Statystyka · Marketing

Marka własna a marki producentów – udziały, ceny względne i kanibalizacja

Fikcyjna sieć dyskontów, pięć płynów do mycia naczyń, 40 sklepów i 104 tygodnie. Logit udziałów względem marki własnej z ceną względną i z cenami wszystkich marek, macierz elastyczności krzyżowych – kto komu zabiera, asymetria marka własna ↔ lider, marża kategorii przy zmianie ceny marki własnej i pułapki: braki na półce, nowe opakowanie, endogeniczność cen – sześć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Marka własna a marki producentów
W skrócie: Konkurencję marki własnej z markami producentów opisuje logit udziałów: logarytm ilorazu udziału marki i udziału marki własnej regresowany na logarytmach cen. Model z jedną ceną względną zakłada, że obniżka zabiera wszystkim proporcjonalnie; model z cenami wszystkich marek pozwala na asymetrię. W fikcyjnej sieci dyskontów udział marki własnej reagował na cenę lidera B z elastycznością 1.25, 95% CI [1.21, 1.28], a udział B na cenę marki własnej – 0.56 [0.49, 0.63]. Obniżka B o 10% zabierała marce własnej 2.87 raza więcej litrów niż odwrotnie, a obniżka marki własnej o 10% zmniejszała marżę kategorii o 7.5%.

Przykład: płyny do mycia naczyń w 40 dyskontach

Fikcyjna sieć dyskontów sprzedaje płyn do mycia naczyń pod własną marką (MW) i cztery fikcyjne marki producentów: A (premium), B (lider), C (średnia półka) i D (tania marka producenta). Dla każdego z 40 sklepów, 104 tygodni i 5 marek znamy cenę za litr, obecność w gazetce z obniżką, dostępność na półce (odsetek dni z towarem) i sprzedaż w litrach. Kierownik kategorii pyta: kto komu zabiera klientów, gdy tanieje marka własna, a kto – gdy tanieje lider B? I czy obniżka marki własnej opłaca się całej kategorii?

20 800 wierszy (40 sklepów × 104 tygodnie × 5 marek) pobierzesz jako marka-wlasna-plyny-sklepy-tygodnie.csv.

Dane są fikcyjne i wiemy, co w nich ukryliśmy. Ręcznie ustaliliśmy m.in. ceny regularne (5.20–13.90 zł/l), koszty zakupu, udziały przy cenach regularnych (34, 10, 24, 18 i 14%), nową butelkę marki C od tygodnia 61 (0.9 l za tę samą cenę) i elastyczność kategorii (−0.30). Najważniejsza jest asymetria: tańsze marki B, C i D zabierają klientów marce własnej ponad to, co wynika z samej wielkości udziałów, a tańsza marka własna zabiera dodatkowo głównie tanią markę D. To wzorzec znany z badań: marki droższe zabierają udział tańszym mocniej niż odwrotnie (Blattberg i Wisniewski, 1989). Po pierwszym uruchomieniu zmieniliśmy jeden element: dodatkowe przejścia między marką A a markami B (z 0.5 na 0.3) i MW (z 0.2 na 0) – przy pierwotnych wartościach tańsza A obniżała udziały C i D (elastyczność −0.03), co nie miało sensu rynkowego. Ziarna 744 nie zmienialiśmy. Pełna lista parametrów jest przy kodzie.

Wpis o modelu atrakcyjności udziałów (MCI) pokazuje model, w którym obniżka jednej marki zabiera każdemu konkurentowi ten sam odsetek udziału. Tu sprawdzamy, co się dzieje, gdy ta zasada nie działa. Ile marka własna traci przez samą etykietę, mierzy test ślepy i test z marką.

Rysunek 1: udziały i logit udziałów

Panel A: tygodniowe udziały pięciu marek w litrach w całej sieci przez 104 tygodnie; marka własna MW ok. 33%, B ok. 24%, C ok. 18%, D ok. 15%, A ok. 10%; przerywana linia w tygodniu 61 – nowa butelka marki C. Panel B: wykres rozrzutu 600 losowych tygodni sklepów – logarytm ilorazu udziałów B do MW spada liniowo wraz z logarytmem ilorazu cen B do MW
Rysunek 1. Tygodniowe udziały marek w sieci (A) oraz logarytm ilorazu udziałów marki B i marki własnej w zależności od logarytmu ilorazu ich cen (B, losowa próbka 600 tygodni sklepów). Obliczenia: R, pakiety ggplot2 i patchwork (dane fikcyjne, set.seed(744) i set.seed(7440)).

Co widać. Marka własna sprzedała 32.8% litrów, B 24.0%, C 18.2%, D 15.0%, A 10.0%. Panel B pokazuje sedno modelu: im droższa B względem marki własnej, tym mniejszy jej udział względem marki własnej – prawie liniowo na skali logarytmów.

Jak może zmylić. W tygodniach promocji marki własnej półka pustoszała w 38.7% przypadków (poza promocjami w 4.0%). Część „słabej” sprzedaży w promocji to brak towaru, a nie brak chętnych (pułapki).

Podpis do pracy:

Rysunek 1. Tygodniowe udziały marek płynów do mycia naczyń w sprzedaży sieci (A) oraz logit udziałów marki B względem marki własnej a logarytm ilorazu ich cen (B). Uwaga. Udział liczony w litrach; 40 sklepów, 104 tygodnie; w panelu B losowa próbka 600 tygodni sklepów i prosta regresji; dane fikcyjne.

Rysunek 2: logit udziałów – prosty i z cenami wszystkich marek

Udziały sumują się do 100%, więc wygodnie jest modelować udział każdej marki producenta względem marki bazowej – tu marki własnej. Bierzemy logarytm ilorazu udziałów (transformacja log-ratio) i logarytmy cen. Najprostszy logit udziałów ma jedną cenę względną:

ln(udziałj / udziałMW) = aj,sklep + b · ln(cenaj / cenaMW) + g · (promoj − promoMW) + …

Kropki to dostępność i nowa butelka C. Stała a jest osobna dla każdej marki w każdym sklepie (efekty stałe), a błędy standardowe liczymy odporne na klastrowanie po sklepie. Taki model daje b = −2.56 (SE = 0.04). Ale ma w sobie założenie: obniżka jednej marki zabiera pozostałym proporcjonalnie do ich udziałów. Dlatego model rozszerzony wstawia do każdego z czterech równań logarytmy cen wszystkich pięciu marek, każdą z własnym współczynnikiem θjk (20 współczynników). Takie modele asymetrycznej konkurencji opisali Carpenter i in. (1988).

Cztery panele – równania A, B, C, D. W każdym 5 współczynników przy logarytmach cen marek MW, A, B, C, D z 95% przedziałami i rombem prawdy. Przy cenie MW współczynniki od 1.98 do 2.48, przy cenie własnej marki od −1.55 (A) do −3.56 (B); przy cenie B w równaniach A i D ok. −1.0, w równaniu C −0.71; przy cenie A w równaniach C i D prawie zero. Wszystkie oszacowania leżą blisko rombów
Rysunek 2. Współczynniki przy logarytmach cen pięciu marek w czterech równaniach logitu udziałów (marka bazowa: marka własna) z 95% przedziałami ufności na tle wartości ukrytych w danych. Obliczenia: R, pakiety fixest i ggplot2 (dane fikcyjne, set.seed(744)).

Co widać. Model odzyskał ukrytą strukturę: 19 z 20 przedziałów obejmuje prawdę. W równaniu C współczynnik przy cenie B wynosi −0.71, 95% CI [−0.76, −0.66], a przy cenie A – −0.02 [−0.06, 0.03]. Gdyby działała zasada proporcjonalności, wszystkie współczynniki przy cenach „cudzych” marek byłyby zerowe. Test Walda dla 19 ograniczeń modelu prostego: χ²(19) = 11591.31, p < .001. Odsetek wyjaśnionej zmienności wewnątrz sklepów rośnie z .824 do .911.

Jak może zmylić. Współczynniki θ nie są elastycznościami: każdy mówi o udziale marki względem marki własnej. Elastyczności trzeba z nich policzyć (rysunek 3).

Zdanie do Wyników:

Model logitu udziałów z logarytmami cen wszystkich pięciu marek dopasował się istotnie lepiej niż model z jedną ceną względną (test Walda dla 19 ograniczeń: χ²(19) = 11591.31, p < .001; R² wewnątrzgrupowe .911 vs .824). W równaniu marki C współczynnik przy logarytmie ceny marki B wyniósł −0.71, 95% CI [−0.76, −0.66], a przy logarytmie ceny marki A −0.02, 95% CI [−0.06, 0.03].

Rysunek 3: macierz elastyczności – kto komu zabiera

Elastyczność udziału marki j względem ceny marki k mówi, o ile procent zmienia się udział j, gdy cena k rośnie o 1%. Z modelu rozszerzonego:

ejk = θjk − Σh udziałh · θhk

Słowami: efekt ceny k na iloraz marki j minus przeciętny efekt na wszystkie marki (θ marki własnej = 0). Liczymy przy średnich udziałach: MW 32.8%, A 10.0%, B 24.1%, C 18.1%, D 14.9%. Niepewność daje 1000 losowań współczynników z ich rozkładu – uproszczony bootstrap parametryczny.

Dwie mapy elastyczności 5 na 5. A, model prosty: w każdej kolumnie poza przekątną ta sama liczba – 0.84 dla ceny MW, 0.62 dla ceny B; udział MW względem ceny B 0.62, udział B względem ceny MW 0.84. B, model rozszerzony: udział MW względem ceny B 1.25, udział B względem ceny MW 0.56, udział D względem ceny MW 1.06, udział MW względem ceny D 0.80; przekątna od −1.42 (MW) do −2.55 (D)
Rysunek 3. Elastyczności udziałów względem cen z modelu prostego (A) i z modelu z cenami wszystkich marek (B); ramki – para marka własna ↔ marka B. Obliczenia: R, pakiety fixest, MASS, ggplot2 i patchwork (dane fikcyjne, set.seed(744) i set.seed(7441)).

Co widać. W modelu prostym wszystkie liczby w kolumnie są równe, a para MW ↔ B wychodzi „odwrotnie”: udział MW reaguje na cenę B słabiej (0.62) niż udział B na cenę MW (0.84). Model rozszerzony pokazuje asymetrię ukrytą w danych: gdy B drożeje o 1%, udział marki własnej rośnie o 1.25%, 95% CI [1.21, 1.28], a gdy drożeje marka własna, udział B rośnie tylko o 0.56% [0.49, 0.63]; różnica 0.68 [0.60, 0.76]. Udział sąsiada cenowego D reaguje na cenę MW najmocniej (1.06).

Jak może zmylić. Elastyczność to zmiana w procentach własnego udziału, więc sprzyja markom o małym udziale. Sethuraman i in. (1999) pokazali w metaanalizie 1060 efektów krzyżowych, że asymetria w elastycznościach często znika, gdy liczyć zmianę w punktach procentowych. Dlatego podaj obie miary. U nas asymetria zostaje także w punktach: 1% ceny B przesuwa 0.41 pp udziału marki własnej, a 1% ceny MW – 0.14 pp udziału B. To jednak dlatego, że ją wbudowaliśmy.

Podpis do pracy:

Rysunek 3. Elastyczności udziałów w rynku względem cen marek płynów do mycia naczyń. Uwaga. Wiersze – marka, której udział się zmienia; kolumny – marka, której cena rośnie o 1%. A – logit udziałów z jedną ceną względną; B – logit udziałów z logarytmami cen wszystkich marek. Elastyczności obliczono przy średnich udziałach; dane fikcyjne.

Rysunek 4: obniżka o 10% – skąd przychodzą litry

Bierzemy przeciętny sklep i tydzień (203.3 l płynów w kategorii) i obniżamy o 10% cenę marki własnej albo marki B. Nowe udziały liczymy z modelu, a wielkość kategorii trzymamy stałą.

Dwa panele słupkowe zmian udziałów w punktach procentowych. MW tanieje o 10%: MW +5.1, A −0.6, B −1.5, C −1.3, D −1.6. B tanieje o 10%: MW −4.4, A −0.3, B +6.3, C −1.2, D −0.5. Romby modelu prostego: przy obniżce B marka własna traci tylko 2.3 pp
Rysunek 4. Zmiana udziałów marek po obniżce ceny marki własnej albo marki B o 10% w przeciętnym tygodniu: model z cenami wszystkich marek (słupki z 95% przedziałami z 1000 losowań parametrów) i model prosty (romby). Obliczenia: R, pakiety fixest, MASS i ggplot2 (dane fikcyjne, set.seed(744) i set.seed(7441)).

Co widać. Gdy tanieje B, jej udział rośnie o 6.31 pp [6.11, 6.52], a 68.9% tego przyrostu to litry marki własnej: −4.35 pp [−4.46, −4.24], czyli 8.85 l na sklep tygodniowo. Gdy tanieje marka własna, zyskuje 5.09 pp [4.90, 5.30] i zabiera po trochu wszystkim: najwięcej D (32.4% przyrostu), potem B (29.8%), C (25.7%) i A (12.2%). B traci tylko 3.08 l. Obniżka B zabiera marce własnej 2.87 raza więcej litrów niż obniżka marki własnej zabiera B (95% przedział [2.56, 3.26]).

Jak może zmylić. Model prosty (romby) przewiduje prawie symetryczną wymianę: 2.28 pp przy obniżce B i 2.22 pp przy obniżce marki własnej. Kto mu zaufa, nie doceni zagrożenia ze strony promocji lidera. Przedziały nie obejmują reakcji konkurentów ani gazetek (por. gazetka promocyjna i dołek po promocji).

Zdanie do Wyników:

W symulacji opartej na modelu z cenami wszystkich marek obniżka ceny marki B o 10% zmniejszyła udział marki własnej o 4.35 pp, 95% przedział [4.24, 4.46], co stanowiło 68.9% przyrostu udziału marki B. Obniżka ceny marki własnej o 10% zmniejszyła udział marki B o 1.52 pp [1.34, 1.69]. W litrach obniżka B zabierała marce własnej 2.87 raza więcej niż obniżka marki własnej marce B, 95% przedział [2.56, 3.26].

Rysunek 5: marża kategorii przy zmianie ceny marki własnej

Dla sieci liczy się marża całej półki, nie udział jednej marki. Na litrze marki własnej sieć zarabia 2.26 zł, na B 1.99 zł, na C 2.15 zł, na D 1.25 zł, na A 2.82 zł. Wielkość kategorii reaguje na średnią cenę słabo: elastyczność −0.32 (SE = 0.02) z regresji z efektami stałymi sklepu i tygodnia. W zwykłym tygodniu sklep zarabia na kategorii 423.2 zł, z czego 150.9 zł na marce własnej. Symulujemy zmianę ceny marki własnej od −20% do +10% – w danych jej cena wahała się od −27.7% do +11.2% wokół ceny zwykłego tygodnia (percentyle 1 i 99), więc nie wychodzimy poza obserwowany zakres.

Krzywa zmiany tygodniowej marży kategorii w złotych na sklep w zależności od zmiany ceny marki własnej od −20% do +10%: rośnie monotonicznie, −76.3 zł przy −20%, −31.7 zł przy −10%, 0 przy cenie obecnej, +22.1 zł przy +10%; pas 95% przedziału bardzo wąski
Rysunek 5. Zmiana tygodniowej marży kategorii w przeciętnym sklepie w zależności od zmiany ceny marki własnej, z 95% przedziałem z 1000 losowań parametrów. Obliczenia: R, pakiety fixest, MASS i ggplot2 (dane fikcyjne, set.seed(744), set.seed(7441) i set.seed(7442)).

Co widać. Obniżka marki własnej o 10% zmniejsza marżę kategorii o 31.7 zł na sklep tygodniowo, 95% przedział [31.2, 32.3], czyli o 7.5%. Marża na marce własnej spada o 14.9 zł, a na markach producentów o 16.8 zł: część nowych litrów marki własnej to kanibalizacja – klienci, na których sieć i tak zarabiała. Kategoria rośnie tylko o 2.2 l. Podwyżka o 5% dałaby +12.1 zł [11.8, 12.4]. Gdy B tanieje o 10% na koszt producenta, marża na marce własnej spada o 18.9 zł, a marża kategorii prawie się nie zmienia (+0.7 zł).

Jak może zmylić. Pas obejmuje tylko niepewność współczynników. Rachunek pomija ruch w sklepie, reakcję producentów i wizerunek „taniej sieci”. Pauwels i Srinivasan (2004) pokazali, że marka własna daje sieci wysoką marżę jednostkową, ale rzadko powiększa kategorię – jak w tym przykładzie.

Podpis do pracy:

Rysunek 5. Symulowana zmiana tygodniowej marży kategorii płynów do mycia naczyń w przeciętnym sklepie w zależności od zmiany ceny marki własnej. Uwaga. Udziały z logitu udziałów z cenami wszystkich marek, wielkość kategorii z elastyczności −0.32; pas – 95% przedział z 1000 losowań parametrów; dane fikcyjne.

Rysunek 6: karta „kto komu zabiera”

Grafika: dwie karty. Gdy marka B tanieje o 10%: B +6.3 pp udziału, +12.8 l na sklep i tydzień; litry przychodzą od MW 8.8 l (69%), C 2.4 l (19%), D 0.9 l (7%), A 0.7 l (5%). Gdy marka własna tanieje o 10%: MW +5.1 pp, +10.4 l; od D 3.4 l (32%), B 3.1 l (30%), C 2.7 l (26%), A 1.3 l (12%). Pasek na dole: obniżka B zabiera MW 2.9 raza więcej litrów niż obniżka MW zabiera B (95% CI 2.56–3.26); model prosty tego nie widzi (2.3 i 2.2 pp); obniżka MW o 10%: marża kategorii −31.7 zł (−7.5%)
Rysunek 6. Karta „kto komu zabiera” dla pary marka własna – marka B z liczbami z symulacji. Grafika: R, pakiet ggplot2.

Co widać. Lider zabiera głównie marce własnej; marka własna zabiera po trochu wszystkim, najwięcej taniej marce D.

Jak może zmylić. Karta dotyczy przeciętnego tygodnia bez promocji; gdy kilka marek jest w gazetce, przepływy będą inne.

Podpis do pracy:

Rysunek 6. Przepływy sprzedaży między markami po obniżce ceny marki B albo marki własnej o 10% w przeciętnym sklepie. Uwaga. Litry na sklep i tydzień oraz odsetek przyrostu marki obniżającej cenę; symulacja z logitu udziałów z cenami wszystkich marek; dane fikcyjne.

Co z tym zrobić w firmie

  • Pilnuj promocji liderów, nie tylko własnej ceny. Obniżka B o 10% zabiera marce własnej 8.85 l na sklep tygodniowo. Gdy B planuje gazetkę, przesuń ekspozycję marki własnej na inny tydzień.
  • Nie tnij ceny marki własnej, żeby „odzyskać udział”. Obniżka o 10% daje +5.09 pp, ale kosztuje 7.5% marży kategorii, bo większość przyrostu to klienci marek producentów, na których sieć i tak zarabiała.
  • Negocjuj promocje producentów finansowane przez producentów. Wtedy marża kategorii prawie się nie zmienia (+0.7 zł), mimo że marka własna traci.
  • Obserwuj tanią markę D. To najbliższy sąsiad cenowy marki własnej: na jej cenę udział marki własnej reaguje z elastycznością 0.80, a udział D na cenę marki własnej – 1.06.
  • Testuj zmiany cen w części sklepów. Losowy test (losowy test ceny) usuwa problem ceny ustalanej pod popyt.

Formę promocji (rabat czy „2 za 1”) porównuje wpis „2 za 1” czy −50%, a elastyczność jednej marki – elastyczność cenowa z danych sprzedażowych. Czy promocja dała przyrost, czy tylko przesunęła zakupy, sprawdza wpis o loterii promocyjnej. Więcej przykładów do pracy: statystyka w pracy z marketingu.

Jak opisać w pracy

Opisz jednostkę rynku, markę bazową, model i sposób liczenia elastyczności; w ograniczeniach – endogeniczność cen i brak reakcji konkurentów w symulacji.

Metoda. Udziały pięciu marek płynów do mycia naczyń w sprzedaży (litry) analizowano w 4160 rynkach (40 sklepów × 104 tygodnie) logitem udziałów z marką własną jako marką bazową. Zmienną zależną był logarytm ilorazu udziału marki producenta i udziału marki własnej. Model prosty zawierał logarytm ilorazu cen, a model rozszerzony – logarytmy cen wszystkich pięciu marek z osobnymi współczynnikami w każdym równaniu; oba uwzględniały promocje, dostępność na półce, zmianę opakowania i efekty stałe marki w sklepie. Błędy standardowe oszacowano odpornie na klastrowanie po sklepach. Elastyczności udziałów obliczono przy średnich udziałach, a ich niepewność i niepewność symulacji cenowych – na podstawie 1000 losowań współczynników z ich asymptotycznego rozkładu normalnego. Obliczenia wykonano w R 4.5.3 (pakiet fixest).
Przykład reprodukowalny

Kod R: logit udziałów, elastyczności krzyżowe i symulacje cen

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę, motyw i parametry, z których korzystają następne. Przepisy 1–5 i 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.

Losują przepisy 1 (set.seed(744) – dane, set.seed(7440) – próbka punktów do rysunku 1), 3 (set.seed(7441) – 1000 losowań współczynników, z których korzystają też przepisy 4 i 5) i 5 (set.seed(7442) – losowania elastyczności kategorii); ziarna ustalono raz i nie zmieniano. Ręcznie ustalono: ceny regularne (MW 5.20, A 13.90, B 9.80, C 8.90, D 6.40 zł/l), koszty zakupu (2.90, 11.10, 7.80, 7.10, 5.10 zł/l), udziały przy cenach regularnych (34, 10, 24, 18, 14%), wykładniki ceny własnej (−2.0, −1.6, −2.6, −2.6, −2.8), dodatkowe efekty krzyżowe (cena B, C, D na atrakcyjność MW: 1.0, 0.8, 0.6; cena A na B: 0.3; cena B na C: 0.3; cena MW na D: 0.4), efekt gazetki 0.35, wykładnik dostępności 1.0, nową butelkę C od tygodnia 61 (0.9 l, atrakcyjność +0.15), odchylenie wahań 0.10, elastyczność kategorii −0.30, częstość gazetek (6% tygodni dla MW, 10% dla pozostałych), głębokość obniżek (15–30%) i częstość braków (35% tygodni promocji MW, 4% pozostałych). Po pierwszym uruchomieniu zmieniono jeden element: efekt ceny A na atrakcyjność B z 0.5 na 0.3 i na atrakcyjność MW z 0.2 na 0 (przy pierwotnych wartościach elastyczności udziałów C i D względem ceny A wychodziły ujemne, −0.03). Przepis 1 zapisuje dane do pliku CSV w katalogu roboczym. Cały kod liczy się kilka sekund.

1. Dane: 5 marek, 40 sklepów, 104 tygodnie – Rysunek 1

Dane wejściowe: nic – dane losuje kod. Na początku – paleta Okabe–Ito kol, kształty ksztalt, motyw motyw, funkcja minus() i wszystkie parametry ustalone ręcznie (macierz beta).

Co odczytać: liczbę wierszy i litrów, średnią cenę (zł/l), odsetek tygodni w gazetce, średnią dostępność i średni udział marek, udziały w litrach w całej sieci (%) oraz odsetek tygodni z brakiem marki własnej w promocji i poza nią.

R
# Przepis 1. Fikcyjna sieć dyskontów: płyny do mycia naczyń – marka własna i 4 marki producentów, 40 sklepów, 104 tygodnie
library(ggplot2)
library(patchwork)
options(width = 120)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw rysunków
kol <- c(MW = "#D55E00", A = "#CC79A7", B = "#0072B2", C = "#56B4E9", D = "#009E73")
ksztalt <- c(MW = 16, A = 17, B = 15, C = 18, D = 4)
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 (znamy je, bo dane są fikcyjne)
marki <- c("MW", "A", "B", "C", "D")                 # MW = marka własna sieci; A–D – fikcyjne marki producentów
opis <- c("marka własna", "premium", "lider", "średnia półka", "tania marka producenta")
cena_reg <- c(MW = 5.20, A = 13.90, B = 9.80, C = 8.90, D = 6.40)     # cena regularna, zł za litr
koszt <- c(MW = 2.90, A = 11.10, B = 7.80, C = 7.10, D = 5.10)        # koszt zakupu sieci, zł za litr
udzial_cel <- c(MW = .34, A = .10, B = .24, C = .18, D = .14)         # udziały przy cenach regularnych
# Macierz reakcji atrakcyjności na ceny: wiersz = czyja atrakcyjność, kolumna = czyja cena (logarytm)
# Przekątna – efekt własny; poza nią – dodatkowe przejścia klientów ponad to, co daje sam wspólny mianownik.
# Asymetria: tańsza marka B, C lub D zabiera klientów marce własnej; tańsza MW zabiera głównie D.
beta <- matrix(0, 5, 5, dimnames = list(atrakcyjnosc = marki, cena = marki))
diag(beta) <- c(-2.0, -1.6, -2.6, -2.6, -2.8)
beta["MW", c("B", "C", "D")] <- c(1.0, 0.8, 0.6)
beta["B", "A"] <- 0.3; beta["C", "B"] <- 0.3; beta["D", "MW"] <- 0.4
gamma_promo <- 0.35        # gazetka z obniżką mnoży atrakcyjność przez exp(0.35) = 1.42
delta_dost  <- 1.00        # wykładnik dostępności na półce (odsetek dni z towarem)
opak_C      <- 0.15        # od tygodnia 61 marka C w nowej butelce 0.9 l za tę samą cenę (+11% za litr) – atrakcyjność +0.15
sd_eps      <- 0.10        # nieobserwowane wahania atrakcyjności (skala logarytmu)
elast_kat   <- -0.30       # elastyczność wielkości kategorii względem średniej ceny
alfa <- log(udzial_cel) - as.vector(beta %*% log(cena_reg)); alfa <- alfa - alfa[1]
names(alfa) <- marki

set.seed(744)
n_skl <- 40; n_tyg <- 104
siatka <- expand.grid(tydzien = 1:n_tyg, sklep = 1:n_skl)
n <- nrow(siatka)
u <- matrix(rnorm(n_skl * 5, 0, 0.12), n_skl, 5)              # marka trochę mocniejsza w danym sklepie
poz <- matrix(exp(rnorm(n_skl * 5, 0, 0.03)), n_skl, 5)       # poziom cen regularnych w sklepie
P <- promo <- dost <- matrix(NA, n, 5, dimnames = list(NULL, marki))
for (k in 1:5) {
  promo[, k] <- rbinom(n, 1, ifelse(k == 1, 0.06, 0.10))      # tydzień w gazetce z obniżką
  obniz <- ifelse(promo[, k] == 1, runif(n, 0.15, 0.30), 0)
  inna <- rbinom(n, 1, 0.08) * runif(n, 0.03, 0.10) * (1 - promo[, k])   # krótkie obniżki bez gazetki
  P[, k] <- cena_reg[k] * poz[siatka$sklep, k] * exp(rnorm(n, 0, 0.03)) * (1 - obniz) * (1 - inna)
  braki <- rbinom(n, 1, ifelse(k == 1 & promo[, 1] == 1, 0.35, 0.04))      # MW wyprzedaje się w promocji
  dost[, k] <- ifelse(braki == 1, runif(n, 0.4, 0.85), 1)
}
nowe_opak <- as.integer(siatka$tydzien >= 61)
P[, "C"] <- P[, "C"] * ifelse(nowe_opak == 1, 1 / 0.9, 1)      # ta sama cena półkowa, mniej płynu
ln_atr <- sapply(1:5, function(j) alfa[j] + u[siatka$sklep, j] + log(P) %*% beta[j, ] +
                   gamma_promo * promo[, j] + delta_dost * log(dost[, j]) + rnorm(n, 0, sd_eps))
ln_atr[, 4] <- ln_atr[, 4] + opak_C * nowe_opak
S <- exp(ln_atr) / rowSums(exp(ln_atr))
indeks <- exp(log(P) %*% udzial_cel - sum(udzial_cel * log(cena_reg)))      # indeks cen kategorii (1 = ceny regularne)
Q <- 120 + 4 * siatka$sklep                                                 # sklepy różnej wielkości (litry na tydzień)
Q <- Q * (1 + 0.10 * cos(2 * pi * siatka$tydzien / 52)) * indeks^elast_kat * exp(rnorm(n, 0, 0.05))
litry <- round(S * as.vector(Q), 1)

plyny <- data.frame(sklep = rep(siatka$sklep, 5), tydzien = rep(siatka$tydzien, 5),
                    marka = rep(marki, each = n), cena = round(as.vector(P), 2), promo = as.vector(promo),
                    dostepnosc = round(as.vector(dost), 2), nowe_opak = rep(nowe_opak, 5) * rep(marki == "C", each = n),
                    litry = as.vector(litry))
write.csv(plyny, "marka-wlasna-plyny-sklepy-tygodnie.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Opis danych
c(wiersze = nrow(plyny), sklepy = n_skl, tygodnie = n_tyg, litry_lacznie = sum(plyny$litry))
plyny$udzial <- plyny$litry / ave(plyny$litry, plyny$sklep, plyny$tydzien, FUN = sum)
op <- aggregate(cbind(cena, promo, dostepnosc, udzial) ~ marka, plyny, mean)
op <- op[match(marki, op$marka), ]; op[-1] <- round(op[-1], 3); print(op, row.names = FALSE)
round(100 * tapply(plyny$litry, plyny$marka, sum)[marki] / sum(plyny$litry), 1)   # udział w litrach w całej sieci
round(mean(plyny$dostepnosc[plyny$marka == "MW" & plyny$promo == 1] < 1), 3)    # braki MW w tygodniach promocji
round(mean(plyny$dostepnosc[plyny$marka == "MW" & plyny$promo == 0] < 1), 3)    # braki MW w pozostałych tygodniach

# Rysunek 1. A: udziały marek w sieci tydzień po tygodniu; B: log-iloraz udziałów B/MW a cena względna B/MW
tyg <- aggregate(litry ~ tydzien + marka, plyny, sum)
tyg$udzial <- tyg$litry / ave(tyg$litry, tyg$tydzien, FUN = sum)
tyg$marka <- factor(tyg$marka, marki)
pa <- ggplot(tyg, aes(tydzien, 100 * udzial, colour = marka)) +
  geom_line(linewidth = 0.7) +
  geom_vline(xintercept = 60.5, linetype = "dashed", colour = "grey40") +
  annotate("text", x = 62, y = 47, label = "C: nowa butelka 0.9 l", hjust = 0, size = 3.6, colour = "grey30") +
  geom_text(data = subset(tyg, tydzien == 104), aes(x = 106, label = marka), hjust = 0, fontface = "bold",
            size = 4.2, show.legend = FALSE) +
  scale_colour_manual(values = kol, guide = "none") +
  scale_x_continuous(breaks = seq(0, 104, 26), limits = c(1, 112)) +
  labs(x = "Tydzień", y = "Udział w litrach (cała sieć), %", title = "A. Udziały marek tydzień po tygodniu") + motyw
w <- reshape(plyny[, c("sklep", "tydzien", "marka", "cena", "udzial")], idvar = c("sklep", "tydzien"),
             timevar = "marka", direction = "wide")
set.seed(7440)                                       # losowa próbka 600 tygodni sklepów, żeby punkty się nie zlewały
pr <- w[sample(nrow(w), 600), ]
pb <- ggplot(pr, aes(log(cena.B / cena.MW), log(udzial.B / udzial.MW))) +
  geom_point(colour = kol[["B"]], alpha = 0.35, size = 1.3) +
  geom_smooth(method = "lm", formula = y ~ x, colour = "#0f1d3a", linewidth = 0.9, se = FALSE) +
  scale_x_continuous(labels = minus) + scale_y_continuous(labels = minus) +
  labs(x = "ln(cena B / cena MW)", y = "ln(udział B / udział MW)", title = "B. Logit udziałów B względem MW") + motyw
p1 <- pa + pb + plot_layout(widths = c(1.45, 1))
p1   # zapis: ggsave("marka-wlasna-udzialy-w-czasie.svg", p1, width = 10, height = 5.2)
Wynik w R
      wiersze        sklepy      tygodnie litry_lacznie 
      20800.0          40.0         104.0      845871.8 
 marka   cena promo dostepnosc udzial
    MW  5.081 0.065      0.976  0.328
     A 13.585 0.107      0.985  0.100
     B  9.591 0.091      0.986  0.241
     C  9.093 0.107      0.984  0.181
     D  6.208 0.102      0.984  0.149
  MW    A    B    C    D 
32.8 10.0 24.0 18.2 15.0 
[1] 0.387
[1] 0.04

2. Logit udziałów: model prosty i model z cenami wszystkich marek – Rysunek 2

Dane wejściowe: plyny, marki, beta i elementy rysunków z przepisu 1.

Co odczytać: liczbę wierszy w czterech równaniach, współczynniki modelu prostego, 20 współczynników przy logarytmach cen z prawdą (prawda) i 95% CI, liczbę przedziałów obejmujących prawdę, średni efekt promocji, dostępności i nowej butelki, test Walda (p = 0 oznacza p < .001) i R² wewnątrz sklepów.

R
# Przepis 2. Logit udziałów względem marki własnej: model prosty (cena względna) i rozszerzony (ceny wszystkich marek)
# (korzysta z plyny, marki, beta, gamma_promo, delta_dost, opak_C, kol, ksztalt, motyw i minus() z przepisu 1)
library(fixest)
library(ggplot2)

# Zbiór „szeroki”: jeden wiersz = sklep × tydzień, kolumny dla każdej marki
w <- reshape(plyny[, c("sklep", "tydzien", "marka", "cena", "promo", "dostepnosc", "udzial")],
             idvar = c("sklep", "tydzien"), timevar = "marka", direction = "wide")
w$nowe_opak <- as.integer(w$tydzien >= 61)
# Zbiór „ułożony”: 4 równania (A, B, C, D) – w każdym y = ln(udział marki / udział MW)
rownania <- lapply(marki[-1], function(j) {
  data.frame(sklep = w$sklep, tydzien = w$tydzien, marka = j,
             y = log(w[[paste0("udzial.", j)]] / w$udzial.MW),
             ln_cena_wzgl = log(w[[paste0("cena.", j)]] / w$cena.MW),
             promo_wzgl = w[[paste0("promo.", j)]] - w$promo.MW,
             ln_dost_wzgl = log(w[[paste0("dostepnosc.", j)]] / w$dostepnosc.MW),
             ln_MW = log(w$cena.MW), ln_A = log(w$cena.A), ln_B = log(w$cena.B), ln_C = log(w$cena.C), ln_D = log(w$cena.D),
             promo_j = w[[paste0("promo.", j)]], promo_MW = w$promo.MW,
             ln_dost_j = log(w[[paste0("dostepnosc.", j)]]), ln_dost_MW = log(w$dostepnosc.MW),
             opak = w$nowe_opak * (j == "C"))
})
u <- do.call(rbind, rownania)
u$marka <- factor(u$marka, marki[-1])
nrow(u)

# Model prosty: jeden współczynnik ceny względnej i promocji dla wszystkich marek (stałe marki w każdym sklepie)
m_prosty <- feols(y ~ ln_cena_wzgl + promo_wzgl + ln_dost_wzgl + opak | sklep^marka, data = u, cluster = ~sklep)
round(coeftable(m_prosty), 3)

# Model rozszerzony: w każdym równaniu własne współczynniki przy cenach wszystkich pięciu marek
m_rozsz <- feols(y ~ marka:(ln_MW + ln_A + ln_B + ln_C + ln_D + promo_j + promo_MW + ln_dost_j + ln_dost_MW) + opak |
                   sklep^marka, data = u, cluster = ~sklep)
th <- coef(m_rozsz); V <- vcov(m_rozsz)
nazwa <- function(j, x) paste0("marka", j, ":", x)
# Prawda: w równaniu j współczynnik przy ln(ceny k) = beta[j, k] − beta[MW, k]
wsp <- expand.grid(rownanie = marki[-1], cena = marki, stringsAsFactors = FALSE)
wsp$ocena <- th[nazwa(wsp$rownanie, paste0("ln_", wsp$cena))]
wsp$se <- sqrt(diag(V))[nazwa(wsp$rownanie, paste0("ln_", wsp$cena))]
wsp$prawda <- beta[cbind(wsp$rownanie, wsp$cena)] - beta[cbind("MW", wsp$cena)]
wsp$dol <- wsp$ocena - 1.96 * wsp$se; wsp$gora <- wsp$ocena + 1.96 * wsp$se
print(cbind(wsp[1:2], round(wsp[3:7], 2)), row.names = FALSE)
c(przedzialy_z_prawda = sum(wsp$dol <= wsp$prawda & wsp$prawda <= wsp$gora), z = nrow(wsp))
round(c(promo = mean(th[nazwa(marki[-1], "promo_j")]), dost = mean(th[nazwa(marki[-1], "ln_dost_j")]),
        opak = unname(th["opak"])), 3)
# Czy jeden wspólny współczynnik ceny wystarcza? Test Walda dla 19 ograniczeń cenowych modelu prostego
R <- matrix(0, 19, length(th), dimnames = list(NULL, names(th))); r <- 0
for (j in marki[-1]) for (k in marki) {
  if (k == "MW") next                                  # przy cenie MW: współczynnik = −(przy cenie własnej) w modelu prostym
  r <- r + 1
  if (k == j) { R[r, nazwa(j, "ln_MW")] <- 1; R[r, nazwa(j, paste0("ln_", j))] <- 1 } else R[r, nazwa(j, paste0("ln_", k))] <- 1
}
# Pozostałe 3 ograniczenia: równe współczynniki ceny własnej w A–D
for (j in marki[3:5]) { r <- r + 1; R[r, nazwa("A", "ln_A")] <- 1; R[r, nazwa(j, paste0("ln_", j))] <- -1 }
wald <- as.numeric(t(R %*% th) %*% solve(R %*% V %*% t(R)) %*% (R %*% th))
round(c(chi2 = wald, df = nrow(R), p = pchisq(wald, nrow(R), lower.tail = FALSE)), 4)
round(c(r2_prosty = r2(m_prosty, "wr2"), r2_rozszerzony = r2(m_rozsz, "wr2")), 3)

# Rysunek 2. Współczynniki przy logarytmach cen w czterech równaniach – oszacowania z 95% CI i prawda
wsp$rownanie <- factor(paste0("Równanie ", wsp$rownanie, ": ln(udział ", wsp$rownanie, " / udział MW)"),
                       paste0("Równanie ", marki[-1], ": ln(udział ", marki[-1], " / udział MW)"))
wsp$cena <- factor(wsp$cena, rev(marki))
p2 <- ggplot(wsp, aes(ocena, cena)) +
  geom_vline(xintercept = 0, colour = "grey60") +
  geom_errorbar(aes(xmin = dol, xmax = gora, colour = cena), width = 0.25, linewidth = 0.8, orientation = "y") +
  geom_point(aes(colour = cena, shape = cena), size = 2.6) +
  geom_point(aes(x = prawda, fill = "prawda (ukryta w danych)"), shape = 23, size = 2.4, colour = "#0f1d3a") +
  facet_wrap(~rownanie, ncol = 2) +
  scale_colour_manual(values = kol, guide = "none") + scale_shape_manual(values = ksztalt, guide = "none") +
  scale_fill_manual(values = "white", name = NULL) + scale_x_continuous(labels = minus) +
  labs(x = "Współczynnik przy ln(ceny marki) w równaniu", y = "Cena marki",
       title = "Logit udziałów z cenami wszystkich marek: oszacowania i prawda",
       subtitle = "Kolorowy punkt z odcinkiem – oszacowanie z 95% CI (błędy odporne na klastrowanie po sklepie)") + motyw
p2   # zapis: ggsave("marka-wlasna-wspolczynniki-cen.svg", p2, width = 10, height = 6.4)
Wynik w R
[1] 16640
             Estimate Std. Error t value Pr(>|t|)
ln_cena_wzgl   -2.558      0.039 -65.701        0
promo_wzgl      0.363      0.012  29.981        0
ln_dost_wzgl    1.069      0.011  93.544        0
opak            0.066      0.008   8.820        0
attr(,"vcov_type")
[1] "Clustered (sklep)"
 rownanie cena ocena   se prawda   dol  gora
        A   MW  1.98 0.06    2.0  1.87  2.09
        B   MW  1.99 0.06    2.0  1.87  2.10
        C   MW  2.08 0.05    2.0  1.98  2.17
        D   MW  2.48 0.06    2.4  2.37  2.59
        A    A -1.55 0.06   -1.6 -1.66 -1.43
        B    A  0.27 0.03    0.3  0.22  0.33
        C    A -0.02 0.02    0.0 -0.06  0.03
        D    A  0.01 0.02    0.0 -0.04  0.05
        A    B -1.02 0.03   -1.0 -1.07 -0.97
        B    B -3.56 0.05   -3.6 -3.66 -3.46
        C    B -0.71 0.03   -0.7 -0.76 -0.66
        D    B -1.06 0.03   -1.0 -1.11 -1.00
        A    C -0.81 0.02   -0.8 -0.84 -0.77
        B    C -0.79 0.02   -0.8 -0.83 -0.74
        C    C -3.42 0.05   -3.4 -3.53 -3.32
        D    C -0.79 0.02   -0.8 -0.83 -0.75
        A    D -0.57 0.03   -0.6 -0.62 -0.52
        B    D -0.58 0.03   -0.6 -0.63 -0.52
        C    D -0.59 0.03   -0.6 -0.65 -0.53
        D    D -3.35 0.05   -3.4 -3.45 -3.26
przedzialy_z_prawda                   z 
                 19                  20 
promo  dost  opak 
0.357 0.995 0.158 
    chi2       df        p 
11591.31    19.00     0.00 
     r2_prosty.wr2 r2_rozszerzony.wr2 
             0.824              0.911 

3. Macierz elastyczności i asymetria – Rysunek 3

Dane wejściowe: m_prosty, m_rozsz, th, V i nazwa() z przepisu 2.

Co odczytać: średnie udziały (%), macierze elastyczności obu modeli (wiersz – czyj udział, kolumna – czyja cena), elastyczności pary MW ↔ B z 95% przedziałami, zmianę udziałów w punktach procentowych przy wzroście ceny o 100% (podziel przez 100, by dostać efekt 1%).

R
# Przepis 3. Macierz elastyczności krzyżowych: model prosty a rozszerzony, asymetria MW ↔ B
# (korzysta z plyny, marki, motyw, minus() z przepisu 1 oraz m_prosty, m_rozsz, th, V, nazwa() z przepisu 2)
library(MASS)
library(ggplot2)
library(patchwork)

s <- sapply(marki, function(k) mean(plyny$udzial[plyny$marka == k]))   # średnie udziały – punkt, w którym liczymy elastyczności
round(100 * s, 1)
# Macierz współczynników theta: wiersz = równanie (MW = 0), kolumna = ln(ceny marki)
macierz_theta <- function(t) {
  M <- matrix(0, 5, 5, dimnames = list(udzial = marki, cena = marki))
  for (j in marki[-1]) for (k in marki) M[j, k] <- t[nazwa(j, paste0("ln_", k))]
  M
}
# Elastyczność udziału j względem ceny k: e_jk = theta_jk − suma_h s_h · theta_hk
elast <- function(M) sweep(M, 2, colSums(s * M))
E_rozsz <- elast(macierz_theta(th))
b <- coef(m_prosty)[["ln_cena_wzgl"]]                        # model prosty: własna b(1 − s_j), krzyżowa −b · s_k
E_prosty <- outer(1:5, 1:5, function(j, k) ifelse(j == k, b * (1 - s[k]), -b * s[k]))
dimnames(E_prosty) <- dimnames(E_rozsz)
round(E_prosty, 2)
round(E_rozsz, 2)

# Niepewność: 1000 losowań współczynników z ich rozkładu (błędy odporne na klastrowanie po sklepie)
set.seed(7441)
losy <- mvrnorm(1000, th, V)
E_losy <- apply(losy, 1, function(t) elast(macierz_theta(setNames(t, names(th)))))   # 25 × 1000
ci <- function(x) round(quantile(x, c(.025, .975)), 2)
i_MW_B <- which(rownames(E_rozsz) == "MW") + 5 * (which(colnames(E_rozsz) == "B") - 1)
i_B_MW <- which(rownames(E_rozsz) == "B") + 5 * (which(colnames(E_rozsz) == "MW") - 1)
asym <- rbind(
  "udział MW wzgl. ceny B" = c(E_rozsz["MW", "B"], ci(E_losy[i_MW_B, ])),
  "udział B wzgl. ceny MW" = c(E_rozsz["B", "MW"], ci(E_losy[i_B_MW, ])),
  "różnica"                = c(E_rozsz["MW", "B"] - E_rozsz["B", "MW"], ci(E_losy[i_MW_B, ] - E_losy[i_B_MW, ])))
colnames(asym) <- c("elastycznosc", "dol", "gora"); round(asym, 2)
# Efekt bezwzględny: zmiana udziału w punktach procentowych, gdy cena marki k rośnie o 1%
round(100 * s * E_rozsz, 2)
round(c(MW_od_B = 100 * s[["MW"]] * E_rozsz["MW", "B"], B_od_MW = 100 * s[["B"]] * E_rozsz["B", "MW"]), 2)
round(c(prosty_MW_od_B = E_prosty["MW", "B"], prosty_B_od_MW = E_prosty["B", "MW"]), 2)

# Rysunek 3. Mapy elastyczności: model prosty (A) i rozszerzony (B)
mapa <- function(E, tytul) {
  d <- as.data.frame(as.table(E), responseName = "e")
  d$udzial <- factor(d$udzial, rev(marki)); d$cena <- factor(d$cena, marki)
  d$wyr <- (d$udzial == "MW" & d$cena == "B") | (d$udzial == "B" & d$cena == "MW")
  ggplot(d, aes(cena, udzial, fill = e)) +
    geom_tile(colour = "white", linewidth = 1.1) +
    geom_tile(data = subset(d, wyr), fill = NA, colour = "#0f1d3a", linewidth = 1.1) +
    geom_text(aes(label = minus(sprintf("%.2f", e))), size = 4.1,
              colour = ifelse(abs(d$e) > 1.4, "white", "#0f1d3a")) +
    scale_fill_gradient2(low = "#0072B2", mid = "white", high = "#D55E00", midpoint = 0, limits = c(-3.2, 3.2),
                         name = "Elastyczność udziału", labels = minus) +
    scale_x_discrete(position = "top") + coord_fixed() +
    labs(x = "Cena której marki rośnie o 1%", y = "Udział której marki", title = tytul) +
    motyw + theme(panel.grid = element_blank(), legend.key.width = unit(1.5, "cm"))
}
p3 <- mapa(E_prosty, "A. Model prosty (jedna cena względna)") + mapa(E_rozsz, "B. Model z cenami wszystkich marek") +
  plot_layout(guides = "collect") & theme(legend.position = "bottom")
p3   # zapis: ggsave("marka-wlasna-macierz-elastycznosci.svg", p3, width = 10, height = 5.8)
Wynik w R
  MW    A    B    C    D 
32.8 10.0 24.1 18.1 14.9 
      cena
udzial    MW     A     B     C     D
    MW -1.72  0.26  0.62  0.46  0.38
    A   0.84 -2.30  0.62  0.46  0.38
    B   0.84  0.26 -1.94  0.46  0.38
    C   0.84  0.26  0.62 -2.09  0.38
    D   0.84  0.26  0.62  0.46 -2.18
      cena
udzial    MW     A     B     C     D
    MW -1.42  0.09  1.25  1.01  0.80
    A   0.55 -1.46  0.22  0.20  0.23
    B   0.56  0.36 -2.31  0.22  0.23
    C   0.66  0.07  0.53 -2.41  0.22
    D   1.06  0.10  0.19  0.22 -2.55
                       elastycznosc  dol gora
udział MW wzgl. ceny B         1.25 1.21 1.28
udział B wzgl. ceny MW         0.56 0.49 0.63
różnica                        0.68 0.60 0.76
      cena
udzial     MW      A      B      C      D
    MW -46.73   2.97  40.94  33.13  26.40
    A    5.55 -14.58   2.24   2.03   2.33
    B   13.55   8.77 -55.67   5.36   5.45
    C   11.88   1.35   9.66 -43.76   3.91
    D   15.76   1.48   2.83   3.24 -38.09
MW_od_B B_od_MW 
  40.94   13.55 
prosty_MW_od_B prosty_B_od_MW 
          0.62           0.84 

4. Obniżka ceny o 10% – kto komu zabiera – Rysunek 4

Dane wejściowe: s, losy i macierz_theta() z przepisu 3.

Co odczytać: litry kategorii w przeciętnym sklepie i tygodniu, zmiany udziałów (pp) z 95% przedziałami i w litrach dla obu scenariuszy, wynik modelu prostego (prosty_pp), iloraz strat MW i B z przedziałem oraz skład przyrostu marki obniżającej cenę (%).

R
# Przepis 4. Symulacja: obniżka ceny o 10% – kto komu zabiera litry (model prosty a rozszerzony)
# (korzysta z plyny, marki, kol, motyw, minus() z przepisu 1, m_prosty, th, nazwa() z przepisu 2 i s, losy, macierz_theta() z przepisu 3)
library(ggplot2)

kat_tydz <- mean(tapply(plyny$litry, paste(plyny$sklep, plyny$tydzien), sum))   # litry kategorii w przeciętnym sklepie i tygodniu
round(kat_tydz, 1)
# Udziały po zmianie cen: s_j' proporcjonalne do s_j · exp(suma_k theta_jk · Δln(ceny k)); MW ma theta = 0
nowe_udzialy <- function(M, dln) { a <- s * exp(as.vector(M %*% dln)); a / sum(a) }
scenariusz <- function(kto, M) { dln <- setNames(rep(0, 5), marki); dln[kto] <- log(0.9); nowe_udzialy(M, dln) - s }
M_prosty <- matrix(0, 5, 5, dimnames = list(marki, marki))
for (j in marki[-1]) { M_prosty[j, j] <- coef(m_prosty)[["ln_cena_wzgl"]]; M_prosty[j, "MW"] <- -coef(m_prosty)[["ln_cena_wzgl"]] }

wyniki <- do.call(rbind, lapply(c("MW", "B"), function(kto) {
  ocena <- scenariusz(kto, macierz_theta(th))
  sym <- sapply(seq_len(nrow(losy)), function(r) scenariusz(kto, macierz_theta(setNames(losy[r, ], names(th)))))
  data.frame(scenariusz = paste(kto, "tanieje o 10%"), marka = marki, zmiana_pp = 100 * ocena,
             dol = 100 * apply(sym, 1, quantile, .025), gora = 100 * apply(sym, 1, quantile, .975),
             litry = ocena * kat_tydz, prosty_pp = 100 * scenariusz(kto, M_prosty))
}))
print(cbind(wyniki[1:2], round(wyniki[3:7], 2)), row.names = FALSE)
# Asymetria w litrach: ile MW traci, gdy tanieje B, a ile B traci, gdy tanieje MW (na sklep i tydzień)
stratyMW <- sapply(seq_len(nrow(losy)), function(r) -scenariusz("B", macierz_theta(setNames(losy[r, ], names(th))))["MW"])
stratyB <- sapply(seq_len(nrow(losy)), function(r) -scenariusz("MW", macierz_theta(setNames(losy[r, ], names(th))))["B"])
round(c(MW_traci_gdy_B_tanieje = -wyniki$litry[wyniki$scenariusz == "B tanieje o 10%" & wyniki$marka == "MW"],
        B_traci_gdy_MW_tanieje = -wyniki$litry[wyniki$scenariusz == "MW tanieje o 10%" & wyniki$marka == "B"],
        iloraz = (wyniki$zmiana_pp[wyniki$scenariusz == "B tanieje o 10%" & wyniki$marka == "MW"]) /
          (wyniki$zmiana_pp[wyniki$scenariusz == "MW tanieje o 10%" & wyniki$marka == "B"]),
        iloraz_dol = quantile(stratyMW / stratyB, .025), iloraz_gora = quantile(stratyMW / stratyB, .975)), 2)
# Skąd pochodzi zysk marki obniżającej cenę (% przyrostu jej litrów)
for (kto in c("MW", "B")) {
  x <- subset(wyniki, scenariusz == paste(kto, "tanieje o 10%") & marka != kto)
  print(round(setNames(100 * -x$zmiana_pp / sum(-x$zmiana_pp), x$marka), 1))
}

# Rysunek 4. Zmiana udziału marek po obniżce ceny MW albo B o 10%: model rozszerzony (słupki z 95% CI) i prosty (romby)
wyniki$marka <- factor(wyniki$marka, marki)
wyniki$scenariusz <- factor(wyniki$scenariusz, c("MW tanieje o 10%", "B tanieje o 10%"))
p4 <- ggplot(wyniki, aes(marka, zmiana_pp)) +
  geom_hline(yintercept = 0, colour = "grey50") +
  geom_col(aes(fill = marka), width = 0.65) +
  geom_errorbar(aes(ymin = dol, ymax = gora), width = 0.2, linewidth = 0.6, colour = "#0f1d3a") +
  geom_point(aes(y = prosty_pp, shape = "model prosty (jedna cena względna)"), size = 3, fill = "white", colour = "#0f1d3a") +
  geom_text(aes(y = ifelse(zmiana_pp > 0, -0.45, 0.45), label = minus(sprintf("%+.1f", zmiana_pp))),
            size = 3.8, colour = "#0f1d3a") +
  facet_wrap(~scenariusz) +
  scale_fill_manual(values = kol, guide = "none") + scale_shape_manual(values = 23, name = NULL) +
  scale_y_continuous(labels = minus) +
  labs(x = NULL, y = "Zmiana udziału, pp", title = "Kto komu zabiera: obniżka ceny o 10% w przeciętnym tygodniu",
       subtitle = "Słupki – model z cenami wszystkich marek (95% CI z 1000 losowań); romby – model prosty") + motyw
p4   # zapis: ggsave("marka-wlasna-kto-komu-zabiera.svg", p4, width = 10, height = 5.6)
Wynik w R
[1] 203.3
       scenariusz marka zmiana_pp   dol  gora litry prosty_pp
 MW tanieje o 10%    MW      5.09  4.90  5.30 10.36      6.19
 MW tanieje o 10%     A     -0.62 -0.70 -0.54 -1.26     -0.92
 MW tanieje o 10%     B     -1.52 -1.69 -1.34 -3.08     -2.22
 MW tanieje o 10%     C     -1.31 -1.43 -1.19 -2.66     -1.67
 MW tanieje o 10%     D     -1.65 -1.74 -1.55 -3.35     -1.38
  B tanieje o 10%    MW     -4.35 -4.46 -4.24 -8.85     -2.28
  B tanieje o 10%     A     -0.34 -0.38 -0.30 -0.69     -0.69
  B tanieje o 10%     B      6.31  6.11  6.52 12.83      5.27
  B tanieje o 10%     C     -1.17 -1.24 -1.10 -2.38     -1.26
  B tanieje o 10%     D     -0.45 -0.54 -0.37 -0.92     -1.04
MW_traci_gdy_B_tanieje B_traci_gdy_MW_tanieje                 iloraz        iloraz_dol.2.5%      iloraz_gora.97.5% 
                  8.85                   3.08                   2.87                   2.56                   3.26 
   A    B    C    D 
12.2 29.8 25.7 32.4 
  MW    A    C    D 
68.9  5.3 18.6  7.2 

5. Marża kategorii przy zmianie ceny marki własnej – Rysunek 5

Dane wejściowe: koszt (przepis 1), th (przepis 2), s, losy, macierz_theta() (przepis 3), kat_tydz i nowe_udzialy() (przepis 4).

Co odczytać: elastyczność wielkości kategorii, ceny zwykłego tygodnia, koszty i marże (zł/l), zakres cen marki własnej w danych (%), marżę bazową, zmianę marży (zł na sklep i tydzień) z 95% przedziałem, rozkład skutków obniżki marki własnej o 10% i skutki obniżki B finansowanej przez producenta.

R
# Przepis 5. Marża kategorii przy zmianie ceny marki własnej (symulacja z niepewnością)
# (korzysta z plyny, marki, koszt, kol, motyw, minus() z przepisu 1, th z przepisu 2, s, losy, macierz_theta() z przepisu 3
#  i kat_tydz, nowe_udzialy() z przepisu 4)
library(fixest)
library(ggplot2)

# Wielkość kategorii: regresja ln(litrów kategorii) na ln(indeksu cen) z efektami stałymi sklepu i tygodnia
kat <- aggregate(litry ~ sklep + tydzien, plyny, sum)
plyny$ln_c <- log(plyny$cena)
ind <- aggregate(ln_c ~ sklep + tydzien, plyny, function(x) sum(s * x))     # średnia ważona udziałami
kat <- merge(kat, ind)
m_kat <- feols(log(litry) ~ ln_c | sklep + tydzien, data = kat, cluster = ~sklep)
round(coeftable(m_kat), 3)
e_kat <- coef(m_kat)[["ln_c"]]; se_kat <- se(m_kat)[["ln_c"]]

# Ceny „zwykłego tygodnia”: mediana ceny poza promocjami; koszt zakupu z systemu sieci
cena0 <- sapply(marki, function(k) median(plyny$cena[plyny$marka == k & plyny$promo == 0]))
rbind(cena = round(cena0, 2), koszt = koszt, marza_zl_l = round(cena0 - koszt, 2))
# Zakres cen MW w danych względem ceny zwykłego tygodnia (percentyle 1 i 99) – symulacja nie wychodzi poza niego
round(100 * (quantile(plyny$cena[plyny$marka == "MW"] / cena0[["MW"]], c(.01, .99)) - 1), 1)
marza <- function(M, ek, zmiana_MW, zmiana_B = 0, B_na_koszt_producenta = FALSE) {
  dln <- setNames(c(log(1 + zmiana_MW), 0, log(1 + zmiana_B), 0, 0), marki)
  q <- kat_tydz * exp(ek * sum(s * dln))                       # wielkość kategorii reaguje słabo na średnią cenę
  sh <- nowe_udzialy(M, dln)
  pr <- cena0 * exp(dln)
  kz <- koszt
  if (B_na_koszt_producenta) kz["B"] <- koszt[["B"]] + pr[["B"]] - cena0[["B"]]   # producent dopłaca obniżkę
  c(razem = sum((pr - kz) * q * sh), MW = ((pr - kz) * q * sh)[["MW"]], litry = q)
}
siatka <- seq(-0.20, 0.10, by = 0.01)
M0 <- macierz_theta(th)
krzywa <- t(sapply(siatka, function(z) marza(M0, e_kat, z)))
baza <- marza(M0, e_kat, 0)
set.seed(7442)
ek_los <- rnorm(nrow(losy), e_kat, se_kat)
sym <- sapply(seq_len(nrow(losy)), function(r) {
  M <- macierz_theta(setNames(losy[r, ], names(th)))
  sapply(siatka, function(z) marza(M, ek_los[r], z)["razem"] - marza(M, ek_los[r], 0)["razem"])
})
wynik <- data.frame(zmiana_ceny_MW = round(100 * siatka), zmiana_marzy = krzywa[, "razem"] - baza[["razem"]],
                    dol = apply(sym, 1, quantile, .025), gora = apply(sym, 1, quantile, .975))
round(c(marza_bazowa_zl = baza[["razem"]], marza_MW_zl = baza[["MW"]]), 1)
print(round(wynik[wynik$zmiana_ceny_MW %in% c(-20, -10, -5, 0, 5, 10), ], 1), row.names = FALSE)
# Obniżka MW o 10%: zmiana marży marki własnej, marek producentów i całej kategorii (zł na sklep i tydzień)
o10 <- marza(M0, e_kat, -0.10)
round(c(MW = o10[["MW"]] - baza[["MW"]], producenci = (o10[["razem"]] - o10[["MW"]]) - (baza[["razem"]] - baza[["MW"]]),
        kategoria = o10[["razem"]] - baza[["razem"]], litry_kategorii = o10[["litry"]] - baza[["litry"]]), 1)
round(100 * (o10[["razem"]] / baza[["razem"]] - 1), 1)                      # zmiana marży kategorii, %
# Obniżka B o 10% finansowana przez producenta: marża sieci na litrze B się nie zmienia, ale MW traci litry
b10 <- marza(M0, e_kat, 0, zmiana_B = -0.10, B_na_koszt_producenta = TRUE)
round(c(MW = b10[["MW"]] - baza[["MW"]], kategoria = b10[["razem"]] - baza[["razem"]]), 1)

# Rysunek 5. Zmiana tygodniowej marży kategorii (zł na sklep) w zależności od zmiany ceny marki własnej
p5 <- ggplot(wynik, aes(zmiana_ceny_MW, zmiana_marzy)) +
  geom_hline(yintercept = 0, colour = "grey50") +
  geom_ribbon(aes(ymin = dol, ymax = gora), fill = kol[["MW"]], alpha = 0.18) +
  geom_line(colour = kol[["MW"]], linewidth = 1.1) +
  geom_point(data = subset(wynik, zmiana_ceny_MW %in% c(-10, 10)), colour = "#0f1d3a", size = 2.8, shape = 17) +
  geom_text(data = subset(wynik, zmiana_ceny_MW %in% c(-10, 10)), aes(label = minus(sprintf("%+.1f zł", zmiana_marzy))),
            vjust = -1.1, size = 3.9, colour = "#0f1d3a") +
  scale_x_continuous(breaks = seq(-20, 10, 5), labels = function(v) minus(sprintf("%+d%%", v))) +
  scale_y_continuous(labels = minus, expand = expansion(mult = c(0.05, 0.12))) +
  labs(x = "Zmiana ceny marki własnej", y = "Zmiana marży kategorii, zł / sklep / tydzień",
       title = "Marża całej kategorii a cena marki własnej",
       subtitle = "Linia – model z cenami wszystkich marek; pas – 95% przedział z 1000 losowań parametrów") + motyw
p5   # zapis: ggsave("marka-wlasna-marza-kategorii.svg", p5, width = 10, height = 5.4)
Wynik w R
     Estimate Std. Error t value Pr(>|t|)
ln_c   -0.317      0.019 -16.924        0
attr(,"vcov_type")
[1] "Clustered (sklep)"
             MW     A    B    C    D
cena       5.16 13.92 9.79 9.25 6.35
koszt      2.90 11.10 7.80 7.10 5.10
marza_zl_l 2.26  2.82 1.99 2.15 1.25
   1%   99% 
-27.7  11.2 
marza_bazowa_zl     marza_MW_zl 
          423.2           150.9 
 zmiana_ceny_MW zmiana_marzy   dol  gora
            -20        -76.3 -77.5 -75.2
            -10        -31.7 -32.3 -31.2
             -5        -14.5 -14.8 -14.2
              0          0.0   0.0   0.0
              5         12.1  11.8  12.4
             10         22.1  21.5  22.7
             MW      producenci       kategoria litry_kategorii 
          -14.9           -16.8           -31.7             2.2 
[1] -7.5
       MW kategoria 
    -18.9       0.7 

6. Pułapki: pominięta dostępność i pominięta zmiana opakowania

Dane wejściowe: beta, gamma_promo (przepis 1), u, nazwa() (przepis 2), s, macierz_theta() i elast() (przepis 3).

Co odczytać: elastyczności i efekt gazetki marki własnej w trzech wersjach modelu, prawdę z parametrów ukrytych w danych i korelacje, które tworzą obciążenie.

R
# Przepis 6. Pułapki: pominięta dostępność na półce i pominięta zmiana opakowania
# (korzysta z beta, gamma_promo z przepisu 1, u, nazwa() z przepisu 2 oraz s, macierz_theta(), elast() z przepisu 3)
library(fixest)

wzor <- y ~ marka:(ln_MW + ln_A + ln_B + ln_C + ln_D + promo_j + promo_MW + ln_dost_j + ln_dost_MW) + opak | sklep^marka
bez_dost <- y ~ marka:(ln_MW + ln_A + ln_B + ln_C + ln_D + promo_j + promo_MW) + opak | sklep^marka
bez_opak <- y ~ marka:(ln_MW + ln_A + ln_B + ln_C + ln_D + promo_j + promo_MW + ln_dost_j + ln_dost_MW) | sklep^marka
modele <- list(pelny = feols(wzor, u, cluster = ~sklep), bez_dostepnosci = feols(bez_dost, u, cluster = ~sklep),
               bez_opakowania = feols(bez_opak, u, cluster = ~sklep))
porownanie <- t(sapply(modele, function(m) {
  E <- elast(macierz_theta(coef(m)))
  c(elast_MW_wlasna = E["MW", "MW"], elast_C_wlasna = E["C", "C"], elast_MW_wzgl_B = E["MW", "B"],
    promo_MW = -mean(coef(m)[nazwa(c("A", "B", "C", "D"), "promo_MW")]))
}))
round(porownanie, 2)
# Prawda (z parametrów ukrytych w danych, przy tych samych udziałach s)
E_prawda <- sweep(beta, 2, colSums(s * beta))
round(c(elast_MW_wlasna = E_prawda["MW", "MW"], elast_C_wlasna = E_prawda["C", "C"],
        elast_MW_wzgl_B = E_prawda["MW", "B"], promo_MW = gamma_promo), 2)
# Dlaczego: w tygodniach promocji MW półka częściej pustoszeje, a cena C za litr skacze razem z nową butelką
round(c(cor_promoMW_dostMW = cor(u$promo_MW, u$ln_dost_MW), cor_opak_lnC = cor(u$opak[u$marka == "C"], u$ln_C[u$marka == "C"])), 2)
Wynik w R
                elast_MW_wlasna elast_C_wlasna elast_MW_wzgl_B promo_MW
pelny                     -1.42          -2.41            1.25     0.33
bez_dostepnosci           -1.33          -2.51            1.27     0.20
bez_opakowania            -1.42          -1.63            1.25     0.34
elast_MW_wlasna  elast_C_wlasna elast_MW_wzgl_B        promo_MW 
          -1.40           -2.39            1.24            0.35 
cor_promoMW_dostMW       cor_opak_lnC 
             -0.32               0.48 

7. Grafika: karta „kto komu zabiera” – Rysunek 6

Dane wejściowe: wyniki, kat_tydz, stratyMW, stratyB (przepis 4), o10 i baza (przepis 5).

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

R
# Przepis 7. Grafika: karta „kto komu zabiera” z liczbami z przepisów 4 i 5
# (korzysta z marki, kol, motyw, minus() z przepisu 1, wyniki, kat_tydz, stratyMW, stratyB z przepisu 4 oraz o10, baza z przepisu 5)
library(ggplot2)

karta_dane <- function(kto, x0) {
  x <- subset(wyniki, scenariusz == paste(kto, "tanieje o 10%") & marka != kto)
  x <- x[order(x$litry), ]                                   # najwięcej oddaje pierwszy
  x$proc <- 100 * x$litry / sum(x$litry)
  x$y <- 3.85 - 0.62 * (seq_len(nrow(x)) - 1)
  x$x0 <- x0; x$dl <- 2.2 * (-x$litry) / 9                   # długość paska: 9 litrów = 2.2 jednostki
  x
}
L <- karta_dane("B", 0.3); P <- karta_dane("MW", 5.3)
zysk <- function(kto) subset(wyniki, scenariusz == paste(kto, "tanieje o 10%") & marka == kto)
iloraz <- (-L$litry[L$marka == "MW"]) / (-P$litry[P$marka == "B"])
ci_il <- quantile(stratyMW / stratyB, c(.025, .975))
naglowki <- data.frame(x = c(0.3, 5.3), kto = c("B", "MW"),
                       tyt = c("Gdy marka B tanieje o 10%", "Gdy marka własna tanieje o 10%"),
                       zysk = c(sprintf("B: +%.1f pp udziału, +%.1f l na sklep i tydzień", zysk("B")$zmiana_pp, zysk("B")$litry),
                                sprintf("MW: +%.1f pp udziału, +%.1f l na sklep i tydzień", zysk("MW")$zmiana_pp, zysk("MW")$litry)))
paski <- rbind(L, P)
p6 <- ggplot() +
  geom_rect(data = naglowki, aes(xmin = x, xmax = x + 4.4, ymin = 0.95, ymax = 5.6), fill = "white",
            colour = kol[naglowki$kto], linewidth = 1.4) +
  geom_text(data = naglowki, aes(x = x + 0.2, y = 5.25, label = tyt), hjust = 0, fontface = "bold", size = 5, colour = "#0f1d3a") +
  geom_text(data = naglowki, aes(x = x + 0.2, y = 4.75, label = zysk), hjust = 0, size = 3.7, colour = "grey20") +
  geom_text(data = naglowki, aes(x = x + 0.2, y = 4.35, label = "skąd przychodzą litry:"), hjust = 0, size = 3.6,
            colour = "grey35", fontface = "italic") +
  geom_rect(data = paski, aes(xmin = x0 + 0.75, xmax = x0 + 0.75 + dl, ymin = y - 0.2, ymax = y + 0.2, fill = marka)) +
  geom_text(data = paski, aes(x = x0 + 0.2, y = y, label = marka), hjust = 0, fontface = "bold", size = 4.4) +
  geom_text(data = paski, aes(x = x0 + 0.85 + dl, y = y, label = sprintf("%.1f l (%.0f%%)", -litry, proc)),
            hjust = 0, size = 3.8, colour = "#0f1d3a") +
  annotate("rect", xmin = 0.3, xmax = 9.7, ymin = -0.85, ymax = 0.7, fill = "#f4f1ea", colour = NA) +
  annotate("text", x = 0.5, y = 0.35, hjust = 0, size = 3.9, colour = "#0f1d3a", fontface = "bold",
           label = sprintf("Asymetria: obniżka B zabiera MW %.1f raza więcej litrów niż obniżka MW zabiera B (95%% CI %.2f–%.2f).",
                           iloraz, ci_il[1], ci_il[2])) +
  annotate("text", x = 0.5, y = -0.1, hjust = 0, size = 3.7, colour = "grey20",
           label = sprintf("Model prosty (jedna cena względna) jej nie widzi: B zabrałby MW %.1f pp, a MW zabrałaby B %.1f pp udziału.",
                           -L$prosty_pp[L$marka == "MW"], -P$prosty_pp[P$marka == "B"])) +
  annotate("text", x = 0.5, y = -0.55, hjust = 0, size = 3.7, colour = "grey20",
           label = minus(sprintf("Obniżka MW o 10%%: marża kategorii %+.1f zł na sklep i tydzień (%+.1f%%), bo zysk MW to w części litry zabrane markom z marżą.",
                                 o10[["razem"]] - baza[["razem"]], 100 * (o10[["razem"]] / baza[["razem"]] - 1)))) +
  scale_fill_manual(values = kol, guide = "none") +
  coord_cartesian(xlim = c(0.2, 9.8), ylim = c(-0.9, 5.7), expand = FALSE) +
  labs(title = "Kto komu zabiera: marka własna a marka producenta B",
       subtitle = sprintf("Przeciętny sklep sieci, zwykły tydzień (%.0f l płynów), model z cenami wszystkich marek", kat_tydz)) +
  motyw + theme(axis.title = element_blank(), axis.text = element_blank(), panel.grid.major = element_blank(),
                panel.grid.minor = element_blank())
p6   # zapis: ggsave("marka-wlasna-karta-kto-komu-zabiera.svg", p6, width = 10, height = 6)

8. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: paleta marek 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. Najbliżej są A i D (18.1 przy deuteranopii), dlatego na rysunkach marki mają też litery i kształty punktów.

R
# Przepis 8. Kontrola palety: symulacja zaburzeń widzenia barw dla wszystkich par kolorów marek
library(colorspace)
kol <- c(MW = "#D55E00", A = "#CC79A7", B = "#0072B2", C = "#56B4E9", D = "#009E73")
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))
}
pary <- combn(names(kol), 2, simplify = FALSE)
pary <- c(setNames(lapply(pary, function(p) unname(kol[p])), sapply(pary, paste, collapse = " – ")),
          list("czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A")))
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
MW – A                                      74.3         70.2       71.9
MW – B                                     114.6        108.3       91.9
MW – C                                     113.6        101.1       89.0
MW – D                                     102.4         53.5       37.3
A – B                                       53.6         42.0       22.5
A – C                                       56.7         31.0       20.7
A – D                                       87.5         18.1       36.2
B – C                                       26.4         24.7       24.6
B – D                                       70.1         55.4       58.0
C – D                                       59.5         48.8       51.9
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 przekształcenia – pakiet stats i funkcje podstawowej instalacji R. Regresje z efektami stałymi i błędami odpornymi na klastrowanie – pakiet fixest. Losowanie współczynników z wielowymiarowego rozkładu normalnego – pakiet MASS. 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. 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. MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  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. 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
  7. 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

  • Dostępność na półce. W promocjach marka własna częściej się wyprzedaje (korelacja promocji z logarytmem dostępności: −.32). Bez zmiennej dostępności efekt gazetki marki własnej spada z 0.33 do 0.20 (prawda 0.35), a jej elastyczność własna z −1.42 do −1.33. Puste półki wyglądają jak słaba promocja. Notuj braki towaru i wstawiaj je do modelu – podobnie działa dystrybucja.
  • Zmiana opakowania. Nowa butelka C (0.9 l za tę samą cenę) podniosła cenę za litr o 11% w tym samym tygodniu, w którym zmieniła się atrakcyjność marki (korelacja 0.48). Bez zmiennej „nowe opakowanie” elastyczność własna C wychodzi −1.63 zamiast −2.41 (prawda −2.39). To klasyczna zmienna zakłócająca.
  • Endogeniczność cen. Ceny ustalane pod spodziewany popyt dają obciążone elastyczności (Villas-Boas i Winer, 1999). W naszych danych ceny są losowe; w prawdziwych – nie. Berry (1994) zaproponował szacowanie takich modeli zmiennymi instrumentalnymi, np. kosztem surowca. Symulację tej pułapki pokazuje wpis o modelu MCI.
  • Asymetria tylko w elastycznościach. Podawaj też zmianę w punktach procentowych i litrach, bo elastyczności sprzyjają markom o małym udziale (Sethuraman i in., 1999).
  • Za dużo parametrów. 5 marek to 20 współczynników cen, 10 marek – 90. Przy krótkich danych łącz marki w grupy cenowe.

Najczęstsze pytania

Jak policzyć elastyczność krzyżową między marką własną a marką producenta?

Oszacuj logit udziałów: dla każdej marki producenta regresuj logarytm ilorazu jej udziału i udziału marki własnej na logarytmach cen wszystkich marek, z efektami stałymi sklepu. Elastyczność udziału marki j względem ceny marki k to współczynnik θjk minus średnia ważona udziałami tych współczynników w kolumnie k (dla marki własnej θ = 0). W przykładzie udział marki własnej względem ceny lidera B miał elastyczność 1.25.

Dlaczego model z jedną ceną względną nie pokaże asymetrii?

Bo zakłada, że obniżka jednej marki zabiera pozostałym proporcjonalnie do ich udziałów – w każdej kolumnie macierzy elastyczności liczby są równe. W przykładzie model prosty przewidział prawie symetryczną wymianę między marką własną a B (2.28 i 2.22 pp), choć w danych obniżka B zabierała marce własnej 2.87 raza więcej litrów. Asymetrię pokazuje dopiero model z cenami wszystkich marek.

Czy obniżka ceny marki własnej opłaca się sieci?

Nie zawsze. Marka własna zyskuje udział, ale większość nowych litrów to klienci marek producentów, na których sieć też zarabia, a na dotychczasowych litrach marki własnej marża spada. W przykładzie obniżka o 10% dała +5.09 pp udziału i zmniejszyła marżę kategorii o 31.7 zł na sklep tygodniowo (−7.5%). Licz marżę całej kategorii, nie udział jednej marki.

Czy asymetrię cen lepiej mierzyć elastycznością czy w punktach procentowych?

Podaj obie miary. Elastyczność to zmiana w procentach własnego udziału, więc sprzyja markom o małym udziale; metaanaliza Sethuramana i współpracowników (1999) pokazała, że asymetria w elastycznościach często znika, gdy liczyć zmianę udziału w punktach procentowych. W przykładzie 1% ceny B przesuwał 0.41 pp udziału marki własnej, a 1% ceny marki własnej – 0.14 pp udziału B.

Jakie zmienne dodać do modelu udziałów marek w sklepach?

Oprócz cen: promocje (gazetka, ekspozycja), dostępność na półce i zmiany opakowania. W przykładzie pominięcie braków towaru zaniżyło efekt gazetki marki własnej z 0.33 do 0.20, a pominięcie nowej butelki marki C zaniżyło jej elastyczność własną z −2.41 do −1.63. Pamiętaj też, że ceny ustalane pod popyt dają obciążone elastyczności.

Powiązane hasła

Przeczytaj też

Analizujesz marki i ceny w pracy?

Pomożemy przygotować dane ze sklepów i tygodni, oszacować model udziałów, policzyć elastyczności krzyżowe i symulacje cenowe oraz opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Berry, S. T. (1994). Estimating discrete-choice models of product differentiation. The RAND Journal of Economics, 25(2), 242–262. https://doi.org/10.2307/2555829
  2. Blattberg, R. C., & Wisniewski, K. J. (1989). Price-induced patterns of competition. Marketing Science, 8(4), 291–309. https://doi.org/10.1287/mksc.8.4.291
  3. Carpenter, G. S., Cooper, L. G., Hanssens, D. M., & Midgley, D. F. (1988). Modeling asymmetric competition. Marketing Science, 7(4), 393–412. https://doi.org/10.1287/mksc.7.4.393 ● Otwarty dostęp: pełny tekst
  4. Pauwels, K., & Srinivasan, S. (2004). Who benefits from store brand entry? Marketing Science, 23(3), 364–390. https://doi.org/10.1287/mksc.1030.0036
  5. Sethuraman, R., Srinivasan, V., & Kim, D. (1999). Asymmetric and neighborhood cross-price effects: Some empirical generalizations. Marketing Science, 18(1), 23–41. https://doi.org/10.1287/mksc.18.1.23
  6. Villas-Boas, J. M., & Winer, R. S. (1999). Endogeneity in brand choice models. Management Science, 45(10), 1324–1338. https://doi.org/10.1287/mnsc.45.10.1324

Cytowania BibTeX

@article{berry1994estimating, author={Berry, Steven T.}, title={{Estimating discrete-choice models of product differentiation}}, journal={The RAND Journal of Economics}, year={1994}, volume={25}, number={2}, pages={242--262}, doi={10.2307/2555829}}
@article{blattberg1989price, author={Blattberg, Robert C. and Wisniewski, Kenneth J.}, title={{Price-induced patterns of competition}}, journal={Marketing Science}, year={1989}, volume={8}, number={4}, pages={291--309}, doi={10.1287/mksc.8.4.291}}
@article{carpenter1988modeling, author={Carpenter, Gregory S. and Cooper, Lee G. and Hanssens, Dominique M. and Midgley, David F.}, title={{Modeling asymmetric competition}}, journal={Marketing Science}, year={1988}, volume={7}, number={4}, pages={393--412}, doi={10.1287/mksc.7.4.393}}
@article{pauwels2004who, author={Pauwels, Koen and Srinivasan, Shuba}, title={{Who benefits from store brand entry?}}, journal={Marketing Science}, year={2004}, volume={23}, number={3}, pages={364--390}, doi={10.1287/mksc.1030.0036}}
@article{sethuraman1999asymmetric, author={Sethuraman, Raj and Srinivasan, V. and Kim, Doyle}, title={{Asymmetric and neighborhood cross-price effects: Some empirical generalizations}}, journal={Marketing Science}, year={1999}, volume={18}, number={1}, pages={23--41}, doi={10.1287/mksc.18.1.23}}
@article{villasboas1999endogeneity, author={Villas-Boas, J. Miguel and Winer, Russell S.}, title={{Endogeneity in brand choice models}}, journal={Management Science}, year={1999}, volume={45}, number={10}, pages={1324--1338}, doi={10.1287/mnsc.45.10.1324}}
R