Mintel 采用多种定量和定性数据分析技术来提高消费者调研的价值。不同报告采用的技术各不相同。本文将概述我们的专家分析师在撰写报告时最常用的技术。

英敏特运用多样化的定量数据分析技术来提升消费者研究的价值。我们根据每个报告不同的分析需求来使用不同的分析方法。下面是一些我们报告中较为常用的分析方法。

该分析方法基于消费者的行为习惯或态度，将他们划分为不同的细分群体。在调研中，受访者会从同一选项列表中选择一个或多个答案。我们将选择相同选项数量的受访者归类为一个细分群体（例如，选择1个答案的受访者作为一个细分群体，选择2个答案的受访者作为另一个细分群体，依此类推）。因此，频率分析用于检验选择每个选项数量的受访者占总体人群的比例。例如，在关于消费者购买品牌数量的频率分析中，消费者可以被分为购买1-2个品牌者、购买3-4个品牌者，以及购买5个或更多品牌者，这3个不同的细分群体。每个细分群体都有足够大的样本量（即N=75个样本或以上）以供分析。

根据受访者在一道或几道问题上的回答，我们运用这种分析技术将他们细分成不同的“聚类”（cluster）。被分在同一个“聚类”中的样本，在某些测量维度上都具有较为相似的共性。而分在不同“聚类”中的样本，在这些测量维度上，会体现出不同的差异。

这种数据可视化方法可用于描绘二维数据表中行（如品牌形象、消费者态度）与列（如品牌、产品、细分人群等）之间的关联性。对应分析生成的图表能以简单直观的方式展现每个品牌在消费者心中的形象（和/或消费者对品牌的态度）。我们运用卡方检验（Chi-square test）来检测不同品牌之间显著性差异，以及不同品牌形象描述语句之间的显著性差异。如果在消费者看来某两个品牌具有相似形象，那么在某些维度上这两个品牌就会具有相近的分数，因此在对应分析图表中，这两个品牌之间的距离就会很近。

CHAID（卡方自动交互检测）决策树分析是一种用于发现目标人群的分析方法。通过分析样本中哪些细分人群更可能具备某种特定属性，从而识别关键目标人群。基于受访者对某个特定参数的回答结果，该分析方法将样本逐层细化为具有相似特性的细分群体，从而帮助我们发现哪些不同的组合能为目标参数提供最高的选中率。

例如，在分析哪些不同的人群特征组合会对某些参数有重大影响（如“对尝试新产品感兴趣”）时，我们会使用决策树分析并提供可视化的结果。

在分析每个因素对关键绩效指标（如满意度、品牌转换可能性、推荐品牌可能性）的重要性时，关键驱动因素分析是一个非常有用的工具。通过使用相关分析（Correlation Analysis）或回归分析（Regression Analysis），我们可以了解哪些因素/特征与某个关键绩效指标的良好表现存在最强相关性或关联度。通过此分析，我们可以发现对于某个品类，哪些因素/特性更为关键，从而确保有限的资源能够被有效利用在最主要的市場动因上。

TURF分析（累积无重复到达率和频次分析）可以找出能吸引最大数量不重复消费者的产品特性、属性或信息的组合。当我们想要覆盖尽可能多的受众，但产品特性或属性的数量却有限时，就可以使用TURF分析。通过分析一个或更多喜欢的产品特性或属性，累积无重复到达率，从而在产品线中找到能最大化渗透的消费者数量。

价格敏感度分析展示了消费者对某种成品的期望价格。消费者被要求为某个成品给出一个价格，根据这些答案得出的累计价格点会被绘制成价格曲线图，用来表示最高心理价位（PME）、最低心理价位（PMC）以及最优价格点（OPP）。

该模型主要基于英敏特独家市场数据库提取的市场历史数据，并结合各类私营及公共部门机构（如中国国家统计局和EIU经济学人智库）发布的宏观经济和人口统计数据。

该模型通过寻找实际市场规模大小与具有高相关性的关键宏观经济及人口统计因素（自变量）之间的关系，以识别对市场影响力最大的预测因素。

预测中所使用的因素将在相关章节中详细阐述，并说明这些因素对所研究的产品需求和市场发展所发挥的作用。

英敏特认为，历史数据对市场未来走向和状态的决定作用是有限的。因此，行业专家在市场影响事件方面的真知灼见对我们的超数据模型评估过程至关重要。

因此，英敏特除了采用严格的数据统计程序外，还融入了深入细致的市场知识和专家意见，以提供数据预测未覆盖的额外因素和市场状况。

预测未来经济走势始终存在不确定性。为了帮助客户更好地认识和理解这种不确定性，英敏特推出了扇形图，以一种全新的方式展示市场规模预测。

在历史市场规模和当前年度估计值的旁边，扇形图显示了未来5年内市场价值/总量的各种结果的可能性。

在95%的置信区间内，95%的预测结果将落在最大限制值之间，我们称之为最佳和最差预测。这些基于统计数据的市场预测是预计将实现的最高（最佳）和最低（最差）市场规模。

向外扩展的扇形区域依次显示95%、90%、70%和50%概率区间下的市场发展情况。统计数据中央预测值位于较深阴影区，并有50%的发生概率。

一般性结论：基于我们对给定历史市场规模数据的理解以及用于预测的主要宏观和社会经济指标的评估，我们推测95%的情况下，实际市场规模大小将落在扇形图的紫色阴影区。在所有情况下，该模型有5%的可能性是不正确的，这源于随机误差和实际市场规模超出预测范围。

为了用一个日常例子说明预测的不确定性，假设以下天气预报是根据气象专家掌握的过去几天天气情况、大气观测和冷/暖空气前锋等数据做出的。

那么，现在预测星期六的温度为15°C的准确性有多高？我们对该预测的确定性有多高？

预测上海市中心星期六的温度将升至恰好15°C是可能的，但没有人能100%确定这一定会发生。

周六气温介于13°C和17°C是一个更广泛的预测，也更可能实现。

总体而言，我们可以根据现有统计模型推断，有95%的概率周六气温将在13°C至17°C之间；有50%的概率气温将大致在14.5°C至15.5°C之间。然而，仍有5%的可能性周六实际气温将超出预测范围，即气温可能低于13°C或高于17°C。