Metodologia de Pesquisa para o Brasil

Para sua série de Relatórios sobre o mercado brasileiro, a Mintel realiza pesquisa online para entrevistar consumidores com 16 anos ou mais.

Nossa parceira de pesquisa – Lightspeed

A Mintel firmou parceria com a Lightspeed para realizar pesquisas online no Brasil. Fundada em 1996, a empresa fornece entrevistados online através de uma abrangente tecnologia de detecção de fraude e verificação de localização utilizada em diversos momentos do ciclo de pesquisa, desde o registro inicial até a pesquisa de campo e a premiação pela participação. Os entrevistados fornecidos pela Lightspeed são selecionados de acordo com uma ampla variedade de atributos para que se atinjam demografias específicas difíceis de alcançar.

Observação: A Lightspeed GMI passou a ser chamada Lightspeed em setembro de 2016

Amostragem

A Mintel utiliza uma abordagem que leva em consideração cotas de idade, gênero, região e classe social, de modo a representar a população brasileira usuária de internet com 16 anos ou mais.

As cotas específicas de regiões para uma amostragem de 1.500 adultos com 16 anos ou mais são:

Grupos etários por sexo

%

N

Homens, 16-24

9,93

149

Homens, 25-34

12,60

189

Homens, 35-44

12,40

186

Homens, 45-54

7,00

105

Homens, 55+

7,13

107

Mulheres, 16-24

12,20

183

Mulheres, 25-34

11,47

172

: : :
: : :

Região

%

N

Sudeste

47,72

715

Centro-Oeste

7,58

114

Norte

8,52

128

Nordeste

22,24

334

Sul

13,94

209

Total

100

1,500

 

Grupo socioeconômico

%

N

A

2,9

44

B1

5,0

75

B2

17,3

259

C1

22,2

333

C2

25,6

384

DE

27,0

405

Total

100

1,500

Análise avançada

A Mintel emprega diversas técnicas de análise quantitativa de dados para aumentar o alcance de nossa pesquisa de consumidor. As técnicas usadas variam de acordo com o relatório. Abaixo seguem as descrições das técnicas mais comumente utilizadas.

 

Análise de Repertório

Esta técnica é usada para criar grupos de consumidores com base em comportamentos e atitudes. Respostas de mesmo valor (ou de uma lista de valores) ao longo de uma lista de itens de pesquisa são computadas em uma única variável. A variável de repertório sumariza o número de ocorrências em que o valor ou valores aparecem em uma lista de itens de pesquisa. Por exemplo, o repertório de uso de marca pode produzir grupos de consumidores que compram uma ou duas marcas, três ou quatro marcas ou mais de cinco marcas. Cada subgrupo precisa ser grande o suficiente (maior que 75 pessoas) para ser analisado.

 

Análise de ‘Cluster’

Esta técnica organiza um conjunto de indivíduos em grupos chamados “clusters” (ou agrupamentos) com base em uma ou mais respostas. Os indivíduos dentro de um mesmo cluster são mais parecidos entre eles do que aqueles agrupados em clusters diferentes.

 

Análise de Correspondência

Este é um método de visualização estatística usado para retratar as associações entre linhas (imagens, atitudes) e colunas (marcas, produtos, segmentos etc.) de um gráfico de contingência de duas vias. Esta técnica permite exibir imagens de marcas (e/ou atitudes de consumidores em relação a elas) relacionadas a cada marca analisada na pesquisa de forma fácil de entender. A importância da relação entre a marca se sua imagem associada é medida pela utilização do teste Qui Quadrado. Caso duas marcas tenham padrões de resposta semelhantes em relação a suas imagens, elas marcam pontos semelhantes em dimensões subjacentes e são exibidas em posições próximas uma da outra no mapa percentual.

 

Análise CHAID

A técnica CHAID (Detecção de Interação Automática do Qui-Quadrado), um tipo de análise de árvore de decisão, é usada para destacar grupos-alvo em uma amostra através da identificação de qual subgrupo é mais suscetível a mostrar uma característica particular. Esta análise subdivide a amostra em uma série de subgrupos que compartilham características semelhantes em relação a uma variável específica de resposta e permite identificar quais combinações apresentam as maiores taxas de resposta para a variável-alvo. Esta técnica é normalmente usada para entender e visualizar a relação entre uma variável como “interesse em testar um novo produto” e outras características da amostra, como a composição demográfica.

 

Análise de Principais Influenciadores

Esta técnica pode ser uma ferramenta importante para priorizar o foco entre diferentes fatores que podem impactar indicadores de desempenho (ex. satisfação, probabilidade de trocar de provedor, probabilidade de recomendar uma marca etc.). Usando análises de correlação ou de regressão podemos entender quais fatores ou atributos de um mercado têm a associação mais forte com um desempenho positivo em indicadores-chave. Dessa forma, podemos identificar quais fatores ou atributos são relativamente mais críticos em uma categoria de mercado em comparação com outros e garantir que recursos geralmente limitados podem ser alocados para os principais influenciadores do mercado. 

Análise TURF

A análise TURF (Alcance e Frequência Totais Não-Duplicados) identifica a combinação de características, atributos ou mensagens que atrairão o maior número de entrevistados únicos. Normalmente, esta técnica é usada quando o número de características ou atributos deve ser limitado, mas o objetivo ainda é alcançar o público mais amplo possível. Ao identificar o TURF, é possível maximizar o número de pessoas que encontram uma ou mais de suas características ou atributos preferidos na linha de produtos. O resultado do TURF é aditivo, com cada característica adicional aumentando o alcance total. O gráfico é lido da esquerda para a direita, com cada seta indicando a mudança incremental no alcance total ao adicionar um novo atributo. A barra final representa o alcance máximo da população total quando todas as características mostradas são oferecidas.

Previsões Estatísticas

Modelo estatístico

Para a maioria dos relatórios, a Mintel produz uma previsão de cinco anos baseada em uma técnica avançada de estatística conhecida como multivariate time series auto-regression, usando o software de estatística SPSS.

O modelo é baseado em dados históricos de tamanho de mercado originados do banco de dados da própria Mintel e complementados por dados publicados de macroeconomia e demografia de várias fontes privadas e públicas como o IBGE (Instituto Brasileiro de Geografia e Estatísticas) e EIU – Economist Intelligence Unit.

O modelo busca por relações entre o tamanho de mercado real e uma seleção relevante e significativa de fatores macroeconômicos e demográficos determinantes (variáveis independentes) para identificar os fatores de previsão que tem a maior influência no mercado.

Fatores usados na previsão estão presentes nas seções relevantes do relatório junto a uma interpretação de como eles explicam o desenvolvimento em demanda para o produto ou mercado em questão. 

Insight qualitativo

A Mintel entende que dados históricos possuem limites na capacidade de agirem como o único fator determinante do futuro do mercado. Portanto, a compreensão qualitativa dos especialistas da indústria sobre os eventos futuros que poderão impactar sob vários mercados, cumprem um papel de valor inestimável no processo de avaliação pós-modelo.

Assim, a previsão da Mintel completa um processo estatístico rigoroso com conhecimento profundo do mercado e competência profissional que abrangem fatores adicionais ou condições do mercado fora da capacidade da previsão estatística.

[graphic: image 1]

Gráfico de leque

Projeções sobre o estado econômico futuro são sempre sujeitas a incertezas. Para gerar consciência entre nossos clientes e ilustrar esse incerteza, a Mintel introduziu uma nova maneira de mostrar projeções de mercado na forma de um gráfico de leque. 

Ao lado de dados históricos de tamanho do mercado e estimativas do ano corrente, o gráfico de leque ilustra a probabilidade de vários resultados para o valor/volume do mercado nos próximos cinco anos.

O intervalo de confiança de 95% significa que 95 de cada 100 vezes a projeção irá cair dentro desse quadro, o qual nós chamamos de melhor e pior casos de projeção. Esses, baseado na projeção estatística, são os maiores (melhor caso) e os menores (pior caso) tamanhos de mercado antecipados.

Nos próximos cinco anos, as faixas alargadas mostram sucessivamente os desenvolvimentos que ocorrem dentro dos intervalos de probabilidade de 95%, 90%, 70% e 50%. Métodos estatísticos preveem que a projeção central cairá dentro da área mais escura, que ilustra 50% de probabilidade, ou seja, uma chance de 5 em 10.

Conclusão geral: Baseado no nosso conhecimento dos dados históricos de mercado, bem como das projeções para medidas chave macro- e socioeconômicas que foram utilizadas para criar a projeção, podemos presumir que 95% das vezes o tamanho real do mercado estará entre o leque roxo. Em 5% dos casos esse modelo pode não estar correto devido a erros aleatórios e o tamanho real do mercado cairá fora desses limites.

Analogia com o clima

Para ilustrar a incerteza das previsões com um exemplo cotidiano, vamos imaginar que a previsão do tempo a seguir foi produzida com base em informações sobre as condições climáticas dos dias anteriores, observações atmosféricas, frentes de calor ou frio etc.

[graphic: image 2]

Quão precisa pode ser a previsão e quão seguros podemos estar de que a temperatura no sábado será de fato de 15ºC?

Dizer que a temperatura em Londres no sábado vai subir a exatamente 15ºC é possível, mas ninguém pode garantir isso 100%.

Dizer que a temperatura em Londres no sábado vai estar entre 13ºC e 17ºC é uma afirmação mais ampla e muito mais provável.

De maneira geral, podemos dizer que com base no modelo estatístico existente há 95% de chance de a temperatura no sábado estar entre 13ºC e 17ºC, e 50% de chance de estar entre 14,5ºC e 15,5ºC. Novamente, apenas em 5% de todos os casos este modelo pode estar incorreto devido a erros aleatórios e a temperatura no sábado ultrapassar os limites de 13ºC e 17ºC.