민텔은 소비자 연구의 가치를 높이기 위해 다양한 정량 및 정성 데이터 분석 기법을 사용합니다. 사용되는 기법은 보고서에 따라 다릅니다. 이 기사에서는 전문가 분석가가 보고서를 작성할 때 가장 일반적으로 사용하는 기법에 대해 간략하게 설명합니다.

보고된 행동이나 태도를 기반으로 소비자 그룹을 만드는 데 사용됩니다. 설문 항목 목록에서 동일한 가치(또는 가치 목록)를 가진 소비자 응답이 단일 변수로 집계됩니다. 레퍼토리 변수는 설문 항목 목록에서 해당 가치 또는 가치들이 나타난 횟수를 요약한 것입니다.

이 기법은 하나 이상의 응답을 기준으로 개별 사람들을 클러스터라는 그룹으로 분류하여, 동일한 클러스터에 속한 응답자들이 다른 클러스터에 속한 응답자들에 비해 어떤 의미에서 더 가깝거나 더 유사한 특성을 가지고 있도록 합니다.

이 방법은 양방향 분할표의 행(이미지, 태도)과 열(브랜드, 제품, 세그먼트 등) 간의 연관성을 시각화하는 통계적 방법입니다. 이를 통해 설문조사에 포함된 각 브랜드와 관련된 브랜드 이미지(및/또는 브랜드에 대한 소비자의 태도)를 이해하기 쉬운 공동의 공간에 표시할 수 있습니다. 브랜드와 관련 이미지 간의 관계의 중요성은 카이 제곱 검정을 사용하여 측정됩니다. 두 브랜드가 인식된 이미지에 대해 유사한 응답 패턴을 보인 경우, 기본 차원에 대해 유사한 점수가 할당되고, 인식 지도에서 서로 가까이 표시됩니다.

CHAID(Chi-squared Automatic Interaction Detection)는 결정 나무 분석의 한 유형으로, 특정 특성을 더 자주 보이는 하위 그룹을 식별하여 표본 내 핵심 대상 그룹을 강조하는 데 사용됩니다. 이 분석은 샘플을 특정 응답 변수에 대해 유사한 특성을 공유하는 일련의 하위 그룹으로 세분화하여, 대상 변수에 대해 응답률이 가장 높은 조합을 식별할 수 있게 해줍니다. 이 분석은 새로운 제품에 대한 시도 의향과 같은 관심 변수와 인구 통계학적 구성과 같은 샘플의 다른 특성 간의 관계를 이해하고 시각화하기 위해 일반적으로 사용됩니다.

주요 동인 분석은 만족도, 공급업체 전환 가능성, 브랜드 추천 가능성 등 핵심 성과 지표(KPI)에 영향을 미칠 수 있는 여러 요소들 사이에서 우선 순위를 정할 때 유용한 도구입니다. 상관 분석 또는 회귀 분석을 사용하면 KPI의 긍정적 성과와 가장 강한 연관성 또는 관련성이 있는 시장의 요소 또는 속성을 파악할 수 있습니다. 따라서, 다른 요소에 비해 시장 카테고리에서 상대적으로 더 중요한 요소 또는 속성을 파악하고, 제한된 자원을 주요 시장 동인에 집중적으로 할당할 수 있습니다.

TURF(Total Unduplicated Reach & Frequency) 분석은 가장 많은 고유 응답자를 끌어들이는 기능, 속성 또는 메시지의 조합을 파악합니다. 이 분석은 기능이나 속성의 수가 제한되어야 하거나 제한되어야 하지만, 가능한 한 가장 많은 고객에게 도달하는 것이 목표인 경우에 일반적으로 사용됩니다. 중복되지 않은 총 도달 범위를 파악함으로써 제품 라인에서 하나 이상의 선호하는 기능이나 속성을 찾는 사람들의 수를 극대화할 수 있습니다. TURF의 결과는 추가적이며, 각 추가 기능은 총 도달 범위를 증가시킵니다. 차트는 왼쪽에서 오른쪽으로 읽으며, 각 화살표는 새로운 기능을 추가할 때 총 도달 범위의 증분 변화를 나타냅니다. 마지막 막대는 표시된 모든 기능이 제공될 때 전체 인구의 최대 도달 범위를 나타냅니다.

가격 민감도 분석은 완제품의 가격에 대한 소비자의 기대를 보여줍니다. 소비자들은 완제품의 가격대를 제시하도록 요청받았습니다. 그런 다음, 집계된 가격대가 가격 지도에 표시되어 한계 저렴점(PMC), 한계 고가점(PME) 및 최적 가격대(OPP)를 나타냅니다.

미국, 캐나다, 영국, 독일 및 중국에 대한 대부분의 보고서에서 민텔은 두 가지 간단하지만 강력한 통계 모델링 기법인 회귀 분석과 ARIMA(자동 회귀 통합 이동 평균)를 결합한 'ARIMA 오차가 포함된 회귀 분석'을 기반으로 5년간의 중앙 예측을 작성합니다. 회귀 분석을 통해 외생 정보(예: GDP, 실업률)를 사용하여 시장 규모를 모델링하고 예측할 수 있습니다. ARIMA를 사용하면 내생적 정보(지연된 값)를 사용하여 시장 규모를 모델링할 수 있습니다. 이러한 유형의 모델을 추정하기 위해 Mintel은 R 소프트웨어를 사용합니다.

각 예측에 사용되는 과거 시장 규모 데이터는 민텔의 자체 시장 규모 데이터베이스에 수집되며, 이코노미스트 인텔리전스 유닛 ( Economist Intelligence Unit) 및 예산 책임 사무소(Office for Budget Responsibility)와 같은 기관에서 제공한 거시 및 사회경제 데이터로 보완됩니다.

예측 과정에서, 당사는 실제 시장 규모와 주요 경제 및 인구 통계학적 결정 요인(독립 변수) 간의 관계를 분석하여 시장에 가장 큰 영향을 미치는 예측 요인을 파악합니다.

예측에 사용된 요인은 관련 보고서 섹션에 해당 제품 또는 시장의 수요 변화를 설명하는 역할과 함께 명시되어 있습니다.

민텔은 과거 데이터만으로는 미래의 시장 상황을 예측하는 데 한계가 있다는 것을 잘 알고 있습니다. 따라서 다양한 시장에 영향을 미칠 수 있는 미래의 사건에 대해 업계 전문가들이 제공하는 풍부한 정성적 인사이트는 통계 모델링 평가 프로세스에서 매우 중요한 역할을 합니다.

그 결과, 민텔의 예측은 엄격한 통계적 프로세스를 심층적인 시장 지식과 전문 지식으로 보완하여 통계적 예측의 범위를 벗어난 추가적인 요소나 시장 상황을 고려할 수 있게 합니다.

미래의 경제 결과는 항상 불확실성의 영향을 받습니다. 고객의 인식을 높이고 이러한 불확실성을 설명하기 위해 민텔은 시장 규모 예측을 팬 차트 형식으로 표시합니다.

팬 차트는 지난 5~6년간의 실제 시장 규모, 일부 경우에는 당해 연도의 추정치, 5~6년간의 중앙 예측치(통계 모델링 및 정성적 인사이트에 기반) 및 예측의 예측 간격(통계 모델링에 기반)을 표시합니다.

예측 간격은 특정 확률로 실제 미래 시장 규모가 속할 가치의 범위를 나타냅니다.

일반적인 결론: 주어진 과거 시장 규모 데이터와 예측을 작성하는 데 사용된 주요 거시 및 사회경제적 지표에 대한 현재의 지식을 바탕으로, 미래의 실제 시장 규모는 95%의 확률로 음영 처리된 팬에 포함될 것이라고 말할 수 있습니다. 미래의 실제 시장 규모가 이 범위를 벗어날 확률은 5%로 매우 낮습니다.

대부분의 애플리케이션에서 95%는 통계적 결과를 수용할지 거부할지 결정하는 기준이 되기 때문에, 95% 예측 구간의 외부 한계는 예측의 최상의 경우와 최악의 경우로 볼 수 있습니다.

일상적인 예로 예측의 불확실성을 설명하기 위해, 기상학자들이 지난 며칠간의 기상 조건, 대기 관측, 접근하는 기단 등에 대한 현재의 지식을 바탕으로 다음과 같은 일기 예보를 발표했다고 가정해 보겠습니다.

이제 토요일의 기온이 정확히 15°C일 것이라는 확신은 얼마나 될까요?

토요일 런던 중심부의 기온이 정확히 15°C까지 상승할 것이라고 말하는 것은 가능하지만, 그 사실에 대해 100% 확신할 수는 없습니다.

토요일 기온이 14°C와 17°C 사이일 것이라고 말하는 것은 더 넓은 범위이며 훨씬 더 가능성이 높은 진술입니다.

일반적으로 기존 통계 모델에 따르면 토요일 기온이 14°C와 17°C 사이일 확률은 95%, 약 14.5°C와 15.5°C 사이일 확률은 50%입니다. 마지막으로, 토요일의 실제 기온이 이 범위 밖으로 벗어나 14°C 미만 또는 17°C 이상이 될 확률은 5%입니다.