Przykład: pięć proszków do prania w trzech sieciach
Fikcyjny producent proszku do prania marki C ma dane z trzech sieci handlowych za 104 tygodnie. Na półce stoi pięć fikcyjnych marek: A (lider), B (premium), C (średnia półka), D (tania) i E (nowa marka ekologiczna, która dopiero zdobywa sklepy). Dla każdej sieci, tygodnia i marki znamy cenę za kilogram, obecność w gazetce, dystrybucję ważoną (jaka część obrotu kategorii przypada na sklepy z marką na półce) i sprzedaż w kilogramach. Dyrektor pyta: ile udziału da obniżka ceny C o 10% i komu go zabierze?
1560 wierszy (3 sieci × 104 tygodnie × 5 marek) pobierzesz jako mci-proszki-sieci-tygodnie.csv.
Dane są fikcyjne i wiemy, co w nich ukryliśmy. Ręcznie ustaliliśmy m.in. ceny regularne (5.00–12.00 zł/kg), udziały przy cenach regularnych (30, 14, 24, 22 i 10%), wykładniki ceny marek (−2.0, −1.4, −2.6, −3.0 i −1.6), efekt gazetki (0.40), wykładnik dystrybucji (1.10) i siłę reakcji ceny na popyt w pułapce z rysunku 6 (0.5); pełna lista jest przy kodzie. Parametrów nie zmienialiśmy po pierwszym uruchomieniu kodu; ziarno 691 ustaliliśmy raz.
Wpis o elastyczności cenowej liczy reakcję sprzedaży jednego produktu. Tu patrzymy na cały rynek: zysk jednej marki jest stratą innych.
Rysunek 1: od atrakcyjności do udziału
Model atrakcyjności udziałów (MCI, multiplicative competitive interaction) zakłada, że każda marka ma w danym tygodniu atrakcyjność zależną od jej działań, a jej udział to atrakcyjność podzielona przez sumę atrakcyjności wszystkich marek:
Słowami: αi to siła marki „sama w sobie”, βi (ujemne) mówi, jak mocno atrakcyjność spada z ceną, γ – ile dodaje gazetka, a δ – ile dodaje obecność w sklepach. Bell, Keeney i Little (1975) wyprowadzili tę zasadę z trzech prostych założeń, m.in. że atrakcyjność jest nieujemna, a równe atrakcyjności dają równe udziały. Tak samo działa model Huffa dla sklepów.
Co widać. W zwykłym tygodniu C ma 24% rynku. Gdy trafia do gazetki z ceną 6.00 zł zamiast 7.50 zł, jej atrakcyjność rośnie 2.7 razy, a udział – do 45.7%. Pozostałe marki nic nie zmieniły, a tracą od 2.9 pp (E) do 8.6 pp (A). Każda z nich traci ten sam odsetek swojego udziału: ok. 28.5%.
Jak może zmylić. Atrakcyjność nie ma jednostki – liczą się tylko proporcje, więc nie porównuj jej między rynkami. Model opisuje też tylko podział rynku, a nie jego wielkość.
Podpis do pracy:
Rysunek 2: co jest w danych
set.seed(691)).Co widać. W tygodniu gazetki marka potrafi przejąć połowę rynku sieci. Średnio A ma 27.8% rynku, C 26.4%, D 25.7%, B 12.4%, a E 7.6%. Udział E rośnie w kolejnych kwartałach (4.5, 6.6, 9.0 i 10.3%) razem z jej dystrybucją ważoną (panel B).
Jak może zmylić. Gazetka zawsze oznacza obniżkę (korelacja logarytmu ceny z gazetką: −.22). Bez obniżek poza gazetką model nie oddzieliłby efektu ceny od ekspozycji (współliniowość). Związek dystrybucji z udziałem bywa też odwrócony – sklepy biorą marki, które się sprzedają (dystrybucja a sprzedaż); u nas dystrybucja E rośnie według planu wejścia do sklepów.
Podpis do pracy:
Rysunek 3: log-centrowanie – jak z ułamka zrobić regresję liniową
Wzór na udział to ułamek z sumą w mianowniku, więc nie da się go wprost wstawić do regresji liniowej. Nakanishi i Cooper (1974) pokazali, jak to obejść metodą najmniejszych kwadratów. W każdym tygodniu i sieci dzielimy udział marki przez średnią geometryczną udziałów pięciu marek i bierzemy logarytm. Mianownik (suma atrakcyjności) jest wspólny dla wszystkich marek, więc znika:
Tylda oznacza średnią geometryczną z pięciu marek w tym samym tygodniu i sieci, a kreska – zwykłą średnią; każdą zmienną mierzymy względem „przeciętnej marki” na rynku. To centrowany log-iloraz znany z danych kompozycyjnych. Daje on te same współczynniki co regresja z efektami stałymi każdego rynku (sieć × tydzień). W modelu głównym każda marka ma własny wykładnik ceny βi, a każda marka w każdej sieci – własną stałą.
set.seed(691)).Co widać. Regresja odzyskała parametry: wykładnik ceny C wynosi −2.56, 95% CI [−2.69, −2.42], przy prawdzie −2.6. Najmniej wrażliwa na cenę jest marka premium B (−1.46 [−1.60, −1.33]), najbardziej – tania D (−2.87 [−3.01, −2.74]). Gazetka mnoży atrakcyjność przez e0.413 = 1.51, a wykładnik dystrybucji wynosi 1.11 [1.08, 1.13]. Wszystkie siedem przedziałów obejmuje prawdę. Model odtwarza udziały z błędem średniokwadratowym 1.21 pp (R² = .989).
Jak może zmylić. Zwykła regresja na ręcznie wycentrowanych zmiennych daje te same współczynniki, ale za wąskie przedziały: program nie wie, że w każdym rynku zużyliśmy stopień swobody na średnią. W prostszym modelu ze wspólnym wykładnikiem ceny błąd standardowy wyszedł 0.057 zamiast 0.064. Dlatego licz wersję z efektami stałymi. Dobre dopasowanie nie gwarantuje też trafnych elastyczności (rysunek 6).
Zdanie do Wyników:
Rysunek 4: elastyczności własne i krzyżowe
Wykładnik βi nie jest jeszcze elastycznością udziału, bo tańsza marka podnosi też mianownik, w którym sama siedzi. Dlatego elastyczność własna wynosi βi · (1 − udziałi), a elastyczność krzyżowa udziału marki k względem ceny marki i wynosi −βi · udziałi. Liczymy je przy średnich udziałach z ostatnich 26 tygodni: A 28.0%, B 12.3%, C 26.0%, D 23.4%, E 10.3%.
set.seed(691)).Co widać. Podwyżka ceny o 1% obniża udział D o 2.20%, 95% CI [2.10, 2.31], a C o 1.89% [1.79, 1.99]; A, E i B reagują słabiej. Gdy drożeje C albo D, udziały wszystkich pozostałych rosną o 0.67%, a gdy B albo E – tylko o 0.18 i 0.16%. Groźni są konkurenci duzi i wrażliwi na cenę. Elastyczność udziału względem dystrybucji wynosi od 0.80 (A) do 0.99 (E): mała marka zyskuje na każdym nowym sklepie prawie proporcjonalnie.
Jak może zmylić. Równe liczby w kolumnie to założenie modelu: gdy C tanieje, premium B i tania D tracą ten sam procent udziału, choć w prawdziwym rynku C pewnie bardziej podbierałaby klientów D. Carpenter i in. (1988) pokazali, jak rozszerzyć model, żeby efekty konkurencji mogły być zróżnicowane i asymetryczne. Taki model ma jednak dużo więcej parametrów do oszacowania. Elastyczność udziału to też nie elastyczność sprzedaży, gdy rośnie cała kategoria.
Podpis do pracy:
Zdanie do Wyników:
Rysunek 5: obniżka ceny C – skąd przychodzą klienci
Odpowiedź dla dyrektora. Bierzemy typowy tydzień w sieci 1 z ostatnich 26 tygodni: ceny regularne, bez gazetek, 17 280 kg sprzedaży kategorii. Obniżamy cenę C z 7.07 do 6.36 zł i liczymy udziały z modelu przed obniżką i po niej. Niepewność daje 1000 losowań parametrów z rozkładu oszacowań (uproszczony bootstrap parametryczny).
set.seed(691) i set.seed(6915)).Co widać. Udział C rośnie z 27.5 do 33.1%, czyli o 5.67 pp: to +980 kg tygodniowo, 95% przedział [925, 1034]. Najwięcej oddaje lider A (406 kg, 41.4% zysku C), potem D (278 kg, 28.4%), E (159 kg, 16.2%) i B (137 kg, 14.0%). Każdy konkurent traci 7.8% swojego udziału, więc „płaci” proporcjonalnie do swojej wielkości. Ta sama obniżka dałaby D +5.4 pp, a B tylko +1.5 pp (panel B).
Jak może zmylić. Proporcjonalne straty to założenie MCI (rysunek 4), nie odkrycie w danych. Przedziały mówią tylko o niepewności parametrów przy poprawnym modelu. Symulacja pomija też reakcję konkurentów, którzy mogą obniżyć swoje ceny. Przed decyzją cenową warto sprawdzić wynik losowym testem ceny w części sklepów.
Zdanie do Wyników:
Rysunek 6: logit udziałów i cena ustalana pod popyt
Najbliższy krewny MCI to logit udziałów (model atrakcyjności z wielomianowym logitem, MNL). Wygląda tak samo, ale cena wchodzi do atrakcyjności w złotówkach, a nie w logarytmie: Ai = exp(… + βi · cenai). To postać znana z wielomianowej regresji logistycznej i conjointu wyborczego, tylko liczona na udziałach. Szacujemy go tą samą regresją. Elastyczność własna wynosi tu βi · cenai · (1 − udziałi), więc rośnie z ceną.
set.seed(691) i set.seed(6916)).Co widać. Przy cenie bliskiej obecnej (7 zł) oba modele dają prawie to samo: −1.84 w MCI i −1.88 w logicie. Rozjeżdżają się poza zakresem: przy 10 zł logit podaje −3.32, a MCI −2.21. Po dopasowaniu na tygodniach 1–78 błąd prognozy udziałów w tygodniach 79–104 wyniósł 1.17 pp dla MCI i 1.19 pp dla logitu. Ghosh i in. (1984) też dostali podobne prognozy z modeli liniowych, multiplikatywnych i atrakcyjności, a lepsze – z parametrami osobnymi dla marek.
Pułapka endogeniczności (panel B). Wygenerowaliśmy po 300 nowych rynków w dwóch wersjach. Gdy cena nie zależy od nieobserwowanych wahań popytu, średnie oszacowanie wykładnika ceny C wynosi −2.60, a 95% przedział obejmuje prawdę w 95.0% symulacji (błąd Monte Carlo 1.3 pp). Gdy kierownicy obniżają cenę, kiedy marka słabnie z powodów niewidocznych dla modelu, średnia spada do −1.65, a przedział nie trafia w prawdę ani razu: model widzi niską cenę przy słabej sprzedaży i uznaje, że cena mało działa. Villas-Boas i Winer (1999) pokazali takie obciążenie w modelach wyboru marki. Berry (1994) zaproponował, by „odwrócić” równanie udziałów i szacować model zmiennymi instrumentalnymi. Instrumentem może być np. koszt surowca, który zmienia cenę, ale nie popyt.
Co z tym zrobić w marketingu
- Porównaj zysk udziału z kosztem. Obniżka C o 10% daje +980 kg tygodniowo – zestaw to z utraconą marżą na wszystkich sprzedanych kilogramach.
- Obserwuj dużych i wrażliwych konkurentów. Ruchy cen C i D przesuwają rynek najmocniej (elastyczność krzyżowa 0.67); zmiany cen B i E – trzy, cztery razy słabiej.
- Licz dystrybucję razem z ceną. Dla małej marki E wejście do nowych sklepów może dać więcej niż kolejna promocja.
- Nie wierz w proporcjonalne straty bez sprawdzenia. Gdy konkurujesz głównie z jedną marką, sprawdź przepływy klientów w panelu konsumenckim.
- Testuj zamiast ufać historii. Gdy ceny ustalano pod popyt, elastyczność z historii będzie zaniżona. Pomaga eksperyment albo instrument.
Związek udziału w reklamie z udziałem w rynku opisuje wpis ESOV, a wpływ reklamy i promocji na wielkość sprzedaży – marketing mix modeling. Kształt reakcji na głębokość rabatu pokazuje wpis głębokość rabatu a sprzedaż. Więcej przykładów do pracy dyplomowej: statystyka w pracy z marketingu.
Jak opisać w pracy
Opisz rynek (sieć × tydzień), postać atrakcyjności, transformację i sposób liczenia elastyczności; w ograniczeniach – założenie IIA i możliwą endogeniczność ceny.
Kod R wszystkich rysunków
Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw i parametry rynku, przepis 2 – generator i dane, przepis 3 – model i funkcje liczenia udziałów, przepis 5 – typowy tydzień używany w przepisie 6. Przepisy 1–6 kończą się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p6, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.
Losują przepisy 2 (set.seed(691) – dane), 5 (set.seed(6915) – 1000 losowań parametrów) i 6 (set.seed(6916) – 2 × 300 symulowanych rynków). Ziarna ustalono raz i nie zmieniano ich, a parametrów danych nie zmieniano po pierwszym uruchomieniu. Ręcznie ustalono (przepisy 1–2 i 6): ceny regularne, wykładniki ceny, docelowe udziały i dystrybucje marek (z nich kod wylicza stałe α), γ = 0.40, δ = 1.10, odchylenie wahań atrakcyjności 0.07, różnice marek między sieciami (SD = 0.15), częstość gazetek (12%) i obniżek bez gazetki (8%) z ich głębokością, krzywą wejścia marki E do sklepów, wielkość kategorii w sieciach oraz siłę reakcji ceny na popyt w pułapce (κ = 0.5). Przepis 6 liczy się ok. 17 sekund, pozostałe – po kilka sekund.
1. Schemat MCI: Rysunek 1
R
# Rysunek 1. Schemat modelu MCI: cena, promocja i dystrybucja → atrakcyjność marki → udział w rynku
library(ggplot2)
# Paleta Okabe–Ito dla pięciu marek (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(A = "#0072B2", B = "#CC79A7", C = "#D55E00", D = "#009E73", E = "#E69F00")
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))
# Prawdziwe parametry fikcyjnego rynku proszków do prania (ustalone ręcznie; znamy je tylko dlatego, że dane są fikcyjne)
par <- data.frame(
marka = c("A", "B", "C", "D", "E"),
opis = c("lider", "premium", "średnia półka", "tania", "ekologiczna, nowa"),
cena_reg = c(9.0, 12.0, 7.5, 5.0, 11.0), # cena regularna, zł za kg
beta_cena = c(-2.0, -1.4, -2.6, -3.0, -1.6), # wykładnik ceny w atrakcyjności (inny dla każdej marki)
udzial_cel = c(.30, .14, .24, .22, .10), # udział przy cenie regularnej, bez gazetki, przy dyst_cel
dyst_cel = c(.97, .90, .95, .92, .85)) # docelowa dystrybucja ważona (odsetek obrotu sklepów)
gamma_promo <- 0.40 # gazetka/ekspozycja mnoży atrakcyjność przez exp(0.40) = 1.49
delta_dyst <- 1.10 # wykładnik dystrybucji ważonej
sd_eps <- 0.07 # losowe wahania atrakcyjności z tygodnia na tydzień (skala logarytmu)
# Stałe marek alfa wyliczone tak, by przy cenach regularnych, bez gazetki i przy dyst_cel udziały były równe udzial_cel
par$alfa <- log(par$udzial_cel) - par$beta_cena * log(par$cena_reg) - delta_dyst * log(par$dyst_cel)
par$alfa <- round(par$alfa - mean(par$alfa), 3) # przesunięcie wszystkich alfa o stałą nie zmienia udziałów
atrakcyjnosc <- function(alfa, beta, cena, gazetka, dyst)
exp(alfa + beta * log(cena) + gamma_promo * gazetka + delta_dyst * log(dyst))
print(par, row.names = FALSE)
# Jeden tydzień w liczbach: marka C w gazetce z ceną 6.00 zł zamiast 7.50 zł, pozostałe w cenach regularnych
tydz <- transform(par, cena = ifelse(marka == "C", 6.00, cena_reg), gazetka = as.integer(marka == "C"), dyst = dyst_cel)
tydz$atr <- with(tydz, atrakcyjnosc(alfa, beta_cena, cena, gazetka, dyst))
tydz$udzial <- tydz$atr / sum(tydz$atr)
print(transform(tydz[c("marka", "cena", "gazetka", "dyst", "udzial_cel")], atrakcyjnosc = round(tydz$atr, 4),
udzial_proc = round(100 * tydz$udzial, 1), zmiana_pp = round(100 * (tydz$udzial - tydz$udzial_cel), 1)),
row.names = FALSE)
round(100 * (tydz$udzial[-3] / tydz$udzial_cel[-3] - 1), 1) # spadek udziału konkurentów C w % ich udziału
# Grafika: wiersz = marka; od lewej: wejścia → atrakcyjność (pasek) → udział (pasek)
tydz$y <- 5:1
fmt <- function(x, d = 1) gsub("-", "−", formatC(x, format = "f", digits = d))
tydz$wejscie <- sprintf("%s zł/kg · %s · dystr. %s%%", fmt(tydz$cena, 2),
ifelse(tydz$gazetka == 1, "gazetka", "bez gazetki"), fmt(100 * tydz$dyst, 0))
skala_atr <- 2.2 / max(tydz$atr); skala_udz <- 2.6 / max(tydz$udzial)
p1 <- ggplot(tydz) +
annotate("text", x = c(0.1, 4.35, 7.75), y = 6.05, hjust = 0, fontface = "bold", size = 4.4, colour = "#0f1d3a",
label = c("1. Co robi marka w tym tygodniu", "2. Atrakcyjność", "3. Udział = atrakcyjność / suma")) +
annotate("text", x = c(0.1, 4.35, 7.75), y = 5.6, hjust = 0, size = 3.5, colour = "grey30",
label = c("cena, gazetka, dystrybucja ważona", "e^α · cena^β · e^(γ·gazetka) · dystr.^δ",
"suma udziałów = 100%")) +
geom_rect(aes(xmin = 0.05, xmax = 3.85, ymin = y - 0.36, ymax = y + 0.36), fill = "white", colour = "grey75") +
geom_rect(aes(xmin = 0.05, xmax = 0.5, ymin = y - 0.36, ymax = y + 0.36, fill = marka), colour = NA) +
geom_text(aes(0.275, y, label = marka), colour = "white", fontface = "bold", size = 5) +
geom_text(aes(0.62, y + 0.14, label = opis), hjust = 0, size = 3.6, fontface = "bold", colour = "#0f1d3a") +
geom_text(aes(0.62, y - 0.16, label = wejscie), hjust = 0, size = 3.3, colour = "grey25") +
annotate("segment", x = 3.92, xend = 4.28, y = 1:5, yend = 1:5, colour = "grey55",
arrow = arrow(length = unit(0.12, "cm"))) +
geom_rect(aes(xmin = 4.35, xmax = 4.35 + atr * skala_atr, ymin = y - 0.25, ymax = y + 0.25, fill = marka), alpha = 0.55) +
geom_text(aes(4.42 + atr * skala_atr, y, label = fmt(atr, 3)), hjust = 0, size = 3.6, colour = "#0f1d3a") +
annotate("segment", x = 7.4, xend = 7.68, y = 1:5, yend = 1:5, colour = "grey55", arrow = arrow(length = unit(0.12, "cm"))) +
geom_rect(aes(xmin = 7.75, xmax = 7.75 + udzial * skala_udz, ymin = y - 0.25, ymax = y + 0.25, fill = marka)) +
geom_text(aes(7.82 + udzial * skala_udz, y, fontface = "bold",
label = sprintf("%s%% (%s pp)", fmt(100 * udzial), sub("^([0-9])", "+\\1", fmt(100 * (udzial - udzial_cel))))),
hjust = 0, size = 3.6, colour = "#0f1d3a") +
scale_fill_manual(values = kol, guide = "none") +
scale_x_continuous(limits = c(0, 11.9), expand = c(0, 0)) +
scale_y_continuous(limits = c(0.5, 6.3), expand = c(0, 0)) +
labs(title = "Model MCI: marka zdobywa udział, gdy jej atrakcyjność rośnie szybciej niż suma atrakcyjności",
subtitle = "C w gazetce za 6.00 zł zamiast 7.50 zł; w nawiasie zmiana wobec zwykłego tygodnia",
caption = "Parametry: α i β – z tabeli marek, γ = 0.40 (gazetka), δ = 1.10 (dystrybucja). Dane fikcyjne.") +
motyw + theme(axis.text = element_blank(), axis.title = element_blank(), panel.grid.major = element_blank())
p1 # zapis: ggsave("mci-schemat-atrakcyjnosc-udzial.svg", p1, width = 10, height = 5.8)Wynik w R
marka opis cena_reg beta_cena udzial_cel dyst_cel alfa
A lider 9.0 -2.0 0.30 0.97 0.456
B premium 12.0 -1.4 0.14 0.90 -1.139
C średnia półka 7.5 -2.6 0.24 0.95 1.100
D tania 5.0 -3.0 0.22 0.92 0.638
E ekologiczna, nowa 11.0 -1.6 0.10 0.85 -1.055
marka cena gazetka dyst udzial_cel atrakcyjnosc udzial_proc zmiana_pp
A 9 0 0.97 0.30 0.0188 21.4 -8.6
B 12 0 0.90 0.14 0.0088 10.0 -4.0
C 6 1 0.95 0.24 0.0402 45.7 21.7
D 5 0 0.92 0.22 0.0138 15.7 -6.3
E 11 0 0.85 0.10 0.0063 7.1 -2.9
[1] -28.6 -28.5 -28.5 -28.52. Generator i dane: Rysunek 2
R
# Rysunek 2. Dane: 5 marek proszku do prania, 3 sieci, 104 tygodnie – udziały w czasie i rola dystrybucji
# (korzysta z kol, motyw, par, gamma_promo, delta_dyst i sd_eps z przepisu 1)
library(ggplot2)
library(patchwork)
# Generator danych: jedna linijka = sieć × tydzień × marka. kappa > 0 oznacza cenę ustalaną pod popyt (przepis 6)
generuj <- function(kappa = 0) {
siatka <- expand.grid(marka = par$marka, tydzien = 1:104, siec = 1:3, stringsAsFactors = FALSE)
k <- match(siatka$marka, par$marka); s <- siatka$siec; n <- nrow(siatka)
u <- matrix(rnorm(15, 0, 0.15), 5, 3) # marka w danej sieci trochę mocniejsza lub słabsza
poziom <- matrix(exp(rnorm(15, 0, 0.04)), 5, 3) # poziom cen regularnych marki w sieci
d_off <- matrix(rnorm(15, 0, 0.02), 5, 3) # poziom dystrybucji marki w sieci
gazetka <- rbinom(n, 1, 0.12) # tydzień w gazetce i na ekspozycji (zawsze z obniżką)
obnizka <- ifelse(gazetka == 1, 1L, rbinom(n, 1, 0.08)) # część obniżek bez gazetki
glebokosc <- ifelse(gazetka == 1, runif(n, 0.15, 0.25), runif(n, 0.05, 0.15))
cena <- par$cena_reg[k] * poziom[cbind(k, s)] * exp(rnorm(n, 0, 0.02)) * (1 - obnizka * glebokosc)
dyst <- par$dyst_cel[k] + d_off[cbind(k, s)] + rnorm(n, 0, 0.015)
# Marka E wchodzi na rynek: dystrybucja rośnie z ok. 35% do 85% (w sieci 3 najpóźniej)
start <- c(30, 40, 60)[s]
dyst <- ifelse(siatka$marka == "E", 0.35 + 0.50 / (1 + exp(-(siatka$tydzien - start) / 8)) + rnorm(n, 0, 0.015), dyst)
dyst <- pmin(dyst, 0.995)
eps <- rnorm(n, 0, sd_eps) # nieobserwowane wahania atrakcyjności
cena <- cena * exp(kappa * eps) # kappa > 0: cena niższa, gdy marka akurat słabnie
ln_atr <- par$alfa[k] + u[cbind(k, s)] + par$beta_cena[k] * log(cena) + gamma_promo * gazetka +
delta_dyst * log(dyst) + eps
rynek <- paste(s, siatka$tydzien)
udzial <- ave(exp(ln_atr), rynek, FUN = function(a) a / sum(a))
# Wielkość kategorii (kg tygodniowo) nie zależy od cen marek – model opisuje podział rynku, nie jego wielkość
kat <- c(18000, 12000, 8000)[s] * (1 + 0.08 * sin(2 * pi * siatka$tydzien / 52)) *
exp(rnorm(312, 0, 0.05))[match(rynek, unique(rynek))]
out <- data.frame(siec = paste("Sieć", s), tydzien = siatka$tydzien, marka = siatka$marka,
cena = round(cena, 2), gazetka = gazetka, dyst = round(dyst, 3), kg = round(udzial * kat))
out$udzial <- out$kg / ave(out$kg, out$siec, out$tydzien, FUN = sum)
out
}
set.seed(691) # ziarno ustalone raz, bez dobierania pod wynik
d <- generuj()
write.csv(d, "mci-proszki-sieci-tygodnie.csv", row.names = FALSE)
# Opis danych
c(wiersze = nrow(d), sieci = length(unique(d$siec)), tygodnie = max(d$tydzien), kg_lacznie = sum(d$kg))
op <- aggregate(cbind(cena, gazetka, dyst, udzial) ~ marka, d, mean)
op[-1] <- round(op[-1], 3); op
round(100 * tapply(d$udzial[d$marka == "E"], cut(d$tydzien[d$marka == "E"], c(0, 26, 52, 78, 104)), mean), 1)
round(cor(log(d$cena), d$gazetka), 2) # cena i gazetka idą razem, ale nie w pełni
# A: udziały w sieci 1 tydzień po tygodniu; B: dystrybucja ważona marki E a jej udział (wszystkie sieci)
s1 <- subset(d, siec == "Sieć 1")
ostatni <- subset(s1, tydzien == 104)
pa <- ggplot(s1, aes(tydzien, 100 * udzial, colour = marka)) +
geom_line(linewidth = 0.6) +
geom_point(data = subset(s1, gazetka == 1), aes(shape = "tydzień w gazetce"), size = 1.6) +
geom_text(data = ostatni, aes(x = 106, label = marka), hjust = 0, fontface = "bold", size = 4.2, show.legend = FALSE) +
scale_colour_manual(values = kol, guide = "none") +
scale_shape_manual(values = 16, name = NULL) +
scale_x_continuous(breaks = seq(0, 104, 26), limits = c(1, 110)) +
labs(x = "Tydzień", y = "Udział w sprzedaży (kg), %", title = "A. Udziały marek w sieci 1") + motyw
pb <- ggplot(subset(d, marka == "E"), aes(100 * dyst, 100 * udzial, shape = siec)) +
geom_point(colour = kol[["E"]], alpha = 0.75, size = 1.8) +
scale_shape_manual(values = c(16, 17, 15), name = NULL) +
labs(x = "Dystrybucja ważona marki E, %", y = "Udział marki E, %", title = "B. Marka E: dystrybucja a udział") + motyw
p2 <- pa + pb + plot_layout(widths = c(1.5, 1))
p2 # zapis: ggsave("mci-dane-udzialy-dystrybucja.svg", p2, width = 10, height = 5.2)Wynik w R
wiersze sieci tygodnie kg_lacznie
1560 3 104 3955428
marka cena gazetka dyst udzial
1 A 9.218 0.099 0.966 0.278
2 B 12.063 0.125 0.891 0.124
3 C 7.088 0.125 0.927 0.264
4 D 4.744 0.138 0.925 0.257
5 E 10.586 0.138 0.643 0.076
(0,26] (26,52] (52,78] (78,104]
4.5 6.6 9.0 10.3
[1] -0.223. Log-centrowanie i regresja: Rysunek 3
R
# Rysunek 3. Log-centrowanie i regresja liniowa: oszacowane parametry MCI wobec prawdziwych
# (korzysta z kol, motyw, par, gamma_promo, delta_dyst z przepisu 1 i d z przepisu 2)
library(ggplot2)
library(patchwork)
d$rynek <- paste(d$siec, d$tydzien) # rynek = sieć w danym tygodniu (tu sumują się udziały)
d$ms <- factor(paste(d$marka, d$siec)) # stała marki w sieci
d$marka <- factor(d$marka)
d$ln_s <- log(d$udzial); d$ln_c <- log(d$cena); d$ln_d <- log(d$dyst)
# (a) Log-centrowanie ręcznie: od każdej zmiennej odejmujemy jej średnią z 5 marek w tym samym rynku.
# ln(udział) − średnia ln(udziałów) = ln(udział / średnia geometryczna udziałów) – mianownik modelu znika.
srodek <- function(x) x - ave(x, d$rynek)
X_ms <- apply(model.matrix(~ 0 + ms, d), 2, srodek) # wycentrowane stałe marek w sieciach
m_c <- lm(srodek(ln_s) ~ 0 + X_ms + srodek(ln_c) + srodek(gazetka) + srodek(ln_d), data = d)
# (b) To samo jako regresja z efektami stałymi rynku (ten sam wynik, poprawne stopnie swobody)
m_fe <- lm(ln_s ~ 0 + factor(rynek) + ms + ln_c + gazetka + ln_d, data = d)
round(rbind(log_centrowanie = tail(coef(m_c), 3), efekty_stale = coef(m_fe)[c("ln_c", "gazetka", "ln_d")]), 4)
round(c(SE_centrowanie = summary(m_c)$coefficients["srodek(ln_c)", 2],
SE_efekty_stale = summary(m_fe)$coefficients["ln_c", 2]), 4)
# (c) Model główny: osobny wykładnik ceny dla każdej marki (MCI z efektami zróżnicowanymi)
m2 <- lm(ln_s ~ 0 + factor(rynek) + ms + marka:ln_c + gazetka + ln_d, data = d)
nz <- c(paste0("marka", par$marka, ":ln_c"), "gazetka", "ln_d")
tab <- data.frame(parametr = c(paste("cena, marka", par$marka), "gazetka", "dystrybucja"),
prawda = c(par$beta_cena, gamma_promo, delta_dyst), ocena = coef(m2)[nz], confint(m2)[nz, ])
names(tab)[4:5] <- c("dol", "gora")
print(cbind(tab[1], round(tab[-1], 3)), row.names = FALSE)
round(c(sigma = sigma(m2), df_reszt = df.residual(m2)), 3)
# Udziały z modelu: atrakcyjność bez efektów rynku (one się skracają) i normalizacja w rynku
lp <- function(m, nd, zm = "ln_c") { # zm = "ln_c" (MCI) albo "cena" (logit udziałów)
b <- coef(m); b[is.na(b)] <- 0
a <- b[paste0("ms", nd$ms)]; a[is.na(a)] <- 0 # stała marki w sieci (poziom odniesienia = 0)
unname(a + b[paste0("marka", nd$marka, ":", zm)] * nd[[zm]] + b["gazetka"] * nd$gazetka + b["ln_d"] * nd$ln_d)
}
udzialy <- function(eta, rynek) ave(exp(eta), rynek, FUN = function(a) a / sum(a))
d$udzial_mci <- udzialy(lp(m2, d), d$rynek)
round(c(R2_udzialow = cor(d$udzial, d$udzial_mci)^2, RMSE_pp = 100 * sqrt(mean((d$udzial - d$udzial_mci)^2))), 4)
# A: oszacowania z 95% CI i prawdziwe wartości; B: udział obserwowany a z modelu
tab$parametr <- factor(tab$parametr, rev(tab$parametr))
tab$grupa <- c(par$marka, "gazetka", "dystr.")
pa <- ggplot(tab, aes(ocena, parametr)) +
geom_vline(xintercept = 0, colour = "grey60") +
geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.3, linewidth = 0.9, colour = "#0f1d3a") +
geom_point(size = 3, colour = "#0f1d3a") +
geom_point(aes(prawda, shape = "prawdziwa wartość"), colour = kol[["C"]], size = 3.4) +
scale_shape_manual(values = 4, name = NULL) +
scale_x_continuous(labels = function(v) gsub("-", "−", v)) +
labs(x = "Oszacowanie z 95% CI", y = NULL, title = "A. Parametry modelu MCI") + motyw
pb <- ggplot(subset(d, siec == "Sieć 1"), aes(100 * udzial_mci, 100 * udzial, colour = marka, shape = marka)) +
geom_abline(slope = 1, intercept = 0, colour = "grey50", linetype = "dashed") +
geom_point(alpha = 0.45, size = 1.3) +
scale_colour_manual(values = kol, name = NULL) + scale_shape_manual(values = c(16, 17, 15, 18, 3), name = NULL) +
guides(colour = guide_legend(override.aes = list(alpha = 1, size = 2.5))) +
labs(x = "Udział z modelu, %", y = "Udział obserwowany, %", title = "B. Dopasowanie (sieć 1)") + motyw
p3 <- pa + pb + plot_layout(widths = c(1.15, 1))
p3 # zapis: ggsave("mci-parametry-dopasowanie.svg", p3, width = 10, height = 5.4)Wynik w R
srodek(ln_c) srodek(gazetka) srodek(ln_d)
log_centrowanie -2.0461 0.4189 1.1098
efekty_stale -2.0461 0.4189 1.1098
SE_centrowanie SE_efekty_stale
0.0572 0.0640
parametr prawda ocena dol gora
cena, marka A -2.0 -1.923 -2.071 -1.776
cena, marka B -1.4 -1.462 -1.596 -1.328
cena, marka C -2.6 -2.555 -2.693 -2.417
cena, marka D -3.0 -2.872 -3.008 -2.735
cena, marka E -1.6 -1.512 -1.648 -1.376
gazetka 0.4 0.413 0.388 0.439
dystrybucja 1.1 1.108 1.083 1.132
sigma df_reszt
0.067 1229.000
R2_udzialow RMSE_pp
0.9889 1.2084 4. Elastyczności: Rysunek 4
R
# Rysunek 4. Elastyczności udziału względem ceny: własne (przekątna) i krzyżowe – mapa ciepła
# (korzysta z kol, motyw, par z przepisu 1, d z przepisu 2 i m2 z przepisu 3)
library(ggplot2)
b_cena <- coef(m2)[paste0("marka", par$marka, ":ln_c")]
ci_cena <- confint(m2)[paste0("marka", par$marka, ":ln_c"), ]
# Średnie udziały w ostatnich 26 tygodniach (wszystkie sieci) – w tym punkcie liczymy elastyczności
s_sr <- tapply(d$udzial[d$tydzien > 78], d$marka[d$tydzien > 78], mean)
round(100 * s_sr, 1)
# MCI: elastyczność udziału marki i względem ceny marki j
# własna (i = j): beta_i * (1 − s_i) krzyżowa (i ≠ j): −beta_j * s_j (taka sama dla każdego i!)
E <- outer(1:5, 1:5, function(i, j) ifelse(i == j, b_cena[j] * (1 - s_sr[j]), -b_cena[j] * s_sr[j]))
dimnames(E) <- list(udzial = par$marka, cena = par$marka)
round(E, 2)
wlasne <- data.frame(marka = par$marka, elastycznosc = b_cena * (1 - s_sr),
dol = ci_cena[, 1] * (1 - s_sr), gora = ci_cena[, 2] * (1 - s_sr),
prawda = par$beta_cena * (1 - s_sr))
print(cbind(wlasne[1], round(wlasne[-1], 2)), row.names = FALSE)
# Elastyczność udziału względem dystrybucji ważonej i efekt gazetki (mnożnik atrakcyjności)
round(c(delta = unname(coef(m2)["ln_d"]), mnoznik_gazetki = unname(exp(coef(m2)["gazetka"]))), 3)
round(coef(m2)["ln_d"] * (1 - s_sr), 2)
# Mapa ciepła: wiersz = czyj udział, kolumna = czyja cena się zmienia
mapa <- as.data.frame(as.table(E), responseName = "e")
mapa$udzial <- factor(mapa$udzial, rev(par$marka))
mapa$etyk <- gsub("-", "−", sprintf("%.2f", mapa$e))
p4 <- ggplot(mapa, aes(cena, udzial, fill = e)) +
geom_tile(colour = "white", linewidth = 1.2) +
geom_text(aes(label = etyk, fontface = ifelse(as.character(cena) == as.character(udzial), "bold", "plain")),
size = 4.6, colour = ifelse(abs(mapa$e) > 1.2, "white", "#0f1d3a")) +
scale_fill_gradient2(low = "#0072B2", mid = "white", high = "#D55E00", midpoint = 0,
name = "Elastyczność udziału", labels = function(v) gsub("-", "−", v)) +
scale_x_discrete(position = "top") +
labs(x = "Cena której marki rośnie o 1%", y = "Udział której marki się zmienia",
title = "Podwyżka ceny o 1%: o ile procent zmienia się udział",
subtitle = "Przekątna – elastyczności własne; poza nią – krzyżowe (w każdej kolumnie równe)") +
coord_fixed() + motyw + theme(panel.grid = element_blank(), legend.key.width = unit(1.6, "cm"), plot.title.position = "plot")
p4 # zapis: ggsave("mci-mapa-elastycznosci.svg", p4, width = 10, height = 6.4)Wynik w R
A B C D E
28.0 12.3 26.0 23.4 10.3
cena
udzial A B C D E
A -1.38 0.18 0.67 0.67 0.16
B 0.54 -1.28 0.67 0.67 0.16
C 0.54 0.18 -1.89 0.67 0.16
D 0.54 0.18 0.67 -2.20 0.16
E 0.54 0.18 0.67 0.67 -1.36
marka elastycznosc dol gora prawda
A -1.38 -1.49 -1.28 -1.44
B -1.28 -1.40 -1.16 -1.23
C -1.89 -1.99 -1.79 -1.92
D -2.20 -2.31 -2.10 -2.30
E -1.36 -1.48 -1.23 -1.43
delta mnoznik_gazetki
1.108 1.512
A B C D E
0.80 0.97 0.82 0.85 0.99 5. Symulacja obniżki ceny: Rysunek 5
R
# Rysunek 5. Symulacja: marka C obniża cenę o 10% w sieci 1 – skąd przychodzą kilogramy?
# (korzysta z kol, motyw, par z przepisu 1, d z przepisu 2 oraz m2, lp i udzialy z przepisu 3)
library(ggplot2)
library(patchwork)
library(MASS) # mvrnorm(): losowanie parametrów z rozkładu oszacowań
# Typowy tydzień w sieci 1 (tygodnie 79–104): mediana ceny poza gazetką, średnia dystrybucja, bez gazetki
ost <- subset(d, siec == "Sieć 1" & tydzien > 78)
typ <- data.frame(marka = factor(par$marka, levels(d$marka)), siec = "Sieć 1", gazetka = 0,
cena = as.vector(tapply(ost$cena[ost$gazetka == 0], ost$marka[ost$gazetka == 0], median)),
dyst = as.vector(tapply(ost$dyst, ost$marka, mean)))
typ$ms <- factor(paste(typ$marka, typ$siec), levels(d$ms)); typ$ln_d <- log(typ$dyst); typ$rynek <- "typowy"
kat_kg <- mean(tapply(ost$kg, ost$tydzien, sum)) # średnia sprzedaż kategorii w sieci 1, kg/tydzień
round(kat_kg)
scenariusz <- function(m, kto, zmiana = 0.90) { # udziały przed i po zmianie ceny marki "kto"
przed <- transform(typ, ln_c = log(cena)); po <- przed
po$ln_c[po$marka == kto] <- log(po$cena[po$marka == kto] * zmiana)
cbind(przed = udzialy(lp(m, przed), przed$rynek), po = udzialy(lp(m, po), po$rynek))
}
sc <- scenariusz(m2, "C")
wynik <- data.frame(marka = par$marka, cena = typ$cena, przed_proc = 100 * sc[, 1], po_proc = 100 * sc[, 2],
zmiana_pp = 100 * (sc[, 2] - sc[, 1]), zmiana_kg = kat_kg * (sc[, 2] - sc[, 1]),
zmiana_wzgl_proc = 100 * (sc[, 2] / sc[, 1] - 1))
print(cbind(wynik[1], round(wynik[-1], 2)), row.names = FALSE)
# Skąd przychodzą kilogramy C: odsetek zysku C zabrany każdemu konkurentowi = jego udział wśród konkurentów
round(100 * -wynik$zmiana_kg[-3] / wynik$zmiana_kg[3], 1)
# Niepewność: 1000 losowań parametrów z rozkładu normalnego oszacowań (średnia = coef, kowariancja = vcov)
set.seed(6915)
b_ok <- coef(m2)[!is.na(coef(m2))]
losy <- mvrnorm(1000, b_ok, vcov(m2, complete = FALSE))
m_los <- m2
sym <- t(apply(losy, 1, function(b) {
m_los$coefficients[names(b)] <- b
sc_b <- scenariusz(m_los, "C")
wl <- sapply(par$marka, function(k) { s <- scenariusz(m_los, k); unname(100 * diff(s[par$marka == k, ])) })
c(kat_kg * (sc_b[, 2] - sc_b[, 1]), wl)
}))
colnames(sym) <- c(paste0("kg_", par$marka), paste0("wlasna_", par$marka))
ci <- apply(sym, 2, quantile, c(.025, .975))
round(ci, 1)
# Każda marka osobno obniża cenę o 10%: przyrost własnego udziału (pp)
wl_pkt <- sapply(par$marka, function(k) { s <- scenariusz(m2, k); unname(100 * diff(s[par$marka == k, ])) })
round(wl_pkt, 2)
# A: zmiana sprzedaży (kg/tydzień) po obniżce C; B: przyrost udziału przy obniżce każdej marki
ka <- data.frame(marka = par$marka, kg = wynik$zmiana_kg, dol = ci[1, 1:5], gora = ci[2, 1:5],
etyk = sprintf("%+.0f kg (%+.1f%%)", wynik$zmiana_kg, wynik$zmiana_wzgl_proc))
ka$etyk <- gsub("-", "−", ka$etyk)
pa <- ggplot(ka, aes(kg, marka, fill = marka)) +
geom_col(width = 0.65) +
geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.25, colour = "grey25") +
geom_text(aes(x = ifelse(kg > 0, gora + 15, dol - 15), label = etyk, hjust = ifelse(kg > 0, 0, 1)),
size = 3.5, colour = "#0f1d3a") +
geom_vline(xintercept = 0, colour = "grey40") +
scale_fill_manual(values = kol, guide = "none") +
scale_y_discrete(limits = rev(par$marka)) +
scale_x_continuous(expand = expansion(mult = c(0.55, 0.45)), labels = function(v) gsub("-", "−", v)) +
labs(x = "Zmiana sprzedaży, kg na tydzień (95% przedział)", y = NULL,
title = "A. C tanieje o 10%: kto traci", subtitle = "w nawiasie: zmiana udziału marki w %") + motyw
kb <- data.frame(marka = par$marka, pp = wl_pkt, dol = ci[1, 6:10], gora = ci[2, 6:10])
pb <- ggplot(kb, aes(pp, marka, colour = marka, shape = marka)) +
geom_errorbar(aes(xmin = dol, xmax = gora), orientation = "y", width = 0.25, linewidth = 0.9) +
geom_point(size = 3.2) +
geom_text(aes(label = sprintf("+%.1f pp", pp)), vjust = -1.0, size = 3.5, colour = "#0f1d3a") +
scale_colour_manual(values = kol, guide = "none") + scale_shape_manual(values = c(16, 17, 15, 18, 8), guide = "none") +
scale_y_discrete(limits = rev(par$marka)) +
labs(x = "Przyrost udziału, pp (95% przedział)", y = NULL, title = "B. Każda marka tanieje o 10%",
subtitle = "przyrost jej własnego udziału") + motyw
p5 <- pa + pb + plot_layout(widths = c(1.4, 1))
p5 # zapis: ggsave("mci-symulacja-obnizki-ceny.svg", p5, width = 10, height = 5.4)Wynik w R
[1] 17280
marka cena przed_proc po_proc zmiana_pp zmiana_kg zmiana_wzgl_proc
A 9.75 30.06 27.71 -2.35 -406.01 -7.82
B 12.76 10.17 9.38 -0.80 -137.43 -7.82
C 7.07 27.46 33.13 5.67 979.94 20.66
D 4.96 20.57 18.96 -1.61 -277.82 -7.82
E 10.68 11.75 10.83 -0.92 -158.68 -7.82
[1] 41.4 14.0 28.4 16.2
kg_A kg_B kg_C kg_D kg_E wlasna_A wlasna_B wlasna_C wlasna_D
2.5% -428.3 -145.5 924.9 -292.6 -167.6 4.1 1.3 5.4 5.1
97.5% -383.0 -129.5 1033.8 -262.2 -149.9 4.8 1.6 6.0 5.7
wlasna_E
2.5% 1.6
97.5% 1.9
A B C D E
4.42 1.50 5.67 5.38 1.75 6. Logit udziałów i endogeniczność: Rysunek 6
R
# Rysunek 6. MCI a logit udziałów (cena w zł zamiast logarytmu) oraz pułapka ceny ustalanej pod popyt
# (korzysta z kol, motyw, par z przepisu 1, generuj i d z przepisu 2, m2, lp, udzialy z przepisu 3, typ z przepisu 5)
library(ggplot2)
library(patchwork)
# Logit udziałów (atrakcyjność = exp(... + beta · cena)) – ta sama regresja, tylko cena w zł
m_logit <- lm(ln_s ~ 0 + factor(rynek) + ms + marka:cena + gazetka + ln_d, data = d)
round(coef(m_logit)[paste0("marka", par$marka, ":cena")], 3)
# Sprawdzian prognozy: dopasowanie na tygodniach 1–78, prognoza udziałów na tygodniach 79–104
ucz <- subset(d, tydzien <= 78); test <- subset(d, tydzien > 78)
m_mci_u <- lm(ln_s ~ 0 + factor(rynek) + ms + marka:ln_c + gazetka + ln_d, data = ucz)
m_log_u <- lm(ln_s ~ 0 + factor(rynek) + ms + marka:cena + gazetka + ln_d, data = ucz)
test$p_mci <- udzialy(lp(m_mci_u, test, "ln_c"), test$rynek)
test$p_log <- udzialy(lp(m_log_u, test, "cena"), test$rynek)
round(100 * c(RMSE_MCI = sqrt(mean((test$udzial - test$p_mci)^2)), RMSE_logit = sqrt(mean((test$udzial - test$p_log)^2))), 3)
round(100 * sapply(split(test, test$marka), function(x)
c(MCI = sqrt(mean((x$udzial - x$p_mci)^2)), logit = sqrt(mean((x$udzial - x$p_log)^2)))), 2)
# Elastyczność własna udziału marki C przy różnych cenach C (pozostałe marki jak w typowym tygodniu z przepisu 5)
krzywa <- do.call(rbind, lapply(seq(5, 10, by = 0.25), function(cc) {
nd <- typ; nd$cena[nd$marka == "C"] <- cc; nd$ln_c <- log(nd$cena)
s_mci <- udzialy(lp(m2, nd, "ln_c"), nd$rynek)[3]; s_log <- udzialy(lp(m_logit, nd, "cena"), nd$rynek)[3]
data.frame(cena = cc, model = c("MCI (logarytm ceny)", "Logit udziałów (cena w zł)"),
e = c(coef(m2)["markaC:ln_c"] * (1 - s_mci), coef(m_logit)["markaC:cena"] * cc * (1 - s_log)))
}))
k5 <- subset(krzywa, cena %in% c(5, 6, 7, 8, 9, 10)); k5$e <- round(k5$e, 2)
print(reshape(k5, idvar = "cena", timevar = "model", direction = "wide"), row.names = FALSE)
# Pułapka: cena ustalana pod popyt (kappa = 0.5). 300 nowych rynków na scenariusz, ten sam model
set.seed(6916)
dopasuj_C <- function(dd) { # szybkie log-centrowanie: wynik jak w lm z efektami rynku
rynek <- paste(dd$siec, dd$tydzien); sr <- function(x) x - ave(x, rynek)
stale <- do.call(cbind, lapply(c("A", "B", "C", "D"), function(k)
sapply(1:3, function(s) as.numeric(dd$marka == k & dd$siec == paste("Sieć", s)))))
X <- cbind(stale, # stałe marek A–D w sieciach (E = poziom odniesienia)
sapply(par$marka, function(k) (dd$marka == k) * log(dd$cena)), gazetka = dd$gazetka, ln_d = log(dd$dyst))
X <- apply(X, 2, sr)
f <- lm.fit(X, sr(log(dd$udzial)))
df <- nrow(X) - ncol(X) - length(unique(rynek)) # stopnie swobody jak w modelu z efektami rynku
se <- sqrt(sum(f$residuals^2) / df * diag(chol2inv(qr.R(f$qr))))
j <- 12 + 3 # kolumna: cena marki C
c(b = unname(f$coefficients[j]), se = se[j])
}
R <- 300
sim <- rbind(data.frame(scenariusz = "cena niezależna od popytu", t(replicate(R, dopasuj_C(generuj(0))))),
data.frame(scenariusz = "cena obniżana, gdy marka słabnie", t(replicate(R, dopasuj_C(generuj(0.5))))))
sim$pokrywa <- abs(sim$b - par$beta_cena[3]) <= 1.96 * sim$se
podsum <- aggregate(cbind(b, pokrywa) ~ scenariusz, sim, mean)
podsum$blad_MC_pp <- 100 * sqrt(podsum$pokrywa * (1 - podsum$pokrywa) / R)
podsum$b <- round(podsum$b, 3); podsum$pokrywa <- round(100 * podsum$pokrywa, 1); podsum$blad_MC_pp <- round(podsum$blad_MC_pp, 1)
podsum
# A: elastyczność własna C w obu modelach; B: rozkład oszacowań wykładnika ceny C w 300 symulacjach
pa <- ggplot(krzywa, aes(cena, e, colour = model, linetype = model)) +
geom_line(linewidth = 1.1) +
geom_vline(xintercept = typ$cena[typ$marka == "C"], colour = "grey55", linetype = "dotted") +
scale_colour_manual(values = c("#0072B2", "#D55E00"), name = NULL) +
scale_linetype_manual(values = c("dashed", "solid"), name = NULL) +
scale_y_continuous(labels = function(v) gsub("-", "−", v)) +
guides(colour = guide_legend(nrow = 2)) +
labs(x = "Cena marki C, zł/kg", y = "Elastyczność własna udziału C", title = "A. Jak elastyczność zależy od ceny") + motyw
pb <- ggplot(sim, aes(b, fill = scenariusz)) +
geom_histogram(bins = 40, position = "identity", alpha = 0.65, colour = "white") +
geom_vline(xintercept = par$beta_cena[3], linewidth = 0.9, colour = "#0f1d3a") +
annotate("text", x = par$beta_cena[3], y = Inf, vjust = 1.5, hjust = -0.08, label = "prawda −2.6", size = 3.6,
colour = "#0f1d3a") +
scale_fill_manual(values = c("#009E73", "#CC79A7"), name = NULL) +
scale_x_continuous(labels = function(v) gsub("-", "−", v)) +
guides(fill = guide_legend(nrow = 2)) +
labs(x = "Oszacowany wykładnik ceny marki C", y = "Liczba symulacji", title = "B. Cena ustalana pod popyt") + motyw
p6 <- pa + pb
p6 # zapis: ggsave("mci-logit-i-endogenicznosc.svg", p6, width = 10, height = 5.6)Wynik w R
markaA:cena markaB:cena markaC:cena markaD:cena markaE:cena
-0.214 -0.122 -0.374 -0.631 -0.143
RMSE_MCI RMSE_logit
1.174 1.194
A B C D E
MCI 1.48 0.72 1.48 1.19 0.78
logit 1.46 0.75 1.52 1.22 0.79
cena e.MCI (logarytm ceny) e.Logit udziałów (cena w zł)
5 -1.33 -1.02
6 -1.62 -1.43
7 -1.84 -1.88
8 -2.00 -2.36
9 -2.12 -2.84
10 -2.21 -3.32
scenariusz b pokrywa blad_MC_pp
1 cena niezależna od popytu -2.603 95 1.3
2 cena obniżana, gdy marka słabnie -1.648 0 0.07. Sprawdzenie palety
R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
kol5 <- c(A = "#0072B2", B = "#CC79A7", C = "#D55E00", D = "#009E73", E = "#E69F00")
roznica <- function(k) { # odległość barw w przestrzeni CIELAB (ΔE)
lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
pary <- combn(names(kol5), 2, simplify = FALSE)
tab <- t(sapply(pary, function(p) { k <- kol5[p]
c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)), protanopia = roznica(protan(k))) }))
rownames(tab) <- sapply(pary, paste, collapse = " – ")
round(tab, 1)
round(apply(tab, 2, min), 1) # najmniej różniąca się para w każdym typie widzeniaWynik w R
widzenie_typowe deuteranopia protanopia
A – B 53.6 42.0 22.5
A – C 114.6 108.3 91.9
A – D 70.1 55.4 58.0
A – E 120.2 121.5 109.3
B – C 74.3 70.2 71.9
B – D 87.5 18.1 36.2
B – E 88.6 81.3 87.6
C – D 102.4 53.5 37.3
C – E 33.4 18.4 24.9
D – E 88.7 66.3 51.5
widzenie_typowe deuteranopia protanopia
33.4 18.1 22.5 Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych i regresje (lm, lm.fit) – pakiet stats z podstawowej instalacji R. Losowanie parametrów 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()).
- 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/
- 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- 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
- 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
- Proporcjonalne straty (IIA). MCI i logit udziałów zakładają niezależność od nieistotnych alternatyw: nowa lub tańsza marka zabiera wszystkim ten sam procent. Testy tego założenia często nie wykrywają problemu właśnie przy bliskich substytutach (Cheng i Long, 2007).
- Cena ustalana pod popyt. W symulacji zaniżyła wykładnik ceny C z −2.6 do średnio −1.65 (rysunek 6). Szukaj zmienności ceny niezależnej od popytu: eksperymentu, zmian kosztów, decyzji centrali.
- Zerowe udziały. Logarytm zera nie istnieje. Marka nieobecna w sieci w danym tygodniu nie należy do tego rynku, więc usuń ją z tego tygodnia, a nie wpisuj sztucznego „0.001”.
- Udział zamiast sprzedaży. Model nie powie, czy promocja powiększyła kategorię.
Najczęstsze pytania
Czym jest model atrakcyjności udziałów (MCI)?
To model, w którym udział marki w rynku równa się jej atrakcyjności podzielonej przez sumę atrakcyjności wszystkich marek. Atrakcyjność to iloczyn potęg zmiennych marketingowych, np. ceny, dystrybucji ważonej i efektu gazetki. Dzięki temu udziały zawsze sumują się do 100%, a działanie jednej marki zmienia udziały wszystkich pozostałych.
Jak oszacować model MCI zwykłą regresją liniową?
Zastosuj log-centrowanie: w każdym rynku (np. sieć × tydzień) podziel udział marki i jej zmienne przez ich średnią geometryczną z marek i weź logarytm. Mianownik znika i zostaje regresja liniowa. W praktyce to samo daje regresja logarytmu udziału na logarytmie ceny, gazetce i logarytmie dystrybucji z efektami stałymi każdego rynku – ma ona poprawne stopnie swobody.
Jak policzyć elastyczność udziału w rynku z modelu MCI?
Elastyczność własna względem ceny to β · (1 − udział marki), a krzyżowa – udział marki k względem ceny marki i – to −β_i · udział marki i. W przykładzie przy wykładniku −2.87 i udziale 23.4% marka D miała elastyczność własną −2.20. Elastyczności krzyżowe są w MCI takie same dla wszystkich konkurentów danej marki.
Czym różni się model MCI od logitu udziałów?
W MCI cena wchodzi do atrakcyjności w logarytmie, w logicie udziałów (MNL) – w złotówkach. W MCI elastyczność własna zmienia się z ceną łagodnie, w logicie rośnie proporcjonalnie do ceny. W przykładzie przy obecnej cenie oba modele dały podobną elastyczność (−1.84 i −1.88) i podobny błąd prognozy udziałów (1.17 i 1.19 pp), ale przy cenie 10 zł już −2.21 i −3.32.
Komu obniżka ceny zabiera klientów w modelu MCI?
Wszystkim konkurentom proporcjonalnie do ich udziałów – każdy traci ten sam procent swojego udziału. W przykładzie obniżka ceny C o 10% zabrała każdemu 7.8% udziału, więc najwięcej kilogramów oddał największy konkurent. To założenie IIA. Jeśli marki są bliskimi substytutami, rzeczywiste przepływy mogą być inne, dlatego warto je sprawdzić w danych panelowych.
Powiązane hasła
Przeczytaj też
Elastyczność cenowa z danych sprzedażowych
Sieć 10 sklepów i granola: regresja log–log z przedziałem, elastyczność krzyżowa, marża i cena optymalna oraz pułapka ceny ustalanej pod popyt – z kodem R.
Czytaj →PoradnikConjoint wyborczy (CBC) – analiza
400 osób wybiera abonament: warunkowy model logitowy, ważność atrybutów, gotowość do zapłaty, symulator udziałów i pułapki IIA – pięć rysunków z kodem R.
Czytaj →PoradnikGdzie otworzyć sklep – model Huffa
Sieć sklepów ogrodniczych i trzy działki: model Huffa z kart lojalnościowych, mapa udziałów, kanibalizacja, bootstrap i pułapka linii prostej – sześć rysunków z kodem R.
Czytaj →PoradnikDystrybucja a sprzedaż – krzywa udziału
Napój izotoniczny w 30 regionach: dystrybucja numeryczna i ważona, wypukła krzywa udziału z GAM i pułapka „sklepy biorą to, co się sprzedaje” – z kodem R.
Czytaj →PoradnikUdział w reklamie a udział w rynku (ESOV)
Osiem marek past do zębów: SOV, SOM i ESOV, regresja zmiany udziału, efekty stałe i symulacja, w której reklama nie działa, a wykres rośnie – z kodem R.
Czytaj →PoradnikPrzechodzenie klientów między markami
Macierz przejść z panelu 2500 gospodarstw: lojalność, odchylenia od niezależności, łańcuch Markowa, bootstrap i promocja – z kodem R.
Czytaj →PoradnikMarka własna a marki producentów
Płyny do mycia naczyń w 40 dyskontach: logit udziałów, elastyczności krzyżowe, asymetria i marża kategorii – z kodem R.
Czytaj →Analizujesz udziały w rynku w pracy?
Pomożemy przygotować dane z sieci i tygodni, oszacować model atrakcyjności udziałów, policzyć elastyczności i symulacje cenowe oraz opisać wyniki tak, żebyś umiał(a) je obronić.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- Bell, D. E., Keeney, R. L., & Little, J. D. C. (1975). A market share theorem. Journal of Marketing Research, 12(2), 136–141. https://doi.org/10.1177/002224377501200202 ● Otwarty dostęp: pełny tekst
- 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
- 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
- Cheng, S., & Long, J. S. (2007). Testing for IIA in the multinomial logit model. Sociological Methods & Research, 35(4), 583–600. https://doi.org/10.1177/0049124106292361
- Ghosh, A., Neslin, S., & Shoemaker, R. (1984). A comparison of market share models and estimation procedures. Journal of Marketing Research, 21(2), 202–210. https://doi.org/10.1177/002224378402100208
- Nakanishi, M., & Cooper, L. G. (1974). Parameter estimation for a multiplicative competitive interaction model: Least squares approach. Journal of Marketing Research, 11(3), 303–311. https://doi.org/10.1177/002224377401100309
- 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{bell1975market, author={Bell, David E. and Keeney, Ralph L. and Little, John D. C.}, title={{A market share theorem}}, journal={Journal of Marketing Research}, year={1975}, volume={12}, number={2}, pages={136--141}, doi={10.1177/002224377501200202}}@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{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{cheng2007testing, author={Cheng, Simon and Long, J. Scott}, title={{Testing for IIA in the multinomial logit model}}, journal={Sociological Methods \& Research}, year={2007}, volume={35}, number={4}, pages={583--600}, doi={10.1177/0049124106292361}}@article{ghosh1984comparison, author={Ghosh, Avijit and Neslin, Scott and Shoemaker, Robert}, title={{A comparison of market share models and estimation procedures}}, journal={Journal of Marketing Research}, year={1984}, volume={21}, number={2}, pages={202--210}, doi={10.1177/002224378402100208}}@article{nakanishi1974parameter, author={Nakanishi, Masao and Cooper, Lee G.}, title={{Parameter estimation for a multiplicative competitive interaction model: Least squares approach}}, journal={Journal of Marketing Research}, year={1974}, volume={11}, number={3}, pages={303--311}, doi={10.1177/002224377401100309}}@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}}