A Mintel emprega várias técnicas de análise de dados quantitativos e qualitativos para aumentar o valor 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.
📌 Observação: Saiba mais sobre nossos métodos de pesquisa lendo este artigo.
💡 Dica: Como assinante dos Relatórios Mintel, você pode encontrar todos os relatórios de sua assinatura aplicando ofiltro Tipo de conteúdo do relatório em clients.mintel.com.
Análise de repertório
É usada para criar grupos de consumidores com base no comportamento ou nas atitudes relatadas. As respostas dos consumidores com o mesmo valor (ou lista de valores) em uma lista de itens de pesquisa são contabilizadas em uma única variável. A variável de repertório resume o número de ocorrências em que o valor ou os valores aparecem em uma lista de itens de pesquisa.
📝 Exemplo: Um repertório de compra de marcas pode produzir grupos de pessoas que compram de 1 a 2 marcas, 3 a 4 marcas e 5 ou mais marcas. Cada subgrupo deve ser grande o suficiente (ou seja, N=75+) para ser analisado.
Análise de cluster
Essa técnica atribui um conjunto de individualidades a grupos chamados clusters com base em uma ou mais respostas, 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.
Análise de correspondência
Esse é um método de visualização estatística para representar as associações entre linhas (imagem, atitudes) e colunas (marcas, produtos, segmentos etc.) de uma tabela de contingência bidirecional. Ela nos permite exibir imagens de marca (e/ou atitudes do consumidor em relação às marcas) relacionadas a cada marca abordada nesta pesquisa em um espaço conjunto que é fácil de entender. A significância da relação entre uma marca e sua imagem associada é medida usando o teste Qui-quadrado. Se duas marcas tiverem padrões de resposta semelhantes em relação às suas imagens percebidas, elas receberão pontuações semelhantes nas dimensões subjacentes e serão exibidas próximas uma da outra no mapa perceptual.
Análise CHAID
O CHAID (Chi-squared Automatic Interaction Detection), um tipo de análise de árvore de decisão, é usado para destacar os principais grupos-alvo em uma amostra, identificando quais subgrupos têm maior probabilidade de apresentar uma determinada característica. Essa análise subdivide a amostra em uma série de subgrupos que compartilham características semelhantes em relação a uma variável de resposta específica e nos permite identificar quais combinações têm as taxas de resposta mais altas para a variável-alvo. É comumente usada para entender e visualizar a relação entre uma variável de interesse, como o interesse em experimentar um novo produto, e outras características da amostra, como a composição demográfica.
Análise de Principais Condutores
A análise de principais condutores pode ser uma ferramenta útil para ajudar a priorizar o foco entre diferentes fatores que podem afetar os indicadores-chave de desempenho (KPIs), como satisfação, probabilidade de trocar de provedor e probabilidade de recomendar uma marca. Usando a análise de correlações ou a análise de regressão, podemos entender quais fatores ou atributos de um mercado têm a associação ou o vínculo mais forte com um desempenho positivo nos KPIs. Dessa forma, podemos identificar quais fatores ou atributos são relativamente mais críticos em uma Categoria de mercado em comparação com outros e garantir que os recursos, muitas vezes limitados, possam ser alocados para se concentrar nos principais impulsionadores do mercado.
Análise TURF
A análise TURF (Total Unduplicated Reach & Frequency) identifica a combinação de recursos, atributos ou mensagens que atrairão o maior número de respondentes únicos. Normalmente, ela é usada quando o número de recursos ou atributos deve ser ou deveria ser limitado, mas o objetivo 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. A barra final representa o alcance máximo da população total quando todos os recursos mostrados são oferecidos.
Análise de sensibilidade de preço
A análise de sensibilidade de preço mostra as expectativas do consumidor com relação ao preço de um produto acabado. Os consumidores foram solicitados a fornecer um ponto de preço para o produto acabado. Os pontos de preço agregados são então plotados em Mapas de Preços para indicar o Ponto de Barateamento Marginal (PMC), o Ponto de Despesa Marginal (PME) e o Ponto de Preço Ótimo (OPP).
Previsão estatística
Modelagem estatística
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 próprio banco de dados de tamanho de mercado da Mintel e complementados por dados macro e socioeconômicos provenientes de organizações como a Economist Intelligence Unit e o Office for Budget 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.
Insights qualitativos
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.
O gráfico em leque da Mintel
As Previsões de resultados econômicos futuros estão sempre sujeitas a incertezas. Para aumentar a conscientização entre nossos clientes e ilustrar essa incerteza, a Mintel exibe 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 que foram usadas para criar a Previsão, podemos dizer que o tamanho real futuro 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.
Analogia meteorológica
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. Por fim, 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.