Vernieuwde inzichten bij prijsexperimenten door data-analyse

De eigenaar van een grote supermarktketen is in zijn nopjes. Vorige week is de prijs van het bier verlaagd en de winst van deze producten is maar liefst met 27% gestegen ten opzichte van de week ervoor. Wat hij niet weet is dat dit komt doordat de studiefinanciering die week is uitgekeerd en studenten massaal hun biervoorraad hebben bijgevuld, terwijl de prijsverlaging juist een negatieve invloed had. Hoe had hij dit kunnen weten?

In dit artikel zullen wij uitleggen hoe de eigenaar met behulp van de juiste data een model kan gebruiken om nauwkeurig het effect van een experiment (zoals een prijsverandering) in te kunnen schatten.

Huidige situatie

De makkelijkste manier om te bepalen wat voor effect de prijsverandering op de omzet had is de grafiek met omzet per week/maand te bekijken.

Hierin is goed te zien dat de omzet is gestegen tussen periode 5 en 6, op het moment dat de prijsverandering is doorgevoerd. Daardoor ligt het voor de hand te zeggen dat de omzetstijging het resultaat is van de prijsverandering. Maar dit hoeft echter niet altijd zo te zijn, zoals in het voorbeeld van de studenten aangegeven.

Gecontroleerde experimenten

Er zijn namelijk veel meer factoren die de omzet kunnen bepalen. Meestal zijn deze factoren wel bekend, maar is het toch lastig om na te gaan in welke mate deze een effect hebben. Daarom is het verstandig om een zogenaamde controlegroep te gebruiken, waar de prijsverandering niet wordt doorgevoerd. Dit is een soort AB-test, waarbij je de omstandigheden in beide groepen hetzelfde houdt, behalve de prijsverandering. Hierdoor kan je het effect van de prijsverandering isoleren van alle andere externe factoren. Aangezien het lastig is om twee identieke groepen winkels te maken, verzamelen we omzetdata door de tijd heen en gebruiken we een uitgebreider model om relatieve veranderingen te analyseren. Dit doen we met een difference-in-differences model, wat je in AB-test termen zou kunnen zien als een ABCD-test.

Nieuwe inzichten

In de volgende grafiek kunnen we de omzetdata in de nieuwe testomgeving zien.

We hebben nu twee verschillende groepen winkels in de grafiek. Nu kunnen we zien dat de omzetverhoging niet alleen in de experimentgroep voorkwam, maar ook in de controlegroep. Daarnaast kunnen we met het model isoleren wat het effect van de prijsverandering was en daarmee als het ware berekenen wat de verwachte omzet van de experiment groep was als de prijsverandering niet was doorgevoerd. Dit laat ons zien dat de omzet in de experimentgroep hoger was geweest als de prijsverandering niet was doorgevoerd.

Conclusie

We hebben hierboven laten zien dat we met een difference-in-differences model meer inzichten kunnen krijgen in de effecten van een prijsexperiment. Op deze manier kunnen we met behulp van experimenten nauwkeuriger de optimale prijs bepalen om zo de omzet te maximaliseren.

Overigens is deze methode niet gelimiteerd tot prijsexperimenten. Ook andere aanpassingen zoals uiterlijk of indeling van een winkel kan zo worden getest.

Joeri Admiraal

Auteur: Joeri

Functie: Data Analist

Terug