メインコンテンツにスキップ

ミンテルレポート – 分析手法

当社の専門アナリストが採用している分析手法、およびミンテルのレポートにおける統計的予測の方法についてご説明します。

一週間前以上前にアップデートされました

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。

📌 注:当社のリサーチ手法については、こちらの記事をご覧ください。

💡 ヒントミンテルレポートの定期購読者であれば、clients.mintel.comでレポートコンテンツタイプフィルターを適用することで、定期購読内のすべてのレポートを見つけることができます。


レパートリー分析

これは、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。調査項目のリスト全体で同じ値(または値のリスト)の消費者の回答は、1つの変数に集計されます。レパートリー変数は、調査項目のリストの中でその価値または値が出現する回数を要約します。

📝 例ブランド購入のレパートリーでは、1~2ブランド、3~4ブランド、5ブランド以上のグループを作成することができます。各サブグループは、分析するのに十分な大きさ(N=75以上)である必要があります。

クラスター分析

この手法は、1つまたは複数の回答に基づいて、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化された回答者よりも、ある意味で互いに近い、または類似していることになります。

コレスポンデンス分析

これは、二元分割表の行(イメージ、態度)と列(ブランド、製品、セグメントなど)の間の関連性を視覚化する統計的手法です。本調査で対象とした各ブランドに関連するブランドイメージ(および/またはブランドに対する消費者の態度)を、理解しやすい共同空間に表示することができる。ブランドとそれに関連するイメージの関係の有意性は、カイ二乗検定を用いて測定する。2つのブランドが知覚されるイメージに関して類似した回答パターンを持つ場合、それらのブランドは基礎となる次元で類似したスコアを割り当てられ、知覚マップの中で互いに近接して表示される。

CHAID分析

決定木分析の一種であるCHAID(Chi-squared Automatic Interaction Detection)は、どのサブグループが特定の特性を示す可能性が高いかを特定することで、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。この分析は、サンプルを、特定の応答変数に対して類似した特性を共有する一連のサブグループに細分化し、どの組み合わせがターゲット変数に対して最も高い応答率を持つかを識別することを可能にします。これは、新製品を試すことへの関心など、関心のある変数と、人口統計学的構成など、サンプルの他の特性との関係を理解し、可視化するために一般的に使用されます。

主な購買要因分析

主な購買要因分析は、満足度、プロバイダーを変更する可能性、ブランドを推奨する可能性など、主要業績評価指標(KPI)に影響を与える可能性のあるさまざまな要因間の焦点の優先順位付けに役立つツールです。相関分析や回帰分析を使用することで、市場のどの要因や属性がKPIのポジティブなパフォーマンスと最も強い関連性や結びつきがあるかを理解することができる。したがって、市場のカテゴリーにおいて、どの要因や属性が他と比べて相対的に重要であるかを特定することができ、限られたリソースを主要な市場推進要因に集中させることができます。

TURF分析

TURF(Total Unduplicated Reach & Frequency)分析では、最も多くのユニークな回答者を惹きつける特徴、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、目標は可能な限り多くの視聴者にリーチすることです。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、それぞれの矢印は、新しい機能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、表示された機能がすべて提供されたときの、総人口の最大リーチを示している。

価格感度分析

価格感度分析は、完成品の価格設定に対する消費者の期待を示している。消費者は、完成品の価格ポイントを提供するよう求められた。集計された価格ポイントは、限界価格ポイント(PMC)、限界費用ポイント(PME)、最適価格ポイント(OPP)を示す価格マップにプロットされます。

統計的見通し

統計モデリング

米国、カナダ、英国、ドイツ、中国の大半のレポートにおいて、ミンテルは「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。これは、回帰とARIMA(自己回帰統合移動平均)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ものです。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。

定性的インサイト

Mintelでは、過去のデータは市場の将来的な状況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、ミンテル予測は、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、統計的予測の許容範囲外の追加要因や市場状況を許容することになる。

A graphic with three circles. They say Statistical Modelling + Qualitative Insight = Mintel Forecast.

ミンテルのファンチャート

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年間の実際の市場規模、場合によっては当年の推定値、5年または6年の中心的見通し(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)が示されています。

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。

天気の例え

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立てたと仮定しよう。

A visualisation of a weather forecast for the upcoming week.

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。

こちらの回答で解決しましたか?