Price elasticity by product, store, and cluster
Fabrice Decroo
Consulting Director
August 16, 2026
Elasticity varies significantly from one store to another within the same retail banner. According to an NBER study, uniform pricing costs 7 to 9% in profit compared to store-differentiated pricing.
The store cluster offers the best balance between analytical precision and operational manageability, while remaining consistent with the product lineup as perceived by the customer.
Une seule élasticité par référence est une commodité pratique, pas une réalité économique. Le même produit ne réagit pas au prix de la même façon dans un centre-ville dense et dans une zone périurbaine face à trois concurrents. Ce guide explique pourquoi la granularité, produit, magasin, cluster, change la décision de prix, et comment la construire sans tomber dans une complexité ingérable.
One SKU, multiple elasticities
Piloter un prix national unique par référence est confortable: un seul chiffre, une seule décision, un seul export vers les magasins. C'est aussi, dans la plupart des réseaux multi-magasins, une approximation qui coûte de la marge, parce que la sensibilité réelle des clients au prix varie fortement d'un point de vente à l'autre, selon la concurrence locale, le profil socio-économique de la zone de chalandise et l'intensité de la fréquentation.
Le prix uniforme n'est pas une erreur de débutant: c'est un choix par défaut largement répandu, pour des raisons de simplicité opérationnelle et de cohérence perçue. La question n'est pas de savoir s'il faut l'abandonner partout, mais de savoir où il coûte réellement cher.
Ce que révèle la recherche: le vrai coût du prix uniforme
Une étude de référence de Stefano DellaVigna (UC Berkeley) et Matthew Gentzkow (Stanford), publiée dans le Quarterly Journal of Economics et diffusée par le NBER, a analysé le comportement de tarification de grandes chaînes de distribution américaines. Le constat: la plupart pratiquent un prix quasi uniforme sur l'ensemble de leur réseau, alors que l'élasticité réelle varie fortement d'un magasin à l'autre au sein d'une même enseigne.
c'est l'écart d'élasticité prix mesuré entre les magasins du 10ᵉ et du 90ᵉ percentile au sein d'une même chaîne alimentaire américaine, un même réseau, deux réalités de sensibilité prix très différentes (DellaVigna & Gentzkow, Quarterly Journal of Economics / NBER).
L'implication chiffrée est directe: selon la même étude, le fait de pratiquer un prix uniforme plutôt qu'un prix flexible et localement optimisé réduit le profit de la chaîne de 7 à 9 % en moyenne, par rapport à un scénario de tarification différenciée par magasin.
in lost profit for chains practicing uniform pricing instead of store-differentiated pricing, according to estimates by DellaVigna & Gentzkow (NBER, Quarterly Journal of Economics).
A gap of this magnitude, applied to a network of hundreds or thousands of stores, represents a margin point that no supplier negotiation can easily recover.
Three levels of granularity, three distinct use cases
- Le produit. L'élasticité d'une référence dépend de sa catégorie, de son positionnement (KVI ou longue traîne) et de son rôle dans le panier, un produit d'appel n'a pas la même sensibilité qu'un produit de fond de rayon.
- The store. The same product responds differently based on local competition within a few minutes' walk, the neighborhood's socio-demographic profile, and the point of sale's traffic volume.
- Le cluster de magasins. Regrouper des magasins aux caractéristiques comparables (concurrence, typologie de clientèle, format) permet d'appliquer une élasticité commune sans gérer un prix différent par point de vente, un compromis entre finesse et gouvernabilité.
Le cluster est, dans la pratique, le niveau le plus exploité par les retailers matures: assez fin pour capter l'essentiel de la variation, assez agrégé pour rester pilotable par une équipe humaine, voir aussi élasticité croisée, cannibalisation et effet halo, l'autre dimension à croiser avec la granularité magasin.
Building relevant store clusters
Choosing clustering variables
Concurrence directe (nombre et type d'enseignes à proximité), profil socio-économique de la zone, format et taille du magasin, pas seulement la géographie administrative.
Validating clusters against actual sales data
Two stores that appear comparable on paper can exhibit vastly different purchasing behaviors once historical sales data is analyzed.
Limiting the number of clusters
A segmentation of 4 to 8 clusters remains manageable for a pricing team. Beyond that, operational complexity often outweighs the precision gains.
Periodically reassess
L'arrivée d'un concurrent ou l'évolution d'un quartier peut faire changer un magasin de cluster, la segmentation n'est jamais figée définitivement.
The risks of poorly constructed granularity
Segmenter n'est pas gratuit. Trois risques concrets à anticiper avant de multiplier les niveaux de prix:
- La complexité ingérable. Un prix différent par magasin, sans outil pour l'industrialiser, revient à démultiplier le travail manuel, l'inverse de l'objectif recherché.
- Customer-perceived inconsistency. A shopper comparing two stores of the same banner on their phone will often struggle to understand a price gap that seems unjustified to them, even if it is economically sound.
- La dilution du signal. Trop de clusters, sur trop peu de données par magasin, produit des élasticités statistiquement peu fiables, mieux vaut un cluster large et robuste qu'une segmentation fine et bruitée.
How a pricing tool manages this granularity
Un outil de pricing analytics mature ne calcule pas une élasticité unique par référence: il expose une vision multi-niveaux, capable de descendre du national au cluster, voire au magasin sur les références les plus stratégiques, tout en gardant une gouvernance centralisée sur les règles et les bornes. C'est cette articulation (vision consolidée en haut, granularité disponible en bas) qui permet d'exploiter la variation d'élasticité sans perdre le contrôle d'ensemble.
Chez Barbotteau Group, acteur retail multi-enseignes de la Caraïbe française, la trajectoire de maturité pricing documentée avec Booper illustre ce principe: le prix y est traité comme un inducteur de décision parmi d'autres, pas comme le seul levier, la démarche associe facteurs d'élasticité locaux et recherche opérationnelle pour transformer des prévisions en décisions, sans boîte noire ni prix uniforme plaqué sur des réalités de marché très différentes d'un point de vente à l'autre.
Before segmenting your prices by store
- Do I have sufficient sales data per store to estimate reliable elasticity, or only a few weeks of history?
- Are my clusters validated against actual sales, or just based on geographical intuition?
- Can I explain to a category manager why two stores have different prices?
- Do I have a tool capable of industrializing this granularity, or does it rely on yet another spreadsheet?
FAQ
The questions we are most frequently asked before getting started.
Rarely done in practice: Most mature retailers use clusters of stores with comparable characteristics rather than setting prices on a store-by-store basis, in order to keep the system manageable without increasing the amount of manual work.
Cet article rappelle que l'élasticité réelle varie fortement au sein d'un même réseau : selon DellaVigna & Gentzkow (UC Berkeley / Stanford, NBER), l'écart mesuré entre les magasins du 10ᵉ et du 90ᵉ percentile d'une même chaîne va de -2,28 à -2,98, une variation trop importante pour être ignorée, mais trop fine pour être gérée point de vente par point de vente sans modèle d'élasticité prix piloté par l'IA.
Clustering is the approach chosen by mature organizations: granular enough to capture most of the variation, yet aggregated enough to remain manageable by a human pricing team—typically across 4 to 8 clusters.
Descendre au magasin individuel reste réservé aux références les plus stratégiques, avec un outil capable d'industrialiser cette granularité, sinon la complexité opérationnelle dépasse rapidement le gain de précision.
Un cluster de magasins regroupe des points de vente aux caractéristiques comparables (concurrence locale, profil socio-économique de la zone, format et taille du magasin) auquel on applique une élasticité et des règles de prix communes.
This article details the four-stepconstruction method: selecting clustering variables beyond just administrative geography; validating the clusters using actual sales data rather than intuition; limiting the number of clusters; and periodically reassessing the segmentation.
The cluster falls between two extremes: a single national price, which ignores actual variations in price elasticity, and store-by-store pricing, which is unmanageable without a dedicated tool. For this reason, it is the approach most commonly used by mature retailers.
Its reliability depends directly on the quality of the data used to validateit: two stores that appear comparable on paper may exhibit very different purchasing patterns once their sales histories are compared, which is why a rigorous method for measuring price elasticity is so important.
No. It remains relevant for certain categories that are less sensitive to location, or when the brand consistency perceived by the customer takes precedence over marginal profit gains—a trade-off similar to the one described in our guide to managing retail price-image using the right KPIs. The question isn’t whether to ban it everywhere, but rather to determine where it’s costly.
Cet article chiffre précisément ce coût : selon DellaVigna & Gentzkow, pratiquer un prix uniforme plutôt qu'une tarification différenciée par magasin réduit le profit d'une chaîne de 7 à 9 % en moyenne, un écart qui, appliqué à un réseau de plusieurs centaines de magasins, représente un point de marge qu'aucune négociation fournisseur ne rattrape aussi facilement.
A uniform price remains, however, a legitimate default choice for reasons of operational simplicity: it is a trade-off between potential profit margin and perceived inconsistency on the part of the customer, who does not always understand a price difference—which seems unjustified to them—between two stores of the same chain.
The challenge, therefore, is to target differentiation where the difference in elasticity is most significant, rather than applying it uniformly or rejecting it outright.
There is no universal number, but this article recommends staying within a range of 4 to 8 clusters for most organizations: beyond 8 to 10, operational complexity generally outweighs the gain in accuracy.
Ce plafond n'est pas arbitraire : trop de clusters sur trop peu de données par magasin produit des élasticités statistiquement peu fiables, ce que cet article qualifie de dilution du signal, mieux vaut un cluster large et robuste qu'une segmentation fine et bruitée, sur la base d'une définition claire du calcul d'élasticité prix.
The right number also depends on a pricing team's ability to explain each price difference to a category manager or internally: overly granular segmentation quickly becomes impossible to justify and maintain over time.
Periodic reassessment is just as important as the initial assessment: the arrival of a competitor or changes in a neighborhood can cause a store to switch clusters; segmentation is never set in stone.
En croisant plusieurs variables : la concurrence directe à proximité (nombre et type d'enseignes), suivie via une stratégie de surveillance des prix concurrents, le profil socio-économique de la zone de chalandise, et le format ou la taille du magasin, pas seulement la géographie administrative.
This article emphasizes an often-overlooked step: validating the grouping based on actual sales history, not just on self-reported criteria. Two stores that appear comparable on paper may exhibit very different purchasing patterns once the data is compared.
This empirical validation is what distinguishes a truly usable cluster from a mere intuitive geographic grouping: it ensures thatthe common elasticity applied to the cluster reflects market reality, not an approximation.
The approach is never set in stone: segmentation must be reassessed periodically, because local competitive dynamics change faster than the administrative boundaries of a neighborhood.
Sources: Stefano DellaVigna (UC Berkeley) & Matthew Gentzkow (Stanford), « Uniform Pricing in US Retail Chains », Quarterly Journal of Economics / NBER Working Paper n°23996, nber.org · Webinar Booper × Barbotteau Group (cas client publié par Booper).
A price change results in both cannibalization (of substitute products) andthe halo effect (on complementary products). Ignoring this mechanism is equivalent to measuring only half of the actual impact of a pricing decision.
On average, 22% of the increase in sales of a product on promotion comes from a simple shift from other SKUs in the same product line.
Elasticity varies significantly from one store to another within the same retail banner. According to an NBER study, uniform pricing costs 7 to 9% in profit compared to store-differentiated pricing.
The store cluster offers the best balance between analytical precision and operational manageability, while remaining consistent with the product lineup as perceived by the customer.
Price elasticity measures how much your demand changes when your prices change. Calculated using your actual data (sales, net price, promotions), it tells you where you can raise prices, where you need to lower them, and where a promotion will really work. The real challenge isn't the calculation—it's preparing the data.