Wanneer je analyses zeggen dat je prijs klopt, maar de markt iets anders laat zien

Wat is selection bias?

Selection bias ontstaat wanneer je conclusies trekt op basis van een groep die niet representatief is voor de volledige populatie.

Een eenvoudig voorbeeld: je beoordeelt de kwaliteit van je sollicitatieprocedure door te kijken naar de prestaties van mensen die je hebt aangenomen. Die blijken prima te functioneren, dus je besluit dat je selectieproces uitstekend werkt. Maar je ziet niet hoe de afgewezen kandidaten het zouden hebben gedaan. Je meet dus niet de procedure, maar enkel de prestaties van degenen die door de procedure zijn gekomen.

Datzelfde mechanisme speelt bij klantonderzoek en prijszetting. Bedrijven baseren zich vaak op feedback van bestaande klanten. Echter, zij kochten het product reeds en accepteerden de huidige prijs dus al. De groep die afhaakte, het te duur vond of nooit klant werd, is nooit in overweging genomen, omdat ze gewoon niet zichtbaar was. Daardoor kun je denken dat de prijs van je product goed gekozen is, terwijl je eigenlijk alleen kijkt naar een klein deel van de markt.

Hoe selection bias je kijk op prijszetting beïnvloedt

Stel dat je wilt weten of de prijsverhoging van je abonnement van €20 naar €24 per maand correct is.
Je stuurt een enquête naar je huidige klanten, de mensen die al gebruik maken van het abonnement aan €20 per maand.

De resultaten zien er positief uit:

• 88% vindt €24 een redelijke prijs
• 84% zegt dat ze bij een prijsverhoging naar 24€ zouden blijven
• 93% vindt dat het abonnement goede waarde voor het geld biedt

Dat klinkt overtuigend.
Maar deze conclusie is gebaseerd op één beperkte groep: de mensen die reeds klant zijn.

Daardoor lijkt een prijs soms logisch of succesvol, terwijl je eigenlijk maar een klein deel van de markt analyseert.

Je ziet niet de:

• bezoekers die op de prijspagina afhaakten
• mensen voor wie €20 simpelweg te duur was
• potentiële klanten die voor een alternatief kozen
• consumenten die de proefperiode stopten omdat het abonnement te weinig waarde bood

Die komen niet in je onderzoek voor.
Daardoor lijkt €24 misschien een logisch tarief, maar in werkelijkheid analyseer je slechts een beperkt, bevooroordeeld deel van de markt.

Het scenario dat je niet ziet in de data

Stel dat je op basis van het klantonderzoek besluit de prijs te verhogen. Het onderzoek suggereerde immers dat de prijs waarde bood voor zijn geld.

Maar dan gebeurt er iets wat je enquête nooit kon laten zien. Een grote groep potentiële klanten vond €20 al best stevig en werd daarom nog geen klant, waardoor ze niet in het onderzoek voorkwamen. Door de prijs te verhogen naar €24 maak je de drempel voor precies die groep nog hoger. Het gevolg is dat je instroom daalt, terwijl ook een deel van je huidige klanten afhaakt. Misschien was er zelfs méér vraag geweest bij een andere prijs of prijsstructuur, maar dat weet je simpelweg niet omdat je het niet hebt onderzocht.

Het probleem zit dus niet in je klanten, maar in je data.
Je beoordeelt niet je prijsstrategie, maar alleen het gedrag van de mensen die al geselecteerd waren om mee te doen aan het onderzoek.

Dat is selection bias in actie.

Waarom bedrijven dit zo makkelijk missen

De meeste systemen die marketeers en analisten dagelijks gebruiken zijn gebouwd rondom kopers. Dat is geen fout, maar wel een beperking.

• In databases staan vooral klanten, niet-kopers ontbreken
• Dashboards tonen wat verkocht is, niet wat niet verkocht is
• Afhakers laten geen gegevens achter en blijven dus onzichtbaar
• Momenten waarop iemand twijfelt of wegklikt worden zelden geregistreerd

Daardoor krijg je al snel de indruk dat een prijsverhoging veilig is, terwijl je maar een fractie van het werkelijke marktsentiment meet.