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。

今週アップデートされました

ミンテルでは、消費者調査の価値を高めるため、さまざまな定量的および定性的データ分析手法を採用しています。使用する手法はレポートごとに異なります。この記事では、当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手法の概要をご紹介します。

📌 注:当社の調査方法について詳しく知りたい方は、この記事をご一読ください。

💡 ヒント:Mintel レポートの定期購読者は、clients.mintel.com「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、購読している 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。調査項目リスト全体で同じ価値(または価値のリスト)を持つ消費者の回答は、単一の変数に集計されます。レパートリー変数は、調査項目リストの中でその価値または価値が何回出現したかをまとめたものです。

📝 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 ブランド以上を購入するグループに分類することができます。各サブグループは、分析に十分な大きさ(N=75 以上)である必要があります。

クラスター分析

この手法では、1 つ以上の回答に基づいて、個々の回答者をクラスターと呼ばれるグループに分類します。これにより、同じクラスター内の回答者は、別のクラスターに分類された回答者よりも、ある意味でより親和性が高く、類似性が高いとみなされます。

対応分析

これは、2 項分割表の行(イメージ、態度)と列(ブランド、製品、セグメントなど)の関連性を視覚化する統計的手法です。これにより、この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、わかりやすい共同空間で表示することができます。ブランドとそれに関連するイメージとの関連性の有意性は、カイ二乗検定を用いて測定されます。2つのブランドが、そのイメージに関する回答パターンが類似している場合、そのブランドは、基礎となる次元について類似のスコアが割り当てられ、知覚マップ上で互いに近い位置に表示されます。

CHAID分析

CHAID(カイ二乗自動相互作用検出)は、決定木分析の一種で、サンプル内の特定の特性を持つサブグループを特定し、そのサブグループが特定の特性を持つ可能性が高いかどうかを強調するために使用されます。この分析では、サンプルを特定の回答変数に対して類似した特性を持つ一連のサブグループに細分化し、ターゲット変数に対して最も高い回答率を示す組み合わせを特定します。新製品の試用意欲などの関心のある変数と、サンプルの人口統計学的構成などの他の特性との関連性を理解し、視覚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、プロバイダ切り替えの可能性、ブランド推奨の可能性など、主要業績評価指標(KPI)に影響を与えるさまざまな要因の優先順位付けに役立ちます。相関分析や回帰分析を使用することで、KPI のパフォーマンス向上と最も強い関連性または関連性がある市場の要因や属性を把握することができます。したがって、市場カテゴリーにおいて、他の要因や属性と比較して比較的重要な要因や属性を特定し、多くの場合限られたリソースを主要な市場ドライバーに集中的に配分することができます。

TURF分析

TURF (Total Unduplicated Reach & Frequency) 分析は、最も多くのユニークな回答者を惹きつける機能、属性、メッセージの組み合わせを特定します。これは通常、機能や属性の数を制限しなければならない、あるいは制限すべきであるが、それでもできるだけ多くの対象者にリーチすることが目標である場合に使用されます。重複のない総リーチを特定することで、製品ラインの中で 1 つ以上の好みの機能や属性を見つけた人の数を最大化することができます。TURF の結果は相加的であり、機能を追加するごとに総リーチは増加します。グラフは左から右に読み、各矢印は新しい機能を追加した場合の総リーチの増加分を示しています。最後のバーは、表示されているすべての機能が提供された場合の、総人口の最大リーチを表しています。

価格感度分析

価格感応度分析は、完成品の価格に関する消費者の期待値を示します。消費者に完成品の希望価格を尋ね、その価格帯を価格マップにプロットして、限界安価点(PMC)、限界高価点(PME)、および最適価格点(OPP)を示します。

統計的予測

統計モデリング

米国、カナダ、英国、ドイツ、中国に関するレポートの大部分について、ミンテルは、2 つのシンプルかつ強力な統計モデリング手法である回帰分析と ARIMA(自己回帰和分移動平均)を組み合わせた「ARIMA エラーによる回帰分析」に基づいて、5 年間の中央予測を作成しています。回帰分析により、外生情報(GDP、失業率など)を用いて市場規模をモデル化し、予測することができます。ARIMA を使用すると、内因情報(遅行値)を用いて市場規模を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、ミンテルはソフトウェア R を使用しています。

各予測に投入され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に収集され、エコノミスト・インテリジェンス・ユニットや 予算責任局などの機関から入手したマクロ経済データや社会経済データによって補完されます。

予測プロセスでは、実際の市場規模と、厳選した主要な経済および人口統計学的決定要因(独立変数)との関連性を分析し、市場に最も影響を与える予測要因を特定します。

見通しに使用した要因は、当該製品または市場の需要動向を説明する上でその要因が果たす役割の説明とともに、関連するレポートのセクションに記載されています。

定性的なインサイト

ミンテルでは、過去のデータだけでは市場の将来を予測する唯一の要素としては限界があると考えています。そのため、さまざまな市場に影響を与える可能性のある将来の出来事について、業界の専門家による豊富な定性的なインサイトは、統計的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ています。

その結果、ミンテルの予測は、厳格な統計的プロセスと、統計的予測では把握できない追加的な要因や市場状況を考慮した、市場に関する深い知識と専門知識によって補完されています。

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

ミントルのファンチャート

将来の経済予測は、常に不確実性に左右されます。この不確実性をクライアントに認識していただくため、ミンテルでは市場規模の予測をファンチャートで表示しています。

ファンチャートには、過去 5 年または 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 年間の中心予測(統計的モデリングと定性的なインサイトによる結果)、および予測の予測間隔(統計的モデリングによる結果)が示されています。

予測間隔は、特定の確率で実際の将来の市場規模が収まる価値の範囲を表しています。

一般的な結論:現在の市場規模に関する過去のデータ、および予測の作成に使用した主要なマクロ経済指標および社会経済指標の予測に基づき、将来の実際の市場規模は 95% の確率で、影付きの扇形範囲内に収まると予想されます。将来の実際の市場規模がこの範囲外になる確率は 5% とごくわずかです。

95% は、ほとんどの応用分野において、統計結果を容認するか拒否するかを決定する閾値であるため、95% の予測区間の上限は、見通しの最良の場合と最悪の場合と見なすことができます。

天気の類推

予測の不確実性を日常的な例で説明するために、気象学者が、ここ数日の気象状況、大気観測、接近する前線などの現在の知識に基づいて、次のような天気予報を発表したとします。

A visualisation of a weather forecast for the upcoming week.

では、土曜日の気温が実際に15°Cになる可能性はどの程度でしょうか?

「土曜日のロンドン中心部の気温が正確に15°Cになる」と断言することは可能ですが、その事実について100%確信することはできません。

土曜日の気温が14°Cから17°Cの間になるという主張は、より広範な主張であり、はるかに可能性が高いと言えます。

一般的には、既存の統計モデルに基づいて、土曜日の気温が14°Cから17°Cの間になる可能性は95%、約14.5°Cから15.5°Cの間になる可能性は50%と言えます。最後に、土曜日の実際の気温がこれらの範囲外となり、14°C未満または17°Cを超える可能性は5%です。

こちらの回答で解決しましたか?