Mintel은 소비자 연구의 가치를 높이기 위해 다양한 정량적, 정성적 데이터 분석 기법을 사용합니다. 사용되는 기법은 보고서마다 다릅니다. 이 글에서는 입소스의 전문 분석가들이 보고서를 작성할 때 사용하는 가장 일반적인 기법에 대한 개요를 제공합니다.

이 기법은 보고된 행동이나 태도를 기반으로 소비자 그룹을 만드는 데 사용됩니다. 설문조사 항목 목록에 대한 소비자 응답은 하나의 레퍼토리 변수로 집계됩니다. 레퍼토리 변수는 설문조사 항목 목록 전체에서 발생한 횟수를 요약합니다.

이 세분화 기법은 설문조사 응답을 기반으로 개별 사람들을 클러스터라는 그룹에 할당하여, 같은 클러스터 내의 응답자가 다른 클러스터로 그룹화된 응답자보다 어떤 의미에서 서로 더 가깝거나 더 유사하도록 합니다.

Mintel은 일반적으로 클러스터링에 2단계 접근 방식을 사용합니다.

이 통계 시각화 방법은 양방향 우연도표의 행(예: 이미지, 속성)과 열(예: 브랜드, 제품) 간의 연관성을 근접성을 해석하여 이해하기 쉬운 지각 맵으로 표시하는 데 사용됩니다.

예를 들어 브랜드와 관련 속성 간의 관계의 중요도는 카이제곱 테스트를 사용하여 측정할 수 있습니다. 두 브랜드가 연관 속성과 관련하여 유사한 패턴을 보이는 경우, 기본 차원에 비슷한 점수가 할당되고 지각 맵에서 서로 가깝게 표시됩니다.

CHAID 분석(카이제곱 자동 상호작용 감지)은 특정 특성(예: 새로운 제품 시도에 대한 관심)을 나타낼 가능성이 가장 높은 하위 그룹을 식별하여 샘플에서 주요 타겟 그룹을 강조하는 데 사용됩니다.

이는 표본을 유사한 특성(예: 연령, 성별)을 공유하는 일련의 하위 그룹으로 나누고 어떤 특성 조합이 목표 변수(예: 새로운 제품 시도에 대한 관심)에 대해 가장 높은 응답률을 보이는지 식별할 수 있게 해줍니다. 표본을 분할할 첫 번째 예측 카테고리(예: 연령)는 응답 변수와 가장 연관성이 높은, 즉 응답자 그룹을 가장 잘 구분할 수 있는 카테고리입니다. 그런 다음 분석에서 더 이상 유의미한 변별력을 가진 예측 변수가 발견되지 않을 때까지 각 하위 그룹을 더 분할합니다.

결과는 표본을 판별 그룹으로 분할하는 예측 변수를 가지로 하는 트리입니다.

주요 동인 분석은 소비자 태도와 행동(예: 고객 만족도, 브랜드 추천 가능성 또는 서비스 제공업체 전환 가능성)에 영향을 미칠 수 있는 다양한 요인의 상대적 중요성을 평가하여 그 우선순위를 정하고 식별하는 데 사용됩니다. 이는 로지스틱 회귀 분석 또는 상관관계 분석을 사용하여 달성할 수 있습니다.
​
로지스틱 회귀는 하나의 종속 변수(예: 고객 만족도)와 하나 이상의 독립 변수(예: 고객 서비스 품질, 제품 범위) 간의 관계를 파악하는 데 사용되는 예측 분석입니다.
​
상관관계 분석은 관심 있는 종속 변수(예: 전반적인 고객 만족도)와 하나 이상의 독립 변수(예: 고객 서비스 만족도, 제품 범위) 간의 관계의 강도와 자연스러운 특성을 설명합니다.

TURF(총 중복 도달 범위 및 빈도) 분석은 가장 많은 고유 응답자를 끌어들일 수 있는 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 증가하므로 TURF의 결과물은 가산됩니다. 차트는 왼쪽에서 오른쪽으로 읽으며, 각 화살표는 새로운 기능, 속성 등을 추가할 때 총 도달 범위의 점진적인 변화를 나타냅니다. 마지막 막대는 표시된 모든 기능, 속성 등이 제공되었을 때 전체 모집단의 최대 도달 범위를 나타냅니다.

가격 민감도 분석은 제품의 가격이 소비자 구매 행동에 미치는 영향을 측정하는 방법입니다. 이 분석을 통해 특정 상품이나 서비스에 대한 이상적인 가격과 소비자들의 수용 가능한 가격 범위를 파악할 수 있습니다. 다양한 가격대가 식별됩니다.

총 가격 포인트는 가격 맵에 표시되어 고/저 가격 임계값과 최적 가격 포인트(OPP)를 나타냅니다.

미국, 캐나다, 영국, 독일, 중국에 대한 대부분의 보고서에서 Mintel은 간단하면서도 강력한 두 가지 통계 모델링 기법인 회귀와 ARIMA(자동 회귀 통합 이동 평균)를 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 Mintel은 소프트웨어 R을 사용합니다.

각 예측에 입력되는 과거 시장 규모 데이터는 Mintel의 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.

Mintel은 과거 데이터만으로는 미래 시장 상황을 예측하는 데 한계가 있음을 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, Mintel 예측은 엄격한 통계 프로세스에 심도 있는 시장 지식과 전문성을 더해 통계적 예측의 범위를 벗어난 추가적인 요인이나 시장 상황을 고려할 수 있도록 보완합니다.

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.

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.