英敏特采用大量定量和定性数据分析技术来提高我们消费者研究的价值。不同的报告所使用的技术也不尽相同。本文将为您概述我们的专家分析师在生成报告时最常用的技术。

该技术用于根据报告的行为或态度生成消费者群体。将消费者对一系列调查项目的回答汇总到一个单一的汇集变量中。剧目变量汇总了调查项目列表中出现的次数。

这种细分技术是根据受访者在调查中的回答，将一组个体性人群归入称为簇群的组别中，从而使同一簇群中的受访者在某种意义上比被归入不同簇群的受访者更接近或更相似。

英敏特通常采用两步法进行聚类。

这种统计可视化方法用于将双向或然表中行（如形象、属性）和列（如品牌、产品）之间的关联显示在感知图中，通过解释近似性便于理解。

例如，品牌与其相关属性之间关系的显著性是通过卡方检验（Chi-square test）来衡量的。如果两个品牌在其相关属性方面表现出相似的模式，那么它们在底层维度上就会被赋予相似的分数，并将在感知图中显示为彼此接近。

CHAID 分析（Chi-squared Automatic Interaction Detection，卡方自动交互检测）通过确定哪个子群体最有可能表现出某种特定特征（如对尝试新产品的兴趣），来突出样本中的关键目标群体。

它将样本划分为一系列具有相似特征（如年龄、性别）的子群体，使我们能够确定哪个特征组合显示出目标变量（如对尝试新产品的兴趣）的最高响应率。对样本进行拆分的第一个预测品类（如年龄）与响应变量的关联度最高，即它能提供最具差异化的受访者群体。然后对每个子群进行进一步划分，直到分析不再发现任何具有显著区分性的预测因子。

输出结果是一棵树，树枝是将样本分成不同组别的预测变量。

关键驱动因素分析用于通过评估影响消费者态度和行为（如客户满意度、推荐品牌或更换供应商的可能性）的不同因素的相对重要性，确定这些因素的优先次序。这可以通过逻辑回归或相关分析来实现。
​
逻辑回归是一种预测分析，用于确定一个因变量（如客户满意度）与一个或多个自变量（如客户服务品质、产品范围）之间的关系。
​
相关分析描述的是一个相关因变量（如总体客户满意度）与一个或多个自变量（如客户服务满意度、产品范围）之间关系的强度和性质。

TURF（总重复到达率和频率）分析可确定能吸引最多独特受访者的功能、属性或信息组合。它通常用于必须或应该限制特征或属性的数量，但目标仍然是尽可能广泛地接触受众的情况。通过确定 "未重复到达总人数"，可以最大限度地让更多人在产品系列中找到一个或多个自己喜欢的产品特征或属性。

TURF 的输出结果是累加的，每增加一项功能，总覆盖率就会增加。图表从左到右读取，每个箭头表示增加一个新功能、属性等时，总到达率的递增变化。最后一条横线表示在提供所有显示的功能、属性等时，总覆盖人数的最大值。

价格敏感性分析是一种衡量产品价格如何影响消费者购买行为的方法。该分析有助于确定消费者对特定商品或服务的理想价格以及可接受的价格范围。可以确定不同的价格点。

综合价格点被绘制在价格地图上，以显示高/低价格阈值以及最佳价格点 (OPP)。

对于美国、加拿大、英国、德国和中国的大部分报告，英敏特根据 "带有 ARIMA 误差的回归 "生成五年中心预测，这是两种简单而强大的统计建模技术的结合：回归和 ARIMA（自回归整合移动平均）。通过回归，我们可以利用外生信息（如 GDP、失业率）建立市场规模模型，从而预测市场规模。自回归整合移动平均法允许我们利用内生信息（滞后价值）建立市场规模模型。英敏特使用 R 软件来估算此类模型。

每次预测所需的历史市场规模数据均由英敏特自己的市场规模数据库整理而成，并由经济学人智库（Economist Intelligence Unit）和预算责任办公室（Office for Budget Responsibility）等机构提供的宏观和社会经济数据作为补充。

在预测过程中，我们会分析实际市场规模与部分关键经济和人口统计特征（自变量）之间的关系，以确定对市场影响最大的预测因素。

预测中使用的因素将在相关报告章节中说明，并解释这些因素在解释相关产品或市场需求发展中的作用。

英敏特深知，历史数据作为市场未来状况的唯一依据是有限的。因此，行业专家就可能影响某类市场的未来事件所提供的丰富的定性洞察，在我们的统计建模后评估过程中发挥着不可估量的作用。

因此，英敏特的预测是对严格的统计过程与深入的市场知识和专业技能的补充，以考虑统计预测能力之外的其他因素或市场状况。

对未来经济结果的预测总是存在不确定性。为了提高客户的认识并说明这种不确定性，英敏特采用扇形图的形式展示市场规模预测。

扇形图显示了过去 5 年或 6 年的实际市场规模，在某些情况下还显示了当年的估计值、5 年或 6 年期的中心预测值（通过统计建模和定性洞察得出）以及预测值的预测区间（通过统计建模得出）。

预测区间代表了未来实际市场规模在特定概率下的价值范围。

总体结论：根据我们目前对历史市场规模数据的了解，以及对用于预测的主要宏观和社会经济措施的预测，我们可以说，某品类的未来实际市场规模将以 95% 的概率落在阴影扇形范围内。未来实际市场规模超出这些边界的概率很小，仅为 5%。

由于在大多数应用中，95% 是定义我们是否可以接受或拒绝一个统计结果的临界值，因此 95% 预测区间的外部界限可以看作是预测的最佳和最差情况。

为了用一个日常的例子来说明预测的不确定性，让我们假设下面的天气预报是根据气象学家目前对前几天的天气状况、大气观察、即将到来的天气锋面等的了解制作出来的。

现在，我们如何确定周六的气温确实会达到 15°C？

如果说周六伦敦市中心的气温将正好升至 15°C，这是有可能的，但不能百分之百确定。

如果说周六的气温将介于 14°C 和 17°C 之间，这种说法更宽泛，也更有可能。

一般来说，我们可以说，根据现有的统计模型，可以有 95% 的把握周六的气温会在 14°C 和 17°C 之间，只有 50% 的把握会在 14.5°C 和 15.5°C 之间。最后，还有 5%的小概率，周六的实际气温会超出这些界限，从而低于摄氏 14 度或高于摄氏 17 度。