Метод «Лестница цен» (Price Ladder) 📊
Метод был разработан в 1960-х годах американскими экономистами Клайвом Грейнджером и Андре Габором (Gabor-Granger Method).
Лестница цен позволяет оценить чувствительность спроса к цене в заданном диапазоне и приблизительно понять, при каком уровне цены вероятность покупки начинает заметно снижаться.
Существует два способа тестировать цены
1️⃣ Последовательный подход
Респонденту показывают цены по порядку внутри диапазона.
Например: 299 ₽ → 349 ₽ → 399 ₽ → 449 ₽
На каждой цене человек отвечает на тот же вопрос: насколько вероятно, что он купит продукт по этой цене.
Так можно понять, как меняется вероятность покупки при росте цены.
2️⃣ Адаптивный подход
Это классический подход, здесь следующая цена зависит от ответа респондента
Например:
299 ₽ → «Да» → 349 ₽
349 ₽ → «Да» → 399 ₽
399 ₽ → «Нет» → 374 ₽
Если человек отвечает «Да», цена повышается, если «Нет», цена понижается.
Таким образом вы постепенно приближаетесь к максимальной цене, при которой респондент ещё готов купить продукт.
Например, возьмём приложение трекер полезных привычек:
– библиотека привычек (питание, спорт, управление стрессом, эмоциями и пр.) с AI-рекомендациями;
– персональная статистика, streaks, как в Duolingo;
– напоминания по времени и локации;
– синхронизация смартфона с умными часами.
Насколько вероятно, что вы оформите подписку за 299 ₽ в месяц?
1 – Точно не оформлю
2 – Скорее не оформлю
3 – Затрудняюсь / Нейтрально
4 – Скорее оформлю
5 – Точно оформлю
Или в бинарном варианте:
– Да, оформлю
– Нет, не оформлю
🔎 Как интерпретировать результаты?
– Для каждой цены из тестируемого диапазона считаете вероятность покупки, как долю ответов 4+5 (ну или «Да»)
– Затем, строите график зависимости вероятности покупки от цены (cхематично он изображён на обложке поста 😅)
– На основе этой зависимости можно оценить ожидаемую выручку для разных уровней цены = цена × вероятность покупки. Цена, при которой эта величина максимальна, часто рассматривается как кандидат на оптимальный уровень цены.
ℹ️ Главный минус метода: он оценивает заявленное поведение, а не фактическую покупку; ещё из минусов – эффект якорения (показанные цены влияют на ответы) и отсутствие знаний за пределами тестируемого диапазона цен. Тем не менее, метод хорошо подходит, чтобы сузить диапазон цен для дальнейших экспериментов: A/B-тестов или Fake Door Tests, где вы можете приблизиться уже к фактической покупке.
В следующем посте разберём ещё один инструмент, который помогает определить цену, когда неопределённости ещё больше и продукт только выходит на рынок
Метод был разработан в 1960-х годах американскими экономистами Клайвом Грейнджером и Андре Габором (Gabor-Granger Method).
Лестница цен позволяет оценить чувствительность спроса к цене в заданном диапазоне и приблизительно понять, при каком уровне цены вероятность покупки начинает заметно снижаться.
Суть метода: вы проводите опрос, в котором респонденту
– показываете продукт (или его описание, прототип)
– вариант цены на него
– и просите оценить вероятность покупки по этой цене
Варианты ответа могут быть разными:
– 5-балльная шкала Лайкерта
– или простое бинарное «Да / Нет»
После этого тому же респонденту задаётся тот же вопрос, но с другой ценой.
Таким образом можно протестировать разные значения внутри выбранного диапазона.
Существует два способа тестировать цены
1️⃣ Последовательный подход
Респонденту показывают цены по порядку внутри диапазона.
Например: 299 ₽ → 349 ₽ → 399 ₽ → 449 ₽
На каждой цене человек отвечает на тот же вопрос: насколько вероятно, что он купит продукт по этой цене.
Так можно понять, как меняется вероятность покупки при росте цены.
2️⃣ Адаптивный подход
Это классический подход, здесь следующая цена зависит от ответа респондента
Например:
299 ₽ → «Да» → 349 ₽
349 ₽ → «Да» → 399 ₽
399 ₽ → «Нет» → 374 ₽
Если человек отвечает «Да», цена повышается, если «Нет», цена понижается.
Таким образом вы постепенно приближаетесь к максимальной цене, при которой респондент ещё готов купить продукт.
Например, возьмём приложение трекер полезных привычек:
– библиотека привычек (питание, спорт, управление стрессом, эмоциями и пр.) с AI-рекомендациями;
– персональная статистика, streaks, как в Duolingo;
– напоминания по времени и локации;
– синхронизация смартфона с умными часами.
Насколько вероятно, что вы оформите подписку за 299 ₽ в месяц?
1 – Точно не оформлю
2 – Скорее не оформлю
3 – Затрудняюсь / Нейтрально
4 – Скорее оформлю
5 – Точно оформлю
Или в бинарном варианте:
– Да, оформлю
– Нет, не оформлю
🔎 Как интерпретировать результаты?
– Для каждой цены из тестируемого диапазона считаете вероятность покупки, как долю ответов 4+5 (ну или «Да»)
– Затем, строите график зависимости вероятности покупки от цены (cхематично он изображён на обложке поста 😅)
– На основе этой зависимости можно оценить ожидаемую выручку для разных уровней цены = цена × вероятность покупки. Цена, при которой эта величина максимальна, часто рассматривается как кандидат на оптимальный уровень цены.
ℹ️ Главный минус метода: он оценивает заявленное поведение, а не фактическую покупку; ещё из минусов – эффект якорения (показанные цены влияют на ответы) и отсутствие знаний за пределами тестируемого диапазона цен. Тем не менее, метод хорошо подходит, чтобы сузить диапазон цен для дальнейших экспериментов: A/B-тестов или Fake Door Tests, где вы можете приблизиться уже к фактической покупке.
В следующем посте разберём ещё один инструмент, который помогает определить цену, когда неопределённости ещё больше и продукт только выходит на рынок