Эластичность спроса по цене (онлайн ритейл)
- Аналитика бизнеса
- Аналитика бизнес процессов Области бизнесса Аналитика розничного бизнеса
- Эластичность спроса по цене (онлайн ритейл)
Оглавление
Определение и формула
Приведенная выше формула обычно дает отрицательное значение из-за обратного характера отношения между ценой и количеством спроса.
По мере того, как разница между двумя ценами или количествами увеличивается, точность PED, определяемая приведенной выше формулой, уменьшается по двум причинам. Во-первых, эластичность товара не обязательно постоянна, она изменяется в разных точках кривой спроса из-за своего процентного характера. Во-вторых, процентные изменения несимметричны; вместо этого процентное изменение между любыми двумя значениями зависит от того, какое из них выбрано как начальное, а какое как конечное.
Ценовая эластичность применяется в компаниях в основном для ценообразования. При умелом использовании ценовой эластичности можно добиться повышения выручки и прибыли компании при сохранении лояльности покупателей.
Пример:
У вас есть интернет-магазин, в котором вы продаёте электронику. Для примера возьмём 2 товара: сотовый телефон по цене 100 $ и умные часы, которые тоже по цене 100 $.
Если цена на телефон увеличивается cо 100 $ до 110 $, а объем спроса при этом уменьшается с 20 до 19 шт., то эластичность:
При вычислении эластичности спроса важно определиться с исходной точкой отсчёта цены и продаж, т.к. относительно этих данных будут рассчитываться проценты изменений цены и продаж. Так например для смарт-часов, если объем спроса увеличивается с 20 до 25 единиц, процентное изменение составляет (25-20)÷20=25%. Но если объем спроса снизится с 25 единиц до 20 единиц, процентное изменение составит (20-25) ÷ 25= -20%.
Перекрёстная эластичность спроса по цене — процентное изменение спроса в ответ на изменение в цене конкурентного товара или услуги. Перекрёстная эластичность спроса по цене почти всегда положительна, т.к. при повышении цены на товар покупатели переключаются на конкурентный товар повышая его продажи.
Наклон кривой спроса по цене
Факторы влияющие на эластичность
- Жизненная необходимость. Эластичность спроса ниже на товары первой необходимости, чем на товары избыточного потребления. Например эластичность спроса на хлеб ниже чем на сотовые телефоны.
- Абсолютная цена на товар. На товары с низкой ценой эластичность спроса будет ниже чем на товары с высокой ценой, т.к. товары с высокой ценой занимают большую долю в корзине покупателя. Вы например вряд ли будете переживать, если на какой-то товар который вы покупаете по 1 штуке в неделю цена выросла с 80 до 90 центов.
- Цена на конкурентные товары. Если цена на товар превысит цену аналогов, то спрос будет резко снижаться.
- накладные расходы. Например в вашем магазине все цены устраивают покупателя, кроме цены на один конкретный товар. Но ехать и покупать его отдельно не имеет смысла, т.к. накладные расходы на покупку одного товара слишком велики. В таком случае спрос на товар будет неэластичным. Именно по этой причине спрос на товары в онлайн-магазинах намного эластичнее чем офлайн, ведь перейти на другой сайт чтобы купить этот же товар у конкурента почти ничего не стоит.
Ценовая эластичность и выручка
Ценовая эластичность для ценообразования на практике
На практике есть несколько сложностей при применении эластичности в ценообразовании:
- Кривая зависимости продаж от цены имеет сложную нелинейную форму из-за присутствия конкурентных товаров с конкретной ценой, из-за насыщения спроса, из-за например срока годности для продуктов питания и т.д.
- В текущий момент мы не знаем форму этой кривой полностью, т.к. в исторических продажах у нас есть только продажи при узком диапазоне изменения цены. А в некоторых случаях может быть, что товар всегда продавался при одной и той же цене и тогда мы вообще не знаем его эластичность даже в текущей точке.
- Эту кривую трудно строить, т.к. все вышеуказанные выше графики предполагают что все остальные факторы остаются неизменными. Но в реальности если вы захотите поменять цену и посмотреть эластичность товара, то вам будет мешать одновременное изменение других факторов. Например вы в пятницу снизили цену на смарт-часы на 10%, и в субботу ваши продажи выросли на 12%. Но они выросли на 12% из-за снижения цены или из-за того что в каждую субботу у вас и так растут продажи, а может быть из-за того что субботу была предпраздничным днём?
- Форма кривой эластичности с течением времени меняется, и для некоторых товаров это может происходить довольно быстро. Например для модной одежды или для бытовой электроники, когда их сменяют товары следующего поколения.
По всем вышеуказанным причинам на практике сейчас широко применяется машинное обучение для применения эластичности цены в ценообразовании. С его помощью например можно восстановить форму кривой эластичности товара по данным схожих товаров.
Для расчёта эластичности спроса по цене в Excel можно применить уравнение =linest(known_y’s; known_x’s, …)/SalesCur*PriceCur. Где known_y’s — это ваши исторические продажи, а known_x’s — это ваши цены для этих продаж. В итоге применения вы получите коэффициент, который показывает, на сколько единиц изменятся ваши продажи при повышении цен на 1 единицу. Например, если вы указали исторические продажи в штуках за 1 день и цены указали в долларах, то коэффициент -1.2 будет означать, что при повышении цены на 1 доллар ваши продажи уменьшатся на 1.2 штуки в день. Однако будьте осторожны, перед применением этой формулы убедитесь что:
- у вас есть достаточно статистики продаж для каждого уровня цены (если период замера продаж 1 день, то не менее 7 дней подряд)
- продажи были значительными (если период замера продаж 1 день, то не менее 10 штук в день)
- изменения цен были ощутимыми (не менее 5%, и не менее 10% для дешёвых товаров).
Например если вы продавали какой-то товар за 20 евро, то желательно чтобы у вас была информация:
- 7 дней продаж не менее 10 штук в день при цене 19 евро
- 7 дней продаж не менее 10 штук в день при цене 20 евро
- 7 дней продаж не менее 10 штук в день при цене 21 евро
В противном случае слишком большую роль может сыграть эффект случайности. Также постарайтесь избежать экспериментов по выяснению эластичности спроса в праздничные дни и дни больших колебаний продаж сезонных товаров.
Также применяется тактика постоянных небольших изменений цен, для дальнейшего уточнения кривой эластичности в близком диапазоне.
Использование машинного обучения для расчёта эластичности
- Модели на основе деревьев принятия решения
- Модели на основе линейной регрессии
- Модели на основе нейронных сетей
- Если исходных данных мало, то стоит применять более простые модели, например линейную модель.
- Если необходимо экстраполировать зависимость продаж от цены (то есть предположить продажи при цене большей чем когда либо была в истории), то Модели на основе деревьев принятия решения не подходят для такого рода задач. т.к. они не предназначены для экстраполяции зависимостей
- Если исходные данные сильно зашумлены, зависимость нелинейна и исходных данных немного, то наоборот стоит попробовать Модели на основе деревьев принятия решения
- Если необходимо более точно вычислить зависимость продаж от цены и достаточно исходных данных, то стоит применить Модели на основе нейронных сетей
Почитать еще
10 инструментов аналитики данных
Загрузить программу ВІ Демонстрации решений Аналитика бизнеса Оглавление Введение в аналитику данных Прогресс в любой
Экосистема JavaScript: 38 инструментов для фронтальной и серверной разработки
В течение шести лет JavaScript оставался самым популярным языком интерфейсного программирования. Достаточно взглянуть на результаты
Инструменты интеграции данных
Инструменты интеграции данных предназначены для широкого спектра сценариев использования, которые зависят от основных возможностей доставки
TIBCO Spotfire 11.0
Spotfire 11.0 представляет Spotfire Mods — легкий облачный фреймворк для создания новых интерактивных типов визуализаций, позволяющий создавать
50 новых инструментов для анализа и визуализации данных
Подобно тому как ранее мы стали свидетелями перехода на платформы сбора данных, работающие по принципу
Обновления TIBCO Spotfire 7.5-10.2
Загрузить программу ВІ Демонстрации решений Версия 10.2 Поддержка SAP HANA 2 Коннектор SAP HANA теперь
Обновления TIBCO Spotfire Версия 10.7
Версия 10.7 Теперь Spotfire Analyst поддерживает использование языка Python прямо «из коробки». Это означает, что
Обновления TIBCO Spotfire Версия 10.9
Версия 10.9 Основные новые функции и изменения в версии Загрузить программу ВІ Демонстрации решений Аналитика
Обновление Tibcо Spotfire 10.10
Spotfire 10.10 LTS является релизом с долгосрочной поддержкой (Spotfire Long-Term Support release), а также представляет