Análisis hedónico de pricing de vehículos eléctricos europeos
Modelo hedónico de precios para analizar cómo autonomía, potencia y segmento explican el precio de vehículos eléctricos en el mercado europeo.
Tipo
Proyecto individual académico
Área
Pricing Analytics · Econometrics · Market Intelligence
Herramientas
R · ggplot2 · lmtest · sandwich · car · stargazer
Técnicas
Hedonic pricing · OLS regression · Log-log model · Interaction effects · Robust errors HC1 · Diagnostics
Entregable
Modelo de pricing + interpretación estratégica
Valor
Proyecto individual donde analicé cómo autonomía, potencia y gama influyen en el precio de vehículos eléctricos europeos mediante R, regresión OLS, interacciones y errores robustos para extraer implicaciones de pricing y producto.
EVs analizados
R² ajustado del modelo final
Elasticidad autonomía — Economy/Mid-Range
Elasticidad autonomía — High-End
Resumen ejecutivo
Caso cuantitativo centrado en una pregunta de pricing: cómo valorar atributos técnicos y cómo cambia ese valor por segmento. El sector es automoción, pero la lógica es útil para producto, consultoría y market intelligence más allá de ese contexto.
Contexto de negocio
En mercados con productos técnicos y comparables, como automoción, electrónica o SaaS, el pricing no depende solo del coste. Depende del valor percibido de atributos, del segmento, del posicionamiento y de la competencia. Este caso usa EVs como contexto para demostrar análisis de pricing transferible.
Mi contribución
Proyecto académico individual de Técnicas Econométricas. Realicé preparación de datos, selección de variables, especificación del modelo, OLS log-log, dummy de segmento, efectos de interacción, errores robustos HC1, diagnósticos y lectura de negocio de elasticidades.
Datos y métodos
- European Cars Dataset filtrado a 1.000 vehículos eléctricos.
- R y regresión OLS.
- Modelo hedónico log-log con autonomía, potencia, segmento e interacción autonomía x segmento.
- Errores estándar robustos HC1.
- Breusch-Pagan, RESET robusto, Jarque-Bera, VIF y condition number.
- Centrado de variables antes de la interacción para reducir multicolinealidad estructural.
Proceso
- 01Filtrar dataset para EVs.
- 02Definir precio como variable dependiente.
- 03Transformar variables con logaritmos.
- 04Incorporar autonomía, potencia y segmento.
- 05Crear dummy High-End e interacción autonomía x segmento.
- 06Evaluar heterocedasticidad, especificación, normalidad residual y multicolinealidad.
- 07Interpretar elasticidades y traducir implicaciones.
Hallazgos clave
- La autonomía debe tratarse como atributo central en estudios de pricing de EVs.
- La valoración marginal de la autonomía no es homogénea: depende del segmento y del posicionamiento.
- La elasticidad precio-autonomía estimada fue de ~0,334 en Economy/Mid-Range y ~0,572 en High-End.
- La sensibilidad a la autonomía en High-End fue aproximadamente 1,71 veces la de Economy/Mid-Range.
- La potencia dejó de ser significativa al controlar por autonomía y segmento.
Implicaciones de negocio
- Para producto: definir gamas según atributos valorados.
- Para pricing: justificar primas por autonomía según segmento.
- Para marketing: adaptar mensajes a atributos que explican valor.
- Para market intelligence: comparar competidores por atributos y no solo por precio final.
Limitaciones
- Dataset académico/secundario.
- No incluye incentivos, descuentos reales o financiación.
- No prueba causalidad pura.
- El precio de mercado puede diferir del precio transaccional real.
Qué haría a continuación
- Añadir datos de promociones e incentivos.
- Comparar precio configurador vs precio real.
- Incorporar marca, equipamiento y coste total de propiedad.
- Usar modelos no lineales o machine learning.
- Crear dashboard competitivo por segmento.
Recursos
Visuales sugeridos
Scatter plot price vs range.
Segment comparison.
Regression coefficient table.
Pricing implication cards.
R code snippet.
Proyectos relacionados
01
Investigación de mercado sobre adopción de vehículos sostenibles
Proyecto individual / investigación publicada · Consumer Insights · Quantitative Research · Google Forms / R / SPSS
Proyecto individual donde analicé motivaciones, barreras y perfiles de adopción de vehículos eléctricos e híbridos mediante encuesta propia, SPSS/AMOS, SEM/CFA, MANOVA y regresión para extraer insights de consumidor transferibles a negocio.
Área
Consumer Insights · Quantitative Research
Técnicas
Survey research · SEM · CFA
02
Estimación bayesiana de conversión en campañas bancarias
Proyecto individual académico · CRM Analytics · Bayesian Inference · Decision Science · FirstBayes / Excel / UCI Bank Marketing dataset
Proyecto individual donde estimé la conversión de campañas de telemarketing bancario mediante inferencia bayesiana Binomial-Beta y distribución predictiva para traducir incertidumbre en expectativas operativas de marketing.
Área
CRM Analytics · Bayesian Inference · Decision Science
Técnicas
Binomial-Beta model · Posterior update · Prior sensitivity
03
Estrategia omnicanal de cliente para LG
Proyecto grupal académico · Customer Strategy · Omnichannel · Digital Transformation · Spreadsheet modelling
Proyecto grupal donde analizamos una estrategia omnicanal para LG mediante ecommerce, CRO, inbound, captación de usuarios registrados y escenarios financieros para priorizar palancas de cliente.
Área
Customer Strategy · Omnichannel · Digital Transformation
Técnicas
CRO scenarios · Inbound strategy · Registered-user acquisition
Siguiente proyecto