Fijar el precio de un producto es una de las decisiones más críticas en marketing y estrategia empresarial. Un precio demasiado alto puede disuadir a clientes potenciales, mientras que uno demasiado bajo puede dejar beneficios sobre la mesa o devaluar la percepción del producto. ¿Cómo encontrar ese “punto dulce” donde se maximizan los ingresos?
Existen múltiples metodologías para abordar esta pregunta, y una de las más directas y efectivas es la técnica Gabor-Granger. Este método, desarrollado en la década de 1960, se basa en una premisa simple pero poderosa: preguntar directamente a los consumidores cuánto están dispuestos a pagar.
¿Qué es la técnica Gabor-Granger?
La técnica Gabor-Granger es un modelo de investigación de precios que mide la sensibilidad al precio de un producto al preguntar a los consumidores si comprarían dicho producto a diferentes niveles de precio. Su objetivo principal es construir una curva de demanda y, a partir de ella, una curva de ingresos para identificar el precio que maximiza los beneficios (Gabor & Granger, 1966).
El procedimiento es secuencial:
Definir un rango de precios: Se selecciona un conjunto de precios plausibles para el producto, desde un mínimo hasta un máximo.
Encuestar a los consumidores: A cada participante se le presenta el producto y se le pregunta si lo compraría a un precio inicial, seleccionado aleatoriamente del rango.
Ajustar el precio:
Si la respuesta es “Sí”, se le vuelve a preguntar con un precio más alto de la lista.
Si la respuesta es “No”, se le pregunta con un precio más bajo.
Identificar el punto de inflexión: El proceso se repite hasta encontrar el precio más alto que cada consumidor está dispuesto a pagar (su “precio de reserva”).
Construir las curvas de demanda e ingresos: Con los datos agregados de todos los encuestados, se determina cuántas personas comprarían el producto a cada nivel de precio, lo que permite calcular los ingresos potenciales para cada punto.
Una de sus grandes ventajas es su simplicidad conceptual y de implementación, lo que la convierte en una herramienta muy popular en la investigación de mercados (Malhotra, 2019).
Ventajas y limitaciones
Como toda técnica, Gabor-Granger tiene sus fortalezas y debilidades.
Ventajas:
Claridad: Proporciona una respuesta clara y directa sobre el precio que maximiza los ingresos.
Simplicidad: Es fácil de explicar a los stakeholders y relativamente sencillo de implementar en una encuesta.
Eficiencia: Permite obtener una curva de demanda con un número relativamente bajo de preguntas.
Limitaciones:
No considera a la competencia: El método evalúa el producto de forma aislada, sin tener en cuenta los precios de los competidores, un factor crucial en las decisiones de compra reales (Nagle & Müller, 2018).
Sesgo hipotético: Lo que los consumidores dicen que pagarán en una encuesta no siempre coincide con su comportamiento de compra real en un mercado.
Sensibilidad al rango de precios: Los resultados pueden verse influenciados por los precios iniciales mostrados a los encuestados.
A pesar de sus limitaciones, es una herramienta excelente para productos nuevos o para obtener una primera estimación robusta de la elasticidad de la demanda.
Ejemplo con R: precio de una botella de agua reutilizable
Para ilustrar el método, vamos a utilizar el código R que hemos desarrollado. Nuestro caso de estudio es encontrar el precio óptimo para una nueva botella de agua reutilizable. Hemos encuestado a 100 personas y hemos determinado el precio máximo que estarían dispuestas a pagar.
El siguiente bloque de código carga las librerías necesarias y prepara el entorno.
Code
# Gabor-Granger Pricing Analysis Example# This script calculates the optimal price point by analyzing demand and potential revenue.# It includes the calculation of price elasticity of demand and visualizes the results# on a dual-axis chart.# --- STEP 1: Setup ---# Install and load necessary libraries# If you don't have them installed, uncomment the lines below and run them once.# install.packages("dplyr")# install.packages("ggplot2")# install.packages("scales")library(dplyr)library(ggplot2)library(scales)
Ahora, definimos los datos y realizamos el análisis completo, incluyendo el cálculo de la demanda, los ingresos y la elasticidad.
Code
# --- STEP 2: Define the Data ---# The price points to be testedprices <-c(30, 25, 20, 15, 10)# The number of respondents whose MAXIMUM willingness-to-pay is the corresponding price.# Note: The sum is 93, as 7 out of 100 respondents would not buy even at the lowest price.max_buyers_at_price <-c(15, 25, 30, 20, 3) # Total number of respondents in the surveytotal_respondents <-100# Create the initial data frame for analysisgabor_granger_df <-data.frame(price = prices,max_buyers = max_buyers_at_price)# --- STEP 3: Calculate Demand, Revenue, and Elasticity ---analysis_df <- gabor_granger_df %>%arrange(desc(price)) %>%mutate(cumulative_buyers =cumsum(max_buyers),demand_pct = cumulative_buyers / total_respondents,potential_revenue = price * cumulative_buyers ) %>%arrange(price) %>%mutate(price_change_pct = (price -lag(price)) / ((price +lag(price)) /2),quantity_change_pct = (cumulative_buyers -lag(cumulative_buyers)) / ((cumulative_buyers +lag(cumulative_buyers)) /2),elasticity = quantity_change_pct / price_change_pct ) %>%arrange(desc(price))# --- STEP 4: Display the Results Table ---# Identify the optimal price point that maximizes revenueoptimal_price_point <- analysis_df %>%filter(potential_revenue ==max(potential_revenue))# Print results using a better format for the blog, like knitr::kableknitr::kable( analysis_df %>%select(price, cumulative_buyers, potential_revenue, elasticity) %>%mutate(elasticity =round(elasticity, 2)),caption ="Tabla de Resultados del Análisis Gabor-Granger")
Tabla de Resultados del Análisis Gabor-Granger
price
cumulative_buyers
potential_revenue
elasticity
30
15
450
-5.00
25
40
1000
-2.45
20
70
1400
-0.88
15
90
1350
-0.08
10
93
930
NA
Análisis de resultados
La tabla anterior nos muestra los datos clave. La columna potential_revenue (cumulative_buyers * price) alcanza su máximo en 1400 € cuando el precio es de 20 €. Este es nuestro precio óptimo.
La columna elasticity 8puedes ver su cálculo en el código) nos da la justificación teórica:
Entre 15 € y 20 € (Elasticidad = -0.88): La demanda es inelástica (|E| < 1). En esta zona, un aumento de precio incrementa los ingresos totales porque la pérdida de clientes es proporcionalmente menor que la ganancia por precio.
Entre 20 € y 25 € (Elasticidad = -2.45): La demanda se vuelve elástica (|E| > 1). Aquí, un aumento de precio provoca una caída tan grande en la demanda que los ingresos totales disminuyen.
El precio óptimo de 20 € es, por tanto, el punto de inflexión donde la demanda pasa de ser inelástica a elástica.
Visualización: curva de ingresos y demanda
Un gráfico con doble eje nos permite visualizar esta relación de forma muy clara.
Code
# To create a dual-axis chart, we need to scale the second variable (demand)# to fit the range of the first variable (revenue).scale_factor <-max(analysis_df$potential_revenue) /max(analysis_df$demand_pct)ggplot(analysis_df, aes(x = price)) +geom_line(aes(y = potential_revenue, color ="Ingresos Potenciales"), size =1.2) +geom_point(aes(y = potential_revenue, color ="Ingresos Potenciales"), size =3) +geom_line(aes(y = demand_pct * scale_factor, color ="Demanda"), size =1.2) +geom_point(aes(y = demand_pct * scale_factor, color ="Demanda"), size =3) +geom_point(data = optimal_price_point, aes(x = price, y = potential_revenue), color ="green", size =6, shape =18) +geom_text(data = optimal_price_point, aes(x = price, y = potential_revenue, label ="Precio Óptimo"), vjust =-1.5, color ="green", fontface ="bold") +scale_x_reverse(breaks = analysis_df$price) +scale_y_continuous(name ="Ingresos Potenciales (€)",labels =dollar_format(prefix ="€"),sec.axis =sec_axis(~ . / scale_factor, name ="Demanda (%)", labels =percent_format()) ) +labs(title ="Análisis de Precios Gabor-Granger",subtitle ="Precio Óptimo vs. Curva de Demanda",x ="Precio (€)",y ="Ingresos Potenciales (€)",color ="Métrica" ) +scale_color_manual(values =c("Ingresos Potenciales"="darkgreen", "Demanda"="steelblue")) +theme_minimal() +theme(legend.position ="top", plot.title =element_text(hjust =0.5), plot.subtitle =element_text(hjust =0.5))
Gráfico de doble eje que muestra la curva de ingresos potenciales (verde) y la curva de demanda (azul). El punto rojo marca el precio óptimo.
El gráfico confirma visualmente nuestras conclusiones. La curva de ingresos (verde) alcanza su pico en 20 €, mientras que la curva de demanda (azul) muestra una caída constante a medida que aumenta el precio.
Conclusión
La técnica Gabor-Granger es una herramienta robusta y directa para la optimización de precios. Aunque debe complementarse con análisis competitivos y de comportamiento del consumidor, proporciona un punto de partida sólido y basado en datos para una de las decisiones más importantes de cualquier negocio.
En nuestro próximo post, exploraremos otro método popular para la investigación de precios: el Price Sensitivity Meter de Van Westendorp, que aborda la pregunta del precio desde un ángulo psicológico diferente.
Referencias
Gabor, A., & Granger, C. W. J. (1966). Price as an Indicator of Quality: Report on an Enquiry. Economica, 33(129), 43–70.
Malhotra, N. K. (2019). Marketing Research: An Applied Orientation (7th ed.). Pearson.
Nagle, T. T., & Müller, G. (2018). The Strategy and Tactics of Pricing: A Guide to Growing More Profitably (6th ed.). Routledge.
Roll, O., & Tybout, A. M. (2011). Pricing and Willingness to Pay. In Review of Marketing Research (pp. 165-201). Emerald Group Publishing Limited.
