価格監視プロジェクトはすべて同じ問いから始まる。どのくらいの頻度で確認する必要があるのか。確認の頻度が低すぎれば、見るために料金を払っている変化を見逃す。確認の頻度が高すぎれば、動いていない価格を記録するために金をかけることになる。
答えは価格が実際にどれだけ速く変化するかに依存しており、それは慎重に測定されてきた。経済学者たちはインフレを研究するために20年にわたってオンライン価格を大規模にスクレイピングしてきており、彼らの論文には、小売業者がどのくらいの頻度で価格を変更するか、それがどのように変化してきたか、そしてサンプリングの方法が見えるものをどう歪めるかについて、入手可能な最も信頼できる数値が含まれている。
本稿はそれらの数値をまとめたものである。以下のすべての数値は論文自体の本文または表から得たものであり、出典は末尾に記載する。
重要なポイント
- オンライン価格は以前より速く変化するようになった。 米国の大手マルチチャネル小売業者では、通常価格変更の月次頻度が2008-2010年の15.4%から2014-2017年の27.4%へと上昇した。典型的な通常価格は約6.5か月続いていたものが4か月未満になった。
- マーケットプレイスはまったく別の世界である。 6週間にわたって追跡されたAmazonのベストセラー商品群では、Buy Box価格が同じままだった商品はわずか13%で、半数は14回以上変化した。
- 2022-2023年のインフレ急上昇は、業種や国を問わずオンライン価格変更の頻度を2倍以上に押し上げた。 何年も安定していた挙動の後でのことである。
- 小売業者においては、毎日の確認と毎週の確認はほぼ同じ変化を捉える。 毎月の確認では多くを見逃し、1週間にわたる価格の平均化は実際には起きていない小さな変化を作り出してしまう。
- 適切な頻度はチャネルによって異なる。 小売サイトでは週次から日次、競争の激しいマーケットプレイス出品では1時間ごとかそれ以上の頻度が必要になる。
価格変化の測定方法
研究全体を通じて2つの指標が登場する。
- 頻度(Frequency) は、ある商品の価格が前回の観測値と異なる観測の割合である。月次頻度20%とは、典型的な月において5つに1つの商品の価格が変化することを意味する。
- 含意される持続期間(Implied duration) は頻度を、価格が通常どのくらい続くかに変換したものである。多くの論文では、各期間で変化が起きる確率が一定であることを前提とする式 -1/ln(1 - f) を用いており、より単純な 1/f を使うものもある。同じ頻度でもこの2つは異なる数値を出すため、持続期間の比較は1つの論文内に限定して行うべきである。
研究はまた、一時的なセールを含む**掲示価格(posted prices)と、セールを除外した通常価格(regular prices)**を区別している。週末セールで値下げされ、その後元の価格に戻る商品は、掲示価格では2回の変化としてカウントされるが、通常価格では0回としてカウントされる。
小売業者の価格はどうなっているか
最も詳細なエビデンスは、MITのAlberto Cavallo氏の研究とBillion Prices Projectから得られたもので、同プロジェクトは2010年までに50か国300以上の小売業者から1日500万件の価格を収集していた。日次データを月次頻度に集計した、大手米国マルチチャネル小売業者に関する同氏の2018年の研究は、10年でどれほど価格設定が速くなったかを示している。
| 期間 | 通常価格変更の月次頻度 | 含意される持続期間 | 価格引き上げ | 価格引き下げ | 変化の平均幅 |
|---|---|---|---|---|---|
| 2008-2010 | 15.4% | 6.5か月 | 6.9% | 8.9% | 17.5% |
| 2011-2013 | 22.4% | 4.5か月 | 10.3% | 12.1% | 16.2% |
| 2014-2017 | 27.4% | 3.7か月 | 12.5% | 15.0% | 15.0% |
出典: Cavallo (2018), “More Amazon Effects”, Table 1。持続期間は 1/f を使用。
セールを含めると、同じ期間で月次頻度は21%から31%超に上昇した。変化はより頻繁になり、やや小さくなった。
この加速は業種間で一様ではなかった。レクリエーションおよび電子機器における通常価格の持続期間は13.1か月から5.5か月に短縮し、家具・家庭用品では14.2か月から5.9か月に短縮した。食品・非アルコール飲料は6.4か月のまま横ばいだった。最も速く変化したカテゴリは、オンライン競争が最も拡大したカテゴリと一致する。
競争は商品レベルでも現れる。2016年から2018年にかけて日次で追跡されたWalmartの約50,000商品のうち、Amazonでも販売されていた商品は、それ以外の商品よりも価格の持続期間が約20%短かった。衣料品・履物ではその差ははるかに大きかった。
オンライン価格とオフライン価格は、多くの人が想定するよりも連動して動く。 10か国の56の大手マルチチャネル小売業者を対象にした別の研究では、オンライン価格は72%の割合で店頭価格と一致しており、オンラインの週次価格変更頻度(7.6%)はオフライン(6.8%)と有意な差がなかった。両方の形態で販売する小売業者にとって、ウェブサイトは通常、店頭の信頼できる写し鏡である。ジオパーソナライズされた動的価格設定の検出に関する当社のガイドでは、そうでないケースを扱っている。
マーケットプレイスの価格はどうなっているか
マーケットプレイスは最も速い価格設定が行われる場所である。Northeastern University の研究者による2016年の研究は、1,641件のAmazonベストセラー商品を追跡し、各商品のトップ20セラーを25分ごとに記録した。6週間にわたる結果は次の通りである。
| 指標 | 結果 |
|---|---|
| Buy Box価格が一度も変化しなかった商品 | 13% |
| Buy Box価格が14回以上変化した商品 | 50% |
| Buy Box落札者が一度も変わらなかった商品 | 31% |
| アルゴリズム的価格設定を使用していると検出されたセラー | 543件、全セラーの2.4% |
| ある商品で20回以上の価格変更を行ったセラーのうちアルゴリズム的だった割合 | 38% |
出典: Chen, Mislove and Wilson (2016)。
一部の商品では6週間でBuy Boxが数百回変化し、1日1回を大きく上回るものもあった一方、ほとんどの個々のセラーは価格を一度も変えなかった。動きの大部分は少数のアルゴリズム的セラーによって引き起こされている。アルゴリズム的セラーが存在する商品でBuy Box価格が静的なままだったものはほぼ皆無だった(2%)のに対し、そうしたセラーが存在しない商品では20%だった。
リプライシングツールは今やAmazonをはるかに超えて一般的になっている。欧州委員会による2017年のeコマース分野調査では、53%の小売業者が競合他社のオンライン価格を追跡していると回答した。そのうち3分の2はソフトウェアを用いており、ソフトウェアを使用する小売業者のうち78%はそれに応じて自社の価格を調整していた。実際にこれがどう機能するかについては、リアルタイム競合価格フィードの構築に関する当社のガイドを参照されたい。
インフレ急上昇時に何が起きたか
価格設定は固定されたものではない。米国と複数の欧州諸国から日次でスクレイピングされた価格を用いて、Cavallo、Lippi、Miyaharaの各氏は、オンライン価格変更の頻度は2021年まで概ね安定していたが、その後「2022年と2023年に大幅に上昇し、全セクター・全国で2倍以上になった」ことを発見した。
出発点は遅かった。急上昇の前、2019-2021年には、食品・飲料小売業者は平均して年に約1.9回しか通常価格を変更しておらず、英国の0.8回からオランダの2.3回まで幅があった。
同じパターンは、主に実店舗を対象とする公式消費者物価データにも現れている。
- 米国: セールを除く価格変更の月次頻度は、パンデミック前の約10%から2022年初頭にピークのわずか20%超まで上昇し、2024年には約13%に戻った(Federal Reserve Board, 2025)。
- ユーロ圏: 月次頻度は2010-2019年の平均8%から2022年には12%へ上昇し、その後2023年と2024年に低下した(Banca d’Italia, 2026)。同研究では、ドイツのデータにおいてオンライン価格はオフライン価格よりも頻繁に変化する傾向があることも判明した。
2019年には十分だった監視頻度は、2022年には不十分だった。頻度は市場が変化したときに見直されるべきであり、一度決めて終わりにするものではない。
オンラインとオフラインのベンチマーク比較
参考までに、米国消費者物価データに関する古典的な研究では、価格の持続期間の中央値は、セールを含めると4.3か月、除くと5.5か月とされている(Bils and Klenow, 2004)。通常価格のみでは、1988-2005年の中央値は8から11か月だった(Nakamura and Steinsson, 2008)。
このベンチマークと比較すると、2014-2017年の大手米国オンライン小売業者における3.7か月の通常価格持続期間は、おおよそ2倍から3倍速い。両者は異なるデータと手法を用いているため比較は近似的だが、方向性は明確である。
これが監視頻度に意味すること
監視チームにとって最も有用な発見は、同じスクレイピングデータを異なる間隔でサンプリングして比較したCavalloの2018年の研究から得られる。
| サンプリング | 米国における含意される持続期間 | 何が起きるか |
|---|---|---|
| 日次 | 2.68か月 | ベースライン |
| 週次 | 2.91か月 | ほぼ同一:「週に1回を超える価格変更をする商品はほとんどない」 |
| 月次 | 4.7か月 | 「月内の多くの価格変更が観測されない」 |
| 週次平均 | 週次価格の持続期間のおよそ半分 | 平均化により小さく偽の変化が生じる |
出典: Cavallo (2018), “Scraped Data and Sticky Prices”, published version。
ここから4つの実践的なルールが導かれる。
- 小売サイトについては、週次でほとんどの変化を捉えられ、日次であればほぼすべてを捉えられる。 週次から日次に変えても測定結果にはほとんど差が出ない。週次から月次に変えると大きな差が出る。
- 変化を測定する前に価格を平均化してはならない。 週次平均は、測定される持続期間と変化の幅の両方を半分にしてしまう。これは、週の途中で起きた1回の値下げが2回の小さな段階に分割されてしまうためである。観測された価格はすべて保存すること。
- マーケットプレイスでは分単位・時間単位が重要になる。 競争の激しいBuy Box価格は1日に何度も変化し得る。Northeasternのチームは、1分間隔のクロールだとマーケットプレイス自身のシステムによる一時的な揺らぎの大半を拾ってしまい、実際のリプライシングを捉えられないことを発見した上で、25分間隔に落ち着いた。
- 価格だけでなく在庫状況も記録すること。 Cavalloの日次データでは、商品が在庫切れだったりページが収集できなかったりして欠落した日次観測が22%から37%あり、品切れ自体が有用なシグナルであることが判明した。品切れ率はパンデミック期に急増し、米国では約14%から35%超になった。データの欠落は単なるノイズではなく情報である。
| チャネル | 推奨される初期の頻度 |
|---|---|
| 小売サイト、安定したカテゴリ(食料品、家庭用品) | 週次、プロモーション時は日次 |
| 小売サイト、変化の速いカテゴリ(電子機器、家庭用品) | 日次 |
| 複数セラーが存在するマーケットプレイス出品 | 1時間ごと、ベストセラー商品はそれ以上の頻度 |
| 旅行運賃・ホテル料金 | 出発日・宿泊日ごとに日次、日付が近づくほど高頻度 |
自分のデータで測定する
すでに価格を収集しているなら、他人のサンプルの平均値に頼るのではなく、自分自身の市場のボラティリティを測定できる。以下の関数は、日次の観測データから頻度、含意される持続期間、値上げの割合、変化幅の中央値を計算する。
import math
from collections import defaultdict
def change_stats(observations, min_change=0.0):
"""observations: (product_id, day, price) tuples from a daily scrape.
Compares each price with the product's previous observed price on the day
before. Gaps are skipped, not filled: a price carried across a missing day
would hide changes, and an interpolated one would invent small ones.
"""
by_product = defaultdict(dict)
for product, day, price in observations:
by_product[product][day] = price
pairs = changes = increases = 0
sizes = []
for prices in by_product.values():
for day in sorted(prices):
previous = prices.get(day - 1)
if previous is None:
continue
pairs += 1
change = (prices[day] - previous) / previous
if abs(change) > min_change:
changes += 1
increases += change > 0
sizes.append(abs(change))
frequency = changes / pairs if pairs else 0.0
sizes.sort()
return {
"daily_pairs": pairs,
"frequency": round(frequency, 4),
# Mean days between changes if each day were an independent draw.
"implied_duration_days": round(-1 / math.log(1 - frequency), 1) if 0 < frequency < 1 else None,
"share_increases": round(increases / changes, 3) if changes else None,
"median_abs_change": round(sizes[len(sizes) // 2], 4) if sizes else None,
}この関数は各価格を前日の価格とのみ比較する。欠落は埋めるのではなくスキップされる。なぜなら、最後の価格を繰り越すと変化が隠れてしまい、推定値で埋めると小さな変化を作り出してしまうからである。これは研究が平均化されたデータの中に見出したのと同じ歪みである。
簡単な例を示す。
from price_changes import change_stats
observations = [
("sku-1", 1, 19.99), ("sku-1", 2, 19.99), ("sku-1", 3, 17.99), ("sku-1", 4, 17.99),
("sku-2", 1, 5.49), ("sku-2", 2, 5.49), ("sku-2", 4, 5.79), ("sku-2", 5, 5.79),
("sku-3", 1, 249.00), ("sku-3", 2, 239.00), ("sku-3", 3, 249.00), ("sku-3", 4, 249.00),
]
print(change_stats(observations)){'daily_pairs': 8, 'frequency': 0.375, 'implied_duration_days': 2.1, 'share_increases': 0.333, 'median_abs_change': 0.0418}2番目の商品は欠落日をまたいで価格が5.49から5.79に上昇しているため、この変化はカウントされていない。実データでは、欠落日は品切れや収集失敗の日であり、結果とあわせて欠落日数を報告すべきである。最初からクリーンに収集することも役立つ。ブロックによって生じた欠落観測は、品切れによって生じたものと見分けがつかない。クリーンなレコードあたりのコストに関する当社のガイドでは、失敗率が監視予算にどう影響するかを扱っている。
この関数をカテゴリごと、競合ごとに実行するとよい。含意される持続期間が数日しかないカテゴリは日次かそれ以上の頻度の収集が必要である。月単位で測定されるカテゴリは、何も失うことなく週次で確認できる。
FAQ
オンライン価格はどのくらいの頻度で変化するか?
米国の大手マルチチャネル小売業者では、2014-2017年において典型的な月に約27%の商品が通常価格を変更しており、通常価格は約4か月続いた計算になる。マーケットプレイスの価格はさらに速く変化する。ある研究のAmazonベストセラー商品の半数は、6週間でBuy Box価格が14回以上変化した。
毎日の価格監視は必要か?
ほとんどの小売サイトでは、週次監視でほとんどの変化を捉えられ、日次サンプリングと週次サンプリングを比較した研究ではほぼ同じ結果が得られている。日次監視は、変化の速いカテゴリ、プロモーション、マーケットプレイスにおいて重要になる。月次監視では多くの変化を見逃す。
オンライン価格はオフライン価格より頻繁に変化するか?
オンラインと店舗の両方で販売する小売業者では、価格はおよそ72%の割合で同一であり、変化率も同程度である。オンライン限定の競争、特にマーケットプレイスは、価格が最も頻繁に変化する場所である。
インフレは価格変更の頻度を変えたか?
その通りである。オンライン価格変更の頻度は2022年と2023年に2倍以上になり、米国とユーロ圏の公式価格データも同様の上昇を示し、その後一部は以前の水準に戻りつつある。
結論
オンライン価格は10年前よりも速く変化し、小売サイトよりもマーケットプレイスではるかに速く、インフレが上昇するとさらに速くなる。研究は監視のための明確なルールを示している。小売サイトでは、週次収集で日次収集とほぼ同等の変化を捉えられ、月次収集は多くを見逃し、平均化されたデータは実態を歪める。自分自身のカテゴリを測定し、実際の変化の速さに応じて頻度を設定し、市場が変化したら見直すこと。
出典と参考文献
- Cavallo, A. (2018). More Amazon Effects: Online Competition and Pricing Behaviors. NBER Working Paper 25138.
- Cavallo, A. (2018). Scraped Data and Sticky Prices. Review of Economics and Statistics 100(1).
- Cavallo, A. (2017). Are Online and Offline Prices Similar? Evidence from Large Multi-Channel Retailers. American Economic Review 107(1).
- Cavallo, A. and Rigobon, R. (2016). The Billion Prices Project: Using Online Prices for Measurement and Research. NBER Working Paper 22111, published in the Journal of Economic Perspectives 30(2).
- Cavallo, A., Lippi, F. and Miyahara, K. (2023). Large Shocks Travel Fast. NBER Working Paper 31659.
- Cavallo, A. and Kryvtsov, O. (2023). What Can Stockouts Tell Us About Inflation? Evidence from Online Micro Data. NBER Working Paper 29209.
- Chen, L., Mislove, A. and Wilson, C. (2016). An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace. WWW 2016.
- European Commission (2017). Final report on the E-commerce Sector Inquiry and staff working document.
- Montag, H. and Villar, D. (2025). Post-Pandemic Price Flexibility in the U.S. Federal Reserve Board, FEDS 2025-024.
- Gautier, E. et al. (2026). Consumer price stickiness in the euro area during an inflation surge. Banca d’Italia, Temi di discussione 1524.
- Bils, M. and Klenow, P. (2004). Some Evidence on the Importance of Sticky Prices. Journal of Political Economy 112(5).
- Nakamura, E. and Steinsson, J. (2008). Five Facts About Prices: A Reevaluation of Menu Cost Models. Quarterly Journal of Economics 123(4).
Cavalloの研究のいくつかは、同氏が共同設立したPriceStatsのデータを使用しており、各論文はその点を開示している。