle dimensioni del mercato che alimentano ogni previsione sono raccolti nel database delle dimensioni del mercato di Mintel e integrati da dati macro e socio-economici provenienti da organizzazioni come l'Economist Intelligence Unit e l'Office for Budget Responsibility.

Nell'ambito del processo di previsione, analizziamo le relazioni tra le dimensioni effettive del mercato e una selezione di determinanti economici e demografici chiave (variabili indipendenti), al fine di identificare i fattori predittivi che hanno la maggiore influenza sul mercato.

I fattori utilizzati in una previsione sono indicati nella sezione del rapporto corrispondente, insieme a un'interpretazione del loro ruolo nello spiegare l'andamento della domanda per il prodotto o il mercato in questione.

Mintel è consapevole che i dati storici sono limitati nella loro capacità di agire come unica forza dietro lo stato futuro dei mercati. Pertanto, gli approfondimenti qualitativi degli esperti del settore sugli eventi futuri che potrebbero avere un impatto sui vari mercati svolgono un ruolo inestimabile nel nostro processo di valutazione post-modellazione statistica.

Di conseguenza, le previsioni di Mintel integrano un rigoroso processo statistico con una conoscenza approfondita del mercato e un'esperienza che consente di tenere conto di ulteriori fattori o condizioni di mercato al di fuori della capacità delle previsioni statistiche.

Le Previsioni sui risultati economici futuri sono sempre soggette a incertezza. Per sensibilizzare i nostri clienti e per illustrare questa incertezza, Mintel visualizza le previsioni sulle dimensioni del mercato sotto forma di grafico a ventaglio.

Il grafico a ventaglio mostra le dimensioni effettive del mercato per gli ultimi 5 o 6 anni, in alcuni casi una stima per l'anno in corso, una previsione centrale con orizzonte di 5 o 6 anni (risultante da modelli statistici e approfondimenti qualitativi) e gli intervalli di previsione della previsione (risultanti da modelli statistici).

Gli intervalli di previsione rappresentano l'intervallo di valori in cui le effettive dimensioni future del mercato rientreranno con una specifica probabilità.

Una conclusione generale: sulla base della nostra attuale conoscenza dei dati storici sulle dimensioni del mercato e delle proiezioni per le principali misure macro e socio-economiche utilizzate per creare la previsione, possiamo affermare che le future dimensioni effettive del mercato rientreranno nel ventaglio ombreggiato con una probabilità del 95%. Esiste una piccola probabilità, pari al 5%, che le dimensioni effettive del mercato futuro escano da questi confini.

Poiché nella maggior parte delle applicazioni il 95% è la soglia che definisce se possiamo accettare o rifiutare un risultato statistico, i limiti esterni dell'intervallo di previsione del 95% possono essere visti come i casi migliori e peggiori della previsione.

Per illustrare l'incertezza nelle previsioni con un esempio quotidiano, supponiamo che la seguente previsione meteorologica sia stata elaborata sulla base delle conoscenze attuali dei meteorologi sulle condizioni meteorologiche precedenti degli ultimi giorni, sulle osservazioni atmosferiche, sui fronti meteorologici in arrivo, ecc.

Ora, quanto possiamo essere certi che la temperatura di sabato sarà effettivamente di 15°C?

Affermare che la temperatura nel centro di Londra sabato salirà esattamente a 15°C è possibile, ma non si può essere certi al 100% di questo fatto.

Dire che la temperatura di sabato sarà compresa tra 14°C e 17°C è un'affermazione più ampia e molto più probabile.

In generale, possiamo dire che, sulla base del modello statistico esistente, si può essere certi al 95% che la temperatura di sabato sarà compresa tra 14°C e 17°C, e solo al 50% che sarà compresa tra circa 14,5°C e 15,5°C. Infine, c'è una piccola probabilità del 5% che la temperatura effettiva di sabato esca da questi confini e sia quindi inferiore a 14°C o superiore a 17°C.