Условие

После неудачных ценовых экспериментов в одном регионе Делимобиля (просели выручка/поездки/MAU) бизнес хочет априори знать эластичность спроса по цене — какая цена приемлема, какая — нет.

В регионе 10 000 активных пользователей. Нужно предложить:

Стратегию и механику эксперимента по эластичности (с расчётами параметров).
Какие данные о пользователях собрать.
На какие сегменты разделить и почему. Сколько сегментов.
Длительность.
Численные индикаторы (выборка, мощность, время).
Какие метрики считать, как интерпретировать.
Учёт разных типов потребления (краткосрочные / долгосрочные аренды).
Дополнительные метрики сегментации.

Решение

Стратегия

Цель — оценить эластичность спроса: e = ΔQ/Q ÷ ΔP/P. Подход:

A/B/n с несколькими ценовыми точками одновременно: контроль (текущая цена) + 3–4 теста (например, +5%, +10%, −5%, −10%).
На каждой ценовой точке измерить количество поездок, GMV, retention.
Подогнать функцию Q(P) (логарифмическая или линейная):

\ln Q = \alpha + e \cdot \ln P

e — эластичность.

Сегментация

10к юзеров — мало для A/B/n с 5 группами. Но без сегментации — всех огульно — теряем гетерогенность. Компромисс:

2 сегмента на старт (heavy users / light users — top-20% по freq vs остальные).
5 ценовых точек × 2 сегмента = 10 групп. На сегмент по 5к ÷ 5 = 1к юзеров → мало.
Лучше: сначала запустить эксперимент только на light/medium (8k юзеров) — heavy чувствительнее к цене, рискуем потерять.

Сегментация по:

Frequency последних 90 дней (RFM).
Tenure на сервисе (новый <30 дней vs старый).
Тип потребления: short rentals (≤1ч), mid (≤24ч), long (≥24ч). Эластичность разная.
Гео внутри региона (центр vs окраины).
Платформа (iOS vs Android — селекшен по доходу).
Возраст / водительский стаж (если есть).

Минимум 4 ценовых точки + контроль = 5 групп. На каждой — ≥1.5–2k юзеров.

Sample size / MDE

Метрика: trips per active user в week.
Допустим baseline = 5 trips/user/week, std ≈ 8 (Poisson-ish с overdispersion).
MDE = 5% относительно (=0.25 trips). При α=0.05, power=0.8:

n = \frac{2 \cdot (z_{\alpha/2} + z_\beta)^2 \cdot \sigma^2}{\delta^2}

n \approx \frac{2 \cdot 7.84 \cdot 64}{0.0625} \approx 16{,}000

То есть 16k на пару групп — больше, чем у нас всего активных пользователей. Значит, MDE 5% недостижим. Нужно либо:

Поднять MDE до 15–20% (что грубо, но реалистично с 1.5k на группу).
Удлинить тест (накопление trips).
Использовать CUPED на pre-period trips/user — снизит дисперсию в 2–3×.

С CUPED: эффективный n_required ÷ 3 → реальный нужный ~5k на пару, что приемлемо.

Длительность

Минимум 2–4 недели для покрытия weekly seasonality.
Краткосрочные аренды быстрее агрегируются (больше observations); long rentals — медленнее.
Если юзеры арендуют редко (в среднем 1 раз в 2 недели) — нужен месяц минимум.

Метрики

Primary:

Trips per active user.
Revenue per active user (ARPU).
Конверсия в платящего (если price-changes на free trial).

Secondary:

Avg minutes per trip (длинные vs короткие).
AOV — средний чек на поездку.
Cancel rate (отмены) — индикатор отказа от цены.

Гард:

Churn week-2 (отписка / отсутствие сессий).
Switch on competitor (уход к Яндекс.Драйв, Ситидрайв) — измерять по падению activity у нас.
NPS / поддержка.

Долгосрочные аренды:

Отдельная метрика — share of long rentals (≥ 24ч): они приносят больше выручки.
Эластичность для long и short — разная (long чувствительнее: пользователь планирует, ищет лучшее предложение).

Интерпретация

Вычисляем эластичность e на каждом сегменте × type.
Если |e| < 1 → спрос неэластичен → можно поднимать цену (рост выручки).
Если |e| > 1 → эластичен → наоборот, снижать.
На разных сегментах разная стратегия: для heavy — фиксы, для new — discount.

Дополнительная сегментация

Тариф (минутный/часовой/суточный).
Класс авто (эконом/комфорт/премиум).
Время поездок (ночь / выходные).
Использование промо-кодов.
Тип жилья (по геолокации start-end — workforce vs leisure).

Подводные камни

SUTVA нарушается: один пользователь может в один день брать машину и в test, и в control (если сегмент по машинам, не по юзерам). Sticky split на user_id обязателен.
Ценообразование в реальном времени: нельзя «жёстко» назначить цену — она зависит от offer (расстояние до машины). Нужен delta-multiplier (× 1.05).
Network effects: если test-юзеры берут больше машин, control-юзерам меньше доступно → confounded.
Сезонность: 4 недели + кризис/праздники → шум.
Selection within experiment: heavy-юзеры могут «сильнее реагировать» на цену; усреднение не отражает их.
Конкуренты: пользователь видит цены и у конкурента; эластичность зависит от competitor pricing.
Long tail trips: один long rental = 30 short. Усреднения зависят от меры.
«Активные» 10k: если включаем неактивных, они добавляют шум (zero-inflated).

Эталонный ответ

Стратегия: A/B/n на 4–5 ценовых точках, сегментация по freq и rental type (short/mid/long). MDE 5% недостижим без CUPED и длительности; реалистично 15–20% на 4 недели. Primary: trips per user, ARPU, эластичность via ln Q = α + e ln P. Гард: churn, competitor switch.

Делимобиль Senior — эксперимент по эластичности спроса по цене