ミンテルは、消費者調査の価値を高めるために、数多くの定量的・定性的データ分析手法を採用しています。その手法はレポートによって異なります。この記事では、弊社の専門アナリストがレポート作成に使用する最も一般的なテクニックの概要をご紹介します。

この手法は、報告された行動や態度に基づいて消費者グループを作成するために使用されます。調査項目のリストにわたる消費者の回答は、1つのレパートリー変数に集計されます。レパートリー変数は、調査項目のリスト全体における出現回数を要約したものです。

このセグメンテーション手法は、調査での回答に基づいて、個人をクラスターと呼ばれるグループに割り当てるもので、同じクラスター内の回答者は、異なるクラスターにグループ分けされた回答者よりも、ある意味近い、または似ていることになります。

Mintelは通常、クラスタリングに2段階のアプローチを使用します。

この統計的視覚化手法は、二元分割表の行（イメージ、属性など）と列（ブランド、製品など）の間の関連性を、近接性を解釈することで理解しやすい知覚マップに表示するために使用されます。

例えば、ブランドとその関連属性との間の関係の有意性は、カイ二乗検定を用いて測定される。もし2つのブランドがその関連属性に関して類似のパターンを示せば、それらは基礎となる次元で類似のスコアを割り当てられ、知覚マップでは互いに近接して表示される。

CHAID分析（カイ2乗自動相互作用検出）は、どのサブグループが特定の特性（新製品を試すことへの関心など）を示す可能性が最も高いかを識別することによって、サンプル内の主要なターゲット・グループを強調するために使用されます。

これは、類似した特性（たとえば、年齢、性別）を共有する一連のサブグループにサンプルを分割し、どの特性の組み合わせがターゲット変数（たとえば、新製品を試すことへの関心）に対して最も高い回答率を示すかを識別することを可能にします。サンプルが分割される最初の予測カテゴリー（例：年齢）は、回答変数と最も関連しており、つまり回答者のグループを最も区別します。そして、分析で有意に識別する予測変数が見つからなくなるまで、各サブグループがさらに分割されます。

出力はツリーで、その枝は、サンプルを識別するグループに分割する予測変数です。

主な購買要因分析は，消費者の態度や行動（たとえば，顧客満足度，ブランドを推奨する可能性，プロバイダーを変更する可能性）に影響を与え得るさまざまな要因を，それらの相対的な重要性を評価することによって識別し，優先順位をつけるために使用される．これは、ロジスティック回帰または相関分析のいずれかを使用して達成することができます。
​
ロジスティック回帰は、1つの従属変数（例：顧客満足度）と1つ以上の独立変数（例：顧客サービスの品質、製品範囲）の関係を識別するために使用される予測分析です。
​
相関分析は、関心のある従属変数（例：全体的な顧客満足度）と1つ以上の独立変数（例：顧客サービスの満足度、製品範囲）の間の関係の強さと性質を記述します。

TURF（Total Unduplicated Reach & Frequency）分析では、最も多くのユニークな回答者を引き付ける特徴、属性、またはメッセージの組み合わせを特定します。通常、機能や属性の数を制限する必要がある、または制限する必要がある場合に使用されますが、可能な限り多くの視聴者に到達することを目標としています。Total Unduplicated Reachを特定することで、製品の特徴や属性の1つ以上を見つける人の数を最大化することができます。

TURFから得られるアウトプットは加算型であり、機能を追加するごとに総リーチ数は増加する。チャートは左から右に読み、各矢印は、新しい機能や属性などを追加したときの総リーチの増分変化を示す。最後のバーは、表示された機能、属性などがすべて提供された場合の、総人口の最大リーチを示している。

価格感度分析は、製品の価格が消費者の購買行動にどのような影響を与えるかを測定する方法です。この分析は、消費者の間で特定の商品やサービスの理想的な価格、および許容できる価格の範囲を特定するのに役立ちます。さまざまな価格ポイントが特定される。

集計された価格ポイントは、価格マップ上にプロットされ、最適価格ポイント（OPP）と同様に、高価格／低価格のしきい値を示します。

米国、カナダ、英国、ドイツ、中国向けのレポートの大部分において、Mintelは「回帰とARIMA（自己回帰的統合移動平均）」というシンプルかつ強力な2つの統計モデリング手法を組み合わせた「ARIMA誤差を含む回帰」に基づく5年間の中央予測を作成しています。回帰分析では、外生的な情報（GDPや失業率など）を使って市場規模をモデル化し、予測することができます。ARIMAでは、市場規模を内生的情報（ラグ値）を使ってモデル化することができます。このタイプのモデルを推定するために、MintelはRというソフトウェアを使用しています。

各予測に使用する過去の市場規模データは、ミンテル独自の市場規模データベースで照合し、エコノミスト・インテリジェンス・ユニット（Economist Intelligence Unit）や予算責任局（Office for Budget Responsibility）などの組織から入手したマクロおよび社会経済データを補足しています。

予測プロセスでは、市場に最も影響を与える予測要因を特定するために、実際の市場規模と主要な経済・人口統計学的決定要因（独立変数）との関係を分析します。

予測に使用される要因は、当該製品・市場の需要動向を説明する上での役割の解釈とともに、関連レポートのセクションに記載されます。

Mintelでは、過去のデータは市場の将来の状態を決定づける唯一の力として機能するには限界があることを理解しています。そのため、様々な市場に影響を与える可能性のある将来の出来事に関する業界のエキスパートによる豊富な定性的インサイトは、統計モデリング後の評価プロセスにおいて非常に重要な役割を果たします。

その結果、Mintelの予測は、厳密な統計的プロセスを深い市場知識と専門知識で補完し、統計的予測のキャパシティ外の追加要因や市場状況を許容することになる。

将来の経済結果の見通しは常に不確実性を伴います。お客様の認識を高め、この不確実性を説明するために、ミンテルは市場規模予測をファンチャートの形で表示しています。

ファンチャートには、過去5、6年間の市場規模の実績、場合によっては当年予測、5年または6年の中心予測（統計的モデリングと定性的洞察による）、予測の予測区間（統計的モデリングによる）が表示されます。

予測区間は、実際の将来の市場規模が特定の確率で該当する値の範囲を表す。

一般的な結論：予測作成に使用した主要なマクロ経済指標と社会経済指標の予測と同様に、与えられた過去の市場規模データに関する我々の現在の知識に基づけば、将来の実際の市場規模は95％の確率で斜線の範囲内に収まると言える。将来の実際の市場規模がこの境界線から外れる確率は5%と小さい。

95％はほとんどの応用において、統計的結果を受け入れるか拒否するかを定義する閾値であるため、95％予測区間の外側の限界は、見通しのベスト・ケースとワースト・ケースと見なすことができる。

予測における不確実性を日常的な例で説明するために、気象予報士が過去数日間の天候、大気の事例、到来する前線などに関する現在の知識に基づいて、次のような天気見通しを作成したと仮定してみよう。

さて、土曜日の気温が本当に15℃になると、私たちは確信できるだろうか？

土曜日のロンドン中心部の気温がちょうど15℃になると言うことは可能だが、その事実を100％確信することはできない。

土曜日の気温が14°Cから17°Cの間というのは、より広範な表現であり、より可能性が高い。

一般的に、既存の統計モデルに基づくと、土曜日の気温が14℃から17℃の間になることは95％確実で、約14.5℃から15.5℃の間になることは50％しか確実ではないと言える。最後に、土曜日の実際の気温がこれらの境界線から外れて14℃以下になったり17℃以上になったりする確率は5％とわずかである。