Deutsche Forschungsmethodik

Mintel ist ein unabhängiges Marktanalyseunternehmen, das stolz darauf ist, für eine große Bandbreite an Märkten und Marketingfragestellungen objektive Informationen anzubieten.

Dies sind die wichtigsten Quellen für unsere Forschungsarbeit, die wir für die Zusammenstellung deutscher Mintel Reports verwenden:

  • Verbraucherforschung
  • Sekundärforschung
  • Handelsforschung
  • Statistische Prognosen

Mintel Reports werden von Analytikern verfasst und gemanagt, die Erfahrung mit den relevanten Märkten haben.

Verbraucherforschung

Für fast alle Berichte wird Mintel damit beauftragt, exklusive und eigenständige quantitative Verbraucherforschung durchzuführen. Diese Forschungsprojekte liefern aktuelle und einzigartige Einblicke in wichtige Themengebiete.

Konsumforschung wird mit einer landesweit repräsentativen Stichprobe deutscher Internetnutzer und in der Regel online von Kantar Profiles durchgeführt, wobei je nach Bedarf ad hoc auch andere Anbieter eingesetzt werden können. Die Ergebnisse liegen ausschließlich in Form von Mintel Reports vor.

Online-Umfragen

Kantar Profiles

Kantar Profiles wurde 1999 gegründet und erreicht mit seinem Online-Verbraucherpanel, für das zwei Einverständniserklärungen abgegeben werden müssen, rund 291 000 Verbraucher in Deutschland. Kantar Profiles bietet durch den umfassenden Einsatz von Betrugserkennung und Standortverifizierungstechnologie an mehreren Punkten im Forschungszyklus – von der erstmaligen Registrierung über die Bearbeitung von Umfragen bis hin zur Einlösung von Prämien – eindeutig identifizierte Online-Befragte. Für die Panel-Teilnehmer von Kantar Profiles werden anhand einer Vielzahl von Merkmalen Profile erstellt, dank derer auch spezifische, schwer zugängliche demographische Daten angeboten werden können.

Anmerkung: Lightspeed wurde im September 2021 in Kantar Profiles umbenannt

Um sicherzustellen, dass unsere Umfragen landesweit repräsentativ für Internetnutzer sind, legt Mintel für jede Altersgruppe nach Geschlechtern aufgeteilte Quoten fest. Hier sehen Sie spezifischen Quoten für eine Stichprobe von 2.000 Erwachsenen ab 16 Jahren:

 

%

N

Altersgruppen nach Geschlecht

 

 

 

 

 

16-19, männlich

2,6

52

16-19, weiblich

2,4

48

 

 

 

20-24, männlich

3,7

74

20-24, weiblich

3,4

68

: : :
: : :

Mintel legt zudem regionale Quoten fest. Hier sehen Sie spezifischen Quoten für eine Stichprobe von 2.000 Erwachsenen ab 16 Jahren:

 

%

N

Region

   

 

 

 

Baden-Württemberg

13,3

266

Bayern

15,8

316

Berlin

4,4

88

Brandenburg

3,0

60

Bremen

0,9

18

: : :
: : :

Weitere Analyse

Mintel setzt zahlreiche quantitative Datenanalysetechniken ein, um den Wert unserer Konsumforschung zu steigern. Welche Techniken hierzu verwendet werden, variiert von Bericht zu Bericht. Im Folgenden werden einige der am häufigsten verwendeten Techniken beschrieben.       

Repertoire-Analyse

Die Repertoire-Analyse wird verwendet, um basierend auf dem berichteten Verhalten oder berichteten Einstellungen Verbrauchergruppen zu erstellen. Verbraucherantworten, die auf einer Liste von Umfrageelementen demselben Wert (oder derselben Werteliste) entsprechen, werden in einer einzelnen Variablen zusammengefasst. Die Repertoire-Variable fasst die Häufigkeit zusammen, mit der der Wert bzw. die Werte in einer Liste mit Umfrageelementen auftauchen. So könnte beispielsweise ein Markenkauf-Repertoire Gruppen aufdecken, die 1–2 Marken, 3–4 Marken und 5 oder mehr Marken kaufen. Jede Untergruppe sollte groß genug sein (d. h. n = 75+), um analysiert werden zu können.

Clusteranalyse

Bei diesem Vorgehen wird eine Reihe einzelner Personen auf Grundlage einer oder mehrerer beantworteter Fragen Gruppen zugeordnet, die als Cluster bezeichnet werden. Die Befragten innerhalb desselben Clusters stehen einander in gewisser Weise näher oder sind einander ähnlicher als den Befragten, die in einem anderen Cluster zusammengefasst wurden.

Korrespondenzanalyse

Hierbei handelt es sich um eine statistische Visualisierungsmethode zur Darstellung der Verbindungen zwischen Zeilen (Image, Einstellungen) und Spalten (Marken, Produkte, Segmente usw.) in einer bidirektionalen Kontingenztabelle. Damit können wir für jede der in einer Umfrage behandelten Marken ihr Image (und/oder die Einstellungen der Verbraucher zu den Marken) auf kompakte, leicht verständliche Art und Weise darstellen. Die Bedeutung der Beziehung zwischen einer Marke und ihrem zugehörigen Image wird mit dem Chi-Quadrat-Test gemessen. Wenn zwei Marken in Bezug auf ihr wahrgenommenes Image ähnliche Reaktionsmuster erzielen, werden ihnen auf den zugrunde liegenden Dimensionen ähnliche Bewertungen zugewiesen und sie werden dann in der Wahrnehmungskarte nahe beieinander angezeigt.

CHAID-Analyse

Bei CHAID (Chi-Square Automatic Interaction Detection) handelt es sich um eine Entscheidungsbaumanalyse. Sie wird verwendet, um wichtige Zielgruppen aus einer Stichprobe hervorzuheben, indem ermittelt wird, welche Untergruppen mit größerer Wahrscheinlichkeit ein bestimmtes Merkmal aufweisen. Diese Analyse unterteilt die Stichprobe in eine Reihe von Untergruppen, die bei einer bestimmten Antwortvariablen ähnliche Merkmale aufweisen, und ermöglicht es uns so, zu identifizieren, welche Kombinationen für die Zielvariable die höchsten Antwortquoten aufweisen. Sie wird häufig verwendet, um die Beziehung zwischen einer interessierenden Variablen wie „Interesse an der Erprobung eines neuen Produkts“ und anderen Merkmalen der Stichprobe, wie z. B. der demographischen Zusammensetzung, zu verstehen und zu visualisieren.

Schlüsseltreiber-Analyse

Die Analyse von Schlüsseltreibern kann ein nützliches Instrument sein, um die Schwerpunktverteilung auf verschiedene Faktoren zu erleichtern, die sich auf wichtige Leistungsindikatoren auswirken können (z. B. Zufriedenheit, Wahrscheinlichkeit eines Anbieterwechsels, Wahrscheinlichkeit einer Markenempfehlung usw.). Mit Hilfe von Korrelations- oder Regressionsanalysen können wir verstehen, welche Faktoren oder Merkmale eines Marktes im Hinblick auf Key Performance Indicators (KPI, Leistungskennzahlen) am stärksten mit einer positiven Leistungsfähigkeit zusammenhängen oder verknüpft sind. Auf diese Weise können wir die Faktoren oder Merkmale identifizieren, die für eine Marktkategorie im Vergleich zu anderen relativ gesehen entscheidender sind, und so sicherstellen, dass häufig begrenzte Ressourcen gezielt für die Förderung der wesentlichen Markttreiber eingesetzt werden können.

TURF-Analyse

Bei der TURF-Analyse (Total Unduplicated Reach & Frequency) wird eine Mischung aus Funktionen, Merkmalen und/oder Botschaften identifiziert, die die größte Anzahl einzelner Befragter ansprechen wird. Sie wird in der Regel verwendet, wenn die Anzahl der Funktionen oder Merkmale eingeschränkt werden muss oder sollte, das Ziel jedoch weiterhin darin besteht, ein möglichst breites Zielpublikum zu erreichen. Durch die Ermittlung der nicht duplizierten Gesamtreichweite (Total Unduplicated Reach) ist es möglich, die Anzahl der Personen zu maximieren, die mindestens eine ihrer bevorzugten Funktionen oder Merkmale in der Produktlinie finden können. Die resultierende Ausgabe von TURF ist additiv, wobei jede zusätzliche Funktion die Gesamtreichweite erhöht. Das Diagramm wird von links nach rechts gelesen, wobei jeder Pfeil die schrittweise Änderung der Gesamtreichweite bei einer Ergänzung um eine weitere Funktion angibt. Der letzte Balken stellt die maximale Reichweite in der Gesamtbevölkerung dar, wenn alle angezeigten Funktionen angeboten werden.

Handelsforschung

Informell

Handelsforschung wird für alle Berichte durchgeführt. Dazu gehört die Kontaktaufnahme mit relevanten Akteuren aus der entsprechenden Branche – nicht nur, um Informationen über ihre eigenen Betriebsabläufe zu erhalten, sondern auch, um Erklärungen und Ansichten zu strategischen Fragestellungen zu erhalten, die für den untersuchten Markt relevant sind.

Formell

Intern führen die Analysten von Mintel für den Großteil unserer Berichte umfangreiche Handelsinterviews mit ausgewählten Schlüsselexperten auf den relevanten Themengebieten durch. Zweck dieser Interviews ist es, zentrale Marktfragen zu bewerten, um sicherzustellen, dass diese bei allen durchgeführten Forschungsprojekten berücksichtigt werden.

Darüber hinaus werden für einige Handelsforschungsberichte erfahrene externe Forscher herangezogen. Dies verleiht uns einen wertvollen Einblick in eine Reihe von Ansichten zu aktuellen Handelsthemen.

Sekundärforschung

Ein internes Team aus Marktanalysten überwacht bei Mintel Folgendes: Regierungsstatistiken, Statistiken zu Verbrauchern und Handelsverbänden, von Herstellern gesponserte Berichte, jährliche Unternehmensberichte und -abschlüsse, Verzeichnisse, Presseartikel aus der ganzen Welt und Online-Datenbanken. Letztere stammen aus Hunderten von Publikationen und Websites. Alle Informationen werden für einen sofortigen Zugriff mit Querverweisen versehen.

Daten aus anderen veröffentlichten Quellen sind zum Zeitpunkt der Berichterstellung auf dem neuesten Stand.

Ergänzt werden diese Informationen durch eine umfangreiche Bibliothek mit den seit 1972 von Mintel erstellten Berichten, die jedes Jahr um fast 1.000 neu erstellte globale Berichte ergänzt wird.

Neben internen Quellen nutzen Forscher gelegentlich auch externe Bibliotheken. Weitere Informationen stammen auch aus Geschäfts- und Ausstellungsbesuchen in ganz Europa sowie aus anderen Datenbanken der Mintel Group, beispielsweise der Global New Product Database (GNPD), mit der FMCG-Verkaufsaktionen überwacht werden.

Die Analysten haben Zugriff auf die Marktgrößen- und makroökonomische Datenbank von Mintel – eine Datenbank, die viele Bereiche der Konsumausgaben und Einzelhandelsumsätze sowie makroökonomische und demographische Faktoren abdeckt, die sich auf das Konsumverhalten auswirken.

Statistische Vorhersagen

Statistische Modellierung

Für die Mehrheit der Mintel Reports erstellt Mintel eine zentrale Fünf-Jahres-Prognose. Diese basiert auf „Regressionsanalysen mit ARIMA-Modellen für die Residuen“, einer Kombination aus zwei einfachen, aber aussagekräftigen statistischen Modellbildungsmethoden: Regression und ARIMA („Auto Regressive Integrated Moving Average“, dt. autoregressiver integrierter gleitender Durchschnitt). Die Regression ermöglicht es uns, Marktgrößen mithilfe exogener Informationen (wie etwa BIP, Arbeitslosenrate) zu modellieren und somit zu prognostizieren. ARIMA erlaubt es uns, Marktgrößen anhand von endogenen Informationen (zeitlich verschobenen Variablen) zu modellieren. Um diese Art von Modell zu berechnen, nutzt Mintel die Software R.

Historische Daten zu Marktgrößen, die in jede Prognose einfließen, werden von Mintel in der eigenen Marktgrößen-Datenbank gesammelt und durch makro- und sozioökonomische Daten ergänzt, die von Organisationen wie The Economist Intelligence Unit (EIU) stammen.

Um innerhalb des Prognoseprozesses die Faktoren mit dem stärksten Einfluss auf den Markt zu identifizieren, analysieren wir Beziehungen zwischen tatsächlichen Marktgrößen und einer Auswahl an bedeutenden ökonomischen und demografischen Bestimmungsfaktoren (unabhängige Variablen).

Die Faktoren, die in eine Prognose einfließen, werden im entsprechenden Berichtsabschnitt aufgeführt und  mit einer Interpretation ihrer Rolle in der Erklärung der Nachfrageentwicklung für das betreffende Produkt oder den betreffenden Markt ergänzt.

Qualitative Erkenntnisse

Wir bei Mintel sind uns bewusst, dass historische Daten nur begrenzt in der Lage sind als einzige Kraft hinter der künftigen Marktlage zu agieren. Daher spielen umfassende, qualitative Erkenntnisse von Branchenexperten hinsichtlich zukünftiger Ereignisse, die sich auf verschiedene Märkte auswirken könnten, in unserem Evaluierungsprozess nach der statistischen Modellierung eine unschätzbare Rolle.

Somit ergänzt die Mintel-Prognose ein stringentes statistisches Verfahren um tiefgreifende Markt- und Fachkenntnisse, dank derer zusätzliche Faktoren oder Marktbedingungen berücksichtigt werden können, die außerhalb der Kapazitäten einer statistischen Prognose liegen.

[graphic: image 1]

Das Mintel-Fächerdiagramm

Prognosen zukünftiger wirtschaftlicher Ergebnisse sind immer mit Unsicherheiten behaftet. Um unsere Kunden auf  diese Unsicherheiten aufmerksam zu machen und diese zu veranschaulichen, stellt Mintel Marktgrößenprognosen in Form eines Fächerdiagramms dar.

Das Fächerdiagramm zeigt die tatsächliche Marktgröße für die vergangenen fünf oder sechs Jahre, in manchen Fällen eine Schätzung für das aktuelle Jahr, eine zentrale Prognose für die kommenden fünf oder sechs Jahre (basierend auf statistischer Modellierung und qualitativen Erkenntnissen) sowie die Prädiktionsintervalle für die Prognose (basierend auf statistischer Modellierung).

Die Prädiktionsintervalle stellen den Wertebereich dar, in den die tatsächliche zukünftige Marktgröße mit einer bestimmten Wahrscheinlichkeit fallen wird.

Als generelle Schlussfolgerung gilt: Basierend auf aktuellen Kenntnissen der historischen Marktgrößendaten sowie auf Vorhersagen für die Entwicklung bedeutsamer makro- und sozioökonomischer Faktoren, die zur Erstellung der Prognose verwendet wurden, können wir ableiten, dass die zukünftige tatsächliche Marktgröße mit einer Wahrscheinlichkeit von 95% in den schattierten Fächerbereich des Diagramms fallen wird. Es besteht eine geringe Wahrscheinlichkeit von 5%, dass die zukünftige tatsächliche Marktgröße diese Grenzlinien überschreiten wird.

In den meisten Anwendungsfällen ist ein Wert von 95% der maßgebliche Grenzwert dafür, ob wir ein statistisches Ergebnis annehmen oder nicht. Entsprechend können die äußeren Grenzen des 95-prozentigen Prädiktionsintervalls als bester und schlechtester Prognosefall betrachtet werden. 

Wetteranalogie

Um die Unsicherheit bei Prognosen mit einem alltäglichen Beispiel zu veranschaulichen, nehmen wir an, dass die folgende Wettervorhersage auf Grundlage des aktuellen Wissens von Meteorologen über die Wetterbedingungen der letzten Tage, atmosphärische Beobachtungen, heranziehende Wetterfronten usw. erstellt wurde.

[graphic: image 2]

Wie sicher können wir sein, dass am Samstag tatsächlich 15°C herrschen werden?

Man könnte behaupten, dass die Temperatur im Zentrum von London am Samstag auf genau 15°C steigen werden, aber niemand kann hundertprozentig sicher sein, dass dies der Fall sein wird.

Zu sagen, dass die Temperatur am Samstag zwischen 13°C und 17°C liegen wird, ist eine weniger präzise Aussage, deren Eintreten viel wahrscheinlicher ist.

Basierend auf dem vorhandenen statistischen Modell können wir allgemein davon ausgehen, dass die Temperatur am Samstag mit einer Wahrscheinlichkeit von 95% zwischen 13°C und 17°C liegen wird. Wir können jedoch nur zu 50% sicher sein, dass sie zwischen 14,5°C und 15,5°C liegen wird. Abschließend besteht außerdem eine geringe Wahrscheinlichkeit von 5%, dass die tatsächliche Temperatur am Samstag die Grenzlinien überschreitet und entweder unter 13°C oder über 17°C liegen wird.