Mintel은 소비자 연구의 가치를 높이기 위해 다양한 정량적 및 정성적 데이터 분석 기법을 사용합니다. 사용되는 기법은 보고서마다 다릅니다. 이 글에서는 입소스의 전문 분석가들이 보고서를 작성할 때 사용하는 가장 일반적인 기법에 대한 개요를 제공합니다.
📌 참고: 이 글을 읽고 크리테오의 조사 방법에 대해 자세히 알아보세요.
💡 팁: Mintel 보고서 구독자는 clients.mintel.com에서 보고서 콘텐츠 유형 필터를 적용하여 구독 내의 모든 보고서를 찾을 수 있습니다.
레퍼토리 분석
보고된 행동이나 태도를 기반으로 소비자 그룹을 만드는 데 사용됩니다. 설문조사 항목 목록에서 동일한 가치(또는 가치 목록)를 가진 소비자 응답은 단일 변수로 집계됩니다. 레퍼토리 변수는 설문조사 항목 목록에서 해당 가치가 나타난 횟수를 요약한 것입니다.
📝 예시: 브랜드 구매 레퍼토리는 1~2개 브랜드, 3~4개 브랜드, 5개 이상의 브랜드를 구매하는 그룹을 생성할 수 있습니다. 각 하위 그룹은 분석하기에 충분히 큰 규모(즉, N=75 이상)여야 합니다.
클러스터 분석
이 기법은 하나 이상의 응답을 기준으로 개별 사람들을 클러스터라는 그룹에 할당하여 같은 클러스터 내의 응답자가 다른 클러스터로 그룹화된 응답자보다 어떤 의미에서 서로 더 가깝거나 더 유사하도록 합니다.
상관관계 분석
양방향 우연도 테이블의 행(이미지, 태도)과 열(브랜드, 제품, 세그먼트 등) 간의 연관성을 나타내는 통계 시각화 방법입니다. 이를 통해 본 조사에서 다루는 각 브랜드와 관련된 브랜드 이미지(및/또는 브랜드에 대한 소비자 태도)를 이해하기 쉽게 한 공간에 표시할 수 있습니다. 브랜드와 관련 이미지 사이의 관계의 유의성은 카이제곱 테스트를 사용하여 측정합니다. 두 브랜드가 인지된 이미지에 대해 유사한 응답 패턴을 보이는 경우, 기본 차원에 비슷한 점수가 할당되고 지각 맵에서 서로 가깝게 표시됩니다.
CHAID 분석
의사결정 트리 분석의 일종인 CHAID(카이제곱 자동 상호작용 감지)는 특정 특성을 나타낼 가능성이 높은 하위 그룹을 식별하여 샘플의 주요 대상 그룹을 강조하는 데 사용됩니다. 이 분석은 표본을 특정 응답 변수에 대해 유사한 특성을 공유하는 일련의 하위 그룹으로 세분화하여 목표 변수에 대해 가장 높은 응답률을 보이는 조합을 식별할 수 있게 해줍니다. 일반적으로 새로운 제품 시도에 대한 관심도와 같은 관심 변수와 인구 통계학적 구성과 같은 표본의 다른 특성 간의 관계를 이해하고 시각화하는 데 사용됩니다.
주요 동인 분석
주요 동인 분석은 만족도, 서비스 제공업체 전환 가능성, 브랜드 추천 가능성 등 핵심 성과 지표(KPI)에 영향을 미칠 수 있는 다양한 요인들 사이에서 우선순위를 정하는 데 유용한 도구가 될 수 있습니다. 상관관계 분석이나 회귀 분석을 통해 어떤 요인이나 속성이 KPI에 대한 긍정적인 성과와 가장 강력한 연관성 또는 연관성을 갖는지 파악할 수 있습니다. 따라서 어떤 요인이나 속성이 다른 요인에 비해 상대적으로 더 중요한 시장 카테고리를 파악할 수 있으며, 한정된 자원을 주요 시장 동인에 집중할 수 있도록 할 수 있습니다.
TURF 분석
TURF(총 중복 도달 범위 및 빈도) 분석은 가장 많은 수의 고유 응답자를 끌어들이는 기능, 속성 또는 메시지의 조합을 식별합니다. 일반적으로 기능이나 속성의 수를 제한해야 하거나 제한해야 하지만 최대한 많은 잠재 고객에게 도달하는 것이 목표인 경우에 사용됩니다. 총 중복되지 않은 도달 범위를 파악하면 제품 라인에서 선호하는 기능이나 속성을 하나 이상 찾은 사람의 수를 최대화할 수 있습니다. 추가 기능이 추가될 때마다 총 도달 범위가 증가하여 TURF의 결과물이 가산됩니다. 차트는 왼쪽에서 오른쪽으로 읽으며, 각 화살표는 새 기능을 추가할 때 총 도달 범위의 점진적인 변화를 나타냅니다. 마지막 막대는 표시된 모든 기능이 제공되었을 때 전체 모집단의 최대 도달 범위를 나타냅니다.
가격 민감도 분석
가격 민감도 분석은 완제품의 가격에 대한 소비자의 기대치를 보여줍니다. 소비자에게 완제품에 대한 가격대를 제공하도록 요청했습니다. 그런 다음 집계된 가격 포인트를 가격 맵에 표시하여 한계 저가 포인트(PMC), 한계 고가 포인트(PME) 및 최적 가격 포인트(OPP)를 표시합니다.
통계적 예측
통계 모델링
미국, 캐나다, 영국, 독일, 중국에 대한 대부분의 보고서에서 Mintel은 회귀와 ARIMA(자동 회귀 통합 이동 평균)라는 간단하면서도 강력한 두 가지 통계 모델링 기법을 결합한 'ARIMA 오차를 포함한 회귀'를 기반으로 5년 중앙 예측을 생성합니다. 회귀를 사용하면 외생적 정보(예: GDP, 실업률)를 사용해 시장 규모를 모델링하고 예측할 수 있습니다. ARIMA를 사용하면 내생적 정보(후행 가치)를 사용하여 시장 규모를 모델링할 수 있습니다. 이러한 유형의 모델을 추정하기 위해 민텔은 소프트웨어 R을 사용합니다.
각 예측에 입력되는 과거 시장 규모 데이터는 민텔의 자체 시장 규모 데이터베이스에서 수집되며, 이코노미스트 인텔리전스 유닛과 예산 책임 사무소와 같은 기관에서 출처한 거시 및 사회경제 데이터로 보완됩니다.
예측 프로세스에서는 실제 시장 규모와 주요 경제 및 인구통계학적 결정 요인(독립 변수) 간의 관계를 분석하여 시장에 가장 큰 영향을 미치는 예측 변수를 파악합니다.
예측에 사용된 요인은 해당 보고서 섹션에 해당 제품 또는 시장의 수요 변화를 설명하는 데 있어 각 요인의 역할에 대한 해석과 함께 명시됩니다.
정성적 인사이트
Mintel은 과거 데이터만으로는 미래 시장 상황을 예측하는 데 한계가 있다는 것을 잘 알고 있습니다. 따라서 다양한 시장에 영향을 미칠 수 있는 미래 이벤트에 대한 업계 전문가들의 풍부한 정성적 인사이트는 통계적 모델링 후 평가 프로세스에서 매우 중요한 역할을 합니다.
그 결과, Mintel의 예측은 엄격한 통계 프로세스에 심도 있는 시장 지식과 전문성을 더해 통계 예측의 범위를 벗어난 추가적인 요인이나 시장 상황을 고려할 수 있도록 보완합니다.
민텔 팬 차트
미래 경제 결과에 대한 예측은 항상 불확실성의 영향을 받습니다. 고객들의 인식을 높이고 이러한 불확실성을 설명하기 위해 Mintel은 시장 규모 예측을 부채꼴 차트 형태로 표시합니다.
팬 차트에는 지난 5년 또는 6년간의 실제 시장 규모, 경우에 따라 현재 연도 추정치, 5년 또는 6년 기간의 중앙 예측(통계적 모델링 및 정성적 인사이트에 따른 결과), 예측의 예측 구간(통계적 모델링에 따른 결과)이 표시됩니다.
예측 구간은 실제 미래 시장 규모가 특정 확률로 속하게 될 가치의 범위를 나타냅니다.
일반적인 결론은, 주어진 과거 시장 규모 데이터와 예측을 생성하는 데 사용된 주요 거시 및 사회 경제적 지표에 대한 예측에 대한 현재 지식을 바탕으로 미래의 실제 시장 규모는 95%의 확률로 음영 처리된 팬 안에 속할 것이라고 말할 수 있습니다. 미래의 실제 시장 규모가 이 경계를 벗어날 확률은 5%의 작은 확률입니다.
대부분의 애플리케이션에서 95%는 통계 결과를 받아들일지 거부할지를 결정하는 임계값이므로, 95% 예측 간격의 바깥쪽 한계는 예측의 최상의 경우와 최악의 경우로 볼 수 있습니다.
날씨 비유
예측의 불확실성을 일상적인 예로 설명하기 위해 지난 며칠 동안의 이전 기상 상태, 대기 관측, 들어오는 전선 등에 대한 기상학자의 현재 지식을 바탕으로 다음과 같은 일기 예보를 작성했다고 가정해 보겠습니다.
그렇다면 토요일의 기온이 실제로 15°C가 될 것이라고 얼마나 확신할 수 있을까요?
토요일 런던 중심부의 기온이 정확히 15°C까지 올라갈 것이라고 말하는 것은 가능하지만, 그 사실을 100% 확신할 수는 없습니다.
토요일 기온이 14°C에서 17°C 사이가 될 것이라고 말하는 것이 더 광범위하고 훨씬 더 가능성이 높습니다.
일반적으로 기존 통계 모델에 따르면 토요일 기온이 14°C에서 17°C 사이일 것이라는 확률은 95%, 약 14.5°C에서 15.5°C 사이일 것이라는 확률은 50%에 불과하다고 말할 수 있습니다. 마지막으로, 토요일의 실제 기온이 이 범위를 벗어나 14°C 이하 또는 17°C 이상이 될 확률은 5%로 매우 낮습니다.