Идея композитной оценки: не пытаться “склеить” два текущих отчёта механически, а представить продажи как результат двух разных механизмов.

Продажи = размер спроса/категории × наша доля × эффект абсолютной цены

Условно:

text
Новые продажи при +5 руб =
Текущие продажи
× эффект изменения price index
× эффект прохождения абсолютного ценового порога
× поправки на промо / магазин / сезон / конкурентов

Но важно: price index уже содержит нашу цену, поэтому есть риск двойного счёта. Нужно явно развести два эффекта.

---

1. Логика бизнес-модели

У производителя снеков цена влияет на продажи двумя путями.

1. Относительная цена: “мы дороже или дешевле конкурентов?”

Это ваш текущий отчёт по PI vs market share.

Пример:

text
Было:
наш SKU = 85 руб
конкурент = 100 руб
PI = 0.85

Стало после +5 руб:
наш SKU = 90 руб
конкурент = 100 руб
PI = 0.90

Если при переходе из PI-бина 0.8–0.9 в 0.9–1.0 доля почти не падает, повышение цены относительно безопасно.

Если доля резко падает, значит SKU чувствителен к относительной цене.

2. Абсолютная цена: “покупатель видит на полке неприятный порог”

Это ваш второй отчёт по own price vs sales per store.

Например:

text
Было 99 руб → стало 104 руб

С точки зрения PI изменение может быть небольшим, но психологически это переход через барьер до 100 → выше 100.

Или:

text
Было 74 руб → стало 79 руб

Порог может быть почти незаметным.

Поэтому +5 рублей для разных SKU — это совершенно разный риск.

---

2. Как собрать композитную оценку

Я бы сделал для каждого SKU симуляцию:

text
Текущая цена: P
Новая цена: P + 5

Текущий PI = P / Price_competitors
Новый PI = (P + 5) / Price_competitors

Дальше считаем два эффекта.

Эффект 1: изменение доли из-за PI

Из первого отчёта берём ожидаемое изменение market share:

text
ΔShare = Share_new_PI_bin - Share_current_PI_bin

Или лучше не просто разницу бинов, а сглаженную кривую:

text
Share = f(Price Index)

Тогда:

text
Relative effect = f(PI_new) / f(PI_old)

Например:

text
PI был 0.92, стал 0.98
Ожидаемая доля была 12.0%, стала 11.4%

Relative effect = 11.4 / 12.0 = 0.95

То есть минус 5% объёма из-за относительного удорожания.

---

Эффект 2: изменение продаж из-за абсолютной цены

Из второго отчёта берём ожидаемое изменение продаж на магазин:

text
Sales per store = g(Own Price)

Тогда:

text
Absolute price effect = g(P + 5) / g(P)

Например:

text
Цена была 96, стала 101
Продажи на магазин при 96 руб = 10.0 шт
Продажи на магазин при 101 руб = 8.7 шт

Absolute effect = 8.7 / 10.0 = 0.87

То есть минус 13% из-за прохождения психологического порога.

---

Композитный эффект

Наивная версия:

text
New sales = Current sales × Relative effect × Absolute effect

Но это может завысить падение, потому что оба эффекта частично объясняют одно и то же изменение цены.

Поэтому лучше использовать не прямое умножение двух отчётов, а одну из двух моделей ниже.

---

3. Более правильная модель

Вариант A. Двухкомпонентная модель: share model + category model

Это самый бизнес-интерпретируемый вариант.

Разложить продажи так:

text
Наши продажи = Category sales × Our market share

Тогда:

Модель доли

text
Market share = f(Price Index, competitor price, promo, store, seasonality)

Она отвечает на вопрос:

Если мы стали дороже относительно конкурентов, какую долю потеряем?

Модель объёма категории / продаж на магазин

text
Category or SKU demand = g(Own Price, price threshold, promo, store, seasonality)

Она отвечает на вопрос:

Если цена на полке стала психологически хуже, сколько покупателей вообще отвалится?

Плюс этого подхода: он хорошо ложится на вашу текущую логику двух отчётов.

Минус: нужно аккуратно следить, чтобы SKU-level own price model не дублировала share effect.

---

Вариант B. Единая модель продаж

Для каждого SKU-store-week / SKU-store-day можно построить модель:

text
Sales per store =
base demand
+ effect of own price
+ effect of price index
+ threshold effects
+ promo effects
+ competitor effects
+ seasonality
+ store effect

В более понятной форме:

text
log(Sales) =
SKU baseline
+ Store effect
+ Seasonality
+ Promo flag
+ f(Own Price)
+ h(Price Index)
+ Threshold indicators
+ Competitor promo
+ Distribution / OOS controls

Где:

text
f(Own Price)

ловит плавную ценовую эластичность.

text
h(Price Index)

ловит относительную конкурентную позицию.

text
Threshold indicators

ловят скачки около важных порогов:

text
49 / 50
59 / 60
69 / 70
79 / 80
89 / 90
99 / 100
109 / 110
119 / 120
149 / 150
199 / 200

Например, отдельная переменная:

text
Crossed_100 = 1, если цена после изменения перешла с <=99 на >=100

Тогда +5 рублей можно симулировать напрямую:

text
Predicted sales at P
vs
Predicted sales at P + 5

Это чище, чем перемножать два отчёта.

---

4. Как должен выглядеть итоговый отчёт

Я бы сделал не один скор, а decision report по каждому SKU.

Главный экран по SKU

Для каждого SKU:

Метрика	Значение
Текущая средняя цена	94 руб
Цена после +5	99 руб
Текущий PI	0.91
PI после +5	0.96
Текущие продажи	100 000 шт
Прогноз продаж после +5	94 000 шт
Потеря объёма	-6.0%
Рост gross sales	+?
Рост margin	+?
Риск порога	Низкий / Средний / Высокий
Рекомендация	Повышать / Не повышать / Тестировать

---

5. Waterfall для объяснения эффекта +5 рублей

Очень полезный вид:

text
Текущие продажи:              100 000 шт
Эффект PI:                    -3 000 шт
Эффект абсолютной цены:        -2 000 шт
Эффект прохождения порога:     -4 000 шт
Итого прогноз:                 91 000 шт

И рядом финансовая версия:

text
Текущая выручка:               9.5 млн руб
Цена +5 руб:                  +0.5 млн руб
Потеря объёма:                -0.3 млн руб
Итого новая выручка:           9.7 млн руб
Эффект на маржу:              +0.4 млн руб

Потому что бизнесу важны не только продажи в штуках, но и:

text
выручка
валовая маржа
прибыль
доля
риск просадки

---

6. Композитный скор

Можно сделать итоговый Price Increase Opportunity Score.

Например от 0 до 100:

text
Score = потенциал повышения цены - риск потери объёма - риск порога - риск потери доли

Компоненты:

1. PI room

Есть ли пространство до опасного PI?

text
PI сейчас = 0.86
PI после +5 = 0.91
Опасный PI начинается с 1.00

Значит пространство есть.

Высокий score.

2. Share sensitivity

Насколько резко падает доля при росте PI?

text
Если доля стабильна между PI 0.8–1.0 → низкий риск.
Если доля падает уже при PI 0.9–1.0 → высокий риск.

3. Threshold risk

Проходим ли психологический порог?

text
94 → 99: риск низкий/средний
96 → 101: риск высокий
99 → 104: риск высокий
74 → 79: риск низкий
79 → 84: риск средний

4. Own price elasticity

Исторически продажи SKU сильно падают при росте цены или нет?

text
Сильная эластичность → риск высокий.
Слабая эластичность → можно повышать.

5. Observation confidence

Достаточно ли наблюдений в старом и новом диапазоне?

text
Если в новом price/PI-бине мало наблюдений, рекомендация должна быть осторожной.

Итоговая классификация:

Группа	Значение
Green	Можно повышать
Yellow	Повышать через тест
Red	Не повышать / искать промо-механику
Blue	Недостаточно данных

---

7. Очень важная идея: не только “+5 рублей”, а “лучший следующий ценовой шаг”

Вместо одного сценария +5 можно считать несколько:

text
+2 руб
+3 руб
+5 руб
+7 руб
+10 руб

И для каждого показывать:

text
прогноз продаж
прогноз выручки
прогноз маржи
прогноз доли
риск порога
уверенность прогноза

Тогда отчёт станет не просто диагностическим, а рекомендательным.

Например:

Сценарий	Цена	Прогноз объёма	Выручка	Маржа	Риск
Текущая	94	100 000	9.4 млн	3.1 млн	—
+3	97	98 000	9.5 млн	3.3 млн	Низкий
+5	99	96 000	9.5 млн	3.4 млн	Средний
+7	101	88 000	8.9 млн	3.1 млн	Высокий
+10	104	85 000	8.8 млн	3.0 млн	Высокий

Вывод:

text
Оптимально +5, но не +7, потому что +7 пробивает порог 100.

---

8. Как избежать неправильных выводов

Есть несколько ловушек.

Ловушка 1. Цена часто меняется вместе с промо

Если цена ниже, это может быть не просто цена, а промо, дисплей, акция, каталог, повышенная дистрибуция.

Нужно разделять:

text
регулярная цена
промо-цена
глубина скидки
наличие промо
механика промо

Иначе модель решит, что снижение цены всегда даёт огромный рост, хотя рост вызван не только ценой.

Ловушка 2. Дешёвые магазины отличаются от дорогих

В магазинах с низкой ценой может быть другой трафик, формат, регион, покупательская способность.

Поэтому хорошо бы учитывать:

text
store fixed effect
region
channel
format
traffic
income area

Иначе модель может перепутать эффект цены с эффектом магазина.

Ловушка 3. Конкуренты тоже меняют цену

Если мы подняли цену, но конкуренты тоже подняли, PI может почти не измениться.

Поэтому для сценария +5 надо считать:

text
PI_new = наша новая цена / текущая цена конкурентов

А также можно иметь сценарий:

text
конкуренты не меняют цену
конкуренты тоже повышают цену
конкуренты промотируются

Ловушка 4. Бины дают шумные скачки

Бины полезны для отчёта, но модель лучше делать сглаженной.

Например, не так:

text
60–61
61–62
62–63

А так:

text
плавная кривая цены
+ отдельные price threshold эффекты

Потому что в некоторых бинах мало наблюдений, и эластичность может быть случайной.

---

9. Хорошая структура итогового отчёта

Я бы предложил 5 вкладок.

1. Executive summary

Таблица SKU:

text
SKU
текущая цена
рекомендуемая цена
ожидаемый volume impact
ожидаемый revenue impact
ожидаемый margin impact
риск потери доли
риск price threshold
уверенность
рекомендация

2. Opportunity map

Матрица:

text
X-axis: риск потери объёма
Y-axis: uplift маржи

Группы:

text
High margin uplift / low volume risk → повышать
High margin uplift / high volume risk → тестировать
Low margin uplift / high volume risk → не повышать
Low margin uplift / low volume risk → низкий приоритет

3. SKU detail

Для одного SKU:

text
PI curve
Own price curve
Threshold chart
Scenario table
Waterfall impact
Recommended action

4. Store/channel diagnostics

Потому что +5 рублей может быть хорошим решением не везде.

Например:

text
Сеть А: можно +5
Сеть B: только +2
Сеть C: нельзя, потому что конкуренты дешевле

Или:

text
Modern trade: риск низкий
Discounters: риск высокий
Convenience: можно повышать

5. Backtesting

Проверка модели на истории:

text
Когда цена реально росла примерно на +5, что случалось?
Модель это предсказывала или нет?

Это сильно повышает доверие бизнеса.

---

10. Какую рекомендацию давать бизнесу

Финальная рекомендация должна быть не “эластичность такая-то”, а действие:

text
SKU A: повысить на +5 руб во всех сетях, кроме X.
SKU B: повысить только на +3 руб, потому что +5 пробивает 100 руб.
SKU C: не повышать, потому что PI уйдёт выше конкурента и доля исторически падает.
SKU D: протестировать +5 в 20% магазинов, потому что данных мало.
SKU E: можно повысить +7, потому что остаёмся ниже конкурентов и нет порога.

---

11. Моя рекомендуемая формула для первого MVP

Для первого рабочего варианта я бы сделал так:

text
Predicted Volume Impact =
Weighted PI effect
+ Weighted own-price effect
+ Threshold penalty

В более бизнесовом виде:

text
Ожидаемые продажи после +5 =
Текущие продажи
× PI multiplier
× Own price multiplier
× Threshold multiplier

Но с ограничением, чтобы не было двойного счёта:

text
если PI effect и own price effect оба сильные,
использовать shrinkage / cap на общий volume loss

Например:

text
PI multiplier = 0.96
Own price multiplier = 0.94
Threshold multiplier = 0.90

Наивно:
0.96 × 0.94 × 0.90 = 0.812

То есть -18.8% объёма.

Но если есть риск двойного счёта, можно ограничить:
итоговый эффект = -12% или -14%,
пока не построена единая модель.

Для MVP это нормально, но стратегически лучше перейти к единой модели.

---

12. Самая сильная версия модели

Идеальная целевая модель:

text
SKU-store-week panel model

Где строка данных:

text
SKU × store × week

Целевая переменная:

text
units per store
или
log(units + 1)
или
market share

Факторы:

text
own price
price index
competitor price
promo flag
promo depth
display/catalogue
seasonality
store
region
channel
distribution
stock availability
holiday
weather, если важно

Отдельно:

text
threshold flags:
crossed_50
crossed_60
crossed_70
crossed_80
crossed_90
crossed_100
crossed_150
crossed_200

И взаимодействия:

text
own price × promo
price index × channel
threshold × SKU segment
price index × brand strength

Тогда для каждого SKU можно честно посчитать:

text
P old → P new
PI old → PI new
threshold old → threshold new
sales old prediction → sales new prediction

---

13. Главное

Ваши два текущих отчёта уже дают хорошую основу:

text
PI report = конкурентная чувствительность
Own price report = полочная/психологическая чувствительность

Следующий шаг — сделать из них не просто аналитику, а price simulator:

text
Что будет с volume, revenue, margin и share, если:
+3 руб
+5 руб
+7 руб
+10 руб

И итоговая бизнес-логика должна быть такой:

text
Повышаем цену, если прирост маржи перекрывает потерю объёма,
при этом не пробиваем опасный психологический порог
и не уходим в опасный PI относительно конкурентов.