Wat 1 procent prijsverhoging kost, per artikel

Wat prijselasticiteit concreet zegt

Prijselasticiteit is een getal per artikel dat aangeeft hoeveel volume er verdwijnt als de prijs omhoog gaat. Bij een elasticiteit van -1,5 levert 1 procent prijsverhoging ongeveer 1,5 procent minder verkopen op. Bij -0,4 kost diezelfde procent maar 0,4 procent volume.

Dat verschil bepaalt of een prijsverhoging je omzet kost of oplevert. Onder de -1 verlies je meer volume dan je aan prijs wint en daalt de omzet. Boven de -1 gebeurt het omgekeerde: je verkoopt iets minder, maar per stuk zoveel meer dat de omzet stijgt. Omdat de inkoop per stuk meeloopt, groeit de marge daar nog harder dan de omzet.

Reken het door op dat artikel van 24,95 dat 400 keer per maand over de toonbank gaat. Naar 26,45 is een verhoging van 6 procent. Bij een elasticiteit van -0,4 verkoop je dan ongeveer 390 stuks en gaat de omzet van 9.980 naar 10.316, terwijl de inkoop van tien stuks uit je kosten valt. Bij een elasticiteit van -2,2 verkoop je nog ongeveer 347 stuks en zakt de omzet naar 9.178. Dezelfde prijsstap, dezelfde procenten, tegengestelde uitkomst.

Waarom een gemiddelde over het assortiment niets waard is

De verleiding is om een elasticiteit voor de hele winkel te schatten en daar een prijsregel op te bouwen. Dat getal bestaat, maar het is een gemiddelde over artikelen die zich tegengesteld gedragen.

Een A-merkartikel dat bij twaalf andere webshops in dezelfde vergelijker staat is prijsgevoelig, want de klant ziet jouw prijs naast elf andere. Een eigen samenstelling of een maatwerkuitvoering is dat veel minder, want er is niets om direct mee te vergelijken. Een artikel dat iemand vandaag nodig heeft om verder te kunnen op de bouwplaats is nauwelijks prijsgevoelig. Dat zijn geen nuances rond een gemiddelde, dat zijn elasticiteiten die een factor vijf uit elkaar liggen.

Stuur je op het gemiddelde, dan doe je bij het ene deel van je assortiment te weinig en bij het andere deel te veel. De artikelen waar ruimte zat laat je liggen, en de artikelen die gevoelig waren verlies je aan de concurrent. Het is dezelfde vorm als een accountbreed rendementsdoel over campagnes met verschillende marges leggen, zoals in sturen op rendement in plaats van op klikken, alleen kost het hier direct marge.

De bandbreedte is het belangrijkste deel van de schatting

Een schatting die je een kaal getal teruggeeft, verbergt precies wat je nodig hebt. Een artikel met drieduizend verkopen over twee jaar en flink wat prijsvariatie levert een smalle band op, bijvoorbeeld tussen -1,4 en -1,6. Een artikel dat veertien keer is verkocht levert een band op van -0,3 tot -2,8.

Die tweede uitkomst is geen slecht model, het is een eerlijk model. Bij veertien verkopen valt er domweg niet meer te zeggen, en een schatting die daar alsnog stellig -1,5 zou roepen is gevaarlijker dan geen schatting.

Praktisch betekent dit dat je je assortiment kunt sorteren op bandbreedte. Bovenaan staan de artikelen waar je met vertrouwen aan kunt draaien, omdat de historie het draagt. Onderaan staan de artikelen waar eerst prijsvariatie moet ontstaan voordat er iets te schatten valt. Het is dezelfde gedachte als de betrouwbaarheidsmarge bij waar elke extra euro budget minder oplevert: een schatting die zegt hoe zeker ze is, kun je wegen.

Artikelen met weinig historie lenen van hun categorie

In elk assortiment zit een lange staart van artikelen die een paar keer per maand gaan. Die weggooien is zonde, want samen zijn ze vaak een kwart van de omzet.

De oplossing is om alle artikelen in samenhang te schatten in plaats van een voor een. Een artikel met weinig eigen verkopen trekt dan naar het gemiddelde van zijn groep, en naarmate er eigen verkopen bij komen gaat de schatting steeds zwaarder op die eigen data leunen. Een artikel dat vorige maand is toegevoegd krijgt zo een verdedigbare startwaarde met een brede band eromheen, in plaats van geen waarde of een toevalstreffer uit drie orders.

Daar hangt wel een voorwaarde aan: de groepsindeling moet ergens op slaan. Een categorie waarin artikelen van 5 euro naast artikelen van 500 euro staan trekt je schattingen de verkeerde kant op. Leveranciersgroep, prijsklasse of productsoort werkt meestal beter dan de menustructuur van je site, want die is voor navigatie gemaakt en niet voor koopgedrag.

Vraag om de curve, niet om de optimale prijs

Een model kan een enkel getal teruggeven: 27,10 is optimaal. Dat antwoord is om twee redenen bijna altijd misleidend.

Ten eerste is het optimum meestal vlak. Tussen 25,95 en 27,50 verschilt de verwachte omzet vaak minder dan een procent, terwijl je marge per stuk over dat hele stuk gewoon oploopt. Wie de curve ziet, kiest binnen dat vlakke gebied het punt dat bij zijn positionering past. Wie alleen het getal krijgt, denkt dat er een juist antwoord is en dat de rest fout is.

Ten tweede optimaliseert dat getal op omzet, terwijl je van marge leeft. Zodra je de inkoopprijs in de curve legt, schuift het optimum omhoog, want onder het omzetoptimum ligt een stuk waar je volume koopt met marge. Hoeveel het schuift hangt af van je inkoopmarge en verschilt dus per artikel. Het is dezelfde afruil die speelt bij POAS als enig doel: een cijfer dat netjes omhoog gaat terwijl je ergens anders inlevert.

Artikelen eten van elkaar

Verlaag je de prijs van de vijf meter-variant, dan verkoop je daar meer van en van de tien meter minder. Op artikelniveau ziet dat eruit als een geslaagde actie. Op assortimentsniveau heb je omzet van het ene artikelnummer naar het andere geschoven, mogelijk tegen een lagere marge.

Dat effect is te schatten, maar niet voor alles tegelijk. Bij vierduizend artikelen zijn er zestien miljoen mogelijke paren, en het overgrote deel daarvan heeft geen enkele relatie. De werkbare aanpak is om alleen paren binnen dezelfde categorie of productgroep te bekijken. Daar gebeurt substitutie echt, en het houdt het aantal te schatten verbanden hanteerbaar.

Wat je eruit haalt is tweeledig. Je ziet welke prijsverlagingen vooral je eigen buurartikel opeten, en je ziet welke artikelen elkaar juist meetrekken omdat ze samen worden gekocht.

Controleer op de laatste weken, nooit op een willekeurige steekproef

Hier worden prijsmodellen stilletjes te mooi. Je hebt twee jaar weekdata, je houdt twintig procent achter om te controleren, en je trekt die twintig procent willekeurig uit het hele bestand.

Dan zit week 40 in je controleset terwijl week 39 en week 41 in de schatting zitten. Het model heeft de omgeving van dat punt al gezien, inclusief de actie die toen liep en de vraag die op dat moment in de markt zat. De uitkomst ziet er uitstekend uit en voorspelt niets over volgende maand.

Houd in plaats daarvan de laatste periodes achter. Schat op alles daarvoor, voorspel de weken die het model nooit heeft gezien en leg dat naast wat er werkelijk is verkocht. Kijk naar twee dingen. Hoe ver zit de voorspelling er gemiddeld naast, en hoe vaak viel het werkelijke aantal binnen de opgegeven band. Dekt een band van 90 procent maar de helft van de werkelijke uitkomsten, dan is het model te zelfverzekerd en mag je de prijsadviezen niet zo hard nemen als ze klinken.

Wat je nodig hebt voordat dit werkt

De data-eis is bescheiden: per artikel, per week, de prijs en het verkochte aantal. Dat staat in elke webshop. Wat vaker ontbreekt is prijsvariatie.

Heeft een artikel twee jaar lang exact 24,95 gekost, dan valt er niets te schatten. Het model heeft verschillende prijzen nodig om te zien wat er bij die verschillen gebeurt. Kortingsacties, seizoensprijzen, leveranciersverhogingen en periodes waarin de concurrent lager zat leveren allemaal signaal. Hoe rustiger je prijshistorie, hoe breder de banden, en dat is terecht.

Twee correcties horen erbij, anders schrijft het model prijsgevoeligheid toe aan iets anders. Periodes zonder voorraad moeten eruit, want nul verkopen bij een normale prijs is geen prijseffect. En seizoen, feestdagen en advertentiedruk horen er als controle in, want anders krijgt de decemberkorting de eer van de decembervraag.

Wat dit met je advertentiesturing doet

Prijs en bod zijn twee knoppen op dezelfde uitkomst, en ze worden in de meeste bedrijven door verschillende mensen bediend die elkaars cijfers niet zien.

Ken je per artikel de prijsgevoeligheid en de marge, dan volgt daar een biedbeleid uit. Een artikel dat nauwelijks prijsgevoelig is en ruim in de marge zit, verdraagt een hogere kost per conversie dan je accountbrede doel toestaat. Een artikel dat sterk prijsgevoelig is en dun in de marge zit heeft geen bodverhoging nodig maar een prijsbesluit, en een bodverhoging maakt daar alleen het verlies groter.

Dat verandert ook de volgorde van je werk. Voordat je aan de doel-ROAS van een productgroep gaat sleutelen is het de moeite waard om te weten of de prijs eronder klopt. Anders optimaliseer je een campagne richting een prijspunt dat structureel te hoog of te laag staat, en verklaar je de tegenvallende cijfers in de campagne terwijl ze in de prijslijst zitten.

Conclusie: ken de gevoeligheid voordat je de prijs aanpast

Prijsgevoeligheid is per artikel te schatten uit data die je al hebt, en de uitkomst hoort een bandbreedte te hebben. Een smalle band is een besluit dat je kunt nemen. Een brede band is een opdracht om eerst prijsvariatie op te bouwen.

Vraag om de omzetcurve in plaats van om een optimale prijs, leg je inkoopprijs erin, houd rekening met de artikelen die van elkaar eten en controleer het model op de laatste weken. Een prijswijziging is dan geen gok meer, maar een besluit waarvan je vooraf weet binnen welke marge de uitkomst valt.