Statystyka · Marketing

Elastyczność cenowa z danych sprzedażowych – regresja log–log i pułapki

Fikcyjna sieć 10 sklepów, granola i pytanie „obniżyć cenę czy podnieść?”. Krok po kroku: jak czytać elastyczność, krzywa popytu na skali log, regresja log–log z przedziałem ufności, przychód i marża w funkcji ceny oraz pułapka ceny ustalanej pod popyt – pięć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Elastyczność cenowa
W skrócie: Elastyczność cenowa mówi, o ile procent zmienia się sprzedaż, gdy cena rośnie o 1%; z danych sprzedażowych to współczynnik przy ln(ceny) w regresji ln(sprzedaży). W przykładzie sieci 10 sklepów wyniosła −2.15, 95% CI [−2.32, −1.97], ale tylko po uwzględnieniu sklepów, promocji, konkurenta i sezonu – bez nich wychodziło −0.61 albo −2.75. Gdy cenę obniża się przy słabym popycie, ta sama regresja daje średnio −1.09 zamiast −2.2, dlatego najlepszym źródłem danych jest losowy test cenowy, a decyzję podejmuje się po marży, nie po przychodzie.

Przykład: granola w sieci 10 sklepów

Sieć 10 sklepów spożywczych sprzedaje granolę własnej marki w paczce 400 g. Cena regularna to około 15 zł. Dyrektor handlowy pyta: czy obniżka do 12 zł się opłaci, a może lepiej podnieść cenę? Odpowiedź zależy od jednej liczby – elastyczności cenowej popytu.

Mamy 104 tygodnie sprzedaży z każdego sklepu, czyli 1040 wierszy: cenę, liczbę sprzedanych paczek, tydzień promocji z gazetką i ekspozycją oraz cenę konkurencyjnej granoli. Przez dwa lata sieć prowadziła prosty test cenowy: co 4 tygodnie każdy sklep losował cenę od 10% niższej do 10% wyższej od swojej ceny regularnej. Dlaczego to ważne, pokaże rysunek 5.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Prawdziwa elastyczność to −2.2, promocja z gazetką podnosi sprzedaż ponad sam efekt ceny (współczynnik 0.25), a elastyczność względem ceny konkurenta to 0.6. Te wartości oraz wielkość sklepów, sezon (szczyt w styczniu) i rozrzut losowy ustawiliśmy ręcznie, tak by przypominały typowy produkt z półki. Duże sklepy w centrach mają przy tym nieco wyższą cenę regularną. Ziarno 618 ustalono raz i nie zmieniano go. Dane pobierzesz jako elastycznosc-granola-sprzedaz-tygodniowa.csv.

Elastyczność liczymy regresją liniową na logarytmach. Ogólną interpretację modelu log–log na danych ekonomicznych opisuje wpis statystyka w pracy z zarządzania i ekonomii. Tu idziemy od danych sklepu do decyzji cenowej i jej pułapek.

Rysunek 1: jak czytać elastyczność

Elastyczność cenowa (e) mówi, o ile procent zmienia się sprzedaż, gdy cena rośnie o 1%. Prawie zawsze jest ujemna: drożej – mniej sztuk. Ważne jest, czy jej wartość bezwzględna jest mniejsza, czy większa od 1.

Dwie karty z małą krzywą popytu na wspólnej skali. Lewa, niebieska: e = −0.5, krzywa prawie płaska; cena +10% daje sprzedaż −4.7% i przychód +4.9%, cena −10% daje sprzedaż +5.4% i przychód −5.1%; podwyżka zwiększa przychód. Prawa, pomarańczowa: e = −2, krzywa stroma; cena +10% daje sprzedaż −17.4% i przychód −9.1%, cena −10% daje sprzedaż +23.5% i przychód +11.1%; obniżka zwiększa przychód, ale nie musi zwiększyć zysku
Rysunek 1. Skutki zmiany ceny o 10% przy elastyczności −0.5 i −2. Obliczenia: R, pakiet ggplot2 (wzór, bez danych).

Co widać. Przy e = −0.5 podwyżka o 10% obniża sprzedaż tylko o 4.7%, więc przychód rośnie o 4.9%. To popyt nieelastyczny. Przy e = −2 ta sama podwyżka zabiera 17.4% sprzedaży i 9.1% przychodu, a obniżka o 10% daje 23.5% więcej paczek. To popyt elastyczny. Liczby nie są symetryczne, bo elastyczność opisuje zmiany procentowe, a te się mnożą: sprzedaż po zmianie ceny to (1 + zmiana ceny)e razy dawna sprzedaż.

Jak może zmylić. Elastyczność dotyczy przychodu, nie zysku. Przy e = −2 obniżka podnosi przychód, ale każda paczka zarabia mniej, a koszt rośnie z liczbą sprzedanych sztuk. W metaanalizie 1851 elastyczności z 81 badań średnia wyniosła −2.62 (Bijmolt i in., 2005), więc popyt na pojedynczą markę jest zwykle elastyczny. Starsza metaanaliza pokazała, że wynik mocno zależy od sposobu liczenia: pominięcie zmiennych takich jak dystrybucja czy jakość, same dane przekrojowe i agregacja w czasie obciążają oszacowania (Tellis, 1988).

Podpis do pracy:

Rysunek 1. Procentowa zmiana sprzedaży i przychodu po zmianie ceny o 10% przy elastyczności cenowej −0.5 i −2. Uwaga. Krzywe popytu Q = 100 × (cena / 10)^e narysowano na wspólnej skali.

Rysunek 2: krzywa popytu na skali zwykłej i log

Zacznijmy od jednego sklepu (Sklep A), żeby różnice między sklepami nie mieszały obrazu. Ceny wahały się tam od 9.69 do 14.79 zł, a sprzedaż od 20 do 92 paczek tygodniowo.

Dwa panele z tymi samymi 104 tygodniami Sklepu A przy cenach od 9.69 do 14.79 zł i sprzedaży od 20 do 92 paczek. Szare kółka to tygodnie bez promocji, pomarańczowe trójkąty – 10 tygodni promocji z gazetką przy najniższych cenach. Panel A, skala zwykła: ciemna krzywa popytu opada i wygina się. Panel B, obie osie logarytmiczne: ta sama krzywa jest prostą o nachyleniu −2.16; większość trójkątów leży nad nią
Rysunek 2. Tygodniowa sprzedaż granoli w Sklepie A a cena: skala zwykła (A) i logarytmiczna na obu osiach (B); linia – regresja ln(sprzedaży) na ln(ceny) i promocji, dla tygodni bez promocji. Obliczenia: R, pakiety ggplot2 i patchwork (dane fikcyjne, set.seed(618)).

Co widać. Na skali zwykłej krzywa popytu wygina się: obniżka o złotówkę przy niskiej cenie daje więcej paczek niż przy wysokiej. Na skali logarytmicznej ta sama krzywa jest prostą. Jej nachylenie to elastyczność:

ln(sprzedaż) = a + e × ln(cena) + b × promocja

W Sklepie A e = −2.16, 95% CI [−2.73, −1.60]. Logarytm zamienia „o ile procent” na „o ile jednostek”, dlatego współczynnik czytamy wprost jako elastyczność. Zakładamy przy tym, że jest ona stała w całym zakresie cen.

Jak może zmylić. Trójkąty (promocje z gazetką) leżą zwykle nad linią: w promocji klienci reagują nie tylko na cenę, ale też na gazetkę i lepsze miejsce na półce. Gdyby zostawić tylko cenę, ten dodatkowy efekt przypisalibyśmy cenie (zob. rysunek 3). Przedział z jednego sklepu jest też szeroki: od −2.73 do −1.60, czyli od popytu „bardzo” do „umiarkowanie” elastycznego.

Podpis do pracy:

Rysunek 2. Tygodniowa sprzedaż produktu a cena w jednym sklepie (104 tygodnie) na skali liniowej (A) i logarytmicznej (B). Uwaga. Trójkąty – tygodnie promocji z gazetką; linia – przewidywania regresji logarytmu sprzedaży na logarytm ceny i promocję dla tygodni bez promocji.

Rysunek 3: regresja log–log we wszystkich sklepach

Teraz cała sieć. Ten sam model liczymy trzy razy, dodając kolejne zmienne. Ponieważ dane są fikcyjne, każdy wynik możemy porównać z prawdą (−2.2).

Wykres punktowy trzech oszacowań elastyczności z 95% przedziałami i pomarańczową przerywaną linią prawdziwej wartości −2.2. Model 1, sama cena: −0.61 [−0.85, −0.37], daleko w prawo od prawdy. Model 2, z efektami sklepów: −2.75 [−2.89, −2.61], na lewo od prawdy. Model 3, z promocją, ceną konkurenta i sezonem: −2.15 [−2.32, −1.97], przedział obejmuje −2.2
Rysunek 3. Elastyczność cenowa z 95% przedziałami ufności w trzech modelach regresji log–log (1040 tygodni w 10 sklepach). Obliczenia: R, pakiety stats i ggplot2 (dane fikcyjne, set.seed(618)).

Co widać. Sama cena (model 1) daje −0.61 i R² = .024. Duże sklepy sprzedają więcej i mają nieco wyższe ceny, więc różnice między sklepami udają „słabą reakcję na cenę”. Sklep jest tu zmienną zakłócającą. Model 2 dodaje stałe efekty sklepów (osobny wyraz wolny dla każdego, jak w estymatorze efektów stałych) i porównuje tygodnie w obrębie sklepu. Wynik skacze jednak do −2.75, bo obniżki promocyjne zbiegają się z gazetką. Dopiero model 3, z promocją, ceną konkurenta i sezonem (sinus i kosinus tygodnia roku), daje −2.15, 95% CI [−2.32, −1.97], R² = .817. Podwyżka o 10% obniża więc sprzedaż o 18.5%.

Jak może zmylić. Wąski przedział ufności modelu 2 nie chroni przed błędem: precyzyjnie mierzy złą rzecz. Przedział mówi o losowości próby, a nie o pominiętych zmiennych. Model 3 trafia, bo znamy wszystkie zmienne, które ukryliśmy w danych. W prawdziwej sieci tej pewności nie ma.

Elastyczność krzyżowa i efekt promocji

Ten sam model 3 daje dwie dodatkowe liczby. Współczynnik przy logarytmie ceny konkurenta to elastyczność krzyżowa: 0.49, 95% CI [0.34, 0.65]. Dodatni znak oznacza substytuty: gdy konkurent tanieje, nasza sprzedaż spada. Jego promocja z 13.99 do 10.99 zł zabiera nam 11.2% sprzedaży. Promocja z gazetką ma współczynnik 0.245, 95% CI [0.189, 0.300], czyli podnosi sprzedaż o 27.7% ponad efekt samej obniżki.

Podpis do pracy:

Rysunek 3. Oszacowania elastyczności cenowej popytu w trzech specyfikacjach regresji log–log. Uwaga. N = 1040 tygodni sprzedaży w 10 sklepach. Model 1 – tylko logarytm ceny; model 2 – dodatkowo stałe efekty sklepów; model 3 – dodatkowo promocja z gazetką, logarytm ceny konkurenta i sezonowość. Odcinki – 95% przedziały ufności.

Zdanie do Wyników:

Po uwzględnieniu stałych efektów sklepów, promocji, ceny konkurenta i sezonowości elastyczność cenowa popytu wyniosła −2.15, 95% CI [−2.32, −1.97]; wzrost ceny o 10% wiązał się ze spadkiem sprzedaży o 18.5%. Elastyczność krzyżowa względem ceny konkurencyjnego produktu wyniosła 0.49, 95% CI [0.34, 0.65], a promocja z gazetką zwiększała sprzedaż o 27.7% ponad efekt obniżki ceny (R2 = .82).

Rysunek 4: przychód, marża i cena optymalna

Z elastyczności i przewidywanej sprzedaży sieci w typowym tygodniu bez promocji liczymy dwie krzywe: przychód (cena × sprzedaż) i marżę ((cena − koszt) × sprzedaż). Koszt zakupu paczki ustaliliśmy na 8.40 zł. Niepewność daje bootstrap: 1000 razy losujemy 104 tygodnie ze zwracaniem, zawsze z wszystkimi sklepami danego tygodnia, i liczymy model od nowa.

Dwa panele w funkcji ceny regularnej od 10 do 20 zł z szarym tłem zakresu cen z danych, od 12.09 do 17.99 zł. A, przychód sieci: niebieska krzywa z jasnym pasmem spada z ceną; 12 400 zł tygodniowo przy 12 zł i 9597 zł przy 15 zł. B, marża: krzywa rośnie do płaskiego maksimum 4235 zł przy 15.72 zł (pomarańczowa linia przerywana) i dalej łagodnie spada; przy 15 zł marża to 4223 zł, przy 12 zł 3720 zł; pomarańczowe tło przedziału ceny optymalnej sięga od 14.72 do 17.06 zł
Rysunek 4. Przewidywany tygodniowy przychód (A) i marża (B) sieci w funkcji ceny regularnej z 95% pasmami z 1000 prób bootstrapowych tygodni. Obliczenia: R, pakiety stats, ggplot2 i patchwork (dane fikcyjne, set.seed(618)).

Co widać. Przychód spada z ceną, bo |e| > 1. Obniżka z 15 do 12 zł podniosłaby go z 9597 do 12 400 zł tygodniowo, ale marża spadłaby z 4223 do 3720 zł. Marża ma maksimum, a przy stałej elastyczności łatwo je policzyć:

cena optymalna = k × e / (1 + e)

gdzie k to koszt jednostkowy. Przy e = −2.15 to 15.72 zł (prawdziwe parametry dają 15.40 zł). Przedział bootstrapowy elastyczności to [−2.33, −1.97], a ceny optymalnej – [14.72, 17.06] zł.

Jak może zmylić. Szczyt marży jest płaski: przy 15 zł sieć zarabia 4223 zł, przy 15.72 zł – 4235 zł tygodniowo. Różnica 12 zł mieści się głęboko w niepewności, więc „cena optymalna co do grosza” to złudzenie. Wzór działa tylko przy |e| > 1, a im bliżej −1, tym bardziej cena optymalna ucieka w górę. Poza szarym zakresem cen z danych krzywe są ekstrapolacją założenia o stałej elastyczności. Pasma uwzględniają tylko losowość tygodni, a nie błąd modelu. Losowanie całych tygodni chroni przed wspólnymi szokami tygodnia (pogoda, święta). Podobnie działa bootstrap blokowy w szeregach czasowych.

Podpis do pracy:

Rysunek 4. Przewidywany tygodniowy przychód (A) i marża (B) sieci w zależności od ceny regularnej. Uwaga. Przewidywania z modelu log–log dla tygodnia bez promocji przy cenie regularnej konkurenta; koszt jednostkowy 8.40 zł. Pasma – 95% przedziały percentylowe z 1000 prób bootstrapowych (losowanie tygodni); szare tło – zakres cen regularnych w danych; pionowa linia – cena maksymalizująca marżę.

Zdanie do Wyników:

Przy koszcie jednostkowym 8.40 zł cena maksymalizująca marżę wyniosła 15.72 zł (95% przedział bootstrapowy [14.72, 17.06] zł). Obniżka ceny z 15 do 12 zł zwiększyłaby przewidywany tygodniowy przychód sieci z 9597 do 12 400 zł, ale obniżyłaby marżę z 4223 do 3720 zł.

Rysunek 5: pułapka endogeniczności

W naszej sieci ceny losowano. Zwykle jest inaczej: kierownik sklepu obniża cenę, gdy popyt słabnie (remont drogi, upał, nowy konkurent), a podnosi, gdy dopisuje. Analityk tych przyczyn nie widzi. Taka cena jest endogeniczna: zależy od tego samego czynnika, który zmienia sprzedaż. Villas-Boas i Winer (1999) piszą, że cena i promocje są ustalane przez menedżerów, a pominięcie tego może dawać znaczne obciążenie oszacowań.

Symulacja: 1000 sklepów po 104 tygodnie, prawdziwa elastyczność −2.2. W scenariuszu „kierownik” logarytm ceny rośnie o 0.25 × szok popytu (szok o odchyleniu standardowym 0.20) plus losowy szum. W scenariuszu „test” cena ma ten sam rozrzut, ale jest losowana. Parametry ustawiliśmy ręcznie, ziarno 6180 (przykładowy sklep: 6181).

Dwa panele. A: jeden symulowany sklep, 104 tygodnie na osiach logarytmicznych; niebieska prosta z danych ma nachylenie −0.95, a pomarańczowa przerywana prawdziwa krzywa −2.2 jest wyraźnie bardziej stroma. B: histogramy oszacowań elastyczności z 1000 sklepów; pomarańczowy dla ceny ustalanej pod popyt skupia się wokół −1.09, niebieski dla ceny losowanej wokół −2.22, przy czarnej linii prawdy −2.2
Rysunek 5. Przykładowy sklep, w którym cenę obniżano przy słabym popycie (A), i rozkład oszacowań elastyczności w 1000 symulowanych sklepach przy cenie ustalanej pod popyt i losowanej (B). Obliczenia: R, pakiety stats, ggplot2 i patchwork (dane symulowane, set.seed(6180) i set.seed(6181)).

Co widać. Gdy cena podąża za popytem, niskie ceny trafiają na słabe tygodnie. Prosta wychodzi za płaska: średnio −1.09 (SD = 0.27) zamiast −2.2. W 37.2% sklepów oszacowanie było nawet powyżej −1, czyli sugerowało popyt nieelastyczny i… podwyżkę. 95% przedział ufności obejmował prawdę tylko w 2.1% symulacji (błąd Monte Carlo 0.5 pp). Przy cenie losowanej średnia wyniosła −2.22, a pokrycie 95.8% (błąd MC 0.6 pp). Ta sama regresja jest więc nieobciążona albo nie – zależnie od tego, skąd wzięły się zmiany ceny.

Jak może zmylić. Na danych z kasy nie da się tego sprawdzić – chmura wygląda zwyczajnie. Bijmolt i in. (2005) piszą, że uwzględnienie endogeniczności wyraźnie zwiększa wartość bezwzględną elastyczności. Najprostsze rozwiązanie to losowe zmiany ceny, jak w naszej sieci, czyli eksperyment cenowy (test A/B w sklepach). Kohavi i in. (2009) nazywają kontrolowane eksperymenty najlepszym schematem do ustalania związków przyczynowych. Drugie rozwiązanie to zmienna instrumentalna – coś, co przesuwa cenę, ale nie popyt, np. koszt surowca u dostawcy. Metodę pierwotnie stosowano właśnie do szacowania elastyczności podaży i popytu (Angrist i Krueger, 2001); opisuje ją wpis regresja nieciągła i zmienne instrumentalne.

Podpis do pracy:

Rysunek 5. Obciążenie oszacowania elastyczności cenowej, gdy cena reaguje na szoki popytu. Uwaga. Symulacja 1000 sklepów po 104 tygodnie, prawdziwa elastyczność −2.2. Panel A – przykładowy sklep; panel B – rozkład oszacowań przy cenie ustalanej w reakcji na popyt i przy cenie losowanej o tym samym rozrzucie.

Co z tym zrobić w marketingu

  • Nie tnij ceny „dla przychodu”. Przy e ≈ −2 obniżka do 12 zł zwiększa przychód, ale zmniejsza marżę. Decyduj po marży, a nie po obrocie.
  • Nie szukaj ceny co do grosza. Szczyt marży jest płaski, a przedział ceny optymalnej szeroki (od 14.72 do 17.06 zł). Zmieniaj cenę małymi krokami i mierz skutki.
  • Losuj ceny w teście. Kilka poziomów ceny rozlosowanych między sklepy i okresy daje elastyczność bez pułapki z rysunku 5. Zanim zaczniesz, ustal plan analizy.
  • Oddziel cenę od gazetki. Efekt promocji to cena plus ekspozycja. W raporcie podawaj je osobno.
  • Patrz na konkurenta. Jego promocja zabiera 11.2% sprzedaży. Zbieraj jego ceny razem z własnymi.

Elastyczność z danych sprzedażowych to tylko jedno źródło wiedzy o cenie. Przed wprowadzeniem produktu sprawdza się deklaracje klientów (badanie ceny metodą van Westendorpa i Gabora–Grangera) albo wybory między ofertami (conjoint wyborczy). Promocje cenowe razem z reklamą ujmuje marketing mix modeling.

Jak opisać w pracy

W Metodzie opisz źródło zmienności ceny (test czy decyzje kierowników), postać modelu i sposób liczenia niepewności. W Wynikach podaj elastyczność z przedziałem i przełóż ją na procenty.

Metoda. Elastyczność cenową popytu oszacowano na podstawie tygodniowej sprzedaży produktu w 10 sklepach w ciągu 104 tygodni (N = 1040). Cena w każdym sklepie była co 4 tygodnie losowana spośród pięciu poziomów (od −10% do +10% ceny regularnej). Zastosowano regresję liniową logarytmu liczby sprzedanych sztuk na logarytm ceny ze stałymi efektami sklepów, zmienną promocji z gazetką, logarytmem ceny konkurencyjnego produktu oraz sezonowością (sinus i kosinus tygodnia roku). Przedziały ufności dla elastyczności i ceny maksymalizującej marżę wyznaczono metodą bootstrap (1000 prób, losowanie tygodni). Obliczenia wykonano w R 4.5.3.

Gdy masz dane z kas bez testu, napisz to wprost w ograniczeniach: cena mogła reagować na popyt, więc oszacowanie może być obciążone w stronę zera.

Przykład reprodukowalny

Kod R wszystkich rysunków

Kod odtwarza wszystkie liczby z tekstu i pięć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę i motyw, przepis 2 – dane, a przepis 3 – model używany w przepisie 4. Przepisy 1–5 kończą się nazwą wykresu (p1–p5), 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 p1–p5, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Każdy blok, który losuje (przepisy 2, 4 i 5), zaczyna od własnego set.seed(): 618 w przepisach 2 i 4, 6180 i 6181 w przepisie 5. Skopiowany osobno (z przepisami, z których korzysta) da te same liczby co na stronie. Ziarna ustalono raz i nie zmieniano ich. Ręcznie ustalono: prawdziwą elastyczność (−2.2), efekt promocji (0.25), elastyczność krzyżową (0.6), wielkość sklepów i związek ceny regularnej z wielkością, poziomy testu cenowego (0.90–1.10 co 4 tygodnie), 10 tygodni promocji −20% na sklep, ceny konkurenta (13.99 i 10.99 zł w 12 tygodniach), sezon i rozrzuty losowe (przepis 2); koszt 8.40 zł, siatkę cen 10–20 zł i 1000 prób bootstrapowych (przepis 4); szok popytu (SD = 0.20), reakcję ceny (0.25), szumy i 1000 powtórzeń symulacji (przepis 5). Cały kod liczy się w kilka sekund.

1. Jak czytać elastyczność: Rysunek 1

Dane wejściowe: nic – kod liczy skutki zmiany ceny ze wzoru. Na początku paleta Okabe–Ito kol i motyw motyw, używane w dalszych przepisach.

Co odczytać: procentową zmianę sprzedaży i przychodu po podwyżce i obniżce ceny o 10% przy e = −0.5 i −2.

R
# Rysunek 1. Jak czytać elastyczność cenową: popyt mało wrażliwy (−0.5) i bardzo wrażliwy (−2)
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", blekit = "#56B4E9", szary = "#999999", granat = "#0f1d3a")
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))

# Przy stałej elastyczności e sprzedaż przy cenie wyższej o x% to (1 + x)^e razy dawna sprzedaż,
# a przychód (cena × sprzedaż) to (1 + x)^(1 + e) razy dawny przychód
zmiany <- function(e) {
  c(sprzedaz_po_podwyzce_10 = 100 * (1.1^e - 1), przychod_po_podwyzce_10 = 100 * (1.1^(1 + e) - 1),
    sprzedaz_po_obnizce_10 = 100 * (0.9^e - 1), przychod_po_obnizce_10 = 100 * (0.9^(1 + e) - 1))
}
tab <- sapply(c(e_minus_0.5 = -0.5, e_minus_2 = -2), zmiany)
round(tab, 1)

# Grafika: dwie karty, w każdej mała krzywa popytu Q = 100 × (cena / 10)^e na wspólnej skali i trzy wiersze tekstu
karty <- data.frame(x0 = c(0, 1.1), e = c(-0.5, -2), kolor = c(kol[["blekit"]], kol[["pomaranczowy"]]),
                    naglowek = c("e = −0.5: popyt mało wrażliwy", "e = −2: popyt bardzo wrażliwy"))
krzywe <- do.call(rbind, lapply(1:2, function(i) {
  cena <- seq(7, 13, by = 0.05)
  data.frame(karta = i, x = karty$x0[i] + 0.12 + 0.76 * (cena - 7) / 6,
             y = 0.47 + 0.33 * (100 * (cena / 10)^karty$e[i] - 50) / 160)
}))
punkty <- do.call(rbind, lapply(1:2, function(i) {
  cena <- c(10, 11)
  data.frame(karta = i, x = karty$x0[i] + 0.12 + 0.76 * (cena - 7) / 6,
             y = 0.47 + 0.33 * (100 * (cena / 10)^karty$e[i] - 50) / 160, etykieta = c("10 zł", "11 zł"))
}))
fmt <- function(v) sub("-", "−", sprintf("%+.1f%%", v))
karty$tekst <- sprintf("Cena +10%%  →  sprzedaż %s,  przychód %s\nCena −10%%  →  sprzedaż %s,  przychód %s",
                       fmt(tab[1, ]), fmt(tab[2, ]), fmt(tab[3, ]), fmt(tab[4, ]))
karty$wniosek <- c("Podwyżka zwiększa przychód: klienci prawie\nnie reagują (|e| < 1, popyt nieelastyczny).",
                   "Obniżka zwiększa przychód, ale nie musi\nzwiększyć zysku (|e| > 1, popyt elastyczny).")
p1 <- ggplot() +
  geom_rect(data = karty, aes(xmin = x0, xmax = x0 + 1, ymin = 0, ymax = 1), fill = "white", colour = "grey70",
            linewidth = 0.6) +
  geom_rect(data = karty, aes(xmin = x0, xmax = x0 + 1, ymin = 0.88, ymax = 1, fill = kolor), colour = NA) +
  geom_text(data = karty, aes(x = x0 + 0.04, y = 0.94, label = naglowek), hjust = 0, fontface = "bold", size = 5.4,
            colour = "#0f1d3a") +
  geom_segment(data = karty, aes(x = x0 + 0.1, xend = x0 + 0.92, y = 0.45, yend = 0.45), colour = "grey50",
               arrow = arrow(length = unit(0.15, "cm"))) +
  geom_segment(data = karty, aes(x = x0 + 0.1, xend = x0 + 0.1, y = 0.45, yend = 0.84), colour = "grey50",
               arrow = arrow(length = unit(0.15, "cm"))) +
  geom_text(data = karty, aes(x = x0 + 0.92, y = 0.42, label = "cena"), hjust = 1, size = 3.9, colour = "grey30") +
  geom_text(data = karty, aes(x = x0 + 0.12, y = 0.85, label = "sprzedaż"), hjust = 0, size = 3.9, colour = "grey30") +
  geom_path(data = krzywe, aes(x, y, group = karta), colour = "#0f1d3a", linewidth = 1.1) +
  geom_point(data = punkty, aes(x, y), colour = "#0f1d3a", fill = "white", shape = 21, size = 3, stroke = 1.1) +
  geom_text(data = punkty, aes(x, y, label = etykieta), vjust = -1.1, size = 3.8, colour = "#0f1d3a") +
  geom_text(data = karty, aes(x = x0 + 0.04, y = 0.31, label = tekst), hjust = 0, vjust = 1, size = 4.3,
            lineheight = 1.15, colour = "grey15") +
  geom_text(data = karty, aes(x = x0 + 0.04, y = 0.14, label = wniosek), hjust = 0, vjust = 1, size = 4.1,
            lineheight = 1.05, colour = "#0f1d3a", fontface = "italic") +
  scale_fill_identity() +
  coord_cartesian(xlim = c(-0.02, 2.12), ylim = c(-0.02, 1.02), expand = FALSE) +
  labs(title = "Jak czytać elastyczność cenową",
       subtitle = "e = o ile procent zmienia się sprzedaż, gdy cena rośnie o 1%; krzywe na wspólnej skali") +
  motyw + theme(axis.text = element_blank(), axis.title = element_blank(), panel.grid.major = element_blank())
p1   # zapis: ggsave("elastycznosc-jak-czytac-schemat.svg", p1, width = 10, height = 5.6)
Wynik w R
                        e_minus_0.5 e_minus_2
sprzedaz_po_podwyzce_10        -4.7     -17.4
przychod_po_podwyzce_10         4.9      -9.1
sprzedaz_po_obnizce_10          5.4      23.5
przychod_po_obnizce_10         -5.1      11.1

2. Dane sieci i krzywa popytu w jednym sklepie: Rysunek 2

Dane wejściowe: nic – 10 sklepów × 104 tygodnie losuje kod (parametry w obiekcie prawda i komentarzach); plik CSV trafia do katalogu roboczego.

Co odczytać: liczbę wierszy, zakres cen i sprzedaży, korelacje, mediany ceny i sprzedaży w tygodniach z promocją i bez; zakres cen i sprzedaży oraz współczynniki z 95% CI dla Sklepu A.

R
# Rysunek 2. Granola w 10 sklepach fikcyjnej sieci przez 104 tygodnie: krzywa popytu na skali zwykłej i logarytmicznej
# (korzysta z kol i motyw z przepisu 1)
library(ggplot2)
library(patchwork)

# Parametry ustawione ręcznie (znamy je tylko dlatego, że dane są fikcyjne)
prawda <- c(elastycznosc = -2.2, ekspozycja = 0.25, krzyzowa = 0.6)
set.seed(618)                                    # ziarno ustalone raz, bez dobierania pod wynik
S <- 10; Tt <- 104
sklep <- sprintf("Sklep %s", LETTERS[1:S])
wielkosc <- exp(rnorm(S, 0, 0.35))               # ruch w sklepie
# Duże sklepy w centrach mają wyższą cenę regularną (o ok. 6% na 1 SD log wielkości)
cena_reg <- 14.99 * exp(0.06 * as.numeric(scale(log(wielkosc))))
# Test cenowy sieci: co 4 tygodnie każdy sklep losuje mnożnik ceny 0.90–1.10
mnoznik <- matrix(sample(c(0.90, 0.95, 1.00, 1.05, 1.10), S * Tt / 4, replace = TRUE), S, Tt / 4)
# Promocja z gazetką i ekspozycją: 10 losowych tygodni w każdym sklepie, cena −20%
promo <- t(sapply(1:S, function(s) as.integer(1:Tt %in% sample(Tt, 10))))
# Cena konkurencyjnej granoli: 13.99 zł, w 12 losowych tygodniach promocja 10.99 zł (we wszystkich sklepach)
cena_konk_t <- ifelse(1:Tt %in% sample(Tt, 12), 10.99, 13.99)
szok_tyg <- rnorm(Tt, 0, 0.05)                   # wspólny dla sieci szok tygodnia (pogoda, święta)

d <- expand.grid(s = 1:S, t = 1:Tt)
d$sklep <- factor(sklep[d$s], sklep)
d$tydzien <- d$t
d$ekspozycja <- promo[cbind(d$s, d$t)]
d$cena <- round(cena_reg[d$s] * mnoznik[cbind(d$s, ceiling(d$t / 4))] * ifelse(d$ekspozycja == 1, 0.8, 1), 1) - 0.01
d$cena_konk <- cena_konk_t[d$t]
sezon <- 0.12 * cos(2 * pi * (d$t - 3) / 52)     # szczyt w styczniu (postanowienia noworoczne)
mu <- log(70 * wielkosc[d$s]) + sezon + prawda[["elastycznosc"]] * log(d$cena / 14.99) +
  prawda[["ekspozycja"]] * d$ekspozycja + prawda[["krzyzowa"]] * log(d$cena_konk / 13.99) +
  szok_tyg[d$t] + rnorm(nrow(d), 0, 0.12)
d$sztuki <- rpois(nrow(d), exp(mu))
d <- d[order(d$s, d$t), c("sklep", "tydzien", "cena", "ekspozycja", "cena_konk", "sztuki")]
write.csv(d, "elastycznosc-granola-sprzedaz-tygodniowa.csv", row.names = FALSE)

# Opis danych
c(wiersze = nrow(d), min_cena = min(d$cena), max_cena = max(d$cena), min_sztuki = min(d$sztuki),
  max_sztuki = max(d$sztuki), mediana_sztuki = median(d$sztuki))
round(c(korelacja_cena_sztuki = cor(d$cena, d$sztuki), korelacja_log = cor(log(d$cena), log(d$sztuki))), 3)
aggregate(cbind(cena, sztuki) ~ ekspozycja, d, median)

# Rysunek: jeden sklep (A), 104 tygodnie, na skali zwykłej i podwójnie logarytmicznej.
# Linia: regresja ln(sztuki) na ln(cena) z promocją w tym sklepie, narysowana dla tygodni bez promocji
dA <- subset(d, sklep == "Sklep A")
mA <- lm(log(sztuki) ~ log(cena) + ekspozycja, dA)
c(zakres_cen_A = range(dA$cena), zakres_sztuk_A = range(dA$sztuki))
round(cbind(b = coef(mA), confint(mA)), 3)
siatka <- data.frame(cena = seq(min(dA$cena), max(dA$cena), length.out = 100), ekspozycja = 0)
siatka$sztuki <- exp(predict(mA, siatka))
dA$typ <- factor(ifelse(dA$ekspozycja == 1, "Promocja z gazetką (−20%)", "Cena regularna lub test"),
                 c("Cena regularna lub test", "Promocja z gazetką (−20%)"))
warstwy <- list(geom_point(aes(colour = typ, shape = typ), alpha = 0.75, size = 2.4),
                geom_line(data = siatka, aes(cena, sztuki), colour = "#0f1d3a", linewidth = 1),
                scale_colour_manual(values = c(kol[["szary"]], kol[["pomaranczowy"]]), name = NULL),
                scale_shape_manual(values = c(16, 17), name = NULL),
                guides(colour = guide_legend(override.aes = list(alpha = 1, size = 3))))
pa <- ggplot(dA, aes(cena, sztuki)) + warstwy +
  labs(x = "Cena (zł)", y = "Sprzedaż w tygodniu (szt.)", title = "A. Skala zwykła",
       subtitle = "Krzywa popytu wygina się") + motyw
pb <- ggplot(dA, aes(cena, sztuki)) + warstwy +
  scale_x_log10(breaks = c(10, 11, 12, 13, 14, 15, 16, 17, 18)) + scale_y_log10(breaks = c(30, 50, 70, 100, 150, 200)) +
  labs(x = "Cena (zł, skala log)", y = "Sprzedaż (szt., skala log)", title = "B. Skala log–log",
       subtitle = "Ta sama krzywa jest prostą") + motyw
p2 <- pa + pb + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p2   # zapis: ggsave("elastycznosc-krzywa-popytu-skala-log.svg", p2, width = 10, height = 5.4)
Wynik w R
       wiersze       min_cena       max_cena     min_sztuki     max_sztuki 
       1040.00           9.69          17.99          20.00         248.00 
mediana_sztuki 
         62.00 
korelacja_cena_sztuki         korelacja_log 
               -0.249                -0.154 
  ekspozycja  cena sztuki
1          0 15.19     59
2          1 12.04    120
  zakres_cen_A1   zakres_cen_A2 zakres_sztuk_A1 zakres_sztuk_A2 
           9.69           14.79           20.00           92.00 
                 b  2.5 % 97.5 %
(Intercept)  9.119  7.643 10.595
log(cena)   -2.163 -2.730 -1.595
ekspozycja   0.252  0.072  0.433

3. Trzy modele log–log: Rysunek 3

Dane wejściowe: d i prawda z przepisu 2.

Co odczytać: elastyczność (log(cena)), efekt promocji i elastyczność krzyżową z 95% CI w trzech modelach; R²; zmiany procentowe z modelu 3.

R
# Rysunek 3. Elastyczność z regresji log–log w trzech modelach i prawdziwa wartość ukryta w danych
# (korzysta z d, prawda, kol i motyw z przepisów 1–2)
library(ggplot2)

d$sezon_cos <- cos(2 * pi * d$tydzien / 52); d$sezon_sin <- sin(2 * pi * d$tydzien / 52)
m1 <- lm(log(sztuki) ~ log(cena), d)                                   # sama cena
m2 <- lm(log(sztuki) ~ log(cena) + sklep, d)                           # + stałe efekty sklepów
m3 <- lm(log(sztuki) ~ log(cena) + ekspozycja + log(cena_konk) + sklep + sezon_cos + sezon_sin, d)

wsp <- function(m, nazwa) {
  ci <- confint(m)
  w <- intersect(c("log(cena)", "ekspozycja", "log(cena_konk)"), names(coef(m)))
  data.frame(model = nazwa, parametr = w, b = coef(m)[w], dolna = ci[w, 1], gorna = ci[w, 2], row.names = NULL)
}
tab <- rbind(wsp(m1, "1. Sama cena"), wsp(m2, "2. + sklepy"), wsp(m3, "3. + promocja, konkurent, sezon"))
print(transform(tab, b = round(b, 3), dolna = round(dolna, 3), gorna = round(gorna, 3)), row.names = FALSE)
round(c(R2_m1 = summary(m1)$r.squared, R2_m3 = summary(m3)$r.squared, sigma_m3 = sigma(m3)), 3)

# Interpretacja modelu 3 w procentach
b <- coef(m3)
round(c(cena_plus_10_proc = 100 * (1.1^b[["log(cena)"]] - 1),
        ekspozycja_proc = 100 * (exp(b[["ekspozycja"]]) - 1),
        konkurent_promocja_proc = 100 * ((10.99 / 13.99)^b[["log(cena_konk)"]] - 1)), 1)

# Rysunek: elastyczność własna w trzech modelach (95% CI) na tle prawdziwej −2.2
el <- subset(tab, parametr == "log(cena)")
el$model <- factor(el$model, rev(el$model))
p3 <- ggplot(el, aes(b, model)) +
  geom_vline(xintercept = prawda[["elastycznosc"]], colour = kol[["pomaranczowy"]], linetype = "22", linewidth = 0.9) +
  annotate("text", x = prawda[["elastycznosc"]], y = 3.45, label = "prawdziwa elastyczność −2.2", hjust = -0.05,
           colour = kol[["pomaranczowy"]], size = 4.2) +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.18, orientation = "y", colour = kol[["niebieski"]], linewidth = 0.9) +
  geom_point(size = 3.6, colour = kol[["niebieski"]]) +
  geom_text(aes(label = gsub("-", "−", sprintf("%.2f [%.2f, %.2f]", b, dolna, gorna))), vjust = -1.2, size = 4.1, colour = "#0f1d3a") +
  scale_x_continuous(limits = c(-3.0, -0.3), breaks = seq(-3.0, -0.5, 0.5),
                     labels = function(x) sub("-", "−", format(x))) +
  scale_y_discrete(expand = expansion(add = c(0.5, 0.8))) +
  labs(x = "Elastyczność cenowa (współczynnik przy ln ceny) z 95% CI", y = NULL,
       title = "Ta sama regresja log–log, trzy zestawy zmiennych",
       subtitle = "1040 tygodni sprzedaży w 10 sklepach; linia przerywana: wartość ukryta w danych") + motyw
p3   # zapis: ggsave("elastycznosc-trzy-modele-ci.svg", p3, width = 10, height = 4.8)
Wynik w R
                           model       parametr      b  dolna  gorna
                    1. Sama cena      log(cena) -0.613 -0.852 -0.374
                     2. + sklepy      log(cena) -2.749 -2.887 -2.610
 3. + promocja, konkurent, sezon      log(cena) -2.148 -2.325 -1.972
 3. + promocja, konkurent, sezon     ekspozycja  0.245  0.189  0.300
 3. + promocja, konkurent, sezon log(cena_konk)  0.494  0.344  0.645
   R2_m1    R2_m3 sigma_m3 
   0.024    0.817    0.189 
      cena_plus_10_proc         ekspozycja_proc konkurent_promocja_proc 
                  -18.5                    27.7                   -11.2 

4. Przychód, marża i cena optymalna z bootstrapem: Rysunek 4

Dane wejściowe: d i m3 z przepisów 2–3; próby bootstrapowe losuje kod.

Co odczytać: zakres cen bez promocji, elastyczność i cenę optymalną (też prawdziwą), percentylowe 95% przedziały elastyczności i ceny optymalnej, marżę i przychód przy wybranych cenach.

R
# Rysunek 4. Przychód i marża sieci w funkcji ceny regularnej z niepewnością (bootstrap tygodni)
# (korzysta z d, m3, kol i motyw z przepisów 1–3)
library(ggplot2)
library(patchwork)

koszt <- 8.40                                    # koszt zakupu jednej paczki (zł netto), ustalony ręcznie
ceny <- seq(10, 20, by = 0.1)
reg <- subset(d, ekspozycja == 0)
c(zakres_cen_bez_promocji = range(reg$cena))
# Typowy tydzień bez promocji: wszystkie sklepy, konkurent w cenie regularnej, przeciętny sezon (cos = sin = 0)
nowe <- function(cena) data.frame(cena = cena, ekspozycja = 0, cena_konk = 13.99, sezon_cos = 0, sezon_sin = 0,
                                  sklep = levels(d$sklep))
krzywe <- function(m) {
  smear <- mean(exp(residuals(m)))               # poprawka przy powrocie ze skali logarytmu (Duan)
  e <- coef(m)[["log(cena)"]]
  Q <- sum(exp(predict(m, nowe(1)))) * smear * ceny^e   # sprzedaż sieci (szt./tydz.): stała × cena^e
  list(przychod = ceny * Q, marza = (ceny - koszt) * Q, e = e,
       cena_opt = if (e < -1) koszt * e / (1 + e) else NA)               # cena max. marży przy stałej e
}
k0 <- krzywe(m3)
round(c(elastycznosc = k0$e, cena_opt = k0$cena_opt, cena_opt_prawdziwa = koszt * 2.2 / 1.2), 2)

# Bootstrap: losujemy 104 tygodnie ze zwracaniem (z każdym tygodniem wszystkie sklepy), 1000 razy
set.seed(618)
B <- 1000
tyg <- split(seq_len(nrow(d)), d$tydzien)
boot <- replicate(B, {
  db <- d[unlist(tyg[sample(length(tyg), replace = TRUE)]), ]
  k <- krzywe(update(m3, data = db))
  c(e = k$e, cena_opt = k$cena_opt, k$przychod, k$marza)
})
nP <- length(ceny)
round(quantile(boot["e", ], c(0.025, 0.975)), 3)
round(quantile(boot["cena_opt", ], c(0.025, 0.5, 0.975)), 2)
# Ile marży tracimy przy cenie 14.99 zł zamiast optymalnej (oszacowanie punktowe)
i_opt <- which.min(abs(ceny - k0$cena_opt)); i_15 <- which.min(abs(ceny - 15))
round(c(marza_przy_15 = k0$marza[i_15], marza_przy_opt = k0$marza[i_opt], przychod_przy_12 = k0$przychod[ceny == 12],
        przychod_przy_15 = k0$przychod[i_15], marza_przy_12 = k0$marza[ceny == 12]))

pas <- function(wiersze, nazwa) data.frame(cena = ceny, srodek = if (nazwa == "przychod") k0$przychod else k0$marza,
  dolna = apply(boot[wiersze, ], 1, quantile, 0.025), gorna = apply(boot[wiersze, ], 1, quantile, 0.975))
pr <- pas(2 + 1:nP, "przychod"); mz <- pas(2 + nP + 1:nP, "marza")
ci_opt <- quantile(boot["cena_opt", ], c(0.025, 0.975))
zakres <- annotate("rect", xmin = min(reg$cena), xmax = max(reg$cena), ymin = -Inf, ymax = Inf, fill = "grey92")
tys <- function(x) format(x / 1000, decimal.mark = ".")
pa <- ggplot(pr, aes(cena)) + zakres +
  geom_ribbon(aes(ymin = dolna, ymax = gorna), fill = kol[["blekit"]], alpha = 0.35) +
  geom_line(aes(y = srodek), colour = kol[["niebieski"]], linewidth = 1.1) +
  scale_y_continuous(labels = tys) +
  labs(x = "Cena regularna (zł)", y = "Przychód sieci (tys. zł / tydzień)", title = "A. Przychód",
       subtitle = "Spada z ceną, bo |e| > 1") + motyw
pb <- ggplot(mz, aes(cena)) + zakres +
  annotate("rect", xmin = ci_opt[1], xmax = ci_opt[2], ymin = -Inf, ymax = Inf, fill = kol[["pomaranczowy"]],
           alpha = 0.18) +
  geom_ribbon(aes(ymin = dolna, ymax = gorna), fill = kol[["blekit"]], alpha = 0.35) +
  geom_line(aes(y = srodek), colour = kol[["niebieski"]], linewidth = 1.1) +
  geom_vline(xintercept = k0$cena_opt, colour = kol[["pomaranczowy"]], linetype = "22", linewidth = 0.9) +
  annotate("label", x = k0$cena_opt, y = max(mz$gorna) * 1.02, label = sprintf("%.2f zł", k0$cena_opt),
           colour = kol[["pomaranczowy"]], size = 4, linewidth = 0) +
  scale_y_continuous(labels = tys) +
  labs(x = "Cena regularna (zł)", y = "Marża sieci (tys. zł / tydzień)", title = "B. Marża (cena − 8.40 zł) × sprzedaż",
       subtitle = "Maksimum przy cenie k·e/(1 + e)") + motyw
p4 <- pa + pb + plot_annotation(caption = "Szare tło: zakres cen bez promocji w danych; pasma: 95% przedziały z 1000 prób bootstrapowych tygodni;\npomarańczowe tło: 95% przedział ceny optymalnej") &
  theme(plot.caption = element_text(colour = "grey30", hjust = 0, size = rel(0.75)))
p4   # zapis: ggsave("elastycznosc-przychod-marza-cena-optymalna.svg", p4, width = 10, height = 5.4)
Wynik w R
zakres_cen_bez_promocji1 zakres_cen_bez_promocji2 
                   12.09                    17.99 
      elastycznosc           cena_opt cena_opt_prawdziwa 
             -2.15              15.72              15.40 
 2.5% 97.5% 
-2.33 -1.97 
 2.5%   50% 97.5% 
14.72 15.71 17.06 
   marza_przy_15   marza_przy_opt przychod_przy_12 przychod_przy_15 
            4223             4235            12400             9597 
   marza_przy_12 
            3720 

5. Symulacja endogeniczności: Rysunek 5

Dane wejściowe: nic – 2 × 1000 sklepów losuje kod; potrzebne tylko kol i motyw z przepisu 1.

Co odczytać: średnią i SD oszacowań, odsetek oszacowań powyżej −1, pokrycie 95% CI z błędem Monte Carlo w obu scenariuszach; nachylenie w przykładowym sklepie.

R
# Rysunek 5. Pułapka endogeniczności: kierownik obniża cenę, gdy popyt słabnie – 1000 symulowanych sklepów
# (korzysta z kol i motyw z przepisu 1)
library(ggplot2)
library(patchwork)

# Jeden sklep, 104 tygodnie. Szok popytu u (pogoda, remont drogi, nowy konkurent) widzi kierownik, ale nie analityk.
# Scenariusz „kierownik”: ln cena = ln 14.99 + 0.25 u + szum – przy słabym popycie obniża, przy dobrym podnosi.
# Scenariusz „test”: ten sam rozrzut cen, ale losowany niezależnie od u. Parametry ustawione ręcznie.
e_prawdziwa <- -2.2
symuluj <- function(scenariusz, Tt = 104) {
  u <- rnorm(Tt, 0, 0.20)
  ln_cena <- log(14.99) + if (scenariusz == "kierownik") 0.25 * u + rnorm(Tt, 0, 0.08) else
    rnorm(Tt, 0, sqrt(0.25^2 * 0.20^2 + 0.08^2))
  sztuki <- rpois(Tt, exp(log(70) + e_prawdziwa * (ln_cena - log(14.99)) + u + rnorm(Tt, 0, 0.15)))
  data.frame(cena = exp(ln_cena), sztuki = sztuki)
}
ocen <- function(dd) { m <- lm(log(sztuki) ~ log(cena), dd); c(coef(m)[2], confint(m)[2, ]) }

set.seed(6180)
R <- 1000
wyniki <- do.call(rbind, lapply(c("kierownik", "test"), function(sc) {
  o <- t(replicate(R, ocen(symuluj(sc))))
  data.frame(scenariusz = sc, b = o[, 1], dolna = o[, 2], gorna = o[, 3])
}))
podsum <- do.call(rbind, lapply(split(wyniki, wyniki$scenariusz), function(w) {
  pokr <- mean(w$dolna <= e_prawdziwa & w$gorna >= e_prawdziwa)
  data.frame(scenariusz = w$scenariusz[1], srednia_b = round(mean(w$b), 3), sd_b = round(sd(w$b), 3),
             proc_b_powyzej_minus1 = round(100 * mean(w$b > -1), 1),
             pokrycie_proc = round(100 * pokr, 1), blad_MC_pp = round(100 * sqrt(pokr * (1 - pokr) / R), 1))
}))
print(podsum, row.names = FALSE)

# A. Jeden przykładowy sklep ze scenariusza „kierownik”: prosta z danych vs prawdziwa krzywa popytu
set.seed(6181)
przyklad <- symuluj("kierownik")
mp <- lm(log(sztuki) ~ log(cena), przyklad)
round(coef(mp)[2], 2)
s <- data.frame(cena = seq(min(przyklad$cena), max(przyklad$cena), length.out = 50))
s$oszacowana <- exp(predict(mp, s))
s$prawdziwa <- 70 * (s$cena / 14.99)^e_prawdziwa
linie <- rbind(data.frame(cena = s$cena, sztuki = s$oszacowana, linia = sub("-", "−", sprintf("z danych: e = %.2f", coef(mp)[2]))),
               data.frame(cena = s$cena, sztuki = s$prawdziwa, linia = "prawdziwa: e = −2.2"))
pa <- ggplot(przyklad, aes(cena, sztuki)) +
  geom_point(colour = kol[["szary"]], alpha = 0.6, size = 1.8) +
  geom_line(data = linie, aes(colour = linia, linetype = linia), linewidth = 1.1) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]]), name = NULL) +
  scale_linetype_manual(values = c("22", "solid"), name = NULL) +
  scale_x_log10() + scale_y_log10() +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(x = "Cena (zł, skala log)", y = "Sprzedaż (szt., skala log)", title = "A. Jeden sklep, 104 tygodnie",
       subtitle = "Niskie ceny trafiają na słabe tygodnie") + motyw

# B. Rozkład oszacowań w 1000 sklepach w obu scenariuszach
wyniki$scenariusz <- factor(ifelse(wyniki$scenariusz == "kierownik", "Cena ustalana pod popyt", "Cena losowana (test)"),
                            c("Cena ustalana pod popyt", "Cena losowana (test)"))
pb <- ggplot(wyniki, aes(b, fill = scenariusz)) +
  geom_histogram(aes(colour = scenariusz), binwidth = 0.1, alpha = 0.55, position = "identity", linewidth = 0.3) +
  geom_vline(xintercept = e_prawdziwa, colour = "#0f1d3a", linewidth = 0.9) +
  annotate("text", x = e_prawdziwa, y = Inf, label = "prawda −2.2", vjust = 1.5, hjust = -0.08, size = 4,
           colour = "#0f1d3a") +
  scale_fill_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]]), name = NULL) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]]), name = NULL) +
  scale_x_continuous(labels = function(x) sub("-", "−", format(x))) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
  guides(fill = guide_legend(nrow = 2), colour = guide_legend(nrow = 2)) +
  labs(x = "Oszacowana elastyczność", y = "Liczba symulacji", title = "B. 1000 sklepów w każdym scenariuszu",
       subtitle = "Ta sama regresja, inna przyczyna zmian ceny") + motyw
p5 <- pa + pb & theme(legend.position = "bottom")
p5   # zapis: ggsave("elastycznosc-endogenicznosc-symulacja.svg", p5, width = 10, height = 5.6)
Wynik w R
 scenariusz srednia_b  sd_b proc_b_powyzej_minus1 pokrycie_proc blad_MC_pp
  kierownik    -1.087 0.268                  37.2           2.1        0.5
       test    -2.222 0.287                   0.0          95.8        0.6
log(cena) 
    -0.95 

6. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: pary kolorów z rysunków i – dla porównania – para czerwony–zielony.

Co odczytać: odległość barw ΔE w przestrzeni CIELAB przy typowym widzeniu oraz po symulacji deuteranopii i protanopii; im mniejsza, tym trudniej odróżnić kolory. Kolor nigdy nie jest jedynym nośnikiem informacji – towarzyszą mu kształt punktu, rodzaj linii albo podpis.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "błękit – pomarańczowy" = c("#56B4E9", "#D55E00"),
             "szary – pomarańczowy" = c("#999999", "#D55E00"), "niebieski – błękit" = c("#0072B2", "#56B4E9"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                 widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy                   114.6        108.3       91.9
błękit – pomarańczowy                      113.6        101.1       89.0
szary – pomarańczowy                        77.2         62.9       56.0
niebieski – błękit                          26.4         24.7       24.6
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, regresja liniowa (lm()) i bootstrap – pakiet stats z podstawowej instalacji R. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  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

  • Cena ustalana pod popyt. Gdy obniżki trafiają na słabe tygodnie, elastyczność wychodzi za mała co do wartości bezwzględnej (rysunek 5). To nie jest problem do rozwiązania większą próbą.
  • Pominięte zmienne. Bez efektów sklepów wynik był −0.61, bez promocji −2.75 (rysunek 3). Tellis (1988) wskazuje pominięcie zmiennych i same dane przekrojowe jako źródła obciążenia.
  • Stała elastyczność. Model log–log zakłada tę samą elastyczność przy każdej cenie. Poza zakresem cen z danych to tylko założenie.
  • Przychód zamiast zysku. Przy |e| > 1 obniżka zawsze podnosi przychód, ale nie zawsze marżę (rysunek 4).
  • Zbyt optymistyczne błędy standardowe. Tygodnie w sieci łączy wspólna pogoda czy święta. Przy obserwacjach pogrupowanych zwykłe błędy standardowe mogą zawyżać precyzję (Cameron i Miller, 2015), dlatego losowaliśmy całe tygodnie.
  • Korelacja to nie przyczyna. Nawet dobry model danych z kas opisuje związek; wpływ ceny pokazuje dopiero losowanie (korelacja a przyczynowość).

Najczęstsze pytania

Jak policzyć elastyczność cenową z danych sprzedażowych?

Zlogarytmuj sprzedaż i cenę i policz regresję liniową ln(sprzedaży) na ln(ceny). Współczynnik przy ln(ceny) to elastyczność: w przykładzie −2.15, więc podwyżka o 10% obniża sprzedaż o 18.5%. Dodaj zmienne, które zmieniają się razem z ceną: sklepy (stałe efekty), promocje z gazetką, cenę konkurenta i sezon – bez nich wynik wynosił −0.61 albo −2.75.

Co oznacza elastyczność cenowa −0.5, a co −2?

Przy −0.5 popyt jest nieelastyczny: podwyżka o 10% obniża sprzedaż o 4.7%, a przychód rośnie o 4.9%. Przy −2 popyt jest elastyczny: ta sama podwyżka zabiera 17.4% sprzedaży i 9.1% przychodu. Granicą jest wartość bezwzględna równa 1. Elastyczność mówi o przychodzie, a nie o zysku.

Jak wyznaczyć cenę maksymalizującą zysk z elastyczności?

Przy stałej elastyczności e (mniejszej od −1) i koszcie jednostkowym k cena maksymalizująca marżę to k × e / (1 + e). W przykładzie przy koszcie 8.40 zł i e = −2.15 wyszło 15.72 zł, ale 95% przedział bootstrapowy sięgał od 14.72 do 17.06 zł, a szczyt marży był płaski. Traktuj wynik jako kierunek, nie cenę co do grosza.

Czym jest endogeniczność ceny i dlaczego psuje elastyczność?

Cena jest endogeniczna, gdy zależy od tego samego czynnika co sprzedaż, np. kierownik obniża ją w słabych tygodniach. Wtedy niskie ceny trafiają na niski popyt i regresja zaniża reakcję na cenę: w symulacji średnio −1.09 zamiast −2.2, a 95% przedział obejmował prawdę w 2.1% przypadków. Pomaga losowy test cenowy albo zmienna instrumentalna, np. koszt surowca.

Co to jest elastyczność krzyżowa?

To procentowa zmiana sprzedaży Twojego produktu, gdy cena innego produktu rośnie o 1%. Dodatnia oznacza substytuty: w przykładzie 0.49, 95% CI [0.34, 0.65], więc promocja konkurenta z 13.99 do 10.99 zł zabierała 11.2% sprzedaży. Liczy się ją, dodając do modelu log–log logarytm ceny konkurenta.

Powiązane hasła

Przeczytaj też

Poradnik

Badanie ceny: van Westendorp i Gabor–Granger

Abonament serwisu rowerowego: krzywe van Westendorpa z bootstrapem, popyt i przychód Gabora–Grangera, zakotwiczenie i deklaracje a zakupy – z kodem R.

Czytaj →
Poradnik

Conjoint wyborczy (CBC) – analiza

400 osób wybiera abonament: warunkowy model logitowy, ważność atrybutów, gotowość do zapłaty, symulator udziałów i pułapki IIA – pięć rysunków z kodem R.

Czytaj →
Poradnik

Marketing mix modeling (MMM)

Producent soków, 156 tygodni i dwa kanały reklamy: adstock, nasycenie, rozkład sprzedaży, ROI z bootstrapem blokowym i pułapki – sześć rysunków z kodem R.

Czytaj →
Poradnik

Głębokość rabatu a sprzedaż

Sieć sklepów z elektroniką: krzywa odpowiedzi na rabat 10–40%, dołek po promocji, kanibalizacja, zysk zamiast przychodu i pułapka dobrych tygodni – z kodem R.

Czytaj →
Poradnik

Losowy test ceny i krzywa popytu

Aplikacja z subskrypcją i pięć losowych cen: konwersja, retencja, zysk i cena optymalna z bootstrapem oraz pułapka krzywej z historii – z kodem R.

Czytaj →
Poradnik

Model atrakcyjności udziałów (MCI)

Rynek proszków do prania: udział jako atrakcyjność, log-centrowanie, elastyczności krzyżowe, symulacja obniżki ceny i logit udziałów – z kodem R.

Czytaj →
Poradnik

Pozycja cenowa wobec konkurencji

Sklep z oponami i trzech konkurentów: względny indeks ceny, regresja z efektami stałymi, próg najtańszej oferty i pułapka odwrotnej przyczynowości – z kodem R.

Czytaj →
Poradnik

Ceny psychologiczne: 19.99 czy 20.00

Końcówka ,99, efekt lewej cyfry, zakłócenie w danych historycznych i test losowy z efektami stałymi – na fikcyjnym sklepie z zabawkami, z kodem R.

Czytaj →

Liczysz elastyczność cenową do pracy?

Pomożemy przygotować dane sprzedażowe, dobrać model log–log, uwzględnić promocje i konkurencję, policzyć niepewność i opisać wyniki – tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Angrist, J. D., & Krueger, A. B. (2001). Instrumental variables and the search for identification: From supply and demand to natural experiments. Journal of Economic Perspectives, 15(4), 69–85. https://doi.org/10.1257/jep.15.4.69 ● Otwarty dostęp
  2. Bijmolt, T. H. A., van Heerde, H. J., & Pieters, R. G. M. (2005). New empirical generalizations on the determinants of price elasticity. Journal of Marketing Research, 42(2), 141–156. https://doi.org/10.1509/jmkr.42.2.141.62296
  3. Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
  4. Kohavi, R., Longbotham, R., Sommerfield, D., & Henne, R. M. (2009). Controlled experiments on the web: Survey and practical guide. Data Mining and Knowledge Discovery, 18(1), 140–181. https://doi.org/10.1007/s10618-008-0114-1 ● Otwarty dostęp
  5. Tellis, G. J. (1988). The price elasticity of selective demand: A meta-analysis of econometric models of sales. Journal of Marketing Research, 25(4), 331–341. https://doi.org/10.1177/002224378802500401
  6. Villas-Boas, J. M., & Winer, R. S. (1999). Endogeneity in brand choice models. Management Science, 45(10), 1324–1338. https://doi.org/10.1287/mnsc.45.10.1324

Cytowania BibTeX

@article{angrist2001instrumental, author={Angrist, Joshua D and Krueger, Alan B}, title={{Instrumental variables and the search for identification: From supply and demand to natural experiments}}, journal={Journal of Economic Perspectives}, year={2001}, volume={15}, number={4}, pages={69--85}, doi={10.1257/jep.15.4.69}}
@article{bijmolt2005new, author={Bijmolt, Tammo H. A. and van Heerde, Harald J. and Pieters, Rik G. M.}, title={{New empirical generalizations on the determinants of price elasticity}}, journal={Journal of Marketing Research}, year={2005}, volume={42}, number={2}, pages={141--156}, doi={10.1509/jmkr.42.2.141.62296}}
@article{cameron2015practitioner, author={Cameron, A. Colin and Miller, Douglas L.}, title={{A practitioner’s guide to cluster-robust inference}}, journal={Journal of Human Resources}, year={2015}, volume={50}, number={2}, pages={317--372}, doi={10.3368/jhr.50.2.317}}
@article{kohavi2009controlled, author={Kohavi, Ron and Longbotham, Roger and Sommerfield, Dan and Henne, Randal M.}, title={{Controlled experiments on the web: Survey and practical guide}}, journal={Data Mining and Knowledge Discovery}, year={2009}, volume={18}, number={1}, pages={140--181}, doi={10.1007/s10618-008-0114-1}}
@article{tellis1988price, author={Tellis, Gerard J.}, title={{The price elasticity of selective demand: A meta-analysis of econometric models of sales}}, journal={Journal of Marketing Research}, year={1988}, volume={25}, number={4}, pages={331--341}, doi={10.1177/002224378802500401}}
@article{villasboas1999endogeneity, author={Villas-Boas, J. Miguel and Winer, Russell S.}, title={{Endogeneity in brand choice models}}, journal={Management Science}, year={1999}, volume={45}, number={10}, pages={1324--1338}, doi={10.1287/mnsc.45.10.1324}}
R