Statystyka · Marketing

Ceny psychologiczne 19.99 czy 20.00 – skok sprzedaży na granicy złotówki

Fikcyjny sklep internetowy z zabawkami edukacyjnymi sprawdza, czy cena 19.99 zł sprzedaje więcej niż 20.00 zł. Dane historyczne zawyżają efekt końcówki ,99, a test losowy z efektami stałymi produktu i tygodnia pokazuje, ile naprawdę daje i od czego zależy – sześć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Ceny psychologiczne
W skrócie: Cena z końcówką ,99 działa, gdy zmienia lewą cyfrę: 19.99 wydaje się wyraźnie tańsza niż 20.00, choć różnica to grosz. W przykładzie sklepu z zabawkami edukacyjnymi dane historyczne dały +29.9% sprzedaży, bo końcówki ,99 mają promocje i bestsellery, a test losowy – +7.7%, 95% CI [3.4, 12.3]. Efekt sprawdzaj testem, w którym produkt porównujesz z samym sobą, i osobno dla różnych progów ceny – przy 49.99 vs 50.00 większość skoku dawał filtr „poniżej 50 zł”.

Przykład: sklep internetowy z zabawkami edukacyjnymi

Fikcyjny sklep internetowy sprzedaje około 400 zabawek edukacyjnych w pięciu kategoriach: klocki konstrukcyjne, zestawy eksperymentów, gry logiczne, puzzle i układanki oraz roboty do programowania. Połowa produktów ma cenę z końcówką ,99 (np. 49.99 zł), połowa – cenę pełną (np. 50.00 zł).

Dział marketingu pyta: czy 19.99 zł sprzedaje więcej niż 20.00 zł – ponad to, co wynika z jednego grosza różnicy? Jeśli tak, warto zmienić ceny pełne na końcówki ,99.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Prawdziwa elastyczność cenowa to −1.8. Końcówka ,99 podnosi sprzedaż o 7% (log 0.07), gdy zmienia cyfrę dziesiątek w cenach do 30 zł (19.99 vs 20.00), o 5% przy wyższych dziesiątkach (69.99 vs 70.00) i tylko o 1%, gdy dziesiątka się nie zmienia (24.99 vs 25.00). Dodatkowo co czwarty klient szuka zabawek filtrem „poniżej 50 zł”, więc produkt za 50.00 zł znika z jego listy. Końcówkę ,99 częściej dostawały promocje, tańsze kategorie i bestsellery. Parametry i ich zmiany po pierwszym uruchomieniu wymieniamy przy kodzie. Dane pobierzesz jako ceny-psychologiczne-produkty.csv (400 produktów, 12 tygodni) i ceny-psychologiczne-test.csv (test losowy, 1600 tygodni produktów).

Rysunek 1: dane historyczne – regresja z log(ceny) i końcówką ,99

Najprostsza analiza to regresja sprzedaży z 12 tygodni na logarytm ceny i zmienną 0/1 „końcówka ,99”. Logarytm ceny „zjada” różnicę jednego grosza: 49.99 to 0.02% mniej niż 50.00, więc przy elastyczności około −1.9 sprzedaż powinna wzrosnąć o 0.04%. Współczynnik przy końcówce mierzy skok sprzedaży ponad to – nieciągłość krzywej popytu na granicy pełnej złotówki. To ta sama logika co w regresji nieciągłej: Lacetera i in. (2012) znaleźli skokowe spadki cen używanych samochodów przy progach 10 000 mil przebiegu.

ln(E[sprzedaż]) = b0 + b1 · ln(cena) + b2 · końcówka99 + kategoria + promocja

Sprzedaż to liczba sztuk, więc liczymy regresję Poissona z poprawką na nadmierną dyspersję (quasi-Poisson). b1 to elastyczność cenowa, a exp(b2) − 1 – procentowy efekt końcówki.

Wykres punktowy 400 produktów: cena od 10 do 250 zł na osi poziomej (skala log), średnia tygodniowa sprzedaż od 0.1 do 50 sztuk na osi pionowej (skala log). Pomarańczowe trójkąty – końcówka ,99, niebieskie kropki – cena pełna. Obie linie regresji opadają równolegle, pomarańczowa leży wyżej. Podtytuł: bez kontroli +47%, po kontroli kategorii i promocji +30%
Rysunek 1. Średnia tygodniowa sprzedaż 400 produktów w zależności od ceny (obie osie w skali logarytmicznej) dla cen z końcówką ,99 i cen pełnych. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(724)).

Co widać. Produkty z końcówką ,99 sprzedają się lepiej przy każdej cenie. Bez kontroli innych zmiennych efekt wynosi +46.9%, 95% CI [31.2, 64.3]. Po dodaniu kategorii – +42.6% [27.4, 59.6], a po dodaniu promocji – +29.9% [16.7, 44.6], p < .001. Elastyczność w ostatnim modelu: −1.86.

Jak może zmylić. Dodanie promocji zmniejszyło efekt mniej więcej o jedną trzecią, bo końcówkę ,99 ma 33% produktów w promocji wobec 14% wśród cen pełnych. To zmienna zakłócająca. Kategorię i promocję widzimy w danych, ale nie widzimy „siły” produktu: bestsellerom i nowościom ktoś kiedyś dał końcówkę ,99. Prawdziwy efekt w tych danych to kilka procent, a nie 30%.

Podpis do pracy:

Rysunek 1. Średnia tygodniowa sprzedaż produktów (sztuki) w zależności od ceny dla cen z końcówką ,99 i cen pełnych. Uwaga. Obie osie w skali logarytmicznej; linie – regresja liniowa log(sprzedaży) na log(ceny) w każdej grupie; N = 400 produktów, 12 tygodni. Dane fikcyjne.

Zdanie do Wyników:

W regresji quasi-Poissona sprzedaży z 12 tygodni na logarytm ceny, kategorię produktu i udział w promocji produkty z ceną zakończoną na ,99 sprzedawały się o 29.9% lepiej, 95% CI [16.7, 44.6], p < .001; elastyczność cenowa wyniosła −1.86. Ponieważ końcówkę ceny ustalano niezależnie od badania, wyniku nie interpretowano przyczynowo.

Rysunek 2: test losowy – ten sam produkt raz po 49.99, raz po 50.00

Zakłócenie usuwa losowanie. Sklep wybrał 200 produktów o cenach bliskich parom cen z czterech grup (najdalej o 2 zł) i przez 8 tygodni co tydzień losował dla każdego cenę z końcówką ,99 albo pełną: każdy produkt dostał 4 tygodnie jednej i 4 tygodnie drugiej ceny w losowej kolejności. To schemat naprzemienny: produkt jest porównywany sam ze sobą.

Grupy: A – zmiana dziesiątki w cenach do 30 zł (19.99 vs 20.00, 29.99 vs 30.00; 50 produktów), B – zmiana dziesiątki od 40 do 100 zł (np. 69.99 vs 70.00, 99.99 vs 100.00; 50), C – 49.99 vs 50.00, granica filtra „poniżej 50 zł” (40), D – bez zmiany dziesiątki (np. 24.99 vs 25.00, 74.99 vs 75.00; 60).

Grafika: siatka 24 produktów (po 6 z grup A, B, C, D) na 8 tygodni testu. Każda komórka to cena w danym tygodniu: pomarańczowe tło – końcówka ,99 (np. 19.99, 69.99, 49.99, 74.99), niebieskie – cena pełna (20.00, 70.00, 50.00, 75.00). W każdym wierszu są 4 komórki pomarańczowe i 4 niebieskie w losowej kolejności
Rysunek 2. Schemat testu: losowa kolejność tygodni z ceną ,99 i ceną pełną dla 24 z 200 produktów. Grafika: R, pakiet ggplot2 (set.seed(7241)).

Model ma efekty stałe produktu (αi – każdy produkt ma swój poziom sprzedaży) i tygodnia (γt – ferie, pogoda, kampanie). Jest to model z danych panelowych w wersji dla zliczeń:

ln(E[sprzedażit]) = αi + γt + δ · końcówka99it

Tygodnie tego samego produktu nie są niezależne, dlatego podajemy błędy standardowe odporne na klastrowanie po produkcie.

Co widać. Każdy wiersz to jeden produkt; o cenie w danym tygodniu nie decyduje ani menedżer, ani sezon.

Jak może zmylić. Klient, który widział 49.99 zł, a tydzień później 50.00 zł, może odłożyć zakup albo kupić wcześniej. Przy różnicy jednego grosza to mało prawdopodobne, przy większych – zawyża efekt.

Podpis do pracy:

Rysunek 2. Schemat przydziału cen w teście: dla każdego produktu losowo wybrano 4 z 8 tygodni z ceną zakończoną na ,99; w pozostałych tygodniach obowiązywała cena pełna wyższa o 0.01 zł. Uwaga. Pokazano 24 z 200 produktów; A–D – grupy par cen.

Zdanie do Metody:

W teście terenowym 200 produktów przez 8 tygodni losowo otrzymywało cenę zakończoną na ,99 albo cenę pełną (4 tygodnie każdej w losowej kolejności). Efekt końcówki oszacowano regresją Poissona z efektami stałymi produktu i tygodnia, z błędami standardowymi odpornymi na klastrowanie po produkcie.

Rysunek 3: pięć oszacowań tego samego efektu

Wykres przedziałowy pięciu oszacowań efektu końcówki ,99 z 95% CI i zieloną przerywaną linią prawdziwego efektu +6.8%. Historia bez kontroli: +46.9% [31.2, 64.3]; z kategorią: +42.6% [27.4, 59.6]; z kategorią i promocją: +29.9% [16.7, 44.6] – pomarańczowe trójkąty daleko na prawo od linii. Test z losowaniem produktów (symulacja): −12.9% [−41.3, 29.3] – bardzo szeroki przedział. Test z losowaniem tygodni w produkcie: +7.7% [3.4, 12.3] – wąski przedział obejmujący linię
Rysunek 3. Efekt końcówki ,99 na sprzedaż (95% CI) z danych historycznych (trzy modele) i z testu losowego (dwa schematy); linia przerywana – prawdziwy efekt w produktach testu. Obliczenia: R, pakiety fixest i ggplot2 (set.seed(7241), set.seed(7242)).

Co widać. Test z losowaniem tygodni daje +7.7%, 95% przedział ufności [3.4, 12.3], p < .001. Prawdziwy efekt w tych produktach wynosi +6.8% – przedział go obejmuje. Najlepszy model historyczny (+29.9%) przeszacował efekt ponad czterokrotnie.

Dla porównania zasymulowaliśmy test na tych samych 200 produktach, ale z innym losowaniem: połowa produktów ma ,99 przez całe 8 tygodni, połowa – cenę pełną. Wynik: −12.9%, 95% CI [−41.3, 29.3], p = .493. Różnice między produktami przykrywają kilkuprocentowy efekt. Porównanie produktu z samym sobą zawęża przedział prawie ośmiokrotnie.

Jak może zmylić. +7.7% to średnia z czterech grup, w tym z grupy C, w której działa filtr ceny. Bez niej efekt wynosi +5.9%, 95% CI [1.3, 10.6], p = .011.

Podpis do pracy:

Rysunek 3. Procentowa zmiana sprzedaży przy cenie zakończonej na ,99 w porównaniu z ceną pełną (95% CI) według źródła danych i schematu badania. Uwaga. Dane historyczne: regresja quasi-Poissona, N = 400 produktów; test: regresja Poissona, 200 produktów × 8 tygodni; schemat z losowaniem produktów zasymulowano dla porównania. Linia przerywana – efekt ustawiony w danych fikcyjnych.

Zdanie do Wyników:

W teście losowym cena zakończona na ,99 zwiększała tygodniową sprzedaż produktu o 7.7%, 95% CI [3.4, 12.3], p < .001, w porównaniu z ceną pełną wyższą o 0.01 zł. Szacunek z danych historycznych był znacznie wyższy (29.9%, 95% CI [16.7, 44.6]), co wskazuje na zakłócenie: końcówkę ,99 częściej miały produkty promowane i popularne.

Rysunek 4: efekt zależy od tego, którą cyfrę zmieniasz

Thomas i Morwitz (2005) pokazali w pięciu eksperymentach, że cena z dziewiątką na końcu wydaje się wyraźnie mniejsza od ceny o grosz wyższej tylko wtedy, gdy różnią się skrajne lewe cyfry (2.99 vs 3.00). To efekt lewej cyfry. Na danych skanerowych z 3500 produktów klienci reagowali na podwyżkę o jeden cent od ceny z końcówką 99 tak, jakby była to podwyżka o ponad 20 centów (Strulov-Shlain, 2023). Efekt powinien więc zależeć od tego, czy końcówka zmienia cyfrę dziesiątek – sprawdzamy to osobno w każdej grupie.

Wykres przedziałowy efektu końcówki ,99 w grupach cen; niebieska kropka z 95% CI to test, zielony krzyżyk – prawdziwy efekt. A, zmiana dziesiątki do 30 zł: +8.6% [2.6, 15.0], prawda 7.3%. B, zmiana dziesiątki 40–100 zł: +4.9% [−4.6, 15.3], prawda 5.1%. C, 49.99 vs 50.00 łącznie: +30.5% [16.8, 45.8], prawda 23.7%. C, tylko wejścia bez filtra: +8.8% [−5.0, 24.5], prawda 5.1%. D, bez zmiany dziesiątki: +1.2% [−6.3, 9.3], prawda 1.0%
Rysunek 4. Efekt końcówki ,99 (95% CI) w czterech grupach par cen oraz w grupie C osobno dla wejść spoza filtra ceny; krzyżyk – efekt ustawiony w danych. Obliczenia: R, pakiety fixest i ggplot2 (set.seed(7241)).

Co widać. Przy 19.99 vs 20.00 (A) sprzedaż rośnie o 8.6%, 95% CI [2.6, 15.0], p = .005. Gdy dziesiątka się nie zmienia (D, np. 24.99 vs 25.00) – o 1.2% [−6.3, 9.3], p = .765. Największy skok jest przy 49.99 vs 50.00 (C): +30.5% [16.8, 45.8], p < .001. Ale to nie psychologia: sprzedaż z listy z filtrem „poniżej 50 zł” rośnie przy 49.99 o 181.1% [117.4, 263.4], bo przy 50.00 produktu na tej liście nie ma. Klienci spoza filtra reagują jak w innych grupach: +8.8% [−5.0, 24.5].

Jak może zmylić. Różnica między A i D wygląda na dużą, ale test interakcji jej nie potwierdza: różnica logarytmów 0.075, SE = 0.051, z = 1.47, p = .141. Każda grupa to tylko 40–60 produktów: różnica istnieje (ustawiliśmy ją), ale test ma na nią za mało danych. Manning i Sprott (2009) też opisują, że efekt końcówek zależy od poziomu ceny i celu zakupów.

Podpis do pracy:

Rysunek 4. Procentowa zmiana sprzedaży przy cenie zakończonej na ,99 (95% CI) w grupach par cen: zmiana cyfry dziesiątek do 30 zł (A), od 40 do 100 zł (B), 49.99 vs 50.00 (C) i bez zmiany cyfry dziesiątek (D). Uwaga. Regresja Poissona z efektami stałymi produktu i tygodnia w każdej grupie; w grupie C dodatkowo sprzedaż spoza listy z filtrem ceny.

Zdanie do Wyników:

Efekt końcówki ,99 był wyraźny, gdy zmieniała ona cyfrę dziesiątek w cenach do 30 zł (8.6%, 95% CI [2.6, 15.0], p = .005), i bliski zera, gdy cyfra dziesiątek się nie zmieniała (1.2%, 95% CI [−6.3, 9.3], p = .765); różnica między tymi grupami nie była istotna statystycznie (z = 1.47, p = .141). Przy cenie 49.99 zł w porównaniu z 50.00 zł sprzedaż wzrosła o 30.5%, 95% CI [16.8, 45.8], głównie z powodu widoczności produktu w filtrze „poniżej 50 zł”.

Rysunek 5: moc testu przy małym efekcie

Ile produktów potrzeba, żeby wykryć efekt kilku procent? Symulujemy test 1000 razy dla każdej kombinacji: 50–800 produktów, prawdziwy efekt +3%, +5% albo +8%, test 8 albo 16 tygodni, mediana sprzedaży 6 sztuk tygodniowo. Moc testu to odsetek symulacji z p < .05. Błąd Monte Carlo nie przekracza 1.6 punktu procentowego.

Wykres liniowy mocy testu w zależności od liczby produktów (50–800, skala log) dla efektu +3% (pomarańczowe trójkąty), +5% (niebieskie kropki) i +8% (zielone kwadraty); linie ciągłe – 8 tygodni, przerywane – 16 tygodni. Przy 8 tygodniach i efekcie +5%: 24.0% przy 50 produktach, 53.6% przy 200, 83.1% przy 400. Efekt +3%: 69.1% przy 800. Efekt +8%: 88.4% przy 200. Przy 16 tygodniach i +5%: 81.2% przy 200. Kropkowana linia – 80%
Rysunek 5. Moc testu efektu końcówki ,99 według liczby produktów, wielkości efektu i długości testu; 1000 symulacji na punkt. Obliczenia: R, pakiet ggplot2 (set.seed(7243)).

Co widać. Przy efekcie +5% i 8 tygodniach 200 produktów daje moc 53.6% – rzut monetą. Moc 80% wymaga około 400 produktów (83.1%) albo 200 produktów przez 16 tygodni (81.2%). Efekt +3% przy 800 produktach i 8 tygodniach wykrywamy w 69.1% testów.

Jak może zmylić. Moc zależy od sprzedaży produktów: przy 1–2 sztukach tygodniowo potrzeba więcej produktów. O planowaniu liczebności symulacją pisaliśmy przy planie testu A/B.

Podpis do pracy:

Rysunek 5. Moc testu efektu ceny zakończonej na ,99 według liczby produktów, prawdziwej wielkości efektu (3%, 5%, 8%) i długości testu (8 lub 16 tygodni). Uwaga. 1000 symulacji na punkt; α = .05; mediana sprzedaży produktu 6 sztuk tygodniowo; linia kropkowana – moc 80%.

Zdanie do Metody:

Liczebność testu zaplanowano symulacyjnie (1000 powtórzeń): przy efekcie 5% i 8 tygodniach testu moc 80% osiągano przy około 400 produktach, a przy 200 produktach wynosiła 53.6%.

Rysunek 6: 19.99 czy 20.00 – karta

Grafika: cztery karty. 1. Jeden grosz to prawie nic: 49.99 zamiast 50.00 to cena niższa o 0.02%, przy elastyczności −1.86 sprzedaż powinna wzrosnąć o 0.04%. 2. Historia sprzedaży, zawyżone: +29.9% [16.7, 44.6] po kontroli kategorii i promocji; końcówkę ,99 mają częściej bestsellery. 3. Test losowy: 200 produktów × 8 tygodni, +7.7% [3.4, 12.3], prawdziwy efekt +6.8%. 4. Liczy się cyfra, która się zmienia: 19.99 vs 20.00 +8.6%, 24.99 vs 25.00 +1.2%, 49.99 vs 50.00 +30.5% – głównie filtr „poniżej 50 zł”
Rysunek 6. Cztery kroki oceny efektu końcówki ,99 na liczbach z przykładu. Grafika: R, pakiet ggplot2.

Co widać. Karta 1 ustawia poprzeczkę: wszystko powyżej 0.04% to efekt końcówki, nie grosza.

Jak może zmylić. Liczby dotyczą jednego fikcyjnego sklepu i ośmiu tygodni.

Podpis do pracy:

Rysunek 6. Kroki oceny efektu ceny zakończonej na ,99: oczekiwany efekt różnicy jednego grosza, szacunek z danych historycznych, wynik testu losowego i zależność efektu od zmienianej cyfry. Uwaga. Dane fikcyjne.

Co z tym zrobić w marketingu

  • Nie decyduj z historii sprzedaży. Historia dała +29.9%, test – +7.7%.
  • Testuj w schemacie „produkt sam ze sobą”. Losowanie tygodni w produkcie dało przedział [3.4, 12.3], losowanie produktów – [−41.3, 29.3].
  • Zmieniaj końcówki tam, gdzie zmienia się lewa cyfra. 19.99 zamiast 20.00 ma sens; 24.99 zamiast 25.00 – prawie żadnego (+1.2%).
  • Sprawdź progi filtrów. Przy 50.00 zł produkt znika z listy „poniżej 50 zł”. To decyzja o widoczności, nie o psychologii. Podobny mechanizm progu opisujemy przy progu darmowej dostawy.
  • Policz rachunek, nie tylko sprzedaż. Grosz mniej na sztuce przy wzroście sprzedaży o kilka procent zwykle się opłaca; przy przecenach procentowych końcówki komplikują zaokrąglenia (zob. przecena końca sezonu). Strulov-Shlain (2023) szacuje, że sieci handlowe, wyceniając tak, jakby efekt lewej cyfry był mniejszy niż w rzeczywistości, tracą 1–4% potencjalnego zysku brutto.

Jak opisać w pracy

Opisz przydział cen, model, błędy standardowe i moc; wyniki podaj jako procentową zmianę sprzedaży z przedziałem ufności. Ogólne wskazówki znajdziesz we wpisie statystyka w pracy z marketingu, a o teście z kilkoma poziomami ceny – w losowym teście ceny.

Metoda. Efekt ceny zakończonej na ,99 oszacowano w dwóch krokach. Najpierw w danych historycznych (400 produktów, 12 tygodni) wykonano regresję quasi-Poissona sprzedaży na logarytm ceny, zmienną zero-jedynkową końcówki ,99, kategorię produktu i udział w promocji. Następnie przeprowadzono test terenowy: 200 produktów przez 8 tygodni losowo otrzymywało cenę z końcówką ,99 albo cenę pełną wyższą o 0.01 zł (4 tygodnie każdej). Efekt oszacowano regresją Poissona z efektami stałymi produktu i tygodnia, z błędami standardowymi odpornymi na klastrowanie po produkcie, łącznie i w czterech grupach par cen. Moc oszacowano symulacyjnie. Obliczenia wykonano w R 4.5.3 (pakiet fixest).
Efekt końcówki ,99 na sprzedaż w teście losowym według grup par cen
Grupa par cenProduktyZmiana sprzedaży [95% CI]p
A. Zmiana dziesiątki do 30 zł50+8.6% [2.6, 15.0].005
B. Zmiana dziesiątki 40–100 zł50+4.9% [−4.6, 15.3].325
C. 49.99 vs 50.0040+30.5% [16.8, 45.8]< .001
D. Bez zmiany dziesiątki60+1.2% [−6.3, 9.3].765
Łącznie200+7.7% [3.4, 12.3]< .001
Tabela 1. Procentowa zmiana tygodniowej sprzedaży przy cenie zakończonej na ,99 w porównaniu z ceną pełną według grup par cen (200 produktów, 8 tygodni). Uwaga. Regresja Poissona z efektami stałymi produktu i tygodnia; błędy standardowe odporne na klastrowanie po produkcie.
Przykład reprodukowalny

Kod R: dane historyczne, test losowy, grupy cen i moc

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę, motyw i funkcje minus() i proc(), z których korzystają następne. Przepisy 2–6 kończą się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losują przepisy 1 (set.seed(724)), 3 (set.seed(7241) – test i set.seed(7242) – porównawczy schemat z losowaniem produktów) i 5 (set.seed(7243)); ziaren nie zmieniano. Ręcznie ustalono: liczbę produktów w kategoriach (100, 80, 90, 80, 50), typowe ceny (70, 55, 45, 30 i 150 zł), elastyczność −1.8, efekt promocji (log 0.35), efekty końcówki ,99 (log 0.07, 0.05 i 0.01), udział filtra „poniżej 50 zł” (25%) i spadek wejść z filtra przy cenie 50–55 zł (do 40%), szansę końcówki ,99 zależną od kategorii, promocji i popularności, grupy testu (50, 50, 40 i 60 produktów), rozrzut sprzedaży (ujemny rozkład dwumianowy, parametr kształtu 8 w danych historycznych i 20 w teście) oraz parametry symulacji mocy. Po pierwszym uruchomieniu zmieniono: wpływ popularności na szansę końcówki ,99 z 2 na 0.8, efekt promocji z log 0.22 na log 0.35 i różnice popytu między kategoriami z (0, 0.1, −0.1, −0.2, 0.6) na (0, 0, 0.15, 0.25, 0.3) – przy pierwotnych wartościach model historyczny dawał +58%, a kontrola kategorii i promocji prawie nic nie zmieniała; oraz liczbę produktów w teście ze 160 na 200 i parametr kształtu w teście z 8 na 20 – przy pierwotnych wartościach test dawał +3.6%, 95% CI [−1.8, 9.2], przy prawdziwym efekcie 7.2%. Przepisy 1 i 3 zapisują dane do plików CSV w katalogu roboczym. Kod liczy się ok. 25 sekund.

1. Dane

Dane wejściowe: 400 produktów, 12 tygodni sprzedaży

Co odczytać: Nic – dane losuje kod. Na początku paleta Okabe–Ito kol, motyw motyw i funkcje minus() (znak − w etykietach) oraz proc() (współczynnik log → zmiana w %).:liczbę produktów z końcówką ,99, łączną sprzedaż i w każdej kategorii odsetek końcówek ,99, odsetek produktów w promocji i średnią cenę.

R
# Przepis 1. Fikcyjny sklep internetowy z zabawkami edukacyjnymi: 400 produktów, 12 tygodni sprzedaży przed testem
library(ggplot2)
options(width = 120)                                 # szerokie wydruki tabel

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw rysunków
kol <- c("Końcówka ,99" = "#D55E00", "Cena pełna" = "#0072B2", "Szary" = "grey45")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-", "−", x)          # znak minus (−) w etykietach rysunków
proc <- function(b) 100 * (exp(b) - 1)               # współczynnik na skali log → zmiana sprzedaży w %

# Parametry ustalone ręcznie
kategorie <- c("Klocki konstrukcyjne", "Zestawy eksperymentów", "Gry logiczne", "Puzzle i układanki",
               "Roboty do programowania")
n_kat <- c(100, 80, 90, 80, 50)                      # liczba produktów w kategoriach
cena_mediana <- c(70, 55, 45, 30, 150)               # typowa cena w kategorii (zł)
popyt_kat <- c(0, 0, 0.15, 0.25, 0.3)               # różnice popytu między kategoriami (skala log)
szansa99_kat <- c(0, 0.2, 0.4, 0.8, -0.6)            # skłonność kategorii do końcówki ,99 (skala logitu)
elastycznosc <- -1.8                                 # prawdziwa elastyczność cenowa
efekt_promocji <- 0.35                               # produkt w „strefie okazji”: sprzedaż × 1.42
efekt_99 <- function(W) ifelse(W %% 10 == 0, ifelse(W <= 30, 0.07, 0.05), 0.01)   # prawdziwy efekt ,99 (log)
udzial_filtra <- 0.25                                # część popytu z filtra „poniżej 50 zł”
spadek_filtra <- 0.4                                 # przy cenie 50–55 zł z filtra trafia 40% tych klientów

set.seed(724)
kat <- rep(seq_along(kategorie), n_kat)
n <- length(kat)
popularnosc <- rnorm(n, 0, 0.5)                      # nieobserwowana „siła” produktu (bestseller, nowość)
promocja <- rbinom(n, 1, 0.25)
baza <- exp(rnorm(n, log(cena_mediana[kat]), 0.35))
los <- runif(n)
W <- ifelse(los < 0.4, pmax(10, round(baza / 10) * 10),          # cena „okrągła” w dziesiątkach
            ifelse(los < 0.7, pmax(10, round(baza / 5) * 5), pmax(9, round(baza))))
W <- ifelse(W >= 100 & W %% 5 != 0, round(W / 5) * 5, W)
# Kto dostaje końcówkę ,99: częściej produkty w promocji, tańsze kategorie i bestsellery (zakłócenie!)
k99 <- rbinom(n, 1, plogis(-0.4 + szansa99_kat[kat] + 1.2 * promocja + 0.8 * popularnosc))
cena <- ifelse(k99 == 1, W - 0.01, W)

# Średnia sprzedaż tygodniowa bez efektu filtra i mnożnik filtra „poniżej 50 zł” (ceny 50–55 zł są poza filtrem)
popyt_bazowy <- function(cena, W, k99, kat, popularnosc, promocja)
  exp(log(4) + popyt_kat[kat] + popularnosc + elastycznosc * log(cena / 50) + efekt_promocji * promocja +
        efekt_99(W) * k99)
mnoznik_filtra <- function(cena, W) ifelse(W >= 50 & W <= 55 & cena >= 50, spadek_filtra, 1)
lambda <- popyt_bazowy(cena, W, k99, kat, popularnosc, promocja) *
  (1 - udzial_filtra * (1 - mnoznik_filtra(cena, W)))
tydzien <- rnorm(12, 0, 0.08)                         # wahania tygodniowe
sprzedaz <- sapply(1:12, function(t) rnbinom(n, size = 8, mu = lambda * exp(tydzien[t])))

produkty <- data.frame(produkt = sprintf("P%03d", 1:n), kategoria = factor(kategorie[kat], levels = kategorie),
                       cena, cena_pelna_zl = W, koncowka99 = k99, promocja, sprzedaz_12tyg = rowSums(sprzedaz))
write.csv(produkty, "ceny-psychologiczne-produkty.csv", row.names = FALSE, fileEncoding = "UTF-8")

c(produkty = n, z_koncowka_99 = sum(k99), sztuk_12tyg = sum(produkty$sprzedaz_12tyg))
aggregate(cbind(koncowka99, promocja, cena) ~ kategoria, data = produkty, FUN = function(x) round(mean(x), 2))
Wynik w R
     produkty z_koncowka_99   sztuk_12tyg 
          400           200         41501 
                kategoria koncowka99 promocja   cena
1    Klocki konstrukcyjne       0.46     0.24  76.43
2   Zestawy eksperymentów       0.42     0.20  54.96
3            Gry logiczne       0.57     0.24  48.04
4      Puzzle i układanki       0.61     0.28  30.38
5 Roboty do programowania       0.40     0.22 148.28

2. Dane historyczne

Dane wejściowe: regresja z log(ceny) i końcówką ,99 – Rysunek 1

Co odczytać: produkty, kol, motyw i proc() z przepisu 1.:odsetek produktów w promocji i średnią sprzedaż w obu grupach, elastyczność i efekt końcówki (%) z 95% CI w trzech modelach (p = 0 oznacza p < .001) oraz oczekiwany efekt samego grosza (%).

R
# Przepis 2. Dane historyczne: regresja sprzedaży na log(ceny) i końcówkę ,99: Rysunek 1
# Korzysta z produkty, kol, motyw i proc() z przepisu 1.
produkty$koncowka <- factor(ifelse(produkty$koncowka99 == 1, "Końcówka ,99", "Cena pełna"),
                            levels = c("Końcówka ,99", "Cena pełna"))
# Kto ma końcówkę ,99? Odsetek w promocji i średnia sprzedaż w obu grupach
aggregate(cbind(promocja, sprzedaz_12tyg, cena) ~ koncowka, data = produkty, FUN = function(x) round(mean(x), 2))

# Regresja Poissona z nadmierną dyspersją (quasi-Poisson): współczynnik przy log(ceny) to elastyczność,
# a przy końcówce ,99 – skok sprzedaży ponad to, co wynika z 1 grosza różnicy w cenie
m0 <- glm(sprzedaz_12tyg ~ log(cena) + koncowka99, family = quasipoisson, data = produkty)
m1 <- update(m0, . ~ . + kategoria)
m2 <- update(m1, . ~ . + promocja)
obs <- do.call(rbind, lapply(list("bez kontroli" = m0, "+ kategoria" = m1, "+ kategoria i promocja" = m2),
  function(m) { b <- coef(summary(m))["koncowka99", ]; e <- coef(m)["log(cena)"]
    c(elastycznosc = unname(e), efekt99_proc = proc(b[["Estimate"]]),
      ci_dol = proc(b[["Estimate"]] - 1.96 * b[["Std. Error"]]), ci_gora = proc(b[["Estimate"]] + 1.96 * b[["Std. Error"]]),
      p = b[["Pr(>|t|)"]]) }))
round(obs, 3)
# Ile powinien dać sam 1 grosz? Elastyczność × zmiana log(ceny) przy 49.99 zamiast 50.00
round(100 * (exp(coef(m2)["log(cena)"] * log(49.99 / 50)) - 1), 3)

p1 <- ggplot(produkty, aes(cena, sprzedaz_12tyg / 12, colour = koncowka, shape = koncowka)) +
  geom_point(alpha = 0.55, size = 1.8) +
  geom_smooth(method = "lm", formula = y ~ x, se = FALSE, linewidth = 1.1) +
  scale_x_log10(breaks = c(10, 20, 30, 50, 100, 200, 300)) +
  scale_y_log10(breaks = c(0.1, 0.3, 1, 3, 10, 30)) +
  scale_colour_manual(values = kol, name = NULL) + scale_shape_manual(values = c(17, 16), name = NULL) +
  labs(title = "Produkty z końcówką ,99 sprzedają się lepiej przy każdej cenie",
       subtitle = minus(sprintf("400 produktów, średnia tygodniowa sprzedaż; bez kontroli: +%.0f%%, po kontroli kategorii i promocji: +%.0f%%",
                                obs[1, "efekt99_proc"], obs[3, "efekt99_proc"])),
       x = "Cena (zł, skala log)", y = "Sztuk tygodniowo (skala log)") + motyw
p1   # zapis: ggsave("ceny-psychologiczne-dane-historyczne.svg", p1, width = 10, height = 5.6)
Wynik w R
      koncowka promocja sprzedaz_12tyg  cena
1 Końcówka ,99     0.33         132.79 60.88
2   Cena pełna     0.14          74.71 70.16
                       elastycznosc efekt99_proc ci_dol ci_gora p
bez kontroli                 -1.937       46.859 31.246  64.329 0
+ kategoria                  -1.837       42.616 27.441  59.598 0
+ kategoria i promocja       -1.857       29.927 16.720  44.628 0
log(cena) 
    0.037 

3. Test losowy, schemat i porównanie oszacowań – Rysunki 2 i 3

Dane wejściowe: obiekty z przepisów 1–2.

Co odczytać: największe przesunięcie ceny przy wejściu do testu (zł), liczbę produktów, obserwacji i sprzedanych sztuk, prawdziwy efekt (%) oraz efekt (%) z 95% CI i p w obu schematach testu.

R
# Przepis 3. Test losowy: 200 produktów, 8 tygodni, co tydzień losowo cena ,99 albo pełna: Rysunki 2 i 3
# Korzysta z obiektów przepisów 1–2 (produkty, W, kat, popularnosc, promocja, popyt_bazowy(), mnoznik_filtra(), obs).
library(fixest)

# Pary cen w teście (ręcznie): A – zmiana dziesiątki do 30 zł, B – zmiana dziesiątki od 40 zł,
# C – 49.99 vs 50.00 (granica filtra „poniżej 50 zł”), D – bez zmiany cyfry dziesiątek (np. 24.99 vs 25.00)
pary <- list(A = c(20, 30), B = c(40, 60, 70, 80, 90, 100), C = 50, D = c(15, 25, 35, 45, 55, 65, 75))
liczba <- c(A = 50, B = 50, C = 40, D = 60)
wybrane <- integer(); grupa <- character(); para <- numeric()
for (g in c("C", "A", "B", "D")) {                   # do każdej grupy produkty o cenie najbliższej parom grupy
  odl <- sapply(W, function(w) min(abs(w - pary[[g]]))); odl[wybrane] <- Inf
  idx <- order(odl)[1:liczba[g]]
  wybrane <- c(wybrane, idx); grupa <- c(grupa, rep(g, liczba[g]))
  para <- c(para, sapply(W[idx], function(w) pary[[g]][which.min(abs(w - pary[[g]]))]))
}
tapply(abs(W[wybrane] - para), grupa, max)           # najdalsze przesunięcie ceny przy wejściu do testu (zł)

set.seed(7241)
n_t <- length(wybrane); tyg <- 8
przydzial <- t(replicate(n_t, sample(rep(0:1, each = tyg / 2))))   # każdy produkt: 4 tygodnie ,99 i 4 pełnej
efekt_tyg <- rnorm(tyg, 0, 0.08)
test <- data.frame(produkt = rep(produkty$produkt[wybrane], each = tyg), grupa = rep(grupa, each = tyg),
                   cena_pelna_zl = rep(para, each = tyg), tydzien = rep(1:tyg, n_t),
                   koncowka99 = as.vector(t(przydzial)))
i <- rep(wybrane, each = tyg)
test$cena <- test$cena_pelna_zl - 0.01 * test$koncowka99
mu <- popyt_bazowy(test$cena, test$cena_pelna_zl, test$koncowka99, kat[i], popularnosc[i], promocja[i]) *
  exp(efekt_tyg[test$tydzien])
test$sprzedaz_filtr <- rnbinom(nrow(test), size = 20, mu = mu * udzial_filtra * mnoznik_filtra(test$cena, test$cena_pelna_zl))
test$sprzedaz_inne <- rnbinom(nrow(test), size = 20, mu = mu * (1 - udzial_filtra))
test$sprzedaz <- test$sprzedaz_filtr + test$sprzedaz_inne
write.csv(test, "ceny-psychologiczne-test.csv", row.names = FALSE, fileEncoding = "UTF-8")
c(produkty = n_t, obserwacje = nrow(test), sztuk = sum(test$sprzedaz))

# Prawdziwy łączny efekt w teście (znamy go, bo dane są fikcyjne): log ilorazu oczekiwanej sprzedaży
mu99 <- popyt_bazowy(para - 0.01, para, 1, kat[wybrane], popularnosc[wybrane], promocja[wybrane]) *
  (1 - udzial_filtra * (1 - mnoznik_filtra(para - 0.01, para)))
mu00 <- popyt_bazowy(para, para, 0, kat[wybrane], popularnosc[wybrane], promocja[wybrane]) *
  (1 - udzial_filtra * (1 - mnoznik_filtra(para, para)))
prawda <- proc(log(sum(mu99) / sum(mu00))); round(prawda, 2)

# Analiza: regresja Poissona z efektami stałymi produktu i tygodnia, błędy odporne na klastrowanie po produkcie
t_fe <- fepois(sprzedaz ~ koncowka99 | produkt + tydzien, data = test, cluster = ~produkt)
wiersz <- function(m) { b <- coef(m)[["koncowka99"]]; s <- se(m)[["koncowka99"]]
  c(efekt99_proc = proc(b), ci_dol = proc(b - 1.96 * s), ci_gora = proc(b + 1.96 * s), p = pvalue(m)[["koncowka99"]]) }

# Dla porównania: ten sam sklep, ale losujemy produkty (połowa ma ,99 przez całe 8 tygodni) – symulacja
set.seed(7242)
rownolegly <- test[, c("produkt", "grupa", "cena_pelna_zl", "tydzien")]
rownolegly$koncowka99 <- rep(sample(rep(0:1, n_t / 2)), each = tyg)
rownolegly$cena <- rownolegly$cena_pelna_zl - 0.01 * rownolegly$koncowka99
mu_r <- popyt_bazowy(rownolegly$cena, rownolegly$cena_pelna_zl, rownolegly$koncowka99, kat[i], popularnosc[i],
                     promocja[i]) * exp(efekt_tyg[rownolegly$tydzien]) *
  (1 - udzial_filtra * (1 - mnoznik_filtra(rownolegly$cena, rownolegly$cena_pelna_zl)))
rownolegly$sprzedaz <- rnbinom(nrow(rownolegly), size = 20, mu = mu_r)
t_prod <- fepois(sprzedaz ~ koncowka99 | tydzien, data = rownolegly, cluster = ~produkt)

wyniki_testu <- rbind("test: losowanie produktów (symulacja)" = wiersz(t_prod),
                      "test: losowanie tygodni w produkcie" = wiersz(t_fe))
round(wyniki_testu, 4)

# Rysunek 2. Schemat losowania: pierwsze 24 produkty, 8 tygodni
sch <- subset(test, produkt %in% unique(test$produkt)[c(1:6, 41:46, 91:96, 141:146)])
sch$produkt <- factor(sch$produkt, levels = rev(unique(sch$produkt)))
sch$cena_txt <- sprintf("%.2f", sch$cena)
sch$koncowka <- factor(ifelse(sch$koncowka99 == 1, "Końcówka ,99", "Cena pełna"), levels = c("Końcówka ,99", "Cena pełna"))
p2 <- ggplot(sch, aes(tydzien, produkt, fill = koncowka)) +
  geom_tile(colour = "white", linewidth = 1) +
  geom_text(aes(label = cena_txt, colour = koncowka), size = 3.1, show.legend = FALSE) +
  facet_grid(grupa ~ ., scales = "free_y", space = "free_y",
             labeller = labeller(grupa = c(A = "A", B = "B", C = "C", D = "D"))) +
  scale_fill_manual(values = c("Końcówka ,99" = "#F6C9A9", "Cena pełna" = "#BFD9EC"), name = NULL) +
  scale_colour_manual(values = c("Końcówka ,99" = "#7A2E00", "Cena pełna" = "#003A5E")) +
  scale_x_continuous(breaks = 1:8, expand = c(0, 0)) +
  labs(title = "Ten sam produkt raz po 49.99, raz po 50.00 – kolejność tygodni losowa",
       subtitle = "24 z 200 produktów; każdy ma 4 tygodnie z końcówką ,99 i 4 z ceną pełną",
       x = "Tydzień testu", y = NULL) + motyw + theme(panel.grid.major = element_blank())
p2   # zapis: ggsave("ceny-psychologiczne-schemat-testu.svg", p2, width = 10, height = 7)

# Rysunek 3. Pięć oszacowań tego samego efektu
oszac <- data.frame(model = c(paste("historia:", rownames(obs)), rownames(wyniki_testu)),
                    rbind(obs[, c("efekt99_proc", "ci_dol", "ci_gora")], wyniki_testu[, 1:3]),
                    zrodlo = rep(c("Dane historyczne", "Test losowy"), c(3, 2)))
oszac$y <- 5:1
p3 <- ggplot(oszac, aes(efekt99_proc, y, colour = zrodlo, shape = zrodlo)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_vline(xintercept = prawda, linetype = "dashed", colour = "#009E73", linewidth = 0.9) +
  annotate("text", x = prawda + 1, y = 0.55, label = minus(sprintf("prawdziwy efekt w teście: +%.1f%%", prawda)),
           hjust = 0, size = 3.8, colour = "#00704F") +
  geom_errorbar(aes(xmin = ci_dol, xmax = ci_gora), width = 0.25, linewidth = 0.9, orientation = "y") +
  geom_point(size = 3.2) +
  geom_text(aes(x = ci_gora, label = minus(sprintf("%+.1f%% [%.1f, %.1f]", efekt99_proc, ci_dol, ci_gora))),
            hjust = -0.08, size = 3.6, show.legend = FALSE) +
  scale_colour_manual(values = c("Dane historyczne" = "#D55E00", "Test losowy" = "#0072B2"), name = NULL) +
  scale_shape_manual(values = c(17, 16), name = NULL) +
  scale_x_continuous(labels = function(x) minus(paste0(x, "%"))) +
  scale_y_continuous(breaks = 5:1, labels = oszac$model) + coord_cartesian(xlim = c(-42, 95), ylim = c(0.45, 5.4)) +
  labs(title = "Ile dodaje końcówka ,99? Historia sprzedaży zawyża efekt",
       x = "Zmiana sprzedaży przy końcówce ,99 (95% CI)", y = NULL) + motyw
p3   # zapis: ggsave("ceny-psychologiczne-oszacowania.svg", p3, width = 10, height = 5.6)
Wynik w R
A B C D 
0 0 2 0 
  produkty obserwacje      sztuk 
       200       1600      17221 
[1] 6.82
                                      efekt99_proc   ci_dol ci_gora      p
test: losowanie produktów (symulacja)     -12.9203 -41.3399 29.2682 0.4925
test: losowanie tygodni w produkcie         7.7477   3.3826 12.2972 0.0004

4. Grupy cen i filtr „poniżej 50 zł” – Rysunek 4

Dane wejściowe: test, wiersz() i parametry z przepisów 1–3.

Co odczytać: efekt (%) z 95% CI, p i prawdziwy efekt w grupach (C2 – grupa C bez wejść z filtra), efekt w sprzedaży z filtra w grupie C, efekt łączny bez grupy C i porównanie grup A i D.

R
# Przepis 4. Efekt zależy od progu: grupy cen i filtr „poniżej 50 zł”: Rysunek 4
# Korzysta z test, wiersz(), proc(), efekt_99(), udzial_filtra, spadek_filtra i motyw z przepisów 1–3.
opisy <- c(A = "A. zmiana dziesiątki,\ndo 30 zł (19.99 vs 20.00)", B = "B. zmiana dziesiątki,\n40–100 zł (69.99 vs 70.00)",
           C = "C. 49.99 vs 50.00\n(granica filtra), łącznie", C2 = "C. 49.99 vs 50.00,\ntylko wejścia bez filtra",
           D = "D. bez zmiany dziesiątki\n(24.99 vs 25.00)")
grupy <- lapply(c("A", "B", "C", "D"), function(g)
  wiersz(fepois(sprzedaz ~ koncowka99 | produkt + tydzien, data = subset(test, grupa == g), cluster = ~produkt)))
kanaly <- lapply(c("sprzedaz_inne", "sprzedaz_filtr"), function(y)
  wiersz(fepois(as.formula(paste(y, "~ koncowka99 | produkt + tydzien")), data = subset(test, grupa == "C"),
                cluster = ~produkt)))
zakresy <- data.frame(grupa = c("A", "B", "C", "C2", "D"), do.call(rbind, c(grupy[1:3], kanaly[1], grupy[4])))
# Prawdziwe efekty (znane z ustawień): w C łącznie dochodzi utrata klientów z filtra przy 50.00
zakresy$prawda <- proc(c(efekt_99(20), efekt_99(40),
                         efekt_99(50) + log(1 / (1 - udzial_filtra * (1 - spadek_filtra))), efekt_99(50), efekt_99(25)))
print(cbind(zakresy[1], round(zakresy[-1], 4)), row.names = FALSE)
round(kanaly[[2]], 4)                                 # w C: sprzedaż z listy z filtrem ceny (,99 vs 50.00)

# Łączny efekt bez grupy C (bez granicy filtra)
round(wiersz(fepois(sprzedaz ~ koncowka99 | produkt + tydzien, data = subset(test, grupa != "C"), cluster = ~produkt)), 4)

# Czy efekt przy zmianie dziesiątki do 30 zł (A) różni się od efektu bez zmiany dziesiątki (D)? Interakcja
t_int <- fepois(sprzedaz ~ koncowka99:grupa | produkt + tydzien, data = test, cluster = ~produkt)
b <- coef(t_int); V <- vcov(t_int)
roznica_AD <- b[["koncowka99:grupaA"]] - b[["koncowka99:grupaD"]]
se_AD <- sqrt(V["koncowka99:grupaA", "koncowka99:grupaA"] + V["koncowka99:grupaD", "koncowka99:grupaD"] -
               2 * V["koncowka99:grupaA", "koncowka99:grupaD"])
round(c(roznica_log = roznica_AD, se = se_AD, z = roznica_AD / se_AD, p = 2 * pnorm(-abs(roznica_AD / se_AD))), 4)

zakresy$etykieta <- factor(opisy[zakresy$grupa], levels = rev(opisy))
p4 <- ggplot(zakresy, aes(efekt99_proc, etykieta)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_errorbar(aes(xmin = ci_dol, xmax = ci_gora), width = 0.25, linewidth = 0.9, colour = "#0072B2",
                orientation = "y") +
  geom_point(size = 3.2, colour = "#0072B2") +
  geom_point(aes(x = prawda), shape = 4, size = 3.4, stroke = 1.3, colour = "#009E73") +
  geom_text(aes(x = ci_gora, label = minus(sprintf("%+.1f%% [%.1f, %.1f]", efekt99_proc, ci_dol, ci_gora))),
            hjust = -0.08, size = 3.6, colour = "grey15") +
  coord_cartesian(xlim = c(-8, 70)) +
  scale_x_continuous(labels = function(x) minus(paste0(x, "%"))) +
  labs(title = "Efekt końcówki ,99 zależy od tego, którą cyfrę zmienia",
       subtitle = "Kropka i odcinek – test (95% CI); krzyżyk – prawdziwy efekt ustawiony w danych",
       x = "Zmiana sprzedaży przy końcówce ,99", y = NULL) + motyw
p4   # zapis: ggsave("ceny-psychologiczne-zakresy-cen.svg", p4, width = 10, height = 6)
Wynik w R
 grupa efekt99_proc  ci_dol ci_gora      p  prawda
     A       8.6090  2.5773 14.9953 0.0046  7.2508
     B       4.8626 -4.6006 15.2645 0.3251  5.1271
     C      30.4610 16.7666 45.7616 0.0000 23.6790
    C2       8.7525 -4.9814 24.4714 0.2232  5.1271
     D       1.1860 -6.3313  9.3065 0.7647  1.0050
efekt99_proc       ci_dol      ci_gora            p 
    181.0689     117.3967     263.3897       0.0000 
efekt99_proc       ci_dol      ci_gora            p 
      5.8519       1.2940      10.6149       0.0113 
roznica_log          se           z           p 
     0.0747      0.0508      1.4713      0.1412 

5. Moc testu – Rysunek 5

Dane wejściowe: test z przepisu 3 i motyw z przepisu 1.

Co odczytać: sprawdzenie, że prosty wzór daje to samo co fepois(), oraz moc (%) i błąd Monte Carlo (pp) dla każdej kombinacji liczby produktów, efektu i tygodni.

R
# Przepis 5. Moc testu przy małym efekcie: ile produktów i tygodni potrzeba? Rysunek 5
# Korzysta z test i fixest (przepis 3) oraz motyw z przepisu 1.
# Przy losowaniu 4 + 4 tygodni w każdym produkcie regresja Poissona z efektem stałym produktu ma prosty wzór:
# efekt = log(suma sprzedaży w tygodniach ,99 / suma w tygodniach z ceną pełną), a błąd odporny na klastrowanie
# po produkcie liczy się z reszt produktów. Dzięki temu symulacja liczy się w kilka sekund.
efekt_ilorazowy <- function(y99, y00) {               # y99, y00: sprzedaż produktów w tygodniach ,99 i pełnej
  S99 <- sum(y99); S00 <- sum(y00); n <- length(y99)
  u <- y99 - (S99 / S00) * y00
  c(b = log(S99 / S00), se = sqrt(sum(u^2) * n / (n - 1)) / S99)
}
# Sprawdzenie na danych testu z przepisu 3: wzór = fepois z efektem stałym produktu
s99 <- tapply(test$sprzedaz * test$koncowka99, test$produkt, sum)
s00 <- tapply(test$sprzedaz * (1 - test$koncowka99), test$produkt, sum)
m_prod <- fepois(sprzedaz ~ koncowka99 | produkt, data = test, cluster = ~produkt, ssc = ssc(adj = FALSE))
round(rbind(wzor = efekt_ilorazowy(s99, s00), fepois = c(coef(m_prod), se(m_prod))), 5)

symuluj_test <- function(n_prod, efekt, tyg = 8) {
  lam <- rlnorm(n_prod, log(6), 0.9)                 # średnia sprzedaż produktu: mediana 6 sztuk tygodniowo
  kolej <- order(rep(1:n_prod, each = tyg), runif(n_prod * tyg))   # w każdym produkcie losowa kolejność tygodni
  k99 <- integer(n_prod * tyg); k99[kolej] <- rep(rep(0:1, each = tyg / 2), n_prod)
  k99 <- matrix(k99, n_prod, tyg, byrow = TRUE)      # 4 (lub 8) tygodni z ,99 w każdym produkcie
  mu <- lam * matrix(exp(rnorm(tyg, 0, 0.08)), n_prod, tyg, byrow = TRUE) * exp(log(1 + efekt) * k99)
  y <- matrix(rnbinom(n_prod * tyg, size = 20, mu = mu), n_prod, tyg)
  w <- efekt_ilorazowy(rowSums(y * k99), rowSums(y * (1 - k99)))
  abs(w[["b"]] / w[["se"]]) > qnorm(0.975)
}
set.seed(7243)
siatka <- expand.grid(n_prod = c(50, 100, 200, 400, 800), efekt = c(0.03, 0.05, 0.08), tyg = c(8, 16))
powt <- 1000
siatka$moc <- sapply(seq_len(nrow(siatka)), function(j)
  mean(replicate(powt, symuluj_test(siatka$n_prod[j], siatka$efekt[j], siatka$tyg[j]))))
siatka$blad_mc <- sqrt(siatka$moc * (1 - siatka$moc) / powt)        # błąd Monte Carlo odsetka
print(transform(siatka, moc = round(100 * moc, 1), blad_mc = round(100 * blad_mc, 1)), row.names = FALSE)

siatka$Efekt <- factor(sprintf("+%d%%", round(100 * siatka$efekt)), levels = c("+3%", "+5%", "+8%"))
siatka$Tygodnie <- factor(paste(siatka$tyg, "tygodni"), levels = c("8 tygodni", "16 tygodni"))
p5 <- ggplot(siatka, aes(n_prod, moc, colour = Efekt, shape = Efekt, linetype = Tygodnie)) +
  geom_hline(yintercept = 0.8, linetype = "dotted", colour = "grey30") +
  geom_line(linewidth = 1) + geom_point(size = 2.6) +
  scale_x_log10(breaks = c(50, 100, 200, 400, 800)) +
  scale_y_continuous(labels = function(x) paste0(100 * x, "%"), limits = c(0, 1)) +
  scale_colour_manual(values = c("+3%" = "#D55E00", "+5%" = "#0072B2", "+8%" = "#009E73")) +
  scale_shape_manual(values = c(17, 16, 15)) +
  labs(title = "Mały efekt ceny wymaga wielu produktów albo dłuższego testu",
       subtitle = sprintf("Moc testu (α = .05): %d symulacji na punkt; mediana sprzedaży produktu 6 sztuk tygodniowo", powt),
       x = "Liczba produktów w teście (skala log)", y = "Moc", colour = "Prawdziwy efekt ,99", shape = "Prawdziwy efekt ,99",
       linetype = NULL) + motyw + theme(legend.box = "vertical")
p5   # zapis: ggsave("ceny-psychologiczne-moc.svg", p5, width = 10, height = 6)
Wynik w R
             b     se
wzor   0.08216 0.0235
fepois 0.08216 0.0235
 n_prod efekt tyg   moc blad_mc
     50  0.03   8  13.1     1.1
    100  0.03   8  14.9     1.1
    200  0.03   8  24.5     1.4
    400  0.03   8  39.9     1.5
    800  0.03   8  69.1     1.5
     50  0.05   8  24.0     1.4
    100  0.05   8  33.0     1.5
    200  0.05   8  53.6     1.6
    400  0.05   8  83.1     1.2
    800  0.05   8  97.3     0.5
     50  0.08   8  41.8     1.6
    100  0.08   8  63.4     1.5
    200  0.08   8  88.4     1.0
    400  0.08   8  99.5     0.2
    800  0.08   8 100.0     0.0
     50  0.03  16  17.2     1.2
    100  0.03  16  26.3     1.4
    200  0.03  16  41.0     1.6
    400  0.03  16  67.6     1.5
    800  0.03  16  92.7     0.8
     50  0.05  16  35.0     1.5
    100  0.05  16  54.8     1.6
    200  0.05  16  81.2     1.2
    400  0.05  16  98.2     0.4
    800  0.05  16 100.0     0.0
     50  0.08  16  66.1     1.5
    100  0.08  16  88.9     1.0
    200  0.08  16  99.4     0.2
    400  0.08  16 100.0     0.0
    800  0.08  16 100.0     0.0

6. Grafika

Dane wejściowe: karta „19.99 vs 20.00” – Rysunek 6

Co odczytać: obs, m2, wyniki_testu, prawda i zakresy z przepisów 2–4.:nic – przepis rysuje grafikę.

R
# Przepis 6. Grafika: karta „19.99 vs 20.00” z liczbami z przykładu: Rysunek 6
# Korzysta z obs i m2 (przepis 2), wyniki_testu i prawda (przepis 3) oraz zakresy (przepis 4).
f1 <- function(x) sprintf("%.1f", x)
grosz <- proc(coef(m2)[["log(cena)"]] * log(49.99 / 50))
tst <- wyniki_testu["test: losowanie tygodni w produkcie", ]
zk <- setNames(split(zakresy, zakresy$grupa), zakresy$grupa)
karty <- data.frame(
  x = c(0, 1, 0, 1), y = c(1, 1, 0, 0),
  naglowek = c("1. Jeden grosz to prawie nic", "2. Historia sprzedaży: zawyżone",
               "3. Test losowy: tydzień po tygodniu", "4. Liczy się cyfra, która się zmienia"),
  tresc = minus(c(
    sprintf("49.99 zamiast 50.00 = cena niższa o 0.02%%\nprzy elastyczności %.2f sprzedaż\npowinna wzrosnąć o %.2f%%\nwszystko ponad to – efekt końcówki",
            coef(m2)[["log(cena)"]], grosz),
    sprintf("400 produktów, regresja z log(ceny):\n+%s%% [%s, %s] po kontroli kategorii\ni promocji; końcówkę ,99 mają\nczęściej bestsellery – zakłócenie",
            f1(obs[3, "efekt99_proc"]), f1(obs[3, "ci_dol"]), f1(obs[3, "ci_gora"])),
    sprintf("200 produktów × 8 tygodni, losowo\n,99 albo cena pełna: +%s%% [%s, %s]\nprawdziwy efekt w danych: +%s%%\nefekty stałe produktu i tygodnia",
            f1(tst[["efekt99_proc"]]), f1(tst[["ci_dol"]]), f1(tst[["ci_gora"]]), f1(prawda)),
    sprintf("19.99 vs 20.00: +%s%%\n24.99 vs 25.00: +%s%% (ta sama dziesiątka)\n49.99 vs 50.00: +%s%% – głównie filtr\n„poniżej 50 zł”, nie psychologia",
            f1(zk$A$efekt99_proc), f1(zk$D$efekt99_proc), f1(zk$C$efekt99_proc)))))
p6 <- ggplot(karty) +
  geom_rect(aes(xmin = x - 0.47, xmax = x + 0.47, ymin = y - 0.44, ymax = y + 0.44),
            fill = c("#F2F7FB", "#FDF1E9", "#F2F7FB", "#F2F7FB"), colour = c("#0072B2", "#D55E00", "#0072B2", "#0072B2"),
            linewidth = 0.8) +
  geom_text(aes(x = x - 0.43, y = y + 0.32, label = naglowek), hjust = 0, vjust = 1, fontface = "bold",
            size = 4.6, colour = "#0f1d3a") +
  geom_text(aes(x = x - 0.43, y = y + 0.12, label = tresc), hjust = 0, vjust = 1, size = 4.2,
            lineheight = 1.05, colour = "grey15") +
  coord_cartesian(xlim = c(-0.5, 1.5), ylim = c(-0.48, 1.48), expand = FALSE) +
  labs(title = "19.99 czy 20.00? Cztery kroki odpowiedzi (sklep z zabawkami edukacyjnymi)", x = NULL, y = NULL) +
  motyw + theme(axis.text = element_blank(), panel.grid.major = element_blank())
p6   # zapis: ggsave("ceny-psychologiczne-karta.svg", p6, width = 10, height = 6)

7. Kontrola palety przy zaburzeniach widzenia barw

Dane wejściowe: nic – pakiet colorspace.

Co odczytać: odległość barw ΔE w przestrzeni CIELAB dla par kolorów z rysunków; wartości powyżej ok. 20 oznaczają barwy łatwe do odróżnienia.

R
# Przepis 7. Kontrola palety: symulacja zaburzeń widzenia barw
library(colorspace)
pary <- list("końcówka ,99 – cena pełna" = c("#D55E00", "#0072B2"),
             "efekt +3% – +5%" = c("#D55E00", "#0072B2"), "efekt +5% – +8%" = c("#0072B2", "#009E73"),
             "efekt +3% – +8%" = c("#D55E00", "#009E73"),
             "tło ,99 – tło pełnej" = c("#F6C9A9", "#BFD9EC"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
col2hex <- function(k) rgb(t(col2rgb(k)), maxColorValue = 255)
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(col2hex(k)), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(col2hex(k))),
                                   protanopia = roznica(protan(col2hex(k)))))), 1)
Wynik w R
                                 widzenie_typowe deuteranopia protanopia
końcówka ,99 – cena pełna                  114.6        108.3       91.9
efekt +3% – +5%                            114.6        108.3       91.9
efekt +5% – +8%                             70.1         55.4       58.0
efekt +3% – +8%                            102.4         53.5       37.3
tło ,99 – tło pełnej                        37.8         37.2       31.4
czerwony – zielony (do unikania)           121.7         21.1       31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych i regresja quasi-Poissona (glm) – pakiet stats. Regresję Poissona z efektami stałymi i błędami odpornymi na klastrowanie policzono pakietem fixest. Rysunki wykonano w pakiecie ggplot2 i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. fixest (wersja 0.14.2): Bergé, L. (2018). Efficient estimation of maximum likelihood models with multiple fixed-effects: The R package FENmlm (CREA Discussion Paper No. 2018-13). University of Luxembourg. https://CRAN.R-project.org/package=fixest
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • Zakłócenie w danych historycznych. Kontrola widocznych zmiennych zmniejszyła efekt z +46.9% do +29.9%, ale nie do prawdziwych kilku procent.
  • Jedna liczba na wszystkie ceny. Efekt zależy od tego, czy zmienia się lewa cyfra (Thomas i Morwitz, 2005), i od poziomu ceny (Manning i Sprott, 2009). Średnia +7.7% miesza +1.2% (24.99 vs 25.00) z +30.5% (49.99 vs 50.00).
  • Filtr i sortowanie zamiast psychologii. Przy granicy filtra „poniżej 50 zł” większość skoku to widoczność produktu. Sprzedaż z filtra wzrosła o 181.1%, poza filtrem – o 8.8%. Rozdziel sprzedaż według źródła wejścia.
  • Wizerunek, nie tylko poziom ceny. Końcówki mogą działać także przez to, co klient z nich wnioskuje, np. „to promocja” (Stiving i Winer, 1997). Długofalowy efekt może być inny niż w 8-tygodniowym teście.
  • Przesuwanie zakupów między produktami. Zmiana końcówek dwóch podobnych produktów przesuwa udziały wyborów między nimi (Manning i Sprott, 2009). Sklep jako całość zyskuje wtedy mniej, niż pokazuje test produktu.
  • Za mały test. Przy efekcie +5% 200 produktów przez 8 tygodni daje moc 53.6%. Brak istotności w takim teście nie znaczy, że końcówki nie działają.

Kontrolowany eksperyment u wysyłkowego sprzedawcy odzieży też wykazał, że końcówka 99 zwiększa zakupy (Schindler i Kibarian, 1996).

Najczęstsze pytania

Czy cena 19.99 sprzedaje więcej niż 20.00?

Często tak, ale mniej, niż pokazują dane historyczne. W fikcyjnym teście sklepu z zabawkami cena 19.99 zamiast 20.00 zwiększała sprzedaż o 8.6%, 95% CI [2.6, 15.0], a cena 24.99 zamiast 25.00 – tylko o 1.2%. Efekt zależy od tego, czy końcówka zmienia lewą cyfrę ceny (Thomas i Morwitz, 2005).

Co to jest efekt lewej cyfry?

To skłonność do oceniania liczby głównie po pierwszej cyfrze: 4.99 wydaje się znacznie mniejsze niż 5.00. Na danych skanerowych klienci reagowali na podwyżkę o jeden cent od ceny z końcówką 99 tak, jakby była to podwyżka o ponad 20 centów (Strulov-Shlain, 2023).

Dlaczego nie wystarczy regresja na danych sprzedażowych?

Bo końcówkę ,99 rzadko przydziela się losowo: dostają ją produkty w promocji, tańsze kategorie i bestsellery. W przykładzie regresja z log(ceny), kategorią i promocją dała +29.9%, a prawdziwy efekt wynosił kilka procent. Zakłócenie usuwa dopiero test losowy.

Jak zaplanować test ceny 49.99 vs 50.00?

Losuj tygodnie z każdą ceną w obrębie produktu (np. 4 + 4 tygodnie w losowej kolejności) i licz regresję Poissona z efektami stałymi produktu i tygodnia oraz błędami odpornymi na klastrowanie po produkcie. W przykładzie dało to przedział [3.4, 12.3]; losowanie całych produktów na tej samej liczbie produktów dało [−41.3, 29.3].

Ilu produktów potrzeba, żeby wykryć efekt końcówki ,99?

Przy efekcie +5%, 8 tygodniach testu i medianie sprzedaży 6 sztuk tygodniowo moc 80% osiągano przy około 400 produktach (83.1%); przy 200 produktach moc wynosiła 53.6%, a przy 16 tygodniach – 81.2%. Liczebność policz symulacją dla swojej sprzedaży.

Powiązane hasła

Przeczytaj też

Analizujesz ceny albo test cenowy do pracy?

Pomożemy zaplanować test ceny, policzyć model z efektami stałymi i moc oraz opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Lacetera, N., Pope, D. G., & Sydnor, J. R. (2012). Heuristic thinking and limited attention in the car market. American Economic Review, 102(5), 2206–2236. https://doi.org/10.1257/aer.102.5.2206 ● Otwarty dostęp: pełny tekst
  2. Manning, K. C., & Sprott, D. E. (2009). Price endings, left-digit effects, and choice. Journal of Consumer Research, 36(2), 328–335. https://doi.org/10.1086/597215
  3. Schindler, R. M., & Kibarian, T. M. (1996). Increased consumer sales response though use of 99-ending prices. Journal of Retailing, 72(2), 187–199. https://doi.org/10.1016/s0022-4359(96)90013-5 ● Otwarty dostęp
  4. Stiving, M., & Winer, R. S. (1997). An empirical analysis of price endings with scanner data. Journal of Consumer Research, 24(1), 57–67. https://doi.org/10.1086/209493
  5. Strulov-Shlain, A. (2023). More than a penny’s worth: Left-digit bias and firm pricing. Review of Economic Studies, 90(5), 2612–2645. https://doi.org/10.1093/restud/rdac082 ● Otwarty dostęp: pełny tekst
  6. Thomas, M., & Morwitz, V. (2005). Penny wise and pound foolish: The left-digit effect in price cognition. Journal of Consumer Research, 32(1), 54–64. https://doi.org/10.1086/429600

Cytowania BibTeX

@article{lacetera2012heuristic, author={Lacetera, Nicola and Pope, Devin G. and Sydnor, Justin R.}, title={{Heuristic thinking and limited attention in the car market}}, journal={American Economic Review}, year={2012}, volume={102}, number={5}, pages={2206--2236}, doi={10.1257/aer.102.5.2206}}
@article{manning2009price, author={Manning, Kenneth C. and Sprott, David E.}, title={{Price endings, left-digit effects, and choice}}, journal={Journal of Consumer Research}, year={2009}, volume={36}, number={2}, pages={328--335}, doi={10.1086/597215}}
@article{schindler1996increased, author={Schindler, Robert M. and Kibarian, Thomas M.}, title={{Increased consumer sales response though use of 99-ending prices}}, journal={Journal of Retailing}, year={1996}, volume={72}, number={2}, pages={187--199}, doi={10.1016/s0022-4359(96)90013-5}}
@article{stiving1997empirical, author={Stiving, Mark and Winer, Russell S.}, title={{An empirical analysis of price endings with scanner data}}, journal={Journal of Consumer Research}, year={1997}, volume={24}, number={1}, pages={57--67}, doi={10.1086/209493}}
@article{strulovshlain2023more, author={Strulov-Shlain, Avner}, title={{More than a penny’s worth: Left-digit bias and firm pricing}}, journal={Review of Economic Studies}, year={2023}, volume={90}, number={5}, pages={2612--2645}, doi={10.1093/restud/rdac082}}
@article{thomas2005penny, author={Thomas, Manoj and Morwitz, Vicki}, title={{Penny wise and pound foolish: The left-digit effect in price cognition}}, journal={Journal of Consumer Research}, year={2005}, volume={32}, number={1}, pages={54--64}, doi={10.1086/429600}}
R