日本
日本の消費者調査概要
Mintel Japan Reportでは、18歳以上の全国の日本の消費者を対象としたネットリサーチを実施している。サンプル設計は以下の通り。
- 性年代による均等割付
- 全国を6つの地域に分け、人口統計比に合わせて割付
- サンプル構成は日本の人口統計比ではないが、統計的な日本市場の現状把握を目的とした消費者調査分析に必要な属性群を全て網羅すると共に、統計学的に十分なサンプル数を確保することで日本市場の状況に近しいデータとしている。
リサーチパートナー 楽天インサイト
弊社の日本の消費者調査は楽天インサイト社の協力によりネットリサーチにて実施している。楽天インサイト社は1997年の設立以降、同社のデータベースやネットワークを利用したアジアにおけるネットリサーチパネル提供のパイオニアとして成長を続けており、パネルの提供先は日本に限らず、海外の企業にも広がっている。
属性および地域割付の詳細
弊社の日本の消費者調査では2000サンプルを性年代均等割付するほか、全国を6つの地域に分けて人口統計比に合わせた割付を実施。それぞれの割付詳細は以下を参照。
% |
N |
||
男性 |
18-24歳 |
5% |
100 |
|
25-29歳 |
5% |
100 |
|
30-39歳 |
10% |
200 |
|
40-49歳 |
10% |
200 |
|
50-59歳 |
10% |
200 |
|
60-64歳 |
5% |
100 |
|
65歳以上 |
5% |
100 |
: | : | : | : |
: | : | : | : |
% |
N |
地域 |
|
1 |
11.0 |
220 |
北海道、東北 |
2 |
34.4 |
688 |
関東 |
3 |
18.2 |
364 |
中部、北陸 |
4 |
16.3 |
326 |
近畿 |
5 |
8.8 |
176 |
中国、四国 |
6 |
11.3 |
226 |
九州、沖縄 |
合計 |
100 |
2000 |
分析手法
弊社では消費者調査の価値をさらに高めるために、いくつかの定量的データ分析の手法を使っている。使用される手法はレポートによって様々であり、以下が頻繁に使われる手法の簡単な説明である。
- レパートリー分析
対象者の行動や態度に基づいてグルーピングをするために使われる分析手法。例えば、ブランド購入のレパートリー分析では、「1-2つのブランドを購入した人」「3-4つのブランド購入した人」「5つ以上のブランドを購入した人」などのグループに分ける。なお、分析を行うために、それぞれのグループのサンプルサイズは一定数必要となる(例:N=75以上)。
- クラスター分析
1つもしくは複数の質問における対象者の反応をもとに、似通った対象者群をクラスターというグループに分ける分析手法。
- コレスポンデンス分析
コレスポンデンス分析は、データの行(イメージ、態度)と列(ブランド、製品、セグメント)の関連性を視覚化する分析手法。この手法を用いると、ブランドイメージやブランドに対する態度などが、マッピングされ容易に理解することができる。通常、複雑なクロス集計(例 製品と製品への態度の関連性、ブランドとブランドイメージの関連性)において、データ間の距離を解釈することによって容易に関連性を理解するために使われる。ブランドや製品とイメージの関係性などを、カイ二乗検定を使って計測する。対象者に認知されているイメージや製品への態度に関して、2つのデータが類似する反応を示している場合、似通った数値が割り当てられ、コレスポンデンスマップでもデータは近くに配置される。
- CHAID分析
CHAID (Chi-squared Automatic Interaction Detection) はキーターゲットグループを見つけるために使われる分析手法。この分析では、サンプルをある特定の変数における反応が共通するいくつかのサブグループに分け、どの組み合わせが最もターゲットグループになりそうかを判断する。例えば、「新しい製品を試してみたい」という興味の変数と属性などのその他の変数との間の関係性を視覚化し、理解するために用いられる。
- キードライバー分析
キードライバー分析はKPI(満足度、競合へのスイッチの可能性、ブランドを推奨する可能性)に影響する可能性のある異なる要因間での優先度を図る上で有用な手法。相関分析や回帰分析を用いて、どの要因がKPIと強く関連性があるかのほか、どの要因が最も重要で、また限られたリソースをどのように配分するかを知ることができる。
- TURF分析
TURF (Total Unduplicated Reach & Frequency)分析は、より多くの対象者が魅力的だと思う製品の特徴、属性やメッセージなどの組み合わせを示すものである。通常、製品の特徴や属性の組み合わせが限られている際に用いられるが、あくまで目的はより多くの対象者が魅力的だと思う製品特徴や属性などを探索することである。より多くの対象者が魅力的だと思う組み合わせをを見つけることによって、製品ラインの中にある好きな製品特徴や特性を一つ、もしくはそれ以上を見つける人を最大限増やすことができる。
グラフは左から右に読み、特徴が追加されたときの増加分が矢印とともに数値として示されている。棒グラフの最後の値は、全ての特徴が示されたきに、それらの特徴が魅力的だと思う対象者の最大値である。