Zusammenfassung
Der vorliegende Beitrag beschäftigt sich mit der Modellierung von Absatzreaktionsfunktionen im Kontext von Handelsdaten. Im Mittelpunkt steht dabei die insbesondere auch aus Praxissicht relevante Frage, ob sich die Inkaufnahme einer höheren Modellkomplexität, welche durch die Berücksichtigung von Heterogenität einerseits bzw. von größerer funktionaler Flexibilität andererseits gegenüber einem einfachen parametrischen Absatzreaktionsmodell entsteht, lohnt. Dazu werden im Rahmen einer empirischen Anwendung auf der Basis von Handelsscannerdaten entsprechende Absatzreaktionsfunktionen geschätzt und anhand der Anpassungsgüte, Prognosevalidität, den resultierenden Preiselastizitäten sowie den geschätzten Verläufen für Preis- und Konkurrenzpreiseffekte miteinander verglichen. Die Ergebnisse der Studie zeigen, dass die Berücksichtigung von Heterogenität nicht per se vorteilhaft sein muss, die flexible (nicht- bzw. semiparametrische) Modellierung von Absatzreaktionen dagegen erhebliche Potenziale für Modellverbesserungen in sich birgt.
Abstract
In this paper, we explore the differences between store sales models that allow for heterogeneity in marketing effects across stores and models that accommodate potential irregularities in sales response through the use of nonparametric estimation techniques. In particular, we investigate the following question: What benefits can we gain from incorporating store heterogeneity versus functional flexibility in sales response models concerning fit and predictive validity, as compared to a simple parametric store sales model? In an empirical study based on store-level data, we also compare the different model versions with respect to estimated price elasticities and resulting shapes for own- and cross-price effects. Our empirical results indicate that addressing heterogeneity is not advantageous in general, as model fit, predictive validity and the accuracy of price elasticities did not improve for many brands. In contrast, estimating sales response flexibly provides much more potential for statistical improvements and leads to different implications concerning price elasticities, too.
Notes
Eine Schätzung mit geschäftsspezifischen Preisendungseffekten ergab, dass im Wesentlichen keine signifikanten Unterschiede zwischen den einzelnen Geschäften bestehen. Preisendungseffekte werden deshalb hier als fixe Effekte, die für alle Geschäfte gleich sind, modelliert.
Der Einfachheit halber werden der Markenindex m sowie der Geschäftsindex i und der Wochenindex t unterdrückt.
Die Einführung des Strafterms wird als Penalisierung bezeichnet, was zu den sog. P(enalisierten)-Splines führt.
Die restliche Notation entspricht der in Modell (1). Entsprechend werden auch das heterogene und das semiparametrische Modell operationalisiert.
Die Rechenzeit beträgt je Modell und Marke unter 2,5 min (Intel Core 2 Duo Prozessor mit 3.00 GHz, 1,95 GB RAM). Die effektive Parameterzahl (vgl. z. B. Fahrmeir et al. 2007, S. 489) liegt für HomM (je nach Marke) zwischen 84 und 89, für HetM zwischen 100 und 168 und für SemiM zwischen 94 und 104.
Für die Berechnung des DIC siehe z. B. Fahrmeir et al. 2007, S. 489.
Wie in Abschn. 2.1 angeführt, wurde zu Vergleichszwecken auch ein homogenes und ein heterogenes exponentielles Modell geschätzt, welches im Gegensatz zum multiplikativen Modell nur konvexe Kreuzpreiseffekte zulässt. Da sich jedoch bis auf eine Marke verglichen mit dem multiplikativen Modell sowohl schlechtere DIC-Werte als auch schlechtere AMSE-Werte ergeben, wird auf die Dokumentation der Ergebnisse verzichtet.
Die unterschiedlichen Vorzeichen für den 99er-Preiseffekt bspw. bei der Marke Tree Fresh lassen sich auf die unterschiedlichen Modellphilosophien parametrischer und nichtparametrischer Ansätze zurückführen. So hängt der Effekt eines Prädiktors X auf die abhängige Variable Y im (log-linearen) parametrischen Modell auch davon ab, wie die Prädiktoren untereinander korrelieren. Im semiparametrischen Modell werden dagegen die metrischen unabhängigen Variablen zunächst über den Basisfunktionen-Ansatz nichtlinear transformiert, so dass hier letztlich Zusammenhänge zu nichtlinearen Funktionalen entstehen. Dies kann im Extremfall dazu führen, dass für die parametrisch modellierten Effekte wie z. B. den 99er-Preiseffekt abweichende Vorzeichen resultieren. In diesem Fall wird man bzgl. der Wirkungsrichtung jenem Modell Glauben schenken, das die bessere Anpassungs- bzw. Prognosegüte aufweist (hier also dem semiparametrischen Modell).
Die Zahl 23 resultiert aus 8 Marken mal 3 Kreuzpreiseffekten (bzgl. der beiden Segmente der Premium- und nationalen Marken sowie bzgl. der Handelsmarke) minus 1, da die Handelsmarke Dominick’s nur Premium- und nationale Marken als Konkurrenz besitzt.
Entfernt man die vier Preisbeobachtungen aus dem Datensatz und schätzt den Eigenpreiseffekt nur für Preise über $1,50, liefert auch das semiparametrische Modell einen exponentiellen Eigenpreiseffekt, der jedoch für Preise unter $1,70 signifikant nach oben von den parametrischen Effekten abweicht. Auch dann liefert das semiparametrische Absatzreaktionsmodell eine deutlich bessere Anpassungsgüte (Verbesserung des DIC um 680 gegenüber dem besten parametrischen Modell HetM) sowie eine wesentlich höhere Prognosegüte (Verbesserung des AMSE-Wertes um 26,87 % gegenüber HomM).
Einen Beweis hierzu liefern Brezger und Steiner (2008).
Die damit verbundene Annahme, dass z. B. die Preissensitivität in einem Geschäft i unabhängig von der Displaysensitivität in einem anderen Geschäft i’ ist, ist im Zusammenhang mit Absatzdaten einer Handelskette auch sinnvoll, da die Kunden eines Einzelhändlers i. d. R. auch nur in dem zu ihrem Wohnort nächstgelegenen Geschäft dieses Händlers einkaufen (vgl. Andrews et al. 2008, S. 25).
Literatur
Andrews RL, Currim IS, Leeflang P, Lim J (2008) Estimating the SCAN*PRO model of store sales: HB, FM or just OLS? Int J Res Mark 25(1):22–33
Barrot C (2007) Prognosegütemaße. In: Albers S, Klapper D, Konradt U, Walter A, Wolf J (Hrsg) Methodik der empirischen Forschung, 2. Aufl. Gabler, Wiesbaden, S 417–430
Blattberg RC, Briesch R, Fox EJ (1995) How promotions work. Mark Sci 14(3):G122-G132
Blattberg RC, George EI (1991) Shrinkage estimation of price and promotional elasticities. J Am Stat Assoc 86(414):304–315
Blattberg RC, Wisniewski KJ (1987) How retail price promotions work. Marketing Working Paper 42, University of Chicago
Brezger A, Steiner WJ (2008) Monotonic regression based on Bayesian P-splines: an application to estimating price response functions from store-level scanner data. J Bus Econ Statist 26:90–104
De Boor C (2001) A practical guide to splines, überarbeitete Aufl. Springer, New York
Diller H (2008) Preispolitik, 4. Aufl. Kohlhammer, Stuttgart
Eilers PHC, Marx BD (1996) Flexible smoothing using B-splines and penalized likelihood (with comment and rejoinder). Stat Sci 11:89–121
Fahrmeir L, Kneib T, Lang S (2007) Regression – Modelle, Methoden und Anwendungen. Springer, Berlin, Heidelberg
Foekens EW, Leeflang PSH, Wittink DR (1999) Varying parameter models to accommodate dynamic promotion effects. J Econom 89(1/2):249–268
Gelfand AE, Sahu SK, Carlin BP (1995) Efficient parametrisations for normal linear mixed models. Biometrika 82(3):479–488
Greenberg E (2008) Introduction to Bayesian econometrics. Cambridge University Press, New York
Greene WH (2008) Econometric analysis, 6. Aufl. Prentice Hall, New Jersey
Hanssens DM, Parsons LJ, Schultz RL (2003) Market response models: economic and time series analysis, 2. Aufl. Kluwer Academic Publishers, Boston
Hoch SJ, Kim BD, Montgomery AL, Rossi PE (1995) Determinants of store-level price elasticity. J Mark Res 32(1):17–29
Hruschka H (1996) Marketing-Entscheidungen. Vahlen, München
Hruschka H. (1997) Schätzung und normative Analyse ausgewählter Preis-Absatz-Funktionen. Z Betriebswirtsch 67(8):845–864
Hruschka H (2006a) Relevance of functional flexibility for heterogeneous sales response models: a comparison of parametric and semi-nonparametric models. Eur J Oper Res 174(2):1009–1020
Hruschka H (2006b) Statistical and managerial relevance of aggregation level and heterogeneity in sales response models. Mark J Res Manage 2:94–102
Kalyanam K, Shively TS (1998) Estimating irregular pricing effects: a stochastic spline regression approach. J Mark Res 35(1):16–29
Koop G (2003) Bayesian econometrics. Wiley, Chichester
Kopalle PK, Mela CF, Marsh L (1999) The dynamic effect of discounting on sales: empirical analysis and normative pricing implications. Mark Sci 18(3):317–332
Lang S, Brezger A (2004) Bayesian P-splines. J Comput Graph Stat 13(1):183–212
Leeflang PSH, Wittink DR, Wedel M, Naert PA (2000) Building models for marketing decisions. Kluwer Academic Publishers, Boston
Montgomery AL (1997) Creating micro-marketing pricing strategies using supermarket scanner data. Mark Sci 16(4):315–337
Rao V (1993) Pricing models in marketing. In: Eliashberg J, Lilien GL (Hrsg) Handbooks in operations research and management science, Bd. 5. Elsevier Science Publishers B. V., Amsterdam, S 517–552
Rossi PE, Allenby GM (2003) Bayesian statistics and marketing. Mark Sci 22(3):304–328
Rossi PE, Allenby GM, McCulloch R (2005) Bayesian statistics and marketing. Wiley, Chichester
Simon H, Fassnacht M (2009) Preismanagement, 3. Aufl. Gabler, Wiesbaden
Spiegelhalter DJ, Best NG, Carlin BP, Van Der Linde A (2002) Bayesian measures of Model complexity and fit. J R Stat Soc Series B 64(4):583–639
Steiner WJ, Brezger A, Belitz C (2007) Flexible estimation of price response functions using retail scanner data. J Retailing Consum Serv 14:383–393
Steiner WJ, Weber A (2009) Ökonometrische Modellbildung. In: Baumgarth C, Eisend M, Evanschitzky H (Hrsg) Empirische Mastertechniken: Eine anwendungsorientierte Einführung für die Marketing- und Managementforschung. Gabler, Wiesbaden, S 389–429
Tellis GJ (1988) The price elasticity of selective demand: a meta-analysis of econometric models of sales. J Mark Res 25(4):331–341
van Heerde HJ, Leeflang PSH, Wittink DR (2001) Semiparametric analysis to estimate the deal effect curve. J Mark Res 38(2):197–215
van Heerde HJ, Leeflang PSH, Wittink DR (2002) How promotions work: SCAN*PRO based evolutionary model building. Schmalenbach Bus Rev 54:198–220
Author information
Authors and Affiliations
Corresponding author
Appendices
Anhang
A.1 Monotonierestriktionen
Um – in Übereinstimmung mit der ökonomischen Theorie (z. B. Rao 1993) – monoton fallende Funktionsverläufe für Eigenpreiseffekte \(\text{(d}{.}\ \text{h}\text{.}\ {{{f}'}_{j}}({{P}_{j}}) \le 0 \, f \ddot {u}r \, j = m)\) und monoton steigende Funktionsverläufe für Kreuzpreiseffekte \(\text{(d}\text{.}\ \text{h}\text{.}\ {{{f}'}_{j}}({{P}_{j}})\ge 0\,f\ddot{u}r\,j\ne m)\) im semiparametrischen Modell (5) zu erhalten, ist es hinreichend zu gewährleisten, dass aufeinanderfolgende Koeffizienten β jk geordnet sindFootnote 13, so dass im Fall von Eigenpreiseffekten
bzw. im Fall von Kreuzpreiseffekten
gilt. Dies wird erreicht, indem die Priori-Verteilung des Koeffizientenvektors \({{\beta }_{j}}={{( {{\beta }_{j1}},\ldots,{{\beta }_{j{{K}_{j}}}} )}^{\prime }}\) (vgl. Ausdruck (8)) mit Hilfe von Indikatorfunktionen trunkiert (gestutzt) wird (für Details siehe Brezger und Steiner 2008). An dieser Stelle sei bemerkt, dass das multiplikative (und exponentielle) Modell wie auch andere etablierte parametrische Preisabsatzfunktionen implizit monotone Funktionsverläufe gewährleisten.
A.2 Hyperpriori-Parameter
Die Parameter der Hyperpriori-Verteilungen (vgl. Abschn. 2.1 bzw. 2.2) werden in Anlehnung an vergleichbare Studien so gewählt, dass möglichst nichtinformative Verteilungen resultieren. Entsprechend werden die Parameter der inversen Gammaverteilung, die für sämtliche Varianzparameter als Hyperpriori-Verteilung dient, mit a = b = 0,001 festgelegt (vgl. z. B. Brezger und Steiner 2008). Die Kovarianzmatrix V (vgl. Ausdruck (4)) wird als Diagonalmatrix definiert (vgl. Gelfand et al. 1995, S. 483). Demnach ergeben sich für die Varianzparameter auf der Diagonalen ebenfalls inverse Gammaverteilungen als Hyperpriori-Verteilungen. Andrews et al. (2008) haben gezeigt, dass der Verzicht auf eine Schätzung von Kovarianzen zwischen geschäftsspezifischen Effekten die Prognosegüte des HB-Modells verbessert (und gleichzeitig die Modellkomplexität verringert).Footnote 14
A.3 Modellzusammenfassung
Nachfolgende Tabelle fasst die Modellstruktur einschließlich Verteilungsannahmen bzgl. Priori- und Hyperpriori-Parametern für die in den Abschn. 2.1 und 2.2 eingeführten und im Rahmen der empirischen Studie geschätzten parametrischen und semiparametrischen Modellspezifikationen zusammen:
(Heterogenes) Parametrisches Modell | |
Grundstruktur | \({{y}_{i}}={{\alpha }_{i}}+{{X}_{i}}{{\beta}_{i}}+{{W}_{i}}\delta +{{\varepsilon }_{i}},\ {{\varepsilon}_{i}} \sim N(0,{{\sigma}^{2}}{{I}_{{{T}_{i}}}})\) |
Priori-Verteilungen | \( \begin{aligned} & {{\alpha }_{i}}\sim N( \bar{a},\tau _{{{\alpha }_{i}}}^{2} ),\ {{\beta }_{i}} \sim N( \bar{\beta },V ),\ \delta \propto const,\ {{\sigma }^{2}} \sim IG( {{a}_{0\sigma }},{{b}_{0\sigma }} ) \\ & \bar a \propto const,\;\tau _{{\alpha_i}}^2\sim IG \left( {{a_{0{\alpha _i}}},{b_{0{\alpha _i}}}} \right)\quad \forall i,\;\bar \beta \propto const, \end{aligned}\) |
Hyperpriori-Verteilungen | \( \begin{aligned} & V\sim IW\left( {{a_{0V}},{B_{0V}}} \right)\;{\rm{bzw}}{\rm{.}}\; V = diag\left( {v_i^2} \right)\;{\rm{mit}}\\ & v_i^2\sim IG\left({{a_{0{v_i}}},{b_{0{v_i}}}} \right)\quad \forall i\; \end{aligned}\) |
Parameterspezifikationa | \({{a}_{0\sigma }}{=}\,{{b}_{0\sigma }}{=}\,0{,}001,\ {{a}_{0{{\alpha }_{i}}}}{=}\,{{b}_{0{{\alpha }_{i}}}}{=}\,0{,}001\quad \forall i,\quad {{a}_{0{{v}_{i}}}}{=}\,{{b}_{0{{v}_{i}}}}{=}\,{0}{,}001\quad \forall i\) |
Zu schätzende Parameter | \({{\alpha }_{i}},{{\beta }_{i}},\delta ,{{\sigma }^{2}},\bar{a},\tau _{{{\alpha }_{i}}}^{2}\forall i,\bar{\beta },V\) |
Semiparametrisches Modell | |
Grundstruktur | \({{y}_{i}}={{\alpha }_{i}}+\sum\limits_{j=1}^{J}{{{f}_{j}}( {{X}_{ij}},{{\beta }_{j}} )}+{{W}_{i}}\delta +{{\varepsilon }_{i}},\ {{\varepsilon }_{i}}\tilde{\ }N( 0,{{\sigma }^{2}}{{I}_{{{T}_{i}}}} )\) |
Priori-Verteilungen | \({{\beta }_{j,1}},{{\beta }_{j,2}}\propto const,\) |
\( {\beta _{jk}} = 2{\beta _{j,k - 1}} - {\beta _{j,k - 2}} + {u_{jk}},\;{u_{jk}} \sim N\,({0,\tau _j^2} )\forall k> 2,\) | |
\(\begin{aligned} {{\beta }_{j1}}&\ge {{\beta }_{j2}}\ge \ldots \ge {{\beta }_{j{{K}_{j}}}}\ ( \text{Monotonierestriktionen f}\ddot{u}\text{r Eigenpreiseffekte} )\;\text{ bzw}.\nonumber\\\& {{\beta }_{j1}}&\le {{\beta }_{j2}}\le \ldots \le {{\beta }_{j{{K}_{j}}}}\ ( \text{Monotonierestriktionen f }\!\!\ddot{\mathrm{u}}\!\!\text{ r Kreuzpreiseffekte} ), \end{aligned}\) | |
\({{\alpha }_{i}}\tilde{\ }N( \bar{a},\tau _{{{\alpha }_{i}}}^{2} ),\ \delta \propto const,\ {{\sigma }^{2}}\tilde{\ }IG( {{a}_{0\sigma }},{{b}_{0\sigma }} )\) | |
Hyperpriori-Verteilungen | \(\bar{a}\propto const,\ \tau _{{{\alpha }_{i}}}^{2}\tilde{\ }IG( {{a}_{0{{\alpha }_{i}}}},{{b}_{0{{\alpha }_{i}}}} )\quad \forall i,\) |
\(\tau _{j}^{2}\tilde{\ }IG( {{a}_{0j}},{{b}_{0j}} )\quad \forall j\) | |
Parameterspezifikationa | \( {{a}_{0\sigma }}={{b}_{0\sigma }}=0{,}001,\;{{a}_{0{{\alpha }_{i}}}}={{b}_{0{{\alpha }_{i}}}}=0,001\quad \forall i \) |
Zu schätzende Parameter | \({{\alpha }_{i}},{{\beta }_{j}}\forall j,\delta ,{{\sigma }^{2}},\bar{a},\tau _{{{\alpha }_{i}}}^{2}\forall i,\tau _{j}^{2}\forall j\) |
Die Matrizen X j in der Grundstruktur des semiparametrischen Modells entsprechen den Designmatrizen für die einzelnen Preisvariablen, die sich aus dem Basisfunktionenansatz ergeben (vgl. hierzu Fahrmeir et al. 2007, S. 306 f.) und es gilt \({{\beta }_{j}}={{( {{\beta }_{j1}},\ldots ,{{\beta }_{j{{K}_{j}}}} )}^{\prime }}.\) Hierbei wird K j (die Anzahl der Knoten) für jeden Preiseffekt j auf K j = 20 festgelegt.
Rights and permissions
About this article
Cite this article
Weber, A., Steiner, W. Zur Berücksichtigung von Heterogenität versus funktionaler Flexibilität in Absatzreaktionsmodellen: Eine empirische Studie auf Basis von Handelsdaten. Z Betriebswirtsch 82, 1337–1365 (2012). https://doi.org/10.1007/s11573-012-0638-0
Received:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s11573-012-0638-0
Schlüsselwörter
- Absatzreaktionsfunktionen
- Preis- und Kreuzpreiseffekte
- Preiselastizitäten
- Heterogenität
- Funktionale Flexibilität
Keywords
- Store sales models
- Own- and cross-price response
- Price elasticities
- Store heterogeneity
- Functional flexibility