A Mintel emprega várias técnicas de análise de dados quantitativos e qualitativos para aumentar os Valores de nossa pesquisa com consumidores. As técnicas utilizadas variam de um relatório para outro. Este artigo lhe dará uma visão geral das técnicas mais comuns usadas por nossos analistas especializados para criar seus Relatórios.

Essa técnica é usada para criar grupos de consumidores com base em comportamentos ou atitudes relatados. As respostas dos consumidores em uma lista de itens de pesquisa são contabilizadas em uma única variável de repertório. A variável de repertório resume o número de ocorrências na lista de itens da pesquisa.

Essa técnica de segmentação atribui um conjunto de Individualidades a grupos chamados clusters com base em suas respostas na pesquisa, de modo que os entrevistados dentro do mesmo cluster são, de certa forma, mais próximos ou mais semelhantes entre si do que os entrevistados que foram agrupados em um cluster diferente.

A Mintel normalmente usa uma abordagem de duas etapas para o agrupamento.

Esse método de visualização estatística é usado para exibir as associações entre linhas (por exemplo, imagem, atributos) e colunas (por exemplo, marcas, produtos) de uma tabela de contingência bidirecional em um mapa perceptual que é fácil de entender por meio da interpretação das proximidades.

A importância da relação entre uma marca e seu atributo associado, por exemplo, é medida usando o teste de qui-quadrado. Se duas marcas apresentarem padrões semelhantes em relação aos seus atributos associados, elas receberão pontuações semelhantes nas dimensões subjacentes e serão exibidas próximas uma da outra no mapa perceptual.

Uma análise CHAID (Chi-squared Automatic Interaction Detection) é usada para destacar os principais grupos-alvo em uma amostra, identificando qual subgrupo tem maior probabilidade de mostrar uma característica específica (por exemplo, interesse em experimentar um novo produto).

Ele divide a amostra em uma série de subgrupos que compartilham características semelhantes (por exemplo, idade, gênero) e nos permite identificar qual combinação de características apresenta a maior taxa de resposta para a variável-alvo (por exemplo, interesse em experimentar um novo produto). A primeira Categoria de preditor na qual a amostra será dividida (por exemplo, idade) é a mais associada à variável de resposta, ou seja, ela fornece os grupos de respondentes mais diferenciados. Em seguida, cada subgrupo é dividido até que a análise não encontre mais nenhum preditor com discriminação significativa.

O resultado é uma árvore na qual os ramos são as variáveis preditoras que dividem a amostra em grupos discriminantes.

A Análise de Principais Condutores é usada para identificar e priorizar diferentes fatores que podem afetar as atitudes e os comportamentos do consumidor (por exemplo, satisfação do cliente, probabilidade de recomendar uma marca ou trocar de provedor), avaliando sua importância relativa. Isso pode ser feito por meio de uma regressão logística ou de uma análise de correlação.
​
A regressão logística é uma análise preditiva usada para identificar a relação entre uma variável dependente (por exemplo, satisfação do cliente) e uma ou mais variáveis independentes (por exemplo, qualidade do atendimento ao cliente, variedade de produtos).
​
A análise de correlação descreve a força e a natureza do relacionamento entre uma variável dependente de interesse (por exemplo, satisfação geral do cliente) e uma ou mais variáveis independentes (por exemplo, satisfação com o atendimento ao cliente, variedade de produtos).

Uma análise TURF (Total Unduplicated Reach & Frequency) identifica a combinação de recursos, atributos ou mensagens que atrairá o maior número de respondentes únicos. Normalmente, ela é usada quando o número de recursos ou atributos deve ser ou deveria ser limitado, mas a meta ainda é atingir o maior público possível. Ao identificar o Total Unduplicated Reach (alcance total não duplicado), é possível maximizar o número de pessoas que encontram uma ou mais de suas características ou atributos preferidos na linha de produtos.

A saída resultante do TURF é aditiva, com cada recurso adicional aumentando o alcance total. O gráfico é lido da esquerda para a direita, com cada seta indicando a mudança incremental no alcance total ao adicionar um novo recurso, atributo etc. A barra final representa o alcance máximo da população total quando todos os recursos, atributos etc. mostrados são oferecidos.

A análise de sensibilidade de preço é uma forma de medir como o preço de um produto afeta o comportamento de compra do consumidor. A análise ajuda a identificar o preço ideal, bem como uma faixa de preços aceitáveis, para um bem ou serviço específico entre os consumidores. São identificados diferentes pontos de preço.

Os pontos de preços agregados são plotados em mapas de preços para indicar os limites de preço alto/baixo, bem como o ponto de preço ideal (OPP).

Na maioria dos Relatórios para os Estados Unidos, Canadá, Reino Unido, Alemanha e China, a Mintel produz Previsões centrais de cinco anos com base em "regressão com erros ARIMA", que é uma combinação de duas técnicas de modelagem estatística simples, porém poderosas: regressão e ARIMA (Auto-Regressive Integrated Moving Average). A regressão nos permite modelar, e assim prever, os tamanhos de mercado usando informações exógenas (por exemplo, PIB, desemprego). O ARIMA nos permite modelar os tamanhos de mercado usando informações endógenas (Valores defasados). Para estimar esse tipo de modelo, a Mintel usa o software R.

Os dados históricos de tamanho de mercado que alimentam cada previsão são coletados no banco de dados de tamanho de mercado da própria Mintel e complementados por dados macro e socioeconômicos provenientes de organizações como a Economist Intelligence Unit e o Office for Econômico Responsibility.

No processo de Previsão, analisamos as relações entre os tamanhos reais de mercado e uma seleção dos principais determinantes econômicos e demográficos (variáveis independentes) para identificar os preditores que têm maior influência no mercado.

Os fatores usados em uma Previsão são indicados na seção relevante do relatório, juntamente com uma interpretação de seu papel na explicação do desenvolvimento da demanda pelo produto ou mercado em questão.

Na Mintel, entendemos que os dados históricos são limitados em sua capacidade de atuar como a única força por trás do estado futuro dos mercados. Assim, os ricos Insights qualitativos de Especialistas do setor com relação a eventos futuros que possam ter impacto em vários mercados desempenham um papel inestimável em nosso processo de avaliação de modelagem pós-estatística.

Como resultado, a previsão da Mintel complementa um rigoroso processo estatístico com profundo conhecimento e experiência de mercado para permitir fatores adicionais ou condições de mercado fora da capacidade da previsão estatística.

As Previsões de resultados econômicos futuros estão sempre sujeitas a incertezas. Para conscientizar nossos clientes e ilustrar essa incerteza, a Mintel exibe as Previsões de Tamanho de Mercado na forma de um gráfico em leque.

O gráfico em leque mostra o Tamanho de mercado real dos últimos 5 ou 6 anos, em alguns casos uma estimativa do ano atual, uma previsão central de horizonte de 5 ou 6 anos (resultante de modelagem estatística e Insights qualitativos) e os intervalos de previsão da previsão (resultantes de modelagem estatística).

Os intervalos de previsão representam a faixa de valores em que o tamanho futuro real do mercado se enquadrará com uma probabilidade específica.

Uma conclusão geral: com base em nosso conhecimento atual dos dados históricos de tamanho de mercado, bem como nas projeções das principais medidas macroeconômicas e socioeconômicas usadas para criar a Previsão, podemos dizer que o futuro tamanho real do mercado ficará dentro do leque sombreado com uma probabilidade de 95%. Há uma pequena probabilidade de 5% de que o tamanho real do mercado no futuro fique fora desses limites.

Como 95% é, na maioria das Aplicações, o limite que define se podemos aceitar ou recusar um resultado estatístico, os limites externos do intervalo de previsão de 95% podem ser vistos como o melhor e o pior caso da Previsão.

Para ilustrar a incerteza na Previsão em um exemplo cotidiano, vamos supor que a seguinte previsão do tempo tenha sido produzida com base no conhecimento atual dos meteorologistas sobre a condição climática anterior durante os últimos dias, Observações atmosféricas, frentes meteorológicas que se aproximam, etc.

Agora, qual é a certeza que podemos ter de que a temperatura no sábado será de fato de 15°C?

Afirmar que a temperatura no centro de Londres no sábado subirá exatamente 15°C é possível, mas não se pode ter 100% de certeza sobre esse fato.

Dizer que a temperatura no sábado estará entre 14°C e 17°C é uma afirmação mais ampla e muito mais provável.

Em geral, podemos dizer que, com base no modelo estatístico existente, é possível ter 95% de certeza de que a temperatura no sábado estará entre 14°C e 17°C, e apenas 50% de certeza de que estará entre 14,5°C e 15,5°C. Finalmente, há uma pequena probabilidade de 5% de que a temperatura real no sábado fique fora desses limites e, portanto, fique abaixo de 14°C ou acima de 17°C.