Mintel 采用了大量定量和定性数据分析技术，以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。
📌 注：阅读本文，了解有关我们研究方法的更多信息。
💡 小贴士作为 Mintel 报告的订阅者，您可以通过在clients.mintel.com 上应用报告 内容类型筛选项来查找订阅范围内的所有报告。
汇辑分析
用于根据生成报告的行为或态度创建消费者群体。在一系列调查项目中，具有相同价值（或价值列表）的消费者回复会被汇总到一个变量中。重演变量总结了在调查项目列表中出现一个或多个价值的次数。
📝 例如品牌购买记录可能会产生购买 1-2 个品牌、3-4 个品牌和 5 个或更多品牌的分组。每个分组的规模都应足够大（即 N=75 以上），以便进行分析。
聚类分析
这种技术根据一个或多个回答，将一组个体性的人归入称为聚类的群体中，从而使同一聚类中的受访者在某种意义上比被归入不同聚类的受访者更接近或更相似。
对应分析
这是一种统计可视化方法，用于描绘双向或然表中行（形象、态度）与列（品牌、产品、细分市场等）之间的关联。它使我们能够在一个易于理解的联合空间中显示与本次调查中涉及的每个品牌相关的品牌形象（和/或消费者对品牌的态度）。品牌与其相关形象之间关系的显著性是通过卡方检验（Chi-square test）来衡量的。如果两个品牌在其感知形象方面具有相似的反应模式，那么它们在基本维度上就会被赋予相似的分数，从而在感知图中显示为彼此接近。
CHAID 分析
CHAID（Chi-squared Automatic Interaction Detection，卡方自动交互检测）是一种决策树分析法，通过识别哪些子群体更有可能表现出特定特征，来突出样本中的关键目标群体。这种分析方法将样本细分为一系列对特定响应变量具有相似特征的子群体，使我们能够确定哪些组合对目标变量的响应率最高。它通常用于了解和直观显示感兴趣的变量（如尝试新产品的兴趣）与样本的其他特征（如人口统计特征）之间的关系。
关键驱动因素分析法
关键驱动因素分析是一种有用的工具，可帮助确定可能影响关键绩效指标（KPI）（如满意度、更换供应商的可能性和推荐品牌的可能性）的不同因素之间的优先重点。利用相关分析或回归分析，我们可以了解市场中哪些因素或属性与关键绩效指标的积极表现有最密切的关联或联系。因此，我们能够确定在某一市场品类中，哪些因素或属性与其他因素或属性相比相对更为关键，从而确保有限的资源能够分配到主要的市场驱动因素上。
TURF 分析
TURF（总重复到达率和频率）分析可确定能吸引最多独特的受访者的特征、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，每个箭头表示添加一个新功能时总到达率的递增变化。最后一条横线表示提供所有显示功能时总覆盖人数的最大值。
价格敏感性分析
价格敏感性分析显示了消费者对成品定价的预期。消费者被要求提供成品的价格点。然后将总价点绘制到价格地图上，以显示边际便宜点 (PMC)、边际昂贵点 (PME) 以及最佳价格点 (OPP)。
统计预测
统计建模
对于美国、加拿大、英国、德国和中国的大部分报告，Mintel 基于 "带有 ARIMA 误差的回归 "生成五年期中心预测，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。为了估算这类模型，Mintel 使用 R 软件。
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。
定性洞察
在 Mintel，我们深知历史数据作为市场未来状态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，Mintel 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，以便考虑到统计预测能力之外的其他因素或市场状况。
Mintel 扇形图
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，Mintel 以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 95% 在大多数应用中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。
天气类比
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。