Statystyka · Marketing

„2 za 1” czy −50%? Eksperyment z formą promocji

Fikcyjna sieć 24 sklepów papierniczych testuje trzy promocje na zeszyt: „2 za 1”, −50% na drugą sztukę i −25% na każdą. Losowanie sklepów i tygodni, sztuki na paragonie, modele mieszane ze sklepem, kanibalizacja, zapasy w domu i bilans marży zamiast słupka sprzedaży – pięć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Forma promocji
W skrócie: Formę promocji sprawdzisz eksperymentem, w którym każdy sklep przechodzi przez wszystkie warianty w losowej kolejności, a analizujesz go modelem mieszanym z losowym sklepem. W przykładzie 24 sklepów „2 za 1” zwiększyło sprzedaż zeszytu o 152%, ale obniżyło marżę o 156 zł na sklep i tydzień. Po odjęciu kanibalizacji i dołka po promocji zysk dawał tylko rabat 50% na drugą sztukę: 135.8 zł na sklep w okresie, 95% CI [16.4, 255.2]. Mierz marżę kategorii w całym okresie, nie sztuki z tygodnia promocji.

Przykład: 24 sklepy papiernicze i jeden zeszyt

Fikcyjna sieć 24 sklepów z artykułami papierniczymi i biurowymi chce wiosną ruszyć z promocją zeszytu A4 w kratkę (80 kartek, 12 zł, koszt zakupu 5 zł). Dział marketingu ma trzy pomysły: „2 za 1”, „−50% na drugą sztukę” i „−25% na każdą sztukę”. Kierownik kategorii pyta: która forma promocji zostawi sieci najwięcej marży – nie najwięcej sprzedanych sztuk?

Zamiast zgadywać, sieć robi eksperyment. Przez 16 tygodni (luty–maj, poza sezonem szkolnym) każdy sklep przechodzi przez wszystkie trzy promocje i okres kontrolny bez promocji, w losowo przydzielonej kolejności. Dane to 384 wiersze (sklep × tydzień): 15 406 paragonów z zeszytem i 25 936 sprzedanych sztuk. Dla każdego tygodnia mamy liczbę paragonów z 1, 2, 3 i 4+ zeszytami, przychód, marżę i sprzedaż pozostałych zeszytów z tej samej półki. Pobierz je jako forma-promocji-sklepy-tygodnie.csv.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Ręcznie ustaliliśmy: rozkład liczby sztuk na paragonie w każdym wariancie (w „2 za 1” 60% klientów bierze dwie sztuki), wzrost liczby kupujących w tygodniach promocji (o 50, 45 i 40%), spadek sprzedaży pozostałych zeszytów (o 20, 12 i 14%), dołek po promocji (w pierwszym tygodniu po „2 za 1” o 22% mniej kupujących, po pozostałych o 10%), wielkość sklepów, wahania tygodni, ceny i koszty. Parametrów nie zmienialiśmy po pierwszym uruchomieniu kodu; ziarno 676 ustaliliśmy raz.

Kształt reakcji na głębokość rabatu opisuje wpis głębokość rabatu a sprzedaż, a losowe ceny regularne – losowy test ceny. Tu rabat ma tę samą skalę, a zmienia się jego forma.

Rysunek 1: trzy mechanizmy i ich koszt dla sklepu

Cztery karty: kontrola, 2 za 1, −50% na drugą i −25% na każdą. Za 1, 2 i 3 zeszyty klient płaci odpowiednio 12, 24, 36 zł bez promocji; 12, 12, 24 zł w 2 za 1; 12, 18, 30 zł przy −50% na drugą; 9, 18, 27 zł przy −25% na każdą. Rabat przy jednej i dwóch sztukach: 0 i 12 zł (2 za 1), 0 i 6 zł (−50% na drugą), 3 i 6 zł (−25% na każdą). Marża sklepu z jednej i dwóch sztuk: 7 i 14 zł bez promocji, 7 i 2 zł w 2 za 1, 7 i 8 zł przy −50% na drugą, 4 i 8 zł przy −25% na każdą
Rysunek 1. Ile płaci klient i ile kosztuje sklep każda z trzech form promocji zeszytu (cena 12 zł, koszt 5 zł). Obliczenia: R, pakiet ggplot2 (wzory, bez losowania).

Co widać. Przy dwóch sztukach „−50% na drugą” i „−25% na każdą” kosztują sklep tyle samo: 6 zł, czyli 25% wartości zakupu. Różnią się przy jednej sztuce: „−25% na każdą” oddaje 3 zł także klientowi, który i tak kupiłby jeden zeszyt, a „−50% na drugą” nic. „2 za 1” oddaje przy parze 12 zł, czyli 50%, i z pary zostają sklepowi 2 zł marży zamiast 14 zł.

Jak może zmylić. Karta liczy koszt jednego zakupu. Ile kosztuje promocja, zależy od tego, ilu klientów zmieni zakup z jednej sztuki na dwie, ilu nowych przyjdzie i co przestaną kupować. Tego nie wyliczysz z karty – trzeba to zmierzyć. Klienci oceniają też różnie oferty równoważne w przeliczeniu na sztukę. Sinha i Smith (2000) pokazali w eksperymencie, że „50% taniej”, „kup jeden, drugi gratis” i „kup dwa, 50% taniej” dają różną postrzeganą wartość, zależnie od tego, czy produkt nadaje się do robienia zapasów.

Podpis do pracy:

Rysunek 1. Cena dla klienta, koszt rabatu i marża sklepu w trzech formach promocji. Uwaga. Cena regularna 12 zł, koszt zakupu 5 zł; wartości dla zakupu jednej i dwóch sztuk.

Rysunek 2: plan – losujemy sklepy i tygodnie

Gdyby sieć dała każdą promocję innej grupie 8 sklepów, porównywałaby sklepy, a nie promocje: duży sklep w centrum sprzedaje kilka razy więcej niż mały na osiedlu. W naszych danych średnia tygodniowa liczba paragonów z zeszytem w okresie kontrolnym waha się między sklepami od 14.5 do 72.5. Dlatego każdy sklep jest swoją kontrolą: dostaje wszystkie cztery warianty po kolei, jak w schemacie naprzemiennym.

Siatka 24 sklepów (wiersze) na 16 tygodni (kolumny), podzielona na cztery okresy po 4 tygodnie. W każdym okresie dwa pierwsze tygodnie mają kolor wariantu: szary – kontrola, pomarańczowy – 2 za 1, niebieski – −50% na drugą, zielony – −25% na każdą; dwa kolejne tygodnie są jasnoszare (cena regularna). Sklepy tworzą cztery grupy po 6 z różną kolejnością wariantów; w każdym okresie każdy wariant ma 6 sklepów
Rysunek 2. Plan eksperymentu: 24 sklepy wylosowane do czterech sekwencji wariantów z kwadratu Williamsa; każdy okres to 2 tygodnie promocji i 2 tygodnie ceny regularnej. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(676)).

Co widać. Okres trwa 4 tygodnie: 2 tygodnie promocji i 2 tygodnie po niej z ceną regularną. Kolejność wariantów pochodzi z kwadratu łacińskiego w odmianie Williamsa: każdy wariant występuje raz w każdym okresie i raz po każdym innym wariancie. Sklepy losujemy do czterech sekwencji (po 6). W każdym tygodniu część sklepów jest w kontroli, więc wspólne wahania tygodni (pogoda, ferie, wypłaty) nie mieszają się z efektem promocji. Richardson (2018) przypomina zalecenie Fishera: kwadrat trzeba losować i uwzględnić w analizie.

Jak może zmylić. Kolejność ma znaczenie, bo promocja może przenieść się na następny okres – to efekt przeniesienia. Dlatego jest równoważenie kolejności (Brooks, 2012) i dwa tygodnie przerwy, w których mierzymy dołek. Losujemy całe sklepy na tydzień, a nie klientów, bo jeden klient nie może widzieć na półce dwóch cen. To odmiana randomizacji klastrowej: jednostek jest 24, a nie 15 406.

Zdanie do Metody:

24 sklepy przydzielono losowo do czterech sekwencji wariantów promocji (kwadrat Williamsa 4 × 4, po 6 sklepów). Każdy z czterech okresów obejmował 2 tygodnie promocji i 2 tygodnie ceny regularnej.

Rysunek 3: ile sztuk ląduje na paragonie

Panel A: słupki odsetka paragonów z 1, 2, 3 i 4+ zeszytami w czterech wariantach. Kontrola: 71, 19, 5, 5%. 2 za 1: 14, 60, 6, 20%. −50% na drugą: 43, 43, 5, 9%. −25% na każdą: 62, 25, 7, 6%. Panel B: średnia liczba sztuk na paragon z 95% CI: kontrola 1.45, 2 za 1 2.38, −50% na drugą 1.82, −25% na każdą 1.61
Rysunek 3. Rozkład liczby zeszytów na paragonie w tygodniach promocji (A) i średnia liczba sztuk na paragon z 95% przedziałami ufności z modelu mieszanego (B). Obliczenia: R, pakiety lme4, lmerTest, ggplot2 i patchwork (dane fikcyjne, set.seed(676)).

Co widać. Bez promocji 71.4% paragonów ma jeden zeszyt. W „2 za 1” jednosztukowych jest 14.2%, a 60.0% ma dokładnie dwa, plus 20.0% cztery lub więcej. Przy „−50% na drugą” pół na pół: 43.3% po jednej i 42.9% po dwie sztuki. „−25% na każdą” prawie nie zmienia rozkładu (61.8% po jednej). Średnio na paragon: 1.45 sztuki w kontroli, a w promocjach o 0.93, 95% CI [0.87, 0.99], 0.37 [0.32, 0.43] i 0.17 [0.11, 0.22] więcej.

Jak może zmylić. Średnia ukrywa kształt: rozkład jest skokowy, z pikami przy parach. Dlatego pokaż rozkład, a nie tylko średnią. Zwróć uwagę na 43.3% klientów, którzy przy „−50% na drugą” wzięli jedną sztukę i nie dostali rabatu. Foubert i Gijsbrechts (2007) opisali to samo przy promocjach pakietowych: rabat przyciąga też klientów, którzy nie kupują tylu sztuk, by z niego skorzystać.

Podpis do pracy:

Rysunek 3. Liczba sztuk produktu na paragonie w czterech wariantach promocji. Uwaga. A – odsetek paragonów (tygodnie promocji, 24 sklepy); B – średnia z liniowego modelu mieszanego (losowy sklep, efekty tygodni, wagi = liczba paragonów) z 95% przedziałami ufności.

Rysunek 4: kupujący, sztuki, przychód i marża

Każdą miarę porównujemy z tygodniami kontrolnymi w modelu mieszanym: wariant i tydzień to efekty stałe, sklep – efekt losowy. Paragony i sztuki to zliczenia z rozrzutem większym niż w rozkładzie Poissona, więc liczymy uogólniony model mieszany z rozkładem ujemnym dwumianowym (pakiet glmmTMB). Przychód i marżę w złotych liczymy liniowym modelem mieszanym ze stopniami swobody Satterthwaite’a.

Cztery panele z efektami trzech promocji względem tygodni kontrolnych i 95% CI. Paragony z zeszytem: +53%, +56%, +50%. Sprzedane sztuki: +152% dla 2 za 1, +96% dla −50% na drugą, +68% dla −25% na każdą. Przychód z zeszytu na sklep i tydzień: +222, +351 i +141 zł. Marża z zeszytu: −156 zł dla 2 za 1, +117 zł dla −50% na drugą i −20 zł z przedziałem obejmującym zero dla −25% na każdą
Rysunek 4. Efekty trzech form promocji w tygodniach promocji względem tygodni kontrolnych: liczba paragonów z produktem, sprzedane sztuki, przychód i marża na sklep i tydzień, z 95% przedziałami ufności. Obliczenia: R, pakiety glmmTMB, lme4, lmerTest i ggplot2 (dane fikcyjne, set.seed(676)).

Co widać. Wszystkie trzy promocje przyciągają podobnie więcej kupujących: od +50.2% do +55.7% paragonów z zeszytem. Różnią się tym, ile sztuk biorą klienci. „2 za 1” zwiększa sprzedaż sztuk o 152.1%, 95% CI [131.3, 174.7], „−50% na drugą” o 96.2% [79.8, 114.1], „−25% na każdą” o 67.8% [53.6, 83.2]. Przychód rośnie najbardziej przy „−50% na drugą”: o 351 zł na sklep i tydzień, 95% CI [280, 422], przy średnim przychodzie 593.5 zł w kontroli. Marża rośnie tylko przy „−50% na drugą”: o 117 zł [83, 152], p < .001. „2 za 1” obniża ją o 156 zł [−190, −122], a „−25% na każdą” nie różni się od kontroli (−20 zł [−54, 14], p = .252).

Jak może zmylić. Wykres pokazuje tylko tygodnie promocji i tylko promowany zeszyt. Nie widać, co działo się z pozostałymi zeszytami ani w tygodniach po promocji – to rysunek 5. Zwykła regresja na 192 tygodniach promocji, bez sklepu i tygodni, daje te same różnice, ale z błędem standardowym 30.72 zł zamiast 17.29 zł, czyli 1.78 razy większym. Sklepy różnią się bardzo (ICC = .67), a plan wewnątrz sklepu tę zmienność usuwa.

Podpis do pracy:

Rysunek 4. Efekty trzech form promocji względem tygodni kontrolnych. Uwaga. Paragony i sztuki – zmiana procentowa z ujemnego dwumianowego modelu mieszanego; przychód i marża – różnica w zł na sklep i tydzień z liniowego modelu mieszanego; wszystkie modele z losowym efektem sklepu i efektami stałymi tygodnia. Odcinki – 95% przedziały ufności.

Zdanie do Wyników:

Wszystkie trzy promocje zwiększyły liczbę paragonów z produktem o 50–56%. Promocja „2 za 1” zwiększyła sprzedaż w sztukach najbardziej (o 152.1%, 95% CI [131.3, 174.7]), ale obniżyła marżę o 155.8 zł na sklep i tydzień, 95% CI [−190.0, −121.7]. Jedynie rabat 50% na drugą sztukę zwiększył marżę (o 117.4 zł, 95% CI [83.3, 151.6], p < .001); rabat 25% na każdą sztukę nie zmienił jej istotnie (−19.9 zł, 95% CI [−54.0, 14.3], p = .252).

Rysunek 5: kanibalizacja, zapasy w domu i bilans okresu

Zeszyt w promocji podbiera klientów innym zeszytom z tej samej półki – to kanibalizacja. A kto wziął cztery zeszyty, przez kilka tygodni nie przyjdzie po następny – ma zapas w domu, więc po promocji sprzedaż spada poniżej normy (dołek; więcej o nim we wpisie o głębokości rabatu). Dlatego w modelu każdy z czterech tygodni okresu ma osobny efekt, a bilans liczymy dla marży całej kategorii.

Panel A: zmiana sprzedaży w sztukach w tygodniach 1–4 okresu z 95% CI. Promowany zeszyt: w tygodniach promocji od +58% do +160%, w tygodniu 3 od −14% do −23% dla wszystkich wariantów, w tygodniu 4 blisko zera. Pozostałe zeszyty: w tygodniach promocji od −8% do −26%, najmocniej przy 2 za 1, potem blisko zera. Panel B: bilans marży na sklep w okresie. 2 za 1: marża zeszytu −312 zł, kanibalizacja −120 zł, dołek −126 zł, bilans −558 zł. −50% na drugą: +235, −58, −42, bilans +136 zł z przedziałem od 16 do 255 zł. −25% na każdą: −40, −82, −70, bilans −191 zł
Rysunek 5. Zmiana sprzedaży promowanego zeszytu i pozostałych zeszytów w kolejnych tygodniach okresu (A) i bilans marży kategorii na sklep w 4-tygodniowym okresie (B), względem okresu kontrolnego, z 95% przedziałami ufności. Obliczenia: R, pakiety glmmTMB, lme4, lmerTest, ggplot2 i patchwork (dane fikcyjne, set.seed(676)).

Co widać. Pozostałe zeszyty sprzedają się gorzej w tygodniach promocji: przy „2 za 1” o 26.4% i 20.2%, przy „−25% na każdą” o 17.8% i 12.2%, przy „−50% na drugą” o 11.2% i 8.4%. W pierwszym tygodniu po promocji promowany zeszyt sprzedaje się o 13.9–22.5% gorzej niż w kontroli; w drugim przedziały wszystkich wariantów obejmują zero. W bilansie okresu (B) „2 za 1” traci 557.5 zł na sklep, 95% CI [−676.9, −438.1]: 311.6 zł na samym zeszycie, 119.8 zł na kanibalizacji i 126.0 zł w dołku. „−25% na każdą” traci 191.2 zł [−310.6, −71.8], p = .002, choć w tygodniach promocji wyglądała na neutralną. Tylko „−50% na drugą” zostawia plus: 135.8 zł na sklep w okresie, 95% CI [16.4, 255.2], p = .026.

Jak może zmylić. Dwa tygodnie po promocji to mało, jeśli klienci kupili zeszyty na cały semestr – część dołka może wypaść później. Nie wiemy też, czy zapas w domu zwiększa zużycie. Ailawadi i Neslin (1998) pokazali, że tempo konsumpcji rośnie z zapasem w domu, mocniej dla jogurtu niż dla keczupu; przy zeszytach tego nie mierzyliśmy. W skali rynku Bell i in. (1999) przypisali średnio 25% elastyczności promocji przyspieszeniu zakupów, a 75% zmianie marki. Van Heerde i in. (2003) oszacowali, że ok. 33% przyrostu sztuk to straty innych marek kategorii. Dołki bywają silniejsze m.in. dla drogich, często promowanych produktów (Macé i Neslin, 2004). Nasze liczby to jedna fikcyjna sieć, nie norma.

Podpis do pracy:

Rysunek 5. Kanibalizacja, dołek po promocji i bilans marży kategorii w trzech formach promocji. Uwaga. A – zmiana procentowa sprzedaży w sztukach w kolejnych tygodniach okresu (ujemny dwumianowy model mieszany); B – zmiana marży na sklep w 4-tygodniowym okresie (liniowy model mieszany). Wszystkie modele z losowym efektem sklepu i efektami stałymi tygodnia; odcinki – 95% przedziały ufności.

Zdanie do Wyników:

Po uwzględnieniu spadku sprzedaży pozostałych produktów kategorii i dołka w dwóch tygodniach po promocji zysk z marży w 4-tygodniowym okresie przyniósł jedynie rabat 50% na drugą sztukę (135.8 zł na sklep, 95% CI [16.4, 255.2], p = .026). Promocja „2 za 1” zmniejszyła marżę kategorii o 557.5 zł, 95% CI [−676.9, −438.1], a rabat 25% na każdą sztukę o 191.2 zł, 95% CI [−310.6, −71.8], p = .002.

Co z tym zrobić w marketingu

  • Wybierz „−50% na drugą sztukę”. Przyciąga tylu kupujących co pozostałe formy, podnosi przychód najbardziej i jako jedyna zostawia plus po odjęciu kanibalizacji i dołka.
  • Nie mierz promocji sztukami. „2 za 1” wygląda najlepiej w raporcie sprzedaży sztuk i najgorzej w marży. Raportuj marżę kategorii w całym okresie.
  • Uważaj na rabat na każdą sztukę. Dostaje go każdy paragon, także 61.8% paragonów z jednym zeszytem – w dużej części od klientów, którzy kupiliby go i bez rabatu.
  • Sprawdzaj półkę obok. Zbieraj sprzedaż pozostałych zeszytów i tygodni po promocji – inaczej zobaczysz tylko szczyt.
  • Powtórz test przed sezonem szkolnym. We wrześniu klienci kupują po kilka zeszytów i tak, więc „−50% na drugą” może oddawać rabat za zakupy, które nastąpiłyby bez niego.

Różnice efektu między sklepami opisuje wpis o promocjach w sieci sklepów, a test kilku czynników promocji naraz – eksperyment czynnikowy w mailingu. Więcej przykładów do pracy dyplomowej: statystyka w pracy z marketingu.

Jak opisać w pracy

Opisz plan (kto był losowany i do czego), okres po promocji, miarę główną (marża, a nie sztuki – wybrana przed eksperymentem), modele i to, jak liczono bilans. Przy trzech porównaniach z kontrolą i kilku miarach rozważ poprawkę na wiele porównań.

Metoda. Eksperyment przeprowadzono w 24 sklepach sieci przez 16 tygodni. Sklepy przydzielono losowo do czterech sekwencji wariantów (kontrola, „2 za 1”, rabat 50% na drugą sztukę, rabat 25% na każdą sztukę) według kwadratu Williamsa; każdy okres obejmował 2 tygodnie promocji i 2 tygodnie ceny regularnej. Miarą główną była marża kategorii na sklep w okresie. Liczbę paragonów i sprzedanych sztuk analizowano ujemnym dwumianowym modelem mieszanym, a przychód i marżę – liniowym modelem mieszanym z estymacją REML i stopniami swobody Satterthwaite’a. Modele zawierały efekty stałe wariantu i tygodnia oraz losowy efekt sklepu. Obliczenia wykonano w R 4.5.3 (pakiety glmmTMB i lmerTest).
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, motyw i funkcję ceny, przepis 2 – dane, przepis 3 – podzbiór tygodni promocji 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.

Losuje tylko przepis 2 i zaczyna od set.seed(676); pozostałe przepisy nie losują. Ziarno ustalono raz i nie zmieniano go, a parametrów danych nie zmieniano po pierwszym uruchomieniu. Ręcznie ustalono (przepisy 1–2): cenę 12 zł i koszt 5 zł zeszytu, cenę 10 zł i koszt 6 zł pozostałych zeszytów, rozkład liczby sztuk na paragonie w każdym wariancie, mnożniki liczby kupujących w promocji (1.50, 1.45, 1.40), sprzedaży pozostałych zeszytów (0.80, 0.88, 0.86) i dołka po promocji (0.78 i 0.90 po „2 za 1”, 0.90 i 0.96 po pozostałych; pozostałe zeszyty po „2 za 1”: 0.95 i 0.98), 24 sklepy, 16 tygodni, sekwencje kwadratu Williamsa, rozrzut wielkości sklepów (SD = 0.35 w skali logarytmu), wahania tygodni i szum. Wszystkie przepisy liczą się w kilka sekund.

1. Mechanizmy promocji: Rysunek 1

Dane wejściowe: nic – kod ustala cenę (12 zł) i koszt zeszytu (5 zł) oraz funkcję zaplata(), która liczy kwotę na paragonie w każdym wariancie. Na początku paleta Okabe–Ito kol i motyw motyw, używane w dalszych przepisach.

Co odczytać: kwotę do zapłaty, rabat w zł i w % oraz marżę sklepu dla 1–4 sztuk w każdym wariancie.

R
# Rysunek 1. Karta trzech mechanizmów promocji: ile płaci klient, ile kosztuje to sklep, ile zostaje marży
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", blekit = "#56B4E9", zielony = "#009E73",
         zolty = "#E69F00", 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))

# Fikcyjny produkt: zeszyt A4 w kratkę, 80 kartek – cena 12 zł, koszt zakupu 5 zł (ustalone ręcznie)
cena <- 12; koszt <- 5
warianty <- c("Kontrola", "2 za 1", "−50% na drugą", "−25% na każdą")
# Ile płaci klient za q sztuk w każdym wariancie
zaplata <- function(q, wariant) switch(wariant,
  "Kontrola"       = cena * q,
  "2 za 1"         = cena * (q - q %/% 2),          # co druga sztuka gratis
  "−50% na drugą"  = cena * q - 0.5 * cena * (q %/% 2),  # co druga sztuka za pół ceny
  "−25% na każdą"  = 0.75 * cena * q)               # każda sztuka 25% taniej
tab <- expand.grid(q = 1:4, wariant = warianty, stringsAsFactors = FALSE)
tab$zaplata <- mapply(zaplata, tab$q, tab$wariant)
tab$rabat_zl <- cena * tab$q - tab$zaplata        # koszt rabatu dla sklepu
tab$marza <- tab$zaplata - koszt * tab$q          # marża sklepu z całego zakupu
tab$rabat_proc <- round(100 * tab$rabat_zl / (cena * tab$q), 1)
print(tab[order(match(tab$wariant, warianty), tab$q), ], row.names = FALSE)

# Grafika: cztery karty (kolumny) z tym, co widzi klient i co liczy sklep
karty <- data.frame(wariant = factor(warianty, warianty), x = 1:4,
                    haslo = c("cena regularna", "druga sztuka gratis", "druga sztuka za pół ceny", "każda sztuka taniej"),
                    kolor = c("grey75", kol[["pomaranczowy"]], kol[["niebieski"]], kol[["zielony"]]))
wiersz <- function(q, co) sapply(warianty, function(w) tab[[co]][tab$q == q & tab$wariant == w])
fmt <- function(x) sub("\\.0$", "", sprintf("%.1f zł", x))
tekst <- data.frame(
  x = rep(1:4, 6),
  y = rep(c(5.0, 4.35, 3.7, 2.75, 2.1, 1.2), each = 4),
  etykieta = c(paste("1 szt.:", fmt(wiersz(1, "zaplata"))), paste("2 szt.:", fmt(wiersz(2, "zaplata"))),
               paste("3 szt.:", fmt(wiersz(3, "zaplata"))),
               paste0("rabat: ", fmt(wiersz(1, "rabat_zl")), " / ", fmt(wiersz(2, "rabat_zl"))),
               paste0("(", wiersz(1, "rabat_proc"), "% / ", wiersz(2, "rabat_proc"), "%)"),
               paste0("marża: ", fmt(wiersz(1, "marza")), " / ", fmt(wiersz(2, "marza")))),
  styl = rep(c("plain", "plain", "plain", "bold", "plain", "bold"), each = 4))
p1 <- ggplot() +
  geom_rect(data = karty, aes(xmin = x - 0.46, xmax = x + 0.46, ymin = 0.7, ymax = 6.9), fill = "white",
            colour = "grey70", linewidth = 0.6) +
  geom_rect(data = karty, aes(xmin = x - 0.46, xmax = x + 0.46, ymin = 5.75, ymax = 6.9, fill = kolor), colour = NA) +
  geom_text(data = karty, aes(x, 6.5, label = wariant), fontface = "bold", size = 5.2,
            colour = ifelse(karty$wariant == "Kontrola", "#0f1d3a", "white")) +
  geom_text(data = karty, aes(x, 6.05, label = haslo), size = 3.6,
            colour = ifelse(karty$wariant == "Kontrola", "#0f1d3a", "white")) +
  annotate("text", x = 0.48, y = c(5.35, 3.1, 1.55), hjust = 0, size = 3.7, colour = "grey35",
           label = c("Klient płaci", "Sklep oddaje (1 szt. / 2 szt.)", "Sklepowi zostaje (1 / 2 szt.)")) +
  geom_text(data = tekst, aes(x, y, label = etykieta, fontface = styl), size = 4.1, colour = "#0f1d3a") +
  scale_fill_identity() +
  scale_x_continuous(limits = c(0.45, 4.55), expand = c(0, 0)) +
  scale_y_continuous(limits = c(0.6, 7), expand = c(0, 0)) +
  labs(title = "Trzy promocje na zeszyt A4 (12 zł, koszt 5 zł) i to, ile kosztują sklep",
       subtitle = "„−50% na drugą” i „−25% na każdą” oddają przy dwóch sztukach tyle samo; „2 za 1” – dwa razy więcej") +
  motyw + theme(axis.text = element_blank(), axis.title = element_blank(), panel.grid.major = element_blank())
p1   # zapis: ggsave("forma-promocji-karta-mechanizmow.svg", p1, width = 10, height = 5.6)
Wynik w R
 q       wariant zaplata rabat_zl marza rabat_proc
 1      Kontrola      12        0     7        0.0
 2      Kontrola      24        0    14        0.0
 3      Kontrola      36        0    21        0.0
 4      Kontrola      48        0    28        0.0
 1        2 za 1      12        0     7        0.0
 2        2 za 1      12       12     2       50.0
 3        2 za 1      24       12     9       33.3
 4        2 za 1      24       24     4       50.0
 1 −50% na drugą      12        0     7        0.0
 2 −50% na drugą      18        6     8       25.0
 3 −50% na drugą      30        6    15       16.7
 4 −50% na drugą      36       12    16       25.0
 1 −25% na każdą       9        3     4       25.0
 2 −25% na każdą      18        6     8       25.0
 3 −25% na każdą      27        9    12       25.0
 4 −25% na każdą      36       12    16       25.0

2. Plan i dane sieci: Rysunek 2

Dane wejściowe: nic – kod losuje przydział 24 sklepów do sekwencji kwadratu Williamsa i symuluje 16 tygodni sprzedaży (parametry w komentarzach); plik CSV trafia do katalogu roboczego.

Co odczytać: liczbę wierszy, paragonów i sztuk, liczbę sklepów w każdej sekwencji, zakres średniej liczby paragonów w sklepach i surowe średnie w tygodniach promocji.

R
# Rysunek 2. Plan eksperymentu: 24 sklepy × 16 tygodni, cztery okresy po 4 tygodnie, kolejność wariantów z kwadratu Williamsa
# (korzysta z kol, motyw, cena, koszt, warianty i zaplata z przepisu 1)
library(ggplot2)

# Kwadrat Williamsa dla 4 wariantów: każdy wariant raz w każdym okresie i raz po każdym innym wariancie
sekwencje <- rbind(c(1, 2, 4, 3), c(2, 3, 1, 4), c(3, 4, 2, 1), c(4, 1, 3, 2))   # 1 = kontrola, 2 = 2 za 1, ...

# Prawdziwe parametry (ustawione ręcznie; znamy je tylko dlatego, że dane są fikcyjne)
p_szt <- rbind(                     # rozkład liczby sztuk zeszytu na paragonie (1, 2, ..., 6 sztuk)
  "Kontrola"      = c(.72, .18, .05, .04, .005, .005),
  "2 za 1"        = c(.14, .60, .05, .17, .010, .030),
  "−50% na drugą" = c(.42, .44, .05, .07, .010, .010),
  "−25% na każdą" = c(.62, .24, .07, .05, .010, .010))
wzrost_paragonow <- c(1, 1.50, 1.45, 1.40)    # mnożnik liczby kupujących zeszyt w tygodniach promocji
kanib <- c(1, 0.80, 0.88, 0.86)               # mnożnik sprzedaży pozostałych zeszytów w tygodniach promocji
dolek <- rbind(c(1, 1), c(0.78, 0.90), c(0.90, 0.96), c(0.90, 0.96))  # kupujący w 1. i 2. tygodniu po promocji
dolek_poz <- rbind(c(1, 1), c(0.95, 0.98), c(1, 1), c(1, 1))           # pozostałe zeszyty po promocji
cena_poz <- 10; koszt_poz <- 6                # pozostałe zeszyty: średnia cena i koszt (zł)

set.seed(676)                                  # ziarno ustalone raz, bez dobierania pod wynik
S <- 24; Tt <- 16
sekw_sklepu <- sample(rep(1:4, each = S / 4))  # losowy przydział sklepów do 4 sekwencji (po 6 sklepów)
wielkosc <- exp(rnorm(S, 0, 0.35))             # sklepy różnej wielkości
tydz_efekt <- rnorm(Tt, 0, 0.06) + 0.01 * (1:Tt)   # wspólne szoki tygodni i lekki trend (luty–maj)
d <- do.call(rbind, lapply(1:S, function(s) {
  okres <- rep(1:4, each = 4); tyg_okresu <- rep(1:4, 4)
  w <- sekwencje[sekw_sklepu[s], okres]        # numer wariantu w danym okresie
  szum <- rnorm(Tt, 0, 0.12)
  mnoznik <- ifelse(tyg_okresu <= 2, wzrost_paragonow[w], ifelse(tyg_okresu == 3, dolek[cbind(w, 1)], dolek[cbind(w, 2)]))
  mn_poz <- ifelse(tyg_okresu <= 2, kanib[w], ifelse(tyg_okresu == 3, dolek_poz[cbind(w, 1)], dolek_poz[cbind(w, 2)]))
  paragony <- rpois(Tt, 30 * wielkosc[s] * exp(tydz_efekt + szum) * mnoznik)
  # rozkład sztuk na paragonie: w tygodniach promocji – według wariantu, poza nimi – regularny
  rozklad <- t(sapply(1:Tt, function(t) rmultinom(1, paragony[t], p_szt[if (tyg_okresu[t] <= 2) w[t] else 1, ])))
  colnames(rozklad) <- paste0("q", 1:6)
  zaplata_q <- sapply(1:6, function(q) sapply(1:Tt, function(t) zaplata(q, if (tyg_okresu[t] <= 2) warianty[w[t]] else "Kontrola")))
  sztuki <- drop(rozklad %*% (1:6)); przychod <- rowSums(rozklad * zaplata_q)
  sztuki_poz <- rpois(Tt, 55 * wielkosc[s] * exp(tydz_efekt + 0.6 * szum + rnorm(Tt, 0, 0.08)) * mn_poz)
  data.frame(sklep = sprintf("S%02d", s), sekwencja = sekw_sklepu[s], tydzien = 1:Tt, okres = okres,
             tydz_okresu = tyg_okresu, wariant = warianty[w], faza = ifelse(tyg_okresu <= 2, "promocja", "po promocji"),
             paragony = paragony, sztuki = sztuki, q1 = rozklad[, 1], q2 = rozklad[, 2], q3 = rozklad[, 3],
             q4plus = rowSums(rozklad[, 4:6]), przychod = przychod, marza = przychod - koszt * sztuki,
             sztuki_pozostale = sztuki_poz, marza_pozostale = sztuki_poz * (cena_poz - koszt_poz))
}))
d$wariant <- factor(d$wariant, warianty)
d$marza_kategorii <- d$marza + d$marza_pozostale
write.csv(d, "forma-promocji-sklepy-tygodnie.csv", row.names = FALSE)

# Opis danych
c(wiersze = nrow(d), sklepy = length(unique(d$sklep)), paragony = sum(d$paragony), sztuki = sum(d$sztuki))
table(sekwencja = tapply(d$sekwencja, d$sklep, `[`, 1))
round(range(tapply(d$paragony[d$wariant == "Kontrola"], d$sklep[d$wariant == "Kontrola"], mean)), 1)
# Surowe średnie w tygodniach promocji (na sklep i tydzień)
pr <- subset(d, faza == "promocja")
sr <- aggregate(cbind(paragony, sztuki, przychod, marza, sztuki_pozostale) ~ wariant, pr, mean)
sr[-1] <- round(sr[-1], 1); sr

# Grafika: plan – który wariant w którym tygodniu w każdym sklepie (sklepy uporządkowane według sekwencji)
kolejnosc <- unique(d$sklep[order(d$sekwencja, d$sklep)])
plan <- transform(d, sklep = factor(sklep, rev(kolejnosc)),
                  kafelek = ifelse(faza == "promocja", as.character(wariant), "tygodnie po (cena regularna)"))
plan$kafelek <- factor(plan$kafelek, c(warianty, "tygodnie po (cena regularna)"))
wyp <- c("Kontrola" = "grey70", "2 za 1" = kol[["pomaranczowy"]], "−50% na drugą" = kol[["niebieski"]],
         "−25% na każdą" = kol[["zielony"]], "tygodnie po (cena regularna)" = "grey94")
skrot <- c("Kontrola" = "K", "2 za 1" = "2", "−50% na drugą" = "½", "−25% na każdą" = "¼")
p2 <- ggplot(plan, aes(tydzien, sklep, fill = kafelek)) +
  geom_tile(colour = "white", linewidth = 0.5) +
  geom_text(data = subset(plan, faza == "promocja"), aes(label = skrot[as.character(wariant)]), size = 2.9,
            colour = ifelse(subset(plan, faza == "promocja")$wariant == "Kontrola", "#0f1d3a", "white")) +
  geom_vline(xintercept = c(4.5, 8.5, 12.5), colour = "#0f1d3a", linewidth = 0.5) +
  geom_hline(yintercept = c(6.5, 12.5, 18.5), colour = "#0f1d3a", linewidth = 0.3, linetype = "22") +
  scale_fill_manual(values = wyp, name = NULL) +
  scale_x_continuous(breaks = 1:16, expand = c(0, 0)) +
  labs(x = "Tydzień eksperymentu (4 okresy po 4 tygodnie: 2 tygodnie promocji + 2 tygodnie po)", y = NULL,
       title = "Każdy sklep przechodzi przez wszystkie warianty, w losowo przydzielonej kolejności",
       subtitle = "24 sklepy w 4 sekwencjach kwadratu Williamsa (po 6 sklepów); K – kontrola, 2 – „2 za 1”, ½ – −50% na drugą, ¼ – −25% na każdą") +
  guides(fill = guide_legend(nrow = 2)) +
  motyw + theme(panel.grid = element_blank(), axis.text.y = element_text(size = 8))
p2   # zapis: ggsave("forma-promocji-plan-sklepy-tygodnie.svg", p2, width = 10, height = 6.4)
Wynik w R
 wiersze   sklepy paragony   sztuki 
     384       24    15406    25936 
sekwencja
1 2 3 4 
6 6 6 6 
[1] 14.5 72.5
        wariant paragony sztuki przychod marza sztuki_pozostale
1      Kontrola     34.2   49.5    593.5 346.2             64.8
2        2 za 1     52.6  125.0    815.5 190.4             49.9
3 −50% na drugą     52.9   96.2    944.9 463.6             57.6
4 −25% na każdą     50.7   81.6    734.2 326.3             54.6

3. Sztuki na paragonie: Rysunek 3

Dane wejściowe: d z przepisu 2 (tygodnie promocji: pr).

Co odczytać: odsetki paragonów z 1, 2, 3 i 4+ sztukami oraz różnicę średniej liczby sztuk na paragon względem kontroli z 95% CI.

R
# Rysunek 3. Ile sztuk zeszytu jest na paragonie? Rozkład w tygodniach promocji i średnia z modelu mieszanego
# (korzysta z kol, motyw, warianty z przepisu 1 i d z przepisu 2)
library(ggplot2)
library(patchwork)
library(lmerTest)   # lmer() z lme4 + stopnie swobody Satterthwaite'a

pr <- subset(d, faza == "promocja")
# Rozkład sztuk na paragonie: odsetek paragonów z 1, 2, 3 i 4+ sztukami (wszystkie sklepy razem)
licz <- aggregate(cbind(q1, q2, q3, q4plus) ~ wariant, pr, sum)
proc <- round(100 * licz[-1] / rowSums(licz[-1]), 1)
cbind(licz["wariant"], proc, paragony = rowSums(licz[-1]))

# Średnia liczba sztuk na paragon w sklepie i tygodniu; model mieszany: efekt wariantu, efekty tygodni, losowy sklep,
# wagi = liczba paragonów
pr$szt_na_paragon <- pr$sztuki / pr$paragony
m_q <- lmer(szt_na_paragon ~ wariant + factor(tydzien) + (1 | sklep), data = pr, weights = paragony)
wsp <- summary(m_q)$coefficients[2:4, ]
ef_q <- data.frame(wariant = factor(warianty[2:4], warianty), roznica = wsp[, 1], se = wsp[, 2], df = wsp[, 3])
ef_q$dol <- ef_q$roznica - qt(0.975, ef_q$df) * ef_q$se; ef_q$gora <- ef_q$roznica + qt(0.975, ef_q$df) * ef_q$se
srednia_k <- with(subset(pr, wariant == "Kontrola"), sum(sztuki) / sum(paragony))
ef_q$srednia <- srednia_k + ef_q$roznica
print(cbind(ef_q["wariant"], round(ef_q[c("roznica", "dol", "gora", "srednia")], 2), df = round(ef_q$df, 1)), row.names = FALSE)
round(c(srednia_kontrola = srednia_k), 2)

# A: rozkład sztuk na paragonie; B: średnia z 95% CI
roz <- data.frame(wariant = factor(rep(licz$wariant, 4), warianty),
                  sztuk = factor(rep(c("1", "2", "3", "4+"), each = 4), c("1", "2", "3", "4+")),
                  proc = unlist(proc))
wyp <- c("Kontrola" = "grey70", "2 za 1" = kol[["pomaranczowy"]], "−50% na drugą" = kol[["niebieski"]],
         "−25% na każdą" = kol[["zielony"]])
pa <- ggplot(roz, aes(sztuk, proc, fill = wariant)) +
  geom_col(position = position_dodge(width = 0.85), width = 0.8, colour = "white") +
  geom_text(aes(label = sprintf("%.0f", proc)), position = position_dodge(width = 0.85), vjust = -0.4, size = 3.2,
            colour = "#0f1d3a") +
  scale_fill_manual(values = wyp, name = NULL) +
  scale_y_continuous(labels = function(v) paste0(v, "%"), expand = expansion(mult = c(0, 0.08))) +
  labs(x = "Sztuk zeszytu na paragonie", y = "Odsetek paragonów", title = "A. Rozkład sztuk na paragonie") + motyw
sr <- rbind(data.frame(wariant = factor("Kontrola", warianty), srednia = srednia_k, dol = NA, gora = NA),
            ef_q[c("wariant", "srednia")] |> transform(dol = srednia_k + ef_q$dol, gora = srednia_k + ef_q$gora))
pb <- ggplot(sr, aes(srednia, wariant, colour = wariant, shape = wariant)) +
  geom_vline(xintercept = srednia_k, linetype = "dashed", colour = "grey40") +
  geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.25, linewidth = 0.9, na.rm = TRUE) +
  geom_point(size = 3.4) +
  geom_text(aes(label = sprintf("%.2f", srednia)), vjust = -1.1, size = 3.5, colour = "#0f1d3a") +
  scale_colour_manual(values = c("grey45", kol[["pomaranczowy"]], kol[["niebieski"]], kol[["zielony"]]), guide = "none") +
  scale_shape_manual(values = c(15, 16, 17, 18), guide = "none") +
  scale_y_discrete(limits = rev(warianty)) +
  labs(x = "Średnio sztuk na paragon (95% CI)", y = NULL, title = "B. Średnia z modelu") + motyw
p3 <- pa + pb + plot_layout(widths = c(1.6, 1))
p3   # zapis: ggsave("forma-promocji-sztuki-na-paragon.svg", p3, width = 10, height = 5.4)
Wynik w R
        wariant   q1   q2  q3 q4plus paragony
1      Kontrola 71.4 18.7 5.0    4.9     1641
2        2 za 1 14.2 60.0 5.8   20.0     2524
3 −50% na drugą 43.3 42.9 5.2    8.7     2539
4 −25% na każdą 61.8 24.6 7.2    6.4     2432
       wariant roznica  dol gora srednia    df
        2 za 1    0.93 0.87 0.99    2.38 163.4
 −50% na drugą    0.37 0.32 0.43    1.82 163.2
 −25% na każdą    0.17 0.11 0.22    1.61 162.9
srednia_kontrola 
            1.45 

4. Efekty w tygodniach promocji: Rysunek 4

Dane wejściowe: pr z przepisu 3.

Co odczytać: zmianę liczby paragonów i sztuk w % oraz przychodu i marży w zł z 95% CI; porównanie błędów standardowych regresji bez sklepu i modelu mieszanego; SD sklepów i ICC.

R
# Rysunek 4. Efekty trzech promocji w tygodniach promocji: kupujący, sztuki, przychód i marża (modele mieszane ze sklepem)
# (korzysta z kol, motyw, warianty z przepisu 1, d z przepisu 2 i pr z przepisu 3)
library(ggplot2)
library(glmmTMB)    # ujemny dwumianowy model mieszany dla zliczeń
library(lmerTest)

# Zliczenia (paragony z zeszytem, sztuki): model ujemny dwumianowy z losowym sklepem i efektami tygodni → zmiana w %
zlicz <- function(y) {
  m <- glmmTMB(as.formula(paste(y, "~ wariant + factor(tydzien) + (1 | sklep)")), data = pr, family = nbinom2)
  w <- summary(m)$coefficients$cond[2:4, 1:2]
  data.frame(miara = y, wariant = warianty[2:4], est = 100 * (exp(w[, 1]) - 1),
             dol = 100 * (exp(w[, 1] - 1.96 * w[, 2]) - 1), gora = 100 * (exp(w[, 1] + 1.96 * w[, 2]) - 1))
}
# Złotówki (przychód, marża na sklep i tydzień): liniowy model mieszany, stopnie swobody Satterthwaite'a
zlote <- function(y, dane = pr) {
  m <- lmer(as.formula(paste(y, "~ wariant + factor(tydzien) + (1 | sklep)")), data = dane)
  w <- summary(m)$coefficients[2:4, ]
  data.frame(miara = y, wariant = warianty[2:4], est = w[, 1], dol = w[, 1] - qt(0.975, w[, 3]) * w[, 2],
             gora = w[, 1] + qt(0.975, w[, 3]) * w[, 2], p = w[, 5])
}
ef <- rbind(zlicz("paragony"), zlicz("sztuki"), zlote("przychod")[1:5], zlote("marza")[1:5])
ef$wariant <- factor(ef$wariant, warianty)
print(cbind(ef[1:2], round(ef[3:5], 1)), row.names = FALSE)
m_marza <- zlote("marza"); print(cbind(m_marza[2], p = signif(m_marza$p, 3)), row.names = FALSE)
round(c(marza_kontrola = mean(pr$marza[pr$wariant == "Kontrola"]),
        przychod_kontrola = mean(pr$przychod[pr$wariant == "Kontrola"])), 1)

# Dlaczego model ze sklepem: ta sama różnica marży z regresji bez sklepu i tygodni ma dużo szerszy przedział
naiwny <- summary(lm(marza ~ wariant, data = pr))$coefficients[2:4, 1:2]
mieszany <- summary(lmer(marza ~ wariant + factor(tydzien) + (1 | sklep), data = pr))$coefficients[2:4, 1:2]
round(cbind(b_naiwny = naiwny[, 1], SE_naiwny = naiwny[, 2], b_mieszany = mieszany[, 1], SE_mieszany = mieszany[, 2],
            iloraz_SE = naiwny[, 2] / mieszany[, 2]), 2)
vc <- as.data.frame(VarCorr(lmer(marza ~ wariant + factor(tydzien) + (1 | sklep), data = pr)))
round(c(SD_sklepu = vc$sdcor[1], SD_reszt = vc$sdcor[2], ICC = vc$vcov[1] / sum(vc$vcov)), 2)

# Wykres: cztery miary, efekt każdego wariantu względem kontroli z 95% CI
nazwy <- c(paragony = "Paragony z zeszytem (zmiana w %)", sztuki = "Sprzedane sztuki (zmiana w %)",
           przychod = "Przychód z zeszytu (zł na sklep i tydzień)", marza = "Marża z zeszytu (zł na sklep i tydzień)")
ef$panel <- factor(nazwy[ef$miara], nazwy)
ef$etykieta <- ifelse(ef$miara %in% c("paragony", "sztuki"), sprintf("%+.0f%%", ef$est), sprintf("%+.0f zł", ef$est))
ef$etykieta <- sub("-", "−", ef$etykieta)
p4 <- ggplot(ef, aes(est, wariant, colour = wariant, shape = wariant)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.25, linewidth = 0.9) +
  geom_point(size = 3.2) +
  geom_text(aes(label = etykieta), vjust = -1.0, size = 3.5, colour = "#0f1d3a") +
  facet_wrap(~ panel, ncol = 2, scales = "free_x") +
  scale_colour_manual(values = c("2 za 1" = kol[["pomaranczowy"]], "−50% na drugą" = kol[["niebieski"]],
                                 "−25% na każdą" = kol[["zielony"]]), guide = "none") +
  scale_shape_manual(values = c("2 za 1" = 16, "−50% na drugą" = 17, "−25% na każdą" = 18), guide = "none") +
  scale_y_discrete(limits = rev(warianty[2:4])) +
  scale_x_continuous(expand = expansion(mult = 0.12)) +
  labs(x = "Różnica względem tygodni kontrolnych (95% CI)", y = NULL,
       title = "„2 za 1” sprzedaje najwięcej sztuk, a zarabia najmniej",
       subtitle = "Tygodnie promocji, 24 sklepy; modele mieszane z losowym sklepem i efektami tygodni") + motyw
p4   # zapis: ggsave("forma-promocji-efekty-sztuki-marza.svg", p4, width = 10, height = 6.2)
Wynik w R
    miara       wariant    est    dol   gora
 paragony        2 za 1   53.1   41.1   66.2
 paragony −50% na drugą   55.7   43.5   69.0
 paragony −25% na każdą   50.2   38.4   63.1
   sztuki        2 za 1  152.1  131.3  174.7
   sztuki −50% na drugą   96.2   79.8  114.1
   sztuki −25% na każdą   67.8   53.6   83.2
 przychod        2 za 1  222.0  151.0  293.0
 przychod −50% na drugą  351.4  280.4  422.4
 przychod −25% na każdą  140.7   69.7  211.8
    marza        2 za 1 -155.8 -190.0 -121.7
    marza −50% na drugą  117.4   83.3  151.6
    marza −25% na każdą  -19.9  -54.0   14.3
       wariant        p
        2 za 1 6.40e-16
 −50% na drugą 2.15e-10
 −25% na każdą 2.52e-01
   marza_kontrola przychod_kontrola 
            346.2             593.5 
                     b_naiwny SE_naiwny b_mieszany SE_mieszany iloraz_SE
wariant2 za 1         -155.81     30.72    -155.81       17.29      1.78
wariant−50% na drugą   117.42     30.72     117.42       17.29      1.78
wariant−25% na każdą   -19.87     30.72     -19.87       17.29      1.78
SD_sklepu  SD_reszt       ICC 
   122.08     84.72      0.67 

5. Kanibalizacja, dołek i bilans: Rysunek 5

Dane wejściowe: d z przepisu 2.

Co odczytać: zmianę sprzedaży promowanego i pozostałych zeszytów w tygodniach 1–4 okresu oraz składniki bilansu marży kategorii na sklep w okresie z 95% CI i p; na końcu sprawdzenie, że składniki sumują się do bilansu.

R
# Rysunek 5. Kanibalizacja, zapasy w domu (dołek po promocji) i bilans marży całego okresu 4 tygodni
# (korzysta z kol, motyw, warianty z przepisu 1 i d z przepisu 2)
library(ggplot2)
library(patchwork)
library(glmmTMB)
library(lmerTest)

# Zmienne wskaźnikowe: wariant × tydzień okresu (tygodnie kontrolne to poziom odniesienia)
d$stan <- factor(ifelse(d$wariant == "Kontrola", "Kontrola", paste(d$wariant, d$tydz_okresu, sep = "_")),
                 c("Kontrola", paste(rep(warianty[2:4], each = 4), 1:4, sep = "_")))
# A: zmiana sprzedaży (w %) w tygodniach 1–4 okresu – promowany zeszyt i pozostałe zeszyty
tydzien_po_tygodniu <- function(y) {
  m <- glmmTMB(as.formula(paste(y, "~ stan + factor(tydzien) + (1 | sklep)")), data = d, family = nbinom2)
  w <- summary(m)$coefficients$cond[2:13, 1:2]
  data.frame(produkt = y, wariant = rep(warianty[2:4], each = 4), tydz_okresu = rep(1:4, 3),
             est = 100 * (exp(w[, 1]) - 1), dol = 100 * (exp(w[, 1] - 1.96 * w[, 2]) - 1),
             gora = 100 * (exp(w[, 1] + 1.96 * w[, 2]) - 1))
}
tt <- rbind(tydzien_po_tygodniu("sztuki"), tydzien_po_tygodniu("sztuki_pozostale"))
tt$wariant <- factor(tt$wariant, warianty)
print(cbind(tt[c("produkt", "wariant", "tydz_okresu")], round(tt[c("est", "dol", "gora")], 1)), row.names = FALSE)

# B: bilans marży na sklep w całym okresie (2 tygodnie promocji + 2 tygodnie po) względem okresu kontrolnego
d$faza_w <- factor(ifelse(d$wariant == "Kontrola", "Kontrola", paste(d$wariant, d$faza, sep = " | ")),
                   c("Kontrola", paste(rep(warianty[2:4], each = 2), c("promocja", "po promocji"), sep = " | ")))
model_zl <- function(y) lmer(as.formula(paste(y, "~ faza_w + factor(tydzien) + (1 | sklep)")), data = d)
m_zeszyt <- model_zl("marza"); m_pozost <- model_zl("marza_pozostale"); m_kat <- model_zl("marza_kategorii")
kontrast <- function(m, kolumny) {                       # 2 × (suma wybranych współczynników), z 95% CI
  L <- setNames(numeric(length(fixef(m))), names(fixef(m))); L[kolumny] <- 2
  w <- contest(m, L, joint = FALSE)
  c(est = w$Estimate, dol = w$lower, gora = w$upper, p = w$`Pr(>|t|)`)
}
bil <- do.call(rbind, lapply(warianty[2:4], function(v) {
  kp <- paste0("faza_w", v, " | promocja"); ka <- paste0("faza_w", v, " | po promocji")
  rbind(data.frame(wariant = v, skladnik = "Marża zeszytu w 2 tygodniach promocji", t(kontrast(m_zeszyt, kp))),
        data.frame(wariant = v, skladnik = "Kanibalizacja pozostałych zeszytów", t(kontrast(m_pozost, kp))),
        data.frame(wariant = v, skladnik = "Dołek w 2 tygodniach po promocji", t(kontrast(m_kat, ka))),
        data.frame(wariant = v, skladnik = "Bilans okresu (netto)", t(kontrast(m_kat, c(kp, ka)))))
}))
bil$wariant <- factor(bil$wariant, warianty)
print(cbind(bil[1:2], round(bil[3:5], 1), p = signif(bil$p, 3)), row.names = FALSE)
# Suma składników = bilans (plan zrównoważony: każdy sklep ma każdy wariant raz)
skl <- subset(bil, skladnik != "Bilans okresu (netto)")
round(tapply(skl$est, droplevels(skl$wariant), sum), 1)

kolory <- c("2 za 1" = kol[["pomaranczowy"]], "−50% na drugą" = kol[["niebieski"]], "−25% na każdą" = kol[["zielony"]])
ksztalty <- c("2 za 1" = 16, "−50% na drugą" = 17, "−25% na każdą" = 18)
tt$panel <- ifelse(tt$produkt == "sztuki", "Promowany zeszyt", "Pozostałe zeszyty")
tt$panel <- factor(tt$panel, c("Promowany zeszyt", "Pozostałe zeszyty"))
pa <- ggplot(tt, aes(tydz_okresu + (as.numeric(wariant) - 3) * 0.18, est, colour = wariant, shape = wariant)) +
  annotate("rect", xmin = 0.5, xmax = 2.5, ymin = -Inf, ymax = Inf, fill = "grey93") +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_errorbar(aes(ymin = dol, ymax = gora), width = 0.12, linewidth = 0.7) +
  geom_point(size = 2.6) +
  facet_wrap(~ panel, ncol = 1, scales = "free_y") +
  scale_colour_manual(values = kolory, name = NULL) + scale_shape_manual(values = ksztalty, name = NULL) +
  scale_x_continuous(breaks = 1:4, labels = c("1\npromocja", "2\npromocja", "3\npo", "4\npo")) +
  labs(x = "Tydzień okresu", y = "Zmiana sprzedaży w sztukach (%)", title = "A. Tydzień po tygodniu") + motyw
bil$skladnik <- factor(bil$skladnik, c("Marża zeszytu w 2 tygodniach promocji", "Kanibalizacja pozostałych zeszytów",
                                       "Dołek w 2 tygodniach po promocji", "Bilans okresu (netto)"))
pb <- ggplot(bil, aes(est, skladnik, colour = wariant, shape = wariant)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.3, linewidth = 0.8,
                 position = position_dodge(width = 0.6)) +
  geom_point(size = 2.8, position = position_dodge(width = 0.6)) +
  scale_colour_manual(values = kolory, guide = "none") + scale_shape_manual(values = ksztalty, guide = "none") +
  scale_y_discrete(limits = rev(levels(bil$skladnik)),
                   labels = c("Bilans okresu\n(netto)", "Dołek w 2 tyg.\npo promocji", "Kanibalizacja\npozostałych zeszytów",
                              "Marża zeszytu\nw 2 tyg. promocji")) +
  labs(x = "Zmiana marży na sklep w okresie (zł, 95% CI)", y = NULL, title = "B. Bilans marży kategorii") + motyw
p5 <- pa + pb + plot_layout(widths = c(1, 1.15), guides = "collect") & theme(legend.position = "bottom")
p5   # zapis: ggsave("forma-promocji-kanibalizacja-dolek-bilans.svg", p5, width = 10, height = 6.4)
Wynik w R
          produkt       wariant tydz_okresu   est   dol  gora
           sztuki        2 za 1           1 145.6 117.6 177.2
           sztuki        2 za 1           2 159.7 130.3 192.9
           sztuki        2 za 1           3 -22.5 -32.0 -11.5
           sztuki        2 za 1           4  -7.4 -18.6   5.3
           sztuki −50% na drugą           1  94.3  71.9 119.7
           sztuki −50% na drugą           2  98.0  75.3 123.6
           sztuki −50% na drugą           3 -21.5 -31.1 -10.5
           sztuki −50% na drugą           4   4.0  -8.4  18.2
           sztuki −25% na każdą           1  57.5  39.1  78.4
           sztuki −25% na każdą           2  78.8  58.2 102.1
           sztuki −25% na każdą           3 -13.9 -24.4  -2.0
           sztuki −25% na każdą           4  -0.9 -12.8  12.6
 sztuki_pozostale        2 za 1           1 -26.4 -33.3 -18.7
 sztuki_pozostale        2 za 1           2 -20.2 -27.7 -12.0
 sztuki_pozostale        2 za 1           3  -4.0 -12.9   5.8
 sztuki_pozostale        2 za 1           4  -2.7 -11.4   6.8
 sztuki_pozostale −50% na drugą           1 -11.2 -19.4  -2.3
 sztuki_pozostale −50% na drugą           2  -8.4 -16.8   0.8
 sztuki_pozostale −50% na drugą           3   5.5  -4.1  16.2
 sztuki_pozostale −50% na drugą           4   0.5  -8.5  10.3
 sztuki_pozostale −25% na każdą           1 -17.8 -25.4  -9.3
 sztuki_pozostale −25% na każdą           2 -12.2 -20.3  -3.3
 sztuki_pozostale −25% na każdą           3  -1.8 -10.9   8.2
 sztuki_pozostale −25% na każdą           4  -4.0 -12.6   5.4
       wariant                              skladnik    est    dol   gora
        2 za 1 Marża zeszytu w 2 tygodniach promocji -311.6 -377.4 -245.8
        2 za 1    Kanibalizacja pozostałych zeszytów -119.8 -156.4  -83.3
        2 za 1      Dołek w 2 tygodniach po promocji -126.0 -210.4  -41.6
        2 za 1                 Bilans okresu (netto) -557.5 -676.9 -438.1
 −50% na drugą Marża zeszytu w 2 tygodniach promocji  234.8  169.0  300.7
 −50% na drugą    Kanibalizacja pozostałych zeszytów  -57.5  -94.0  -21.0
 −50% na drugą      Dołek w 2 tygodniach po promocji  -41.5 -125.9   42.9
 −50% na drugą                 Bilans okresu (netto)  135.8   16.4  255.2
 −25% na każdą Marża zeszytu w 2 tygodniach promocji  -39.7 -105.6   26.1
 −25% na każdą    Kanibalizacja pozostałych zeszytów  -82.0 -118.5  -45.5
 −25% na każdą      Dołek w 2 tygodniach po promocji  -69.5 -153.9   14.9
 −25% na każdą                 Bilans okresu (netto) -191.2 -310.6  -71.8
        p
 1.62e-18
 3.85e-10
 3.54e-03
 4.13e-18
 1.24e-11
 2.13e-03
 3.34e-01
 2.59e-02
 2.36e-01
 1.37e-05
 1.06e-01
 1.77e-03
       2 za 1 −50% na drugą −25% na każdą 
       -557.5         135.8        -191.2 

6. Sprawdzenie palety

Dane wejściowe: nic – pary kolorów użyte na rysunkach.

Co odczytać: odległość barw (ΔE) przy typowym widzeniu oraz w symulacji deuteranopii i protanopii; para czerwony–zielony dla porównania.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("pomarańczowy – niebieski" = c("#D55E00", "#0072B2"), "pomarańczowy – zielony" = c("#D55E00", "#009E73"),
             "niebieski – zielony" = c("#0072B2", "#009E73"), "szary – zielony" = c("#B3B3B3", "#009E73"),
             "szary – pomarańczowy" = c("#B3B3B3", "#D55E00"), "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
pomarańczowy – niebieski                   114.6        108.3       91.9
pomarańczowy – zielony                     102.4         53.5       37.3
niebieski – zielony                         70.1         55.4       58.0
szary – zielony                             49.9         19.4       22.5
szary – pomarańczowy                        78.9         64.4       59.5
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 – pakiet stats z podstawowej instalacji R. Ujemne dwumianowe modele mieszane policzono pakietem glmmTMB, liniowe modele mieszane – pakietem lme4 ze stopniami swobody i kontrastami z pakietu lmerTest. 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. glmmTMB (wersja 1.1.15.2): Brooks, M. E., Kristensen, K., van Benthem, K. J., Magnusson, A., Berg, C. W., Nielsen, A., Skaug, H. J., Mächler, M., & Bolker, B. M. (2017). glmmTMB balances speed and flexibility among packages for zero-inflated generalized linear mixed modeling. The R Journal, 9(2), 378–400. https://doi.org/10.32614/RJ-2017-066
  3. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  4. lmerTest (wersja 3.2.1): Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  6. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  7. 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
  8. 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

  • Gazetka zamiast półki. Jeśli „2 za 1” było w gazetce, a rabat procentowy tylko na półce, porównujesz reklamę, a nie formę promocji. W eksperymencie każda forma ma ten sam nośnik (tu: tylko półka). W danych historycznych sprawdź, czy forma promocji nie idzie w parze z gazetką, ekspozycją albo sezonem – to zmienna zakłócająca.
  • Sztuki jako sukces. Najwięcej sztuk dało najmniej marży (rysunek 4).
  • Koniec analizy na tygodniu promocji. „−25% na każdą” wyglądała na neutralną, a po kanibalizacji i dołku traciła 191 zł na sklep (rysunek 5).
  • Paragony jako niezależne obserwacje. Losowano sklepy w tygodniach, a nie klientów; analiza 15 406 paragonów jak niezależnych prób to pseudoreplikacja.
  • Promocja widoczna w sklepie kontrolnym. Gdy klienci jeżdżą między sklepami albo promocja trafia do internetu, kontrola się „zaraża” (kontaminacja), a efekt się zaniża.

Najczęstsze pytania

Co lepsze: „2 za 1” czy −50% na drugą sztukę?

Zależy od marży i od tego, ilu klientów i tak kupuje dwie sztuki – sprawdź to eksperymentem. W fikcyjnej sieci 24 sklepów „2 za 1” sprzedało najwięcej sztuk (+152%), ale obniżyło marżę kategorii o 557.5 zł na sklep w 4-tygodniowym okresie, a „−50% na drugą” dało +135.8 zł, 95% CI [16.4, 255.2]. „2 za 1” oddaje przy parze dwa razy większy rabat.

Czy −50% na drugą sztukę to to samo co −25% na każdą?

Przy zakupie dwóch sztuk kosztują sklep tyle samo (25% wartości pary). Różnią się przy jednej sztuce: „−25% na każdą” daje rabat każdemu, a „−50% na drugą” tylko temu, kto weźmie dwie. W przykładzie pierwsza traciła 191.2 zł na sklep w okresie, druga zarabiała 135.8 zł.

Jak zaplanować eksperyment z promocją w sieci sklepów?

Losuj sklepy i tygodnie, a nie klientów: każdy sklep przechodzi przez wszystkie warianty w kolejności z kwadratu łacińskiego (np. Williamsa), z tygodniami bez promocji po każdym okresie. Tak sklep jest własną kontrolą, a tygodnie z kontrolą w innych sklepach wyłapują sezon. Miarę główną – np. marżę kategorii – wybierz przed startem.

Jak analizować sprzedaż z eksperymentu w sklepach?

Modelem mieszanym z losowym efektem sklepu i efektami stałymi tygodnia: liczbę sztuk i paragonów – ujemnym dwumianowym (np. glmmTMB), złotówki – liniowym (lme4 z lmerTest). W przykładzie regresja bez sklepu dała błąd standardowy różnicy marży 1.78 razy większy niż model mieszany.

Co to jest kanibalizacja promocji?

To spadek sprzedaży innych produktów, gdy klienci kupują promowany zamiast nich. W przykładzie przy „2 za 1” pozostałe zeszyty sprzedawały się o 20–26% gorzej w tygodniach promocji, co kosztowało 119.8 zł marży na sklep. Licz ją razem z dołkiem po promocji, bo obie straty nie widać w sprzedaży promowanego produktu.

Powiązane hasła

Przeczytaj też

Analizujesz eksperyment z promocją w pracy?

Pomożemy zaplanować losowanie sklepów i tygodni, dobrać model mieszany, policzyć kanibalizację, dołek po promocji i bilans marży oraz opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Ailawadi, K. L., & Neslin, S. A. (1998). The effect of promotion on consumption: Buying more and consuming it faster. Journal of Marketing Research, 35(3), 390–398. https://doi.org/10.1177/002224379803500309
  2. Bell, D. R., Chiang, J., & Padmanabhan, V. (1999). The decomposition of promotional response: An empirical generalization. Marketing Science, 18(4), 504–526. https://doi.org/10.1287/mksc.18.4.504 ● Otwarty dostęp: pełny tekst
  3. Brooks, J. L. (2012). Counterbalancing for serial order carryover effects in experimental condition orders. Psychological Methods, 17(4), 600–614. https://doi.org/10.1037/a0029310 ● Otwarty dostęp: pełny tekst
  4. Foubert, B., & Gijsbrechts, E. (2007). Shopper response to bundle promotions for packaged goods. Journal of Marketing Research, 44(4), 647–662. https://doi.org/10.1509/jmkr.44.4.647
  5. Macé, S., & Neslin, S. A. (2004). The determinants of pre- and postpromotion dips in sales of frequently purchased goods. Journal of Marketing Research, 41(3), 339–350. https://doi.org/10.1509/jmkr.41.3.339.35992
  6. Richardson, J. T. E. (2018). The use of Latin-square designs in educational and psychological research. Educational Research Review, 24, 84–97. https://doi.org/10.1016/j.edurev.2018.03.003
  7. Sinha, I., & Smith, M. F. (2000). Consumers' perceptions of promotional framing of price. Psychology & Marketing, 17(3), 257–275. https://doi.org/10.1002/(sici)1520-6793(200003)17:3<257::aid-mar4>3.0.co;2-p
  8. van Heerde, H. J., Gupta, S., & Wittink, D. R. (2003). Is 75% of the sales promotion bump due to brand switching? No, only 33% is. Journal of Marketing Research, 40(4), 481–491. https://doi.org/10.1509/jmkr.40.4.481.19386

Cytowania BibTeX

@article{ailawadi1998effect, author={Ailawadi, Kusum L. and Neslin, Scott A.}, title={{The effect of promotion on consumption: Buying more and consuming it faster}}, journal={Journal of Marketing Research}, year={1998}, volume={35}, number={3}, pages={390--398}, doi={10.1177/002224379803500309}}
@article{bell1999decomposition, author={Bell, David R. and Chiang, Jeongwen and Padmanabhan, V.}, title={{The decomposition of promotional response: An empirical generalization}}, journal={Marketing Science}, year={1999}, volume={18}, number={4}, pages={504--526}, doi={10.1287/mksc.18.4.504}}
@article{brooks2012counterbalancing, author={Brooks, Joseph L.}, title={{Counterbalancing for serial order carryover effects in experimental condition orders}}, journal={Psychological Methods}, year={2012}, volume={17}, number={4}, pages={600--614}, doi={10.1037/a0029310}}
@article{foubert2007shopper, author={Foubert, Bram and Gijsbrechts, Els}, title={{Shopper response to bundle promotions for packaged goods}}, journal={Journal of Marketing Research}, year={2007}, volume={44}, number={4}, pages={647--662}, doi={10.1509/jmkr.44.4.647}}
@article{mace2004determinants, author={Mac{\'e}, Sandrine and Neslin, Scott A.}, title={{The determinants of pre- and postpromotion dips in sales of frequently purchased goods}}, journal={Journal of Marketing Research}, year={2004}, volume={41}, number={3}, pages={339--350}, doi={10.1509/jmkr.41.3.339.35992}}
@article{richardson2018use, author={Richardson, John T. E.}, title={{The use of Latin-square designs in educational and psychological research}}, journal={Educational Research Review}, year={2018}, volume={24}, pages={84--97}, doi={10.1016/j.edurev.2018.03.003}}
@article{sinha2000consumers, author={Sinha, Indrajit and Smith, Michael F.}, title={{Consumers' perceptions of promotional framing of price}}, journal={Psychology \& Marketing}, year={2000}, volume={17}, number={3}, pages={257--275}, doi={10.1002/(sici)1520-6793(200003)17:3<257::aid-mar4>3.0.co;2-p}}
@article{vanheerde2003is, author={van Heerde, Harald J. and Gupta, Sachin and Wittink, Dick R.}, title={{Is 75\% of the sales promotion bump due to brand switching? No, only 33\% is}}, journal={Journal of Marketing Research}, year={2003}, volume={40}, number={4}, pages={481--491}, doi={10.1509/jmkr.40.4.481.19386}}
R