Statystyka · Marketing

Loteria promocyjna – przyrost sprzedaży czy przesunięcie zakupów

Fikcyjny producent przekąsek z orzechów wkłada kody loterii do opakowań na 8 tygodni. Sprawdzamy różnicą w różnicach z produktem kontrolnym, ile sprzedaży przybyło, ile wróciło w „spłacie” po akcji, kto rejestrował kody i czy marża przyrostu pokryła koszt nagród – sześć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Loteria promocyjna
W skrócie: Loteria z kodami w opakowaniach podnosi sprzedaż w tygodniach akcji, ale część to zakupy przesunięte w czasie: po akcji klienci zjadają zapasy. W fikcyjnym przykładzie różnica w różnicach z produktem kontrolnym dała +48.8 tys. opakowań w akcji, −18.7 tys. w 8 tygodniach spłaty i przyrost netto 30.0 tys., 95% CI [22.0, 38.1]. Licz efekt w akcji i po niej, z błędami klastrowanymi i bez równoczesnych zmian dystrybucji – inaczej zysk 31.2 tys. zł zamienia się w stratę 26.9 tys. zł.

Przykład: przekąski z orzechów i kody w opakowaniach

Fikcyjny producent przekąsek z orzechów sprzedaje mieszankę orzechów 150 g i solone orzeszki ziemne 200 g. Wiosną 2025 r., od 14. do 21. tygodnia roku, w opakowaniach mieszanki były kody loterii promocyjnej: kupujący rejestrował kod i brał udział w losowaniu nagród. Orzeszki kodów nie miały.

Firma ma tygodniową sprzedaż obu produktów z lat 2023–2025 w 16 regionach i trzech kanałach (hipermarkety, supermarkety, sklepy osiedlowe) – 14 976 wierszy – oraz dane z rejestracji kodów. Dyrektor sprzedaży pyta: czy loteria dała dodatkową sprzedaż, czy tylko przesunęła zakupy, które i tak by nastąpiły?

W tygodniach akcji mieszanka sprzedawała się średnio po 38.0 tys. opakowań tygodniowo, rok wcześniej w tych samych tygodniach – po 29.2 tys. Ale w ośmiu tygodniach po akcji sprzedaż spadła do 28.3 tys., prawie do poziomu sprzed roku (28.0 tys.), choć rynek urósł. Klienci, którzy kupili kilka opakowań „na kody”, mieli zapas w domu.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Parametry ustawiliśmy ręcznie (lista przy kodzie): efekt loterii w tygodniach akcji to od +0.10 do +0.21 w skali logarytmu, a w ośmiu kolejnych tygodniach od −0.13 do −0.01 – to spłata, czyli zjadanie zapasów. Rynek rośnie, a w sklepach osiedlowych dystrybucja mieszanki wzrosła razem ze startem akcji z 60 do 70% sklepów. Po pierwszym uruchomieniu zmieniliśmy dwie rzeczy: szum tygodniowy dostał autokorelację (AR(1), ρ = 0.6), bo przy niezależnym szumie błędy klastrowane i zwykłe były prawie równe, a koszt loterii obniżyliśmy ze 195 do 120 tys. zł, żeby rachunek z samych tygodni akcji wychodził na plus. Ziaren 745 i 7451 nie zmienialiśmy. Dane pobierzesz jako loteria-promocyjna-sprzedaz-tygodniowa.csv.

Loterie promocyjne podlegają przepisom prawa; ten wpis dotyczy wyłącznie oceny ich skutków w danych sprzedażowych.

Rysunek 1: sprzedaż obu produktów przez trzy lata

Orzeszki bez kodów są produktem kontrolnym: ten sam producent, te same sklepy, święta i pogoda, ale bez loterii.

Wykres liniowy tygodniowej sprzedaży dwóch produktów w latach 2023–2025. Oba mają wyraźną sezonowość ze szczytem w grudniu i dołkiem wiosną. Mieszanka z kodami (linia ciągła) w 8 tygodniach akcji wiosną 2025 rośnie do ok. 38 tys. opakowań tygodniowo, po czym w 8 tygodniach spłaty spada poniżej 30 tys.; orzeszki bez kodów (linia przerywana) nie mają w tym czasie skoku
Rysunek 1. Tygodniowa sprzedaż mieszanki z kodami i orzeszków bez kodów w 16 regionach i 3 kanałach (suma); tło – 8 tygodni akcji i 8 tygodni spłaty. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(745)).

Co widać. Obie linie mają tę samą sezonowość (szczyt w grudniu, dołek wiosną) i obie powoli rosną. W tygodniach akcji mieszanka odbija w górę, a zaraz potem spada głębiej niż orzeszki. Porównanie z ośmioma tygodniami przed akcją myli: zimą sprzedaż jest sezonowo wyższa, więc w tygodniach akcji sprzedano w sumie o 5.2 tys. opakowań mniej niż przed nią.

Jak może zmylić. Wykres sum nie oddziela sezonu, wzrostu rynku i wspólnych szoków od loterii. Do tego potrzebny jest model.

Podpis do pracy:

Rysunek 1. Tygodniowa sprzedaż (tys. opakowań) produktu objętego loterią promocyjną i produktu kontrolnego w latach 2023–2025. Uwaga. Suma z 16 regionów i 3 kanałów sprzedaży. Zacieniowane pola – 8 tygodni loterii i 8 tygodni po jej zakończeniu. Dane fikcyjne.

Rysunek 2: efekt tydzień po tygodniu – różnica w różnicach

Pytanie kontrfaktyczne: ile sprzedałaby mieszanka w tych tygodniach bez loterii? Odpowiedź składamy z dwóch porównań: z latami ubiegłymi (jak mieszanka sprzedaje się w tych tygodniach roku) i z orzeszkami (o ile zmieniła się sprzedaż wszystkiego w danym tygodniu, kanale i regionie). To różnica w różnicach (DiD) w wersji z wieloma okresami.

W regresji log(sprzedaży) stosujemy efekty stałe: komórki (produkt × kanał × region), produktu × tygodnia roku (osobna sezonowość każdego produktu), kanału × tygodnia i regionu × tygodnia (wspólne szoki). Do tego zmienne 0/1 dla mieszanki w tygodniach od −11 do 24 względem startu (model zdarzeń) i log(dystrybucji). Liczymy pakietem fixest.

Wykres punktowy efektu loterii w procentach dla tygodni od −11 do 24 względem startu, z 95% przedziałami ufności. Przed akcją punkty leżą przy zerze (od −5.8% do 2.6%). W tygodniach akcji 1–8 efekt rośnie od 9.1% do 28.4% w 3. tygodniu i spada do 15.3% w 8. tygodniu. W tygodniach 9–16 efekt jest ujemny: −16.0% w 9. tygodniu, −11.7% w 12., −3.3% w 16. Później wraca w okolice zera
Rysunek 2. Efekt loterii na sprzedaż mieszanki w kolejnych tygodniach względem startu akcji (model zdarzeń, różnica w różnicach z produktem kontrolnym), z 95% przedziałami ufności z błędów klastrowanych po regionie. Obliczenia: R, pakiety fixest i ggplot2 (dane fikcyjne, set.seed(745)).

Co widać. W 12 tygodniach przed akcją efekty wynoszą od −5.8% do 2.6% i żaden przedział nie wyklucza zera – to sprawdzian założenia równoległych trendów. W tygodniach akcji efekt rośnie z 9.1% do 28.4% w trzecim tygodniu i słabnie do 15.3% w ósmym. W pierwszym tygodniu po akcji sprzedaż jest o 16.0% niższa niż bez loterii, 95% CI [−20.7, −11.2], a w 16. – o 3.3% [−10.3, 4.3].

Jak może zmylić. 36 współczynników to dużo okazji do przypadkowych „istotnych” tygodni – w tygodniach 17–24 jeden przedział nie obejmuje zera, choć efektu tam nie ma. Czytaj kształt, nie pojedyncze tygodnie.

Podpis do pracy:

Rysunek 2. Efekt loterii promocyjnej na sprzedaż produktu w tygodniach od 11 przed do 24 po rozpoczęciu akcji. Uwaga. Regresja logarytmu sprzedaży z efektami stałymi i produktem kontrolnym (model zdarzeń). Odcinki – 95% przedziały ufności z błędów klastrowanych po regionie.

Rysunek 3: przyrost netto = akcja + spłata

Do decyzji potrzebna jest jedna liczba z niepewnością. Zastępujemy 36 tygodni dwiema zmiennymi: akcja i spłata (po 8 tygodni). Współczynnik b przeliczamy na opakowania:

przyrost = sprzedaż w okresie × (1 − exp(−b)),   przyrost netto = przyrost w akcji + przyrost w spłacie

Przedział dla sumy liczymy metodą delta z macierzy kowariancji obu współczynników. Błędy standardowe są klastrowane po regionie, bo tygodnie tej samej komórki są ze sobą skorelowane. Zwykłe błędy zawyżają tu precyzję – w symulacji fikcyjnych „ustaw” nawet 45% dawało istotny efekt (Bertrand i in., 2004). U nas SE efektu akcji wynosi 0.0152 z klastrami i 0.0098 bez nich. 16 klastrów to mało (Cameron i Miller, 2015), więc używamy rozkładu t z 15 stopniami swobody.

Wykres słupkowy przyrostu sprzedaży w tysiącach opakowań. Naiwnie: rok do roku 69.8, względem 8 tygodni przed akcją −5.2. DiD bez kontroli dystrybucji: akcja 61.9, spłata −6.0, netto 55.9. DiD z dystrybucją: akcja 48.8 [40.5, 57.0], spłata −18.7 [−25.4, −12.1], netto 30.0 [22.0, 38.1]
Rysunek 3. Przyrost sprzedaży mieszanki (tys. opakowań) według sposobu liczenia: dwa porównania naiwne, różnica w różnicach bez kontroli dystrybucji i z nią; odcinki – 95% przedziały ufności (błędy klastrowane po regionie, metoda delta). Obliczenia: R, pakiety fixest i ggplot2 (dane fikcyjne, set.seed(745)).

Co widać. W modelu z dystrybucją loteria dała w tygodniach akcji 48.8 tys. dodatkowych opakowań, 95% CI [40.5, 57.0] (19.1% sprzedaży bez loterii). W spłacie firma oddała 18.7 tys. [−25.4, −12.1], czyli 7.6% sprzedaży tych tygodni. Przyrost netto po 16 tygodniach to 30.0 tys. opakowań, 95% CI [22.0, 38.1] – ok. 60% tego, co widać w samych tygodniach akcji. Porównanie rok do roku (69.8 tys.) dolicza loterii wzrost rynku i dystrybucji, a porównanie z tygodniami przed akcją (−5.2 tys.) – sezon.

Jak może zmylić. Model bez dystrybucji daje akcję 61.9 tys. i prawie żadną spłatę (−6.0 tys., [−12.4, 0.4]), czyli netto 55.9 tys. Nowe sklepy osiedlowe sprzedają mieszankę także po akcji i przykrywają dołek. Gdy razem z loterią zmienia się dystrybucja, cena albo reklama, DiD przypisze loterii wszystko – to zmienna zakłócająca.

Podpis do pracy:

Rysunek 3. Dodatkowa sprzedaż produktu (tys. opakowań) przypisana loterii promocyjnej według metody szacowania. Uwaga. Porównania naiwne: 8 tygodni akcji wobec tych samych tygodni roku poprzedniego lub 8 tygodni przed akcją. Przyrost netto = przyrost w 8 tygodniach akcji + w 8 tygodniach po akcji. Odcinki – 95% przedziały ufności.

Zdanie do Wyników:

W 8 tygodniach loterii sprzedaż produktu była o 19.1% wyższa niż w scenariuszu bez loterii (48.8 tys. opakowań, 95% CI [40.5, 57.0]), a w 8 kolejnych tygodniach o 7.6% niższa (−18.7 tys., 95% CI [−25.4, −12.1]). Przyrost netto w 16 tygodniach wyniósł 30.0 tys. opakowań, 95% CI [22.0, 38.1], czyli 6.0% sprzedaży w tym okresie.

Rysunek 4: kto rejestrował kody – długi ogon

Kody zarejestrowało 16 000 osób, razem 45 959 kodów – tylko 15.1% opakowań sprzedanych w tygodniach akcji. Rejestracja kodów ≠ wszystkie zakupy, więc liczba rejestracji nie mierzy przyrostu sprzedaży.

Nierówny rozkład kodów pokazuje krzywa Lorenza (Lorenz, 1905): uczestnicy od najmniej aktywnych, na osi pionowej skumulowany udział kodów. Im dalej od przekątnej, tym większa koncentracja; podsumowuje ją indeks Giniego.

Dwa panele. A: histogram liczby kodów na uczestnika od 1 do 20+, prawie 7.6 tys. osób ma jeden kod, dalej słupki szybko maleją. B: krzywa Lorenza kodów wyraźnie pod przekątną; strzałka przy 90% uczestników pokazuje, że 10% najaktywniejszych ma 36.0% kodów
Rysunek 4. Liczba zarejestrowanych kodów na uczestnika (A) i krzywa Lorenza kodów (B) w loterii mieszanki. Obliczenia: R, pakiety ineq, ggplot2 i patchwork (dane fikcyjne, set.seed(7451)).

Co widać. 47.5% uczestników zarejestrowało jeden kod, mediana to 2, średnia 2.87, a rekordzista – 38. 4.4% osób ma 10 kodów lub więcej. 10% najaktywniejszych zarejestrowało 36.0% kodów, a 1% – 6.9%; indeks Giniego = .466. Ten ogon to klienci kupujący wiele opakowań naraz – spójne ze spłatą z Rysunku 2: przyspieszenie zakupów to typowa część reakcji na promocję (Bell i in., 1999).

Jak może zmylić. Rejestrują osoby, którym chciało się wpisać kod; jedna osoba może wpisywać kody całej rodziny. Koncentracji kodów nie przenoś wprost na koncentrację zakupów.

Podpis do pracy:

Rysunek 4. Rozkład liczby zarejestrowanych kodów na uczestnika loterii (A) i krzywa Lorenza kodów (B), N = 16 000 uczestników, 45 959 kodów. Uwaga. W panelu A wartości 20 i więcej połączono. Linia przerywana w panelu B – równy rozkład kodów.

Rysunek 5: rachunek – marża przyrostu a koszt nagród

Loteria kosztowała 120 tys. zł (nagrody 90 tys., druk kodów, obsługa i komunikacja 30 tys.). Przy marży 3.10 zł na opakowaniu próg opłacalności to 38.7 tys. dodatkowych opakowań. Z samych tygodni akcji zysk wynosi 31.2 tys. zł, 95% CI [5.6, 56.8], a po doliczeniu spłaty −26.9 tys. zł, 95% CI [−51.9, −1.8].

Wykres liniowy zysku z loterii (marża przyrostu minus koszt, tys. zł) z 95% pasmem ufności w zależności od liczby tygodni po akcji wliczonych do rachunku. Przy 0 tygodniach zysk wynosi 32.3 tys. zł [6.2, 58.5], przy 2 tygodniach 6.1, przy 4 tygodniach −12.9, przy 8 tygodniach −24.0 [−49.1, 1.1], a przy 16 tygodniach −6.0 [−43.1, 31.2]
Rysunek 5. Zysk z loterii (marża dodatkowej sprzedaży minus koszt akcji) według liczby tygodni po akcji wliczonych do rachunku, z 95% pasmem ufności; suma tygodniowych efektów z modelu zdarzeń. Obliczenia: R, pakiety fixest i ggplot2 (dane fikcyjne, set.seed(745)).

Co widać. Z samych tygodni akcji zysk to 32.3 tys. zł [6.2, 58.5] (model tydzień po tygodniu daje liczby nieco inne niż model z dwiema zmiennymi). Po dwóch tygodniach spłaty zostaje 6.1 tys. zł, po ośmiu −24.0 tys. [−49.1, 1.1]. Dalej dodajemy tygodnie z efektami bliskimi zera, więc pasmo się rozszerza: po 16 tygodniach −6.0 tys. [−43.1, 31.2].

Jak może zmylić. Zbyt długie okno dokłada szum, a nie informację. Długość okna ustal przed analizą. Dołek po promocji bywa w danych tygodniowych trudny do wykrycia bez modeli z opóźnieniami (van Heerde i in., 2000). Rachunek pomija też nowych klientów, którzy zostaną.

Podpis do pracy:

Rysunek 5. Zysk z loterii promocyjnej (marża dodatkowej sprzedaży minus koszt akcji, tys. zł) według liczby tygodni po akcji uwzględnionych w rachunku. Uwaga. Marża 3.10 zł na opakowaniu, koszt 120 tys. zł. Pasmo – 95% przedział ufności.

Rysunek 6: oś czasu „akcja – spłata”

Grafika dla zarządu: pole nad linią „bez loterii” to sprzedaż dodatkowa, pole pod nią – spłata.

Schemat osi czasu od tygodnia −4 do 20. Linia sprzedaży mieszanki względem poziomu bez loterii równego 100: w tygodniach 1–8 wznosi się do ok. 128 (pomarańczowe pole, opis: akcja +48.8 tys. opakowań, zysk liczony tylko tu 31.2 tys. zł), w tygodniach 9–16 opada do ok. 84 i wraca do 100 (niebieskie pole, opis: spłata −18.7 tys. opakowań). Ramka: netto po 16 tygodniach +30.0 tys. opakowań [22.0, 38.1], zysk −26.9 tys. zł [−51.9, −1.8]
Rysunek 6. Oś czasu loterii: sprzedaż mieszanki względem poziomu bez loterii (= 100) w tygodniach akcji i spłaty z liczbami z przykładu. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(745)).

Co widać. Pomarańczowe pole jest większe od niebieskiego, więc przyrost netto jest dodatni, ale za mały, żeby loteria się zwróciła.

Jak może zmylić. Linia to oszacowania punktowe bez niepewności, a poziom „bez loterii” pochodzi z modelu.

Co z tym zrobić w firmie

  • Raportuj przyrost netto, nie szczyt. Ustal przed akcją okno spłaty i produkt kontrolny. Raport bez spłaty zamienia u nas −26.9 tys. zł w +31.2 tys.
  • Nie zmieniaj niczego innego w tym samym czasie. Rozszerzenie dystrybucji razem ze startem loterii prawie ukryło spłatę. Jeśli się nie da – zapisz kiedy i gdzie i włącz to do modelu.
  • Sprawdź, czy da się zostawić regiony bez akcji. Losowo wybrane regiony bez kodów to czystsza kontrola niż inny produkt; zob. wpis o teście wyłączenia reklamy.
  • Projektuj nagrody pod cel. Jak liczba i wielkość nagród wpływa na wartość loterii w oczach klientów, zależy od celu promocji i od niechęci klientów do ryzyka (Kalra i Shi, 2010). Jeśli celem jest nowy klient, a nie zapas u stałych, ogranicz liczbę kodów na osobę.
  • Porównaj z innymi promocjami tą samą miarą. Przyrost netto na złotówkę kosztu zestawia loterię z rabatem (głębokość rabatu a sprzedaż), promocją wielosztukową (2 za 1 czy rabat) i gazetką. Dołki po promocji są silniejsze m.in. dla drogich, często promowanych produktów (Macé i Neslin, 2004).

Jak opisać w pracy

Opisz produkt kontrolny, efekty stałe, okno spłaty i błędy. Ogólne wskazówki: statystyka w pracy z marketingu; o pułapkach zwykłego porównania rok do roku – wpis o efektach kalendarza.

Metoda. Efekt loterii promocyjnej oszacowano metodą różnicy w różnicach na tygodniowych danych z lat 2023–2025 (2 produkty × 3 kanały × 16 regionów × 156 tygodni, N = 14 976); produktem kontrolnym był produkt nieobjęty loterią. Logarytm sprzedaży modelowano regresją z efektami stałymi komórki, produktu × tygodnia roku, kanału × tygodnia i regionu × tygodnia oraz z logarytmem dystrybucji. Przyrost netto obliczono jako sumę efektów w 8 tygodniach akcji i 8 tygodniach po niej, przeliczonych na opakowania; przedziały ufności wyznaczono metodą delta z błędów klastrowanych po regionie. Równoległość trendów sprawdzono w modelu zdarzeń. Obliczenia: R 4.5.3, pakiet fixest.
Przyrost sprzedaży z loterii według okresu
Okresb (SE)Przyrost, tys. opak. [95% CI]% sprzedaży bez loterii w okresie
Akcja (8 tyg.)0.175 (0.015)48.8 [40.5, 57.0]19.1
Spłata (8 tyg.)−0.079 (0.013)−18.7 [−25.4, −12.1]−7.6
Netto (16 tyg.)–30.0 [22.0, 38.1]6.0
Tabela 1. Efekt loterii promocyjnej na sprzedaż produktu w okresie akcji i spłaty (różnica w różnicach z produktem kontrolnym). Uwaga. b – współczynnik regresji logarytmu sprzedaży; SE klastrowane po regionie (16 klastrów); przyrost netto = suma przyrostów w okresie akcji i spłaty, przedział metodą delta. Procent odniesiony do szacowanej sprzedaży bez loterii w danym okresie.
Przykład reprodukowalny

Kod R: dane, różnica w różnicach, przyrost netto, kody i rachunek

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę, motyw i funkcję minus(), z których korzystają następne. Przepisy 2–7 kończą się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losuje tylko przepis 1: sprzedaż z set.seed(745), rejestracje kodów z set.seed(7451); ziarna ustalono raz i nie zmieniano. Ręcznie ustalono: średnią sprzedaż mieszanki w regionie (700, 900 i 500 opakowań tygodniowo w hipermarketach, supermarketach i sklepach osiedlowych; orzeszki × 1.3), rozrzut wielkości regionów (SD 0.35 w skali log), sezonowość (amplituda 0.25 dla mieszanki i 0.15 dla orzeszków, szczyt w 50. tygodniu), wzrost rynku 0.05 rocznie w skali log, wspólne szoki region × tydzień (SD 0.05) i kanał × tydzień (SD 0.04), szum komórki AR(1) z ρ = 0.6 i SD 0.07, start loterii w 118. tygodniu (14. tydzień 2025 r.), efekty loterii w 8 tygodniach akcji (0.10, 0.17, 0.20, 0.21, 0.20, 0.19, 0.17, 0.15) i 8 tygodniach spłaty (−0.13, −0.10, −0.08, −0.06, −0.04, −0.03, −0.02, −0.01), dystrybucję (90% w hiper- i supermarketach; w sklepach osiedlowych 60%, a dla mieszanki od startu akcji 70%), 16 000 uczestników loterii z liczbą kodów 1 + rozkład ujemny dwumianowy (średnia 1.9, parametr kształtu 0.45), marżę 3.10 zł i koszt akcji 120 tys. zł. Po pierwszym uruchomieniu zmieniono dwa elementy: niezależny szum komórki (SD 0.07) zastąpiono szumem AR(1) z ρ = 0.6, bo błędy klastrowane i zwykłe były prawie równe (0.0105 i 0.0100), oraz obniżono koszt akcji ze 195 do 120 tys. zł. Przepis 1 zapisuje dane do pliku CSV w katalogu roboczym. Cały kod liczy się kilka sekund.

1. Dane: sprzedaż tygodniowa 2023–2025 i rejestracje kodów

Dane wejściowe: nic – dane losuje kod. Na początku – paleta Okabe–Ito kol, motyw motyw i funkcja minus() (znak − w etykietach).

Co odczytać: liczbę wierszy, łączną sprzedaż obu produktów (mln opakowań), liczbę uczestników loterii i zarejestrowanych kodów.

R
# Przepis 1. Fikcyjny producent przekąsek z orzechów: sprzedaż tygodniowa 2023–2025 i loteria z kodami w 2025 r.
library(ggplot2)
options(width = 120)                                 # szerokie wydruki tabel

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw rysunków
kol <- c("Mieszanka z kodami" = "#D55E00", "Orzeszki bez kodów" = "#0072B2", "Akcja" = "#D55E00",
         "Spłata" = "#0072B2", "Netto" = "#000000", "Naiwnie" = "grey55")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-", "−", x)               # znak minus (−) w etykietach rysunków

# Parametry ustalone ręcznie
kanaly <- c("Hipermarkety", "Supermarkety", "Sklepy osiedlowe")
baza_kanal <- c(700, 900, 500)                       # średnia sprzedaż mieszanki (opak./tydz.) w regionie
wzrost_rynku <- 0.05                                 # wspólny wzrost rynku: +0.05 w skali log na rok
start <- 118                                         # 1. tydzień loterii: 14. tydzień 2025 r. (tydzień 118 z 156)
efekt_akcji <- c(0.10, 0.17, 0.20, 0.21, 0.20, 0.19, 0.17, 0.15)            # 8 tygodni akcji (skala log)
efekt_po <- c(-0.13, -0.10, -0.08, -0.06, -0.04, -0.03, -0.02, -0.01)       # 8 tygodni po akcji (spłata)
dystr_przed <- 0.60; dystr_po <- 0.70                # sklepy osiedlowe: dystrybucja mieszanki od startu akcji
elast_dystr <- 1                                     # sprzedaż proporcjonalna do dystrybucji
rho <- 0.6; sd_szum <- 0.07                          # szum komórki: autokorelacja AR(1) z tygodnia na tydzień

set.seed(745)
reg <- data.frame(region = sprintf("R%02d", 1:16), wielkosc = exp(rnorm(16, 0, 0.35)))
siatka <- expand.grid(tydzien = 1:156, kanal = kanaly, region = reg$region,
                      produkt = c("Mieszanka z kodami", "Orzeszki bez kodów"), stringsAsFactors = FALSE)
siatka$rok <- 2023 + (siatka$tydzien - 1) %/% 52
siatka$tydz_roku <- (siatka$tydzien - 1) %% 52 + 1
sezon <- function(t, a) a * cos(2 * pi * (t - 50) / 52)               # szczyt w grudniu (tydz. 50)
szok_rt <- with(expand.grid(tydzien = 1:156, region = reg$region),    # wspólne szoki region × tydzień
                setNames(rnorm(length(tydzien), 0, 0.05), paste(region, tydzien)))
szok_kt <- with(expand.grid(tydzien = 1:156, kanal = kanaly),          # wspólne szoki kanał × tydzień
                setNames(rnorm(length(tydzien), 0, 0.04), paste(kanal, tydzien)))
siatka$wzgl <- siatka$tydzien - start + 1             # tydzień względem startu akcji (1–8 akcja, 9–16 spłata)
m <- siatka$produkt == "Mieszanka z kodami"
siatka$dystrybucja <- ifelse(siatka$kanal == "Sklepy osiedlowe",
                             ifelse(m & siatka$wzgl >= 1, dystr_po, dystr_przed), 0.90)
siatka$dystrybucja <- pmin(siatka$dystrybucja + rnorm(nrow(siatka), 0, 0.01), 1)
efekt <- numeric(nrow(siatka))
efekt[m & siatka$wzgl %in% 1:8] <- efekt_akcji[siatka$wzgl[m & siatka$wzgl %in% 1:8]]
efekt[m & siatka$wzgl %in% 9:16] <- efekt_po[siatka$wzgl[m & siatka$wzgl %in% 9:16] - 8]
mu <- log(baza_kanal[match(siatka$kanal, kanaly)]) + log(reg$wielkosc[match(siatka$region, reg$region)]) +
  ifelse(m, 0, log(1.3)) + sezon(siatka$tydz_roku, ifelse(m, 0.25, 0.15)) +
  wzrost_rynku * (siatka$tydzien - 1) / 52 + elast_dystr * log(siatka$dystrybucja / 0.90) +
  szok_rt[paste(siatka$region, siatka$tydzien)] + szok_kt[paste(siatka$kanal, siatka$tydzien)] + efekt
komorka <- paste(siatka$produkt, siatka$kanal, siatka$region)      # wiersze uporządkowane: tydzień 1–156 w komórce
szum <- ave(rnorm(nrow(siatka)), komorka, FUN = function(u)
  as.numeric(stats::filter(u * sd_szum * sqrt(1 - rho^2), rho, method = "recursive")))
siatka$sprzedaz <- rnbinom(nrow(siatka), mu = exp(mu + szum), size = 200)
sprzedaz <- siatka[, c("produkt", "kanal", "region", "rok", "tydz_roku", "tydzien", "wzgl", "dystrybucja", "sprzedaz")]
sprzedaz$dystrybucja <- round(sprzedaz$dystrybucja, 3)
write.csv(sprzedaz, "loteria-promocyjna-sprzedaz-tygodniowa.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Rejestracje kodów z loterii: jedna osoba może zarejestrować wiele kodów (długi ogon)
set.seed(7451)
uczestnicy <- 16000
kody_na_osobe <- 1 + rnbinom(uczestnicy, mu = 1.9, size = 0.45)
c(wiersze = nrow(sprzedaz), opakowania_mln = round(sum(sprzedaz$sprzedaz) / 1e6, 2),
  uczestnicy = uczestnicy, kody = sum(kody_na_osobe))
Wynik w R
       wiersze opakowania_mln     uczestnicy           kody 
      14976.00          12.82       16000.00       45959.00 

2. Sprzedaż obu produktów w czasie: Rysunek 1

Dane wejściowe: sprzedaz, start, kol i motyw z przepisu 1.

Co odczytać: średnią tygodniową sprzedaż mieszanki (tys. opakowań) w tygodniach akcji, spłaty i 8 tygodniach przed akcją w każdym roku.

R
# Przepis 2. Sprzedaż obu produktów w czasie: Rysunek 1
# Korzysta z obiektów sprzedaz, kol, motyw i start (przepis 1).
tyg <- aggregate(sprzedaz ~ produkt + tydzien + rok + tydz_roku, data = sprzedaz, FUN = sum)
tyg$tys <- tyg$sprzedaz / 1000
fazy <- data.frame(od = c(start, start + 8) - 0.5, do = c(start + 7, start + 15) + 0.5,
                   faza = c("Akcja", "Spłata"))
p1 <- ggplot(tyg, aes(tydzien, tys, colour = produkt, linetype = produkt)) +
  geom_rect(data = fazy, aes(xmin = od, xmax = do, ymin = -Inf, ymax = Inf, fill = faza), inherit.aes = FALSE,
            alpha = 0.15) +
  geom_line(linewidth = 0.6) +
  scale_colour_manual(values = kol, name = NULL) + scale_fill_manual(values = kol, name = NULL) +
  scale_linetype_manual(values = c("Mieszanka z kodami" = "solid", "Orzeszki bez kodów" = "22"), name = NULL) +
  scale_x_continuous(breaks = c(1, 53, 105, 156), labels = c("I 2023", "I 2024", "I 2025", "XII 2025")) +
  labs(title = "Sprzedaż tygodniowa w 16 regionach i 3 kanałach", x = NULL, y = "Tys. opakowań na tydzień") +
  motyw

# Średnia sprzedaż tygodniowa mieszanki (tys. opak.) w tych samych tygodniach roku 2023–2025
okno <- function(a, b) tyg$produkt == "Mieszanka z kodami" & tyg$tydz_roku %in% a:b
srednie <- sapply(2023:2025, function(r) c(akcja = mean(tyg$tys[okno(14, 21) & tyg$rok == r]),
                                           splata = mean(tyg$tys[okno(22, 29) & tyg$rok == r]),
                                           osiem_przed = mean(tyg$tys[okno(6, 13) & tyg$rok == r])))
colnames(srednie) <- 2023:2025
round(srednie, 1)
p1   # zapis: ggsave("loteria-promocyjna-sprzedaz.svg", p1, width = 10, height = 5.4)
Wynik w R
            2023 2024 2025
akcja       27.9 29.2 38.0
splata      25.8 28.0 28.3
osiem_przed 34.3 36.1 38.6

3. Różnica w różnicach tydzień po tygodniu: Rysunek 2

Dane wejściowe: sprzedaz, kol, motyw i minus() z przepisu 1.

Co odczytać: dla każdej fazy liczbę tygodni, średni, najmniejszy i największy efekt (%) oraz liczbę tygodni, w których 95% CI nie obejmuje zera; potem efekty w wybranych tygodniach.

R
# Przepis 3. Różnica w różnicach tydzień po tygodniu (model zdarzeń): Rysunek 2
# Korzysta z obiektów sprzedaz, kol, motyw i minus() (przepis 1).
library(fixest)
d <- sprzedaz
d$mieszanka <- as.integer(d$produkt == "Mieszanka z kodami")
# tydzień względem startu dla mieszanki od −11 do 24; wszystko inne (orzeszki, pozostałe tygodnie) = "poza"
d$okno <- ifelse(d$mieszanka == 1 & d$wzgl >= -11 & d$wzgl <= 24, d$wzgl, 99)
es <- feols(log(sprzedaz) ~ i(okno, ref = 99) + log(dystrybucja) |
              produkt^kanal^region + produkt^tydz_roku + kanal^tydzien + region^tydzien,
            data = d, cluster = ~region)
wsp <- data.frame(tydzien = as.numeric(sub("okno::", "", names(coef(es))[-length(coef(es))])),
                  b = coef(es)[-length(coef(es))], se = se(es)[-length(coef(es))])
kryt <- qt(0.975, df = 15)                           # 16 regionów → 15 stopni swobody
wsp$efekt <- 100 * (exp(wsp$b) - 1)
wsp$dol <- 100 * (exp(wsp$b - kryt * wsp$se) - 1); wsp$gora <- 100 * (exp(wsp$b + kryt * wsp$se) - 1)
wsp$faza <- cut(wsp$tydzien, c(-Inf, 0, 8, 16, Inf), labels = c("Przed", "Akcja", "Spłata", "Później"))
# Podsumowanie faz: średni efekt tygodniowy (%), najmniejszy i największy, liczba tygodni z CI bez zera
do.call(rbind, lapply(split(wsp, wsp$faza), function(x)
  data.frame(faza = x$faza[1], tygodnie = nrow(x), sredni = round(mean(x$efekt), 1), min = round(min(x$efekt), 1),
             maks = round(max(x$efekt), 1), ci_bez_zera = sum(x$dol > 0 | x$gora < 0))))
wybrane <- wsp[wsp$tydzien %in% c(1, 3, 8, 9, 12, 16), c("tydzien", "efekt", "dol", "gora")]
rownames(wybrane) <- NULL; round(wybrane, 1)
p2 <- ggplot(wsp, aes(tydzien, efekt)) +
  annotate("rect", xmin = 0.5, xmax = 8.5, ymin = -Inf, ymax = Inf, fill = kol[["Akcja"]], alpha = 0.12) +
  annotate("rect", xmin = 8.5, xmax = 16.5, ymin = -Inf, ymax = Inf, fill = kol[["Spłata"]], alpha = 0.12) +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_errorbar(aes(ymin = dol, ymax = gora), width = 0, colour = "grey50") +
  geom_point(aes(shape = faza, colour = faza), size = 2.4) +
  scale_colour_manual(values = c("Przed" = "grey40", "Akcja" = "#D55E00", "Spłata" = "#0072B2", "Później" = "grey40"),
                      name = NULL) +
  scale_shape_manual(values = c("Przed" = 1, "Akcja" = 16, "Spłata" = 17, "Później" = 1), name = NULL) +
  scale_y_continuous(labels = function(x) minus(paste0(x, "%"))) +
  scale_x_continuous(breaks = c(-11, -5, 1, 8, 9, 16, 24), labels = function(x) minus(x)) +
  labs(title = "Efekt loterii tydzień po tygodniu (mieszanka względem orzeszków)",
       x = "Tydzień względem startu loterii (1–8: akcja, 9–16: spłata)", y = "Zmiana sprzedaży (95% CI)") +
  motyw
p2   # zapis: ggsave("loteria-promocyjna-tydzien-po-tygodniu.svg", p2, width = 10, height = 5.4)
Wynik w R
           faza tygodnie sredni   min maks ci_bez_zera
Przed     Przed       12    0.2  -5.8  2.6           0
Akcja     Akcja        8   19.4   9.1 28.4           8
Spłata   Spłata        8   -7.4 -16.0 -0.3           5
Później Później        8    2.2  -2.7  5.4           1
  tydzien efekt   dol  gora
1       1   9.1   3.3  15.1
2       3  28.4  21.5  35.7
3       8  15.3   9.5  21.4
4       9 -16.0 -20.7 -11.2
5      12 -11.7 -15.6  -7.7
6      16  -3.3 -10.3   4.3

4. Przyrost netto, porównania naiwne i dystrybucja: Rysunek 3

Dane wejściowe: d (przepis 3) i srednie (przepis 2).

Co odczytać: współczynniki akcja i splata w modelu bez dystrybucji i z nią, błędy klastrowane i zwykłe, przyrost w tys. opakowań z 95% CI, zysk (tys. zł) i porównania naiwne.

R
# Przepis 4. Przyrost netto = akcja + spłata, porównania naiwne i dystrybucja: Rysunek 3
# Korzysta z obiektów d (przepis 3), srednie (przepis 2), motyw i minus() (przepis 1).
d$akcja <- as.integer(d$mieszanka == 1 & d$wzgl %in% 1:8)
d$splata <- as.integer(d$mieszanka == 1 & d$wzgl %in% 9:16)
fe <- "produkt^kanal^region + produkt^tydz_roku + kanal^tydzien + region^tydzien"
m_bez <- feols(as.formula(paste("log(sprzedaz) ~ akcja + splata |", fe)), data = d, cluster = ~region)
m_dys <- feols(as.formula(paste("log(sprzedaz) ~ akcja + splata + log(dystrybucja) |", fe)), data = d,
               cluster = ~region)
etable(m_bez, m_dys, digits = 3, fitstat = ~n)
# Błędy standardowe: klastrowane po regionie a „zwykłe” (jakby każdy wiersz był niezależny)
round(rbind(klastrowane = se(m_dys)[1:2], zwykle_iid = se(summary(m_dys, vcov = "iid"))[1:2]), 4)

# Przyrost w opakowaniach: kontrfaktyczna sprzedaż = obserwowana / exp(b); błąd z metody delta
przyrost <- function(m) {
  b <- coef(m)[c("akcja", "splata")]; V <- vcov(m)[c("akcja", "splata"), c("akcja", "splata")]
  y_a <- sum(d$sprzedaz[d$akcja == 1]); y_s <- sum(d$sprzedaz[d$splata == 1])
  est <- c(akcja = y_a * (1 - exp(-b[[1]])), splata = y_s * (1 - exp(-b[[2]])))
  G <- rbind(c(y_a * exp(-b[[1]]), 0), c(0, y_s * exp(-b[[2]])), c(y_a * exp(-b[[1]]), y_s * exp(-b[[2]])))
  se <- sqrt(diag(G %*% V %*% t(G))); kryt <- qt(0.975, df = 15)
  data.frame(skladnik = c("Akcja (8 tyg.)", "Spłata (8 tyg.)", "Netto (16 tyg.)"),
             tys_opak = c(est, sum(est)) / 1000, dol = (c(est, sum(est)) - kryt * se) / 1000,
             gora = (c(est, sum(est)) + kryt * se) / 1000)
}
netto <- przyrost(m_dys); netto_bez <- przyrost(m_bez)
# sprzedaż bez loterii (tys. opak.) w 8 tyg. akcji, w 8 tyg. spłaty i razem; przyrost jako % tej sprzedaży
baza <- c(sum(d$sprzedaz[d$akcja == 1]), sum(d$sprzedaz[d$splata == 1])) / 1000 - netto$tys_opak[1:2]
cbind(netto[, 1, drop = FALSE], round(netto[, -1], 1), proc_bazy = round(100 * netto$tys_opak / c(baza, sum(baza)), 1))
cbind(skladnik = netto_bez$skladnik, round(netto_bez[, -1], 1))

# Rachunek: marża przyrostu − koszt loterii (parametry ustalone ręcznie)
marza <- 3.10                                        # marża producenta na opakowaniu (zł)
koszt <- 90000 + 30000                               # pula nagród + druk kodów, obsługa i komunikacja (zł)
zysk <- data.frame(liczone = c("tylko 8 tyg. akcji", "akcja + 8 tyg. spłaty"),
                   tys_zl = marza * netto$tys_opak[c(1, 3)] - koszt / 1000,
                   dol = marza * netto$dol[c(1, 3)] - koszt / 1000, gora = marza * netto$gora[c(1, 3)] - koszt / 1000)
cbind(zysk[1], round(zysk[-1], 1))
c(prog_oplacalnosci_tys_opak = round(koszt / marza / 1000, 1))

# Porównania naiwne (tylko mieszanka, 8 tygodni akcji): rok do roku i względem 8 tygodni przed akcją
naiwnie <- c(rok_do_roku = 8 * (srednie["akcja", "2025"] - srednie["akcja", "2024"]),
             przed_po = 8 * (srednie["akcja", "2025"] - srednie["osiem_przed", "2025"]))
round(naiwnie, 1)

wykres <- rbind(
  data.frame(grupa = "Naiwnie: akcja", wariant = c("rok do roku", "8 tyg. przed"), tys_opak = naiwnie,
             dol = NA, gora = NA),
  data.frame(grupa = "DiD bez dystrybucji", wariant = netto_bez$skladnik, netto_bez[, -1]),
  data.frame(grupa = "DiD z dystrybucją", wariant = netto$skladnik, netto[, -1]))
wykres$grupa <- factor(wykres$grupa, levels = unique(wykres$grupa))
wykres$wariant <- factor(wykres$wariant, levels = rev(unique(wykres$wariant)))
p3 <- ggplot(wykres, aes(tys_opak, wariant)) +
  geom_vline(xintercept = 0, colour = "grey40") +
  geom_col(aes(fill = grupa), width = 0.6) +
  geom_errorbar(aes(xmin = dol, xmax = gora), width = 0.2, orientation = "y", na.rm = TRUE) +
  geom_text(aes(label = minus(sprintf("%.1f", tys_opak)), hjust = ifelse(tys_opak < 0, 1.25, -0.25),
                x = ifelse(is.na(gora), tys_opak, ifelse(tys_opak < 0, dol, gora))), size = 4) +
  facet_grid(grupa ~ ., scales = "free_y", space = "free_y") +
  scale_fill_manual(values = c("grey60", "#56B4E9", "#D55E00"), guide = "none") +
  scale_x_continuous(labels = function(x) minus(x), expand = expansion(mult = c(0.15, 0.15))) +
  labs(title = "Ile dodatkowych opakowań dała loteria?", x = "Tys. opakowań (95% CI)", y = NULL) +
  motyw + theme(strip.text.y = element_text(angle = 0, hjust = 0))
p3   # zapis: ggsave("loteria-promocyjna-przyrost-netto.svg", p3, width = 10, height = 5.6)
Wynik w R
                                m_bez             m_dys
Dependent Var.:         log(sprzedaz)     log(sprzedaz)
                                                       
akcja                0.228*** (0.016)  0.175*** (0.015)
splata                -0.026. (0.013) -0.079*** (0.013)
log(dystrybucja)                        1.02*** (0.049)
Fixed-Effects:       ---------------- -----------------
produkt-kanal-region              Yes               Yes
produkt-tydz_roku                 Yes               Yes
kanal-tydzien                     Yes               Yes
region-tydzien                    Yes               Yes
____________________ ________________ _________________
S.E.: Clustered            by: region        by: region
Observations                   14,976            14,976
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
             akcja splata
klastrowane 0.0152 0.0127
zwykle_iid  0.0098 0.0098
              skladnik tys_opak   dol  gora proc_bazy
akcja   Akcja (8 tyg.)     48.8  40.5  57.0      19.1
splata Spłata (8 tyg.)    -18.7 -25.4 -12.1      -7.6
       Netto (16 tyg.)     30.0  22.0  38.1       6.0
              skladnik tys_opak   dol gora
akcja   Akcja (8 tyg.)     61.9  53.5 70.2
splata Spłata (8 tyg.)     -6.0 -12.4  0.4
       Netto (16 tyg.)     55.9  47.3 64.5
                liczone tys_zl   dol gora
1    tylko 8 tyg. akcji   31.2   5.6 56.8
2 akcja + 8 tyg. spłaty  -26.9 -51.9 -1.8
prog_oplacalnosci_tys_opak 
                      38.7 
rok_do_roku    przed_po 
       69.8        -5.2 

5. Rejestracje kodów i krzywa Lorenza: Rysunek 4

Dane wejściowe: kody_na_osobe (przepis 1) i d (przepisy 3–4).

Co odczytać: liczbę uczestników i kodów, odsetek zarejestrowanych opakowań, odsetki osób z 1 i 10+ kodami, udział 10% i 1% najaktywniejszych w kodach (%), medianę, średnią, maksimum i indeks Giniego.

R
# Przepis 5. Rejestracje kodów: ilu uczestników, ile kodów na osobę, koncentracja (krzywa Lorenza): Rysunek 4
# Korzysta z obiektów kody_na_osobe (przepis 1), d (przepisy 3–4), motyw i kol (przepis 1).
library(ineq); library(patchwork)
k <- sort(kody_na_osobe, decreasing = TRUE)
udzial_top <- function(q) 100 * sum(k[seq_len(ceiling(q * length(k)))]) / sum(k)
c(uczestnicy = length(k), kody = sum(k),
  proc_opak_z_akcji_zarejestrowanych = round(100 * sum(k) / sum(d$sprzedaz[d$akcja == 1]), 1),
  proc_osob_1_kod = round(100 * mean(k == 1), 1), proc_osob_10_plus = round(100 * mean(k >= 10), 1),
  kody_top10_proc = round(udzial_top(0.10), 1), kody_top1_proc = round(udzial_top(0.01), 1),
  mediana = median(k), srednia = round(mean(k), 2), maks = max(k), gini = round(Gini(k), 3))

hist_d <- as.data.frame(table(kody = pmin(k, 20)))
hist_d$kody <- factor(ifelse(hist_d$kody == "20", "20+", as.character(hist_d$kody)), levels = c(1:19, "20+"))
pa <- ggplot(hist_d, aes(kody, Freq / 1000)) + geom_col(fill = "#0072B2", width = 0.75) +
  scale_x_discrete(breaks = c("1", "5", "10", "15", "20+")) +
  labs(title = "A. Kody na uczestnika", x = "Liczba zarejestrowanych kodów", y = "Tys. uczestników") + motyw
lc <- Lc(k)                                              # krzywa Lorenza: od najmniejszych do największych
siatka_p <- seq(0, 1, by = 0.005)                       # 201 punktów wystarczy do rysunku
lor <- data.frame(osoby = siatka_p, kody = approx(lc$p, lc$L, xout = siatka_p)$y)
gora10 <- 1 - udzial_top(0.10) / 100
pb <- ggplot(lor, aes(osoby, kody)) +
  geom_abline(slope = 1, intercept = 0, linetype = "22", colour = "grey50") +
  geom_line(colour = "#D55E00", linewidth = 1) +
  annotate("segment", x = 0.9, xend = 0.9, y = gora10, yend = 1, colour = "#0f1d3a",
           arrow = arrow(length = unit(0.15, "cm"), ends = "both")) +
  annotate("text", x = 0.62, y = 0.93, hjust = 1, size = 3.9,
           label = sprintf("strzałka: 10%% najaktywniejszych\nma %.1f%% kodów", udzial_top(0.10))) +
  scale_x_continuous(labels = scales::percent) + scale_y_continuous(labels = scales::percent) +
  coord_equal() +
  labs(title = "B. Krzywa Lorenza kodów", x = "Uczestnicy (od najmniej aktywnych)", y = "Skumulowany udział kodów") +
  motyw
p4 <- pa + pb + plot_layout(widths = c(1.15, 1))
p4   # zapis: ggsave("loteria-promocyjna-kody-lorenz.svg", p4, width = 10, height = 5.2)
Wynik w R
                        uczestnicy                               kody proc_opak_z_akcji_zarejestrowanych 
                         16000.000                          45959.000                             15.100 
                   proc_osob_1_kod                  proc_osob_10_plus                    kody_top10_proc 
                            47.500                              4.400                             36.000 
                    kody_top1_proc                            mediana                            srednia 
                             6.900                              2.000                              2.870 
                              maks                               gini 
                            38.000                              0.466 

6. Zysk według długości okna po akcji: Rysunek 5

Dane wejściowe: es, kryt i d (przepis 3), marza i koszt (przepis 4).

Co odczytać: liczbę tygodni po akcji w rachunku, dodatkowe opakowania (tys.), zysk (tys. zł) i jego 95% CI.

R
# Przepis 6. Rachunek: marża przyrostu a koszt nagród przy różnej długości okna po akcji: Rysunek 5
# Korzysta z obiektów es, kryt, d (przepis 3), marza i koszt (przepis 4), motyw i minus() (przepis 1).
# Tu sumujemy efekty z modelu tydzień po tygodniu (przepis 3), więc liczby różnią się nieco od przepisu 4.
b <- coef(es); V <- vcov(es)
nazwy <- paste0("okno::", 1:24)
y_t <- sapply(1:24, function(t) sum(d$sprzedaz[d$mieszanka == 1 & d$wzgl == t]))
# dodatkowe opakowania w tygodniu t = sprzedaż × (1 − exp(−b_t)); suma od 1. tygodnia akcji do tygodnia 8 + w
okna <- 0:16
rach <- t(sapply(okna, function(w) {
  idx <- 1:(8 + w); g <- numeric(length(b)); names(g) <- names(b)
  g[nazwy[idx]] <- y_t[idx] * exp(-b[nazwy[idx]])
  opak <- sum(y_t[idx] * (1 - exp(-b[nazwy[idx]]))); se <- sqrt(drop(t(g) %*% V %*% g))
  c(okno_po = w, tys_opak = opak / 1000, zysk_tys = (marza * opak - koszt) / 1000,
    dol = (marza * (opak - kryt * se) - koszt) / 1000, gora = (marza * (opak + kryt * se) - koszt) / 1000)
}))
rach <- as.data.frame(rach)
round(rach[rach$okno_po %in% c(0, 2, 4, 8, 12, 16), ], 1)
p5 <- ggplot(rach, aes(okno_po, zysk_tys)) +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_ribbon(aes(ymin = dol, ymax = gora), fill = "#0072B2", alpha = 0.18) +
  geom_line(colour = "#0072B2", linewidth = 1) + geom_point(colour = "#0072B2", size = 2) +
  geom_vline(xintercept = 8, linetype = "22", colour = "#D55E00") +
  annotate("text", x = 8.2, y = max(rach$gora), hjust = 0, vjust = 1, size = 3.9, colour = "#D55E00",
           label = "koniec okna spłaty\n(8 tygodni po akcji)") +
  scale_y_continuous(labels = function(x) minus(x)) + scale_x_continuous(breaks = seq(0, 16, 2)) +
  labs(title = "Zysk z loterii zależy od tego, jak długo liczysz po akcji",
       x = "Liczba tygodni po akcji wliczonych do rachunku",
       y = "Marża przyrostu − koszt (tys. zł, 95% CI)") +
  motyw
p5   # zapis: ggsave("loteria-promocyjna-rachunek.svg", p5, width = 10, height = 5.2)
Wynik w R
   okno_po tys_opak zysk_tys   dol gora
1        0     49.1     32.3   6.2 58.5
3        2     40.7      6.1 -18.8 31.1
5        4     34.6    -12.9 -37.2 11.5
9        8     31.0    -24.0 -49.1  1.1
13      12     34.6    -12.8 -42.7 17.1
17      16     36.8     -6.0 -43.1 31.2

7. Grafika: oś czasu „akcja – spłata”: Rysunek 6

Dane wejściowe: wsp (przepis 3), netto, zysk, marza i koszt (przepis 4).

Co odczytać: przepis niczego nie wypisuje – rysuje oś czasu z liczbami pobranymi z wcześniejszych przepisów.

R
# Przepis 7. Grafika: oś czasu „akcja – spłata” z liczbami z przykładu: Rysunek 6
# Korzysta z wsp (przepis 3), netto, zysk, marza i koszt (przepis 4), motyw i minus() (przepis 1).
os <- data.frame(tydzien = -4:20)
os$bez <- 100                                                  # poziom bez loterii (kontrfaktyczny) = 100
os$z <- 100 + ifelse(os$tydzien %in% 1:16, wsp$efekt[match(os$tydzien, wsp$tydzien)], 0)
f1 <- function(x) minus(sprintf("%.1f", x))
opisy <- data.frame(
  x = c(4.5, 12.5, 16.9), y = c(141, 66, 141), kolor = c("#D55E00", "#0072B2", "#000000"),
  tekst = c(sprintf("AKCJA (tyg. 1–8)\nkody w opakowaniach\n+%s tys. opak.\nzysk liczony tylko tu: %s tys. zł", f1(netto$tys_opak[1]),
                    f1(zysk$tys_zl[1])),
            sprintf("SPŁATA (tyg. 9–16)\nklienci zjadają zapasy\n%s tys. opak.", f1(netto$tys_opak[2])),
            sprintf("NETTO po 16 tyg.\n+%s tys. opak. [%s, %s]\nzysk: %s tys. zł\n[%s, %s]", f1(netto$tys_opak[3]),
                    f1(netto$dol[3]), f1(netto$gora[3]), f1(zysk$tys_zl[2]), f1(zysk$dol[2]), f1(zysk$gora[2]))))
p6 <- ggplot(os, aes(tydzien)) +
  geom_ribbon(data = subset(os, tydzien >= 0 & tydzien <= 8), aes(ymin = bez, ymax = pmax(z, bez)),
              fill = "#D55E00", alpha = 0.35) +
  geom_ribbon(data = subset(os, tydzien >= 9 & tydzien <= 16), aes(ymin = pmin(z, bez), ymax = bez),
              fill = "#0072B2", alpha = 0.35) +
  geom_line(aes(y = bez), linetype = "22", colour = "grey35", linewidth = 0.8) +
  geom_line(aes(y = z), colour = "#0f1d3a", linewidth = 1) +
  annotate("text", x = -4, y = 97, hjust = 0, vjust = 1, size = 3.9, colour = "grey30",
           label = "poziom bez loterii\n(z orzeszków i lat 2023–2024)") +
  geom_label(data = opisy, aes(x = x, y = y, label = tekst), colour = opisy$kolor, size = 3.9,
             lineheight = 1.05, linewidth = 0.5, fill = "white") +
  scale_x_continuous(breaks = c(-4, 1, 8, 9, 16, 20), labels = function(x) minus(x)) +
  scale_y_continuous(limits = c(55, 160), breaks = c(80, 100, 120)) +
  labs(title = sprintf("Loteria w czasie: akcja – spłata (koszt %s tys. zł, marża %.2f zł/opak.)",
                       f1(koszt / 1000), marza),
       x = "Tydzień względem startu loterii", y = "Sprzedaż mieszanki (bez loterii = 100)") +
  motyw
p6   # zapis: ggsave("loteria-promocyjna-os-czasu.svg", p6, width = 10, height = 6)

8. 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. Na rysunkach kolorowi towarzyszy kształt punktu, rodzaj linii albo etykieta.

R
# Przepis 8. Kontrola palety: symulacja zaburzeń widzenia barw
library(colorspace)
pary <- list("mieszanka – orzeszki (akcja – spłata)" = c("#D55E00", "#0072B2"),
             "DiD z dystrybucją – bez dystrybucji" = c("#D55E00", "#56B4E9"),
             "naiwnie – DiD bez dystrybucji" = c("grey60", "#56B4E9"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
col2hex <- function(k) rgb(t(col2rgb(k)), maxColorValue = 255)
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(col2hex(k)), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(col2hex(k))),
                                   protanopia = roznica(protan(col2hex(k)))))), 1)
Wynik w R
                                      widzenie_typowe deuteranopia protanopia
mieszanka – orzeszki (akcja – spłata)           114.6        108.3       91.9
DiD z dystrybucją – bez dystrybucji             113.6        101.1       89.0
naiwnie – DiD bez dystrybucji                    37.4         38.3       33.0
czerwony – zielony (do unikania)                121.7         21.1       31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych i filtr AR(1) – pakiet stats. Regresję z efektami stałymi i błędami klastrowanymi policzono pakietem fixest, krzywą Lorenza i indeks Giniego – pakietem ineq. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork, osie opisano funkcjami pakietu scales, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. fixest (wersja 0.14.2): Bergé, L. R., Butts, K., & McDermott, G. (2026). Fast and user-friendly econometrics estimations: The R package fixest. arXiv preprint arXiv:2601.21749. https://doi.org/10.48550/arXiv.2601.21749
  3. ineq (wersja 0.2.13): Zeileis, A. (2014). ineq: Measuring inequality, concentration, and poverty [R package]. https://doi.org/10.32614/CRAN.package.ineq
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  6. scales (wersja 1.4.0): Wickham, H., Pedersen, T. L., & Seidel, D. (2025). scales: Scale functions for visualization [R package]. https://doi.org/10.32614/CRAN.package.scales
  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

Pułapki

  • Raport zamknięty w dniu końca akcji. Bez spłaty przeszacujesz przyrost o ok. 60% (48.8 zamiast 30.0 tys. opakowań).
  • Równoczesne zwiększenie dystrybucji. Nowe sklepy, półki czy ekspozycja w czasie loterii zawyżają efekt i ukrywają spłatę (Rysunek 3). Tak samo zakłóca wynik równoczesna zmiana gramatury (wielkość opakowania a cena jednostkowa).
  • Rejestracja kodów ≠ wszystkie zakupy. Liczba uczestników mówi o zasięgu akcji, nie o efekcie sprzedażowym.
  • Produkt kontrolny też może zareagować. Jeśli klienci zamiast orzeszków kupili mieszankę, orzeszki spadną, a DiD zawyży efekt (kanibalizacja – zob. marka własna a marki producentów).
  • Za mało klastrów. 16 regionów to mało klastrów – rozważ poprawki dla małej liczby klastrów (Cameron i Miller, 2015). Inny model zdarzeń w DiD: kanibalizacja nowego lokalu.

Najczęstsze pytania

Jak sprawdzić, czy loteria promocyjna zwiększyła sprzedaż?

Porównaj sprzedaż produktu z loterią z poziomem, jaki miałby bez niej. Najprościej metodą różnicy w różnicach: produkt kontrolny bez loterii i lata ubiegłe dają poziom odniesienia, a regresja z efektami stałymi tygodnia, regionu i produktu oddziela loterię od sezonu i trendu rynku. Samo porównanie rok do roku dolicza loterii wzrost rynku.

Co to jest spłata po promocji?

To spadek sprzedaży po zakończeniu akcji poniżej poziomu bez promocji: klienci kupili na zapas albo wcześniej, więc później kupują mniej. W przykładzie w 8 tygodniach po loterii sprzedaż była o 7.6% niższa, co odebrało ok. 40% przyrostu z tygodni akcji.

Jak policzyć przyrost netto promocji z przedziałem ufności?

Oszacuj osobno efekt w tygodniach akcji i w oknie po akcji, przelicz współczynniki z modelu logarytmu sprzedaży na opakowania i dodaj. Przedział dla sumy wyznacz metodą delta albo bootstrapem po regionach, z błędami klastrowanymi po regionie – tygodnie tej samej komórki są skorelowane.

Czy liczba zarejestrowanych kodów mierzy efekt loterii?

Nie. Kody rejestruje tylko część kupujących (w przykładzie 15.1% opakowań), a rejestracje są skupione: 10% najaktywniejszych uczestników miało 36.0% kodów. Rejestracje opisują zasięg i koncentrację akcji, a efekt sprzedażowy trzeba liczyć na danych sprzedażowych.

Jak długie okno po akcji przyjąć w ocenie promocji?

Ustal je przed analizą – zwykle tyle tygodni, ile trwa zużycie zapasu. Za krótkie okno pomija spłatę i zawyża zysk; za długie dokłada szum i rozszerza przedział. Pokaż wrażliwość wyniku na długość okna, jak na Rysunku 5.

Powiązane hasła

Przeczytaj też

Oceniasz akcję promocyjną albo piszesz o niej pracę?

Pomożemy dobrać grupę kontrolną, zbudować model różnicy w różnicach z oknem po akcji, policzyć przyrost netto z przedziałem i opisać wynik tak, żebyś umiał(a) go obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences-in-differences estimates? The Quarterly Journal of Economics, 119(1), 249–275. https://doi.org/10.1162/003355304772839588 ● Otwarty dostęp: pełny tekst
  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. Kalra, A., & Shi, M. (2010). Consumer value-maximizing sweepstakes and contests. Journal of Marketing Research, 47(2), 287–300. https://doi.org/10.1509/jmkr.47.2.287 ● Otwarty dostęp: pełny tekst
  5. Lorenz, M. O. (1905). Methods of measuring the concentration of wealth. Publications of the American Statistical Association, 9(70), 209–219. https://doi.org/10.1080/15225437.1905.10503443
  6. 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
  7. van Heerde, H. J., Leeflang, P. S. H., & Wittink, D. R. (2000). The estimation of pre- and postpromotion dips with store-level scanner data. Journal of Marketing Research, 37(3), 383–395. https://doi.org/10.1509/jmkr.37.3.383.18782 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@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{bertrand2004how, author={Bertrand, Marianne and Duflo, Esther and Mullainathan, Sendhil}, title={{How much should we trust differences-in-differences estimates?}}, journal={The Quarterly Journal of Economics}, year={2004}, volume={119}, number={1}, pages={249--275}, doi={10.1162/003355304772839588}}
@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{kalra2010consumer, author={Kalra, Ajay and Shi, Mengze}, title={{Consumer value-maximizing sweepstakes and contests}}, journal={Journal of Marketing Research}, year={2010}, volume={47}, number={2}, pages={287--300}, doi={10.1509/jmkr.47.2.287}}
@article{lorenz1905methods, author={Lorenz, M. O.}, title={{Methods of measuring the concentration of wealth}}, journal={Publications of the American Statistical Association}, year={1905}, volume={9}, number={70}, pages={209--219}, doi={10.1080/15225437.1905.10503443}}
@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{vanheerde2000estimation, author={van Heerde, Harald J. and Leeflang, Peter S. H. and Wittink, Dick R.}, title={{The estimation of pre- and postpromotion dips with store-level scanner data}}, journal={Journal of Marketing Research}, year={2000}, volume={37}, number={3}, pages={383--395}, doi={10.1509/jmkr.37.3.383.18782}}
R