A Mintel emprega inúmeras técnicas de análise quantitativa e qualitativa de dados para aumentar o valor de nossas pesquisas com consumidores. As técnicas utilizadas variam de um relatório para outro. Este artigo oferece uma visão geral das técnicas mais comuns utilizadas por nossos analistas especializados para criar seus relatórios.

A Mintel emprega diversas técnicas de análise quantitativa de dados para aumentar o alcance de nossa pesquisa de consumidor. As técnicas utilizadas variam de acordo com o relatório. Abaixo seguem as descrições das técnicas mais comumente utilizadas.

Esta técnica é usada para criar grupos de consumidores com base em comportamentos e atitudes. Respostas de mesmo valor (ou de uma lista de valores) ao longo de uma lista de itens de pesquisa são computadas em uma única variável. A variável de repertório resume o número de ocorrências em que o valor ou valores aparecem em uma lista de itens de pesquisa. Por exemplo, o repertório de uso de marca pode produzir grupos de consumidores que compram uma ou duas marcas, três ou quatro marcas ou mais de cinco marcas. Cada subgrupo precisa ser grande o suficiente (maior que 75 pessoas) para ser analisado.

Esta técnica organiza um conjunto de indivíduos em grupos chamados “clusters” (ou agrupamentos) com base em uma ou mais respostas. Os indivíduos dentro de um mesmo cluster são mais parecidos entre si do que aqueles agrupados em clusters diferentes.

Este é um método de visualização estatística usado para retratar as associações entre linhas (imagens, atitudes) e colunas (marcas, produtos, segmentos etc.) de um gráfico de contingência de duas vias. Esta técnica permite exibir imagens de marcas (e/ou atitudes dos consumidores em relação a elas) relacionadas a cada marca analisada na pesquisa de forma fácil de entender. A importância da relação entre a marca e sua imagem associada é medida pela utilização do teste Qui Quadrado. Caso duas marcas tenham padrões de resposta semelhantes em relação às suas imagens, elas marcam pontos semelhantes em dimensões subjacentes e são exibidas em posições próximas uma da outra no mapa percentual.

A técnica CHAID (Detecção de Interação Automática do Qui-Quadrado), um tipo de análise de árvore de decisão, é usada para destacar grupos-alvo em uma amostra através da identificação de qual subgrupo é mais suscetível a mostrar uma característica particular. Esta análise subdivide a amostra em uma série de subgrupos que compartilham características semelhantes em relação a uma variável específica de resposta e permite identificar quais combinações apresentam as maiores taxas de resposta para a variável-alvo. Esta técnica é normalmente usada para entender e visualizar a relação entre uma variável como “interesse em testar um novo produto” e outras características da amostra, como a composição demográfica.

Essa técnica pode ser uma ferramenta importante para priorizar o foco entre diferentes fatores que podem impactar indicadores de desempenho (por exemplo, satisfação, probabilidade de trocar de provedor, probabilidade de recomendar uma marca etc.). Usando análises de correlação ou regressão, podemos entender quais fatores ou atributos de um mercado têm a associação mais forte com um desempenho positivo em indicadores-chave. Dessa forma, podemos identificar quais fatores ou atributos são relativamente mais críticos em uma categoria de mercado em comparação com outros e garantir que recursos geralmente limitados possam ser alocados para os principais influenciadores do mercado.

A análise TURF (Alcance e Frequência Totais Não-Duplicados) identifica a combinação de características, atributos ou mensagens que atrairão o maior número de entrevistados únicos. Normalmente, essa técnica é usada quando o número de características ou atributos deve ser limitado, mas o objetivo ainda é alcançar o público mais amplo possível. Ao identificar o TURF, é possível maximizar o número de pessoas que encontram uma ou mais de suas características ou atributos preferidos na linha de produtos. O resultado do TURF é aditivo, com cada característica 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 atributo. A barra final representa o alcance máximo da população total quando todas as características mostradas são oferecidas.

A análise de sensibilidade de preço mostra as expectativas dos consumidores em relação ao preço de um produto final. Os consumidores foram solicitados a fornecer um preço para o produto final. Os preços agregados são então plotados em mapas de preços para indicar o Ponto de Barateza Marginal (PMC, ou Point of Marginal Cheapness, em inglês), o Ponto de Dispendiosidade Marginal (PME, ou Point of Marginal Expensiveness, em inglês) e o Ponto de Preço Ótimo (OPP, ou Optimal Price Point, em inglês).