需求预测：促销效应建模

可视化演示

促销效应建模需要科学分离促销增量与自然销量。文章介绍因果推断框架下的效应估计方法，讨论价格弹性与促销饱和度的量... 切换模式查看不同维度。

促销增量分离

先做一个小实验：你今天喝到的甜茶，甜度来自哪里？可能是茶本身自带回甘，也可能只是糖浆的功劳，更可能两者都有。把这两股力量分开，就是我们在预测销量时最想做的事。业务上把前者叫“自然销量”，后者叫“促销增量”。自然销量是茶汤的底色，它由季节、价格、口碑、渠道等长期因素决定；促销增量则是那勺糖在短期的注入。你要预测下周销量，先得知道原本的茶底在哪里。

在统计上，分离自然销量与促销增量需要一个“反事实”思维：假设这周没有促销，销量本来会是多少？这个本应发生却观测不到的销量，就是反事实基线。我们把实际观测到的总销量，与反事实基线作差，差值就是促销的净增量。这就像在甜茶里补做一杯不含糖的同款茶，两杯一对比，糖贡献了多少甜度就出来了。

因果推断框架把这个直觉形式化：对同一周，分别定义有促销与无促销两种状态下的潜在销量，二者的期望之差就是因果效应。实际落地时，常见的做法是用非促销期的数据训练一个自然销量模型（包含趋势、季节等协变量），再在促销期外推得到反事实预测。

回到奶茶店的比喻：如果只盯着甜茶的总甜度，你会高估茶叶品质；只有把糖浆的甜扣除，才能评价茶底好坏。预测系统也一样，只有把促销增量分离出来，库存与供应链决策才不会被那勺糖误导。

价格弹性量化

促销最常见的手段是降价。但降价一定能换来同比例的增长吗？在奶茶店，糖放得越多，并不代表茶一定越好喝；同样，价格降得越多，销量也不一定等比例上涨。这里的关键概念是价格弹性——它刻画的是销量对价格变动的敏感程度。

价格弹性的直觉非常朴素：价格降 1%，销量上升百分之几？这个倍数就是弹性系数。弹性为 -2 意味着价格每降 1%，销量涨 2%，消费者对价格非常敏感；弹性为 -0.5 则意味着即便降价 1%，销量只涨 0.5%，大家并不在意这点优惠。对需求预测来说，弹性是把“降价”翻译成“增量”的汇率。

在实际建模中，常对价格和销量都取对数，再做一个线性回归，得到的回归系数就是弹性。这是因为对数变换把“相对变化的比例关系”变成了线性的加减关系，数学上更干净，也更贴近经济学里弹性的定义。用这种方法拟合出来的一条曲线，就是价格-销量曲线：横轴是价格，纵轴是自然销量，曲线越陡峭，说明越敏感。

回到茶与糖的比喻：价格弹性就像茶客对糖价的敏感度——糖便宜了他们会不会多买茶？弹性越大，降价这勺“糖”带来的“甜”就越明显。预测时如果把弹性估错，你多备的三百杯茶就会错过最佳赏味期。

促销饱和分析

糖加到一定甜度后，再添一勺，味觉的提升就越来越小，甚至发腻。促销折扣同样如此：八折能显著拉高销量，六折可能还行，四折、三折的时候，消费者的购买意愿可能已经被提前透支，增量反而不成比例。这个现象叫促销饱和，本质是边际递减规律在营销中的体现。

建模时我们常用一条平滑的饱和曲线来描述“折扣深度 d”与“促销增量 L”的关系。曲线有两个关键参数：一个是天花板 L_max，代表无限折扣下极限地能榨出多少增量；另一个是半饱和常数 K，代表增量达到天花板一半时需要的折扣深度。K 越小，说明消费者对折扣越敏感，很早就能撬动大量增量；K 越大，说明要打很深折扣才有明显效果。

用奶茶比喻来说：前两勺糖让茶立刻好喝起来，第三勺开始只甜不香，第十勺入口只剩齁。促销力度过了拐点，增量的边际收益越来越薄，而促销成本却一分不少。所以，折扣不是越深越好，找到那个“甜度刚刚好”的区间，才是促销策略的关键。

类型差异建模

同样是往茶里加甜味，加糖浆和加蜂蜜，口感曲线完全不一样；促销也一样，折扣、满减、买赠，看起来都在“让利”，但消费者的大脑处理方式不同。折扣是直白的“便宜了”，满减是“凑单更划算”，买赠是“多拿一份更赚”。它们对自然销量的撬动机制不同，建模时就不能共用同一个系数。

比如折扣促销会显著改变消费者对价格的感知，弹性机制起主导作用；而满减促销更偏向“购物车扩容”，它通过改变客单价来拉升销量；买赠则带有“囤货”属性，会把未来几周的销量提前透支。如果我们把三种促销都用一个“促销系数”草率处理，模型就像把所有糖都当成白砂糖，忽略了蜂蜜、代糖的不同甜度曲线。

更规范的做法是在同一个对数线性模型中，为每种促销类型单独设置力度变量和系数。折扣促销用折扣深度 D_t，买赠促销用每单赠品价值 G_t，满减促销用满减门槛力度 M_t，然后把它们同时放进预测方程。这样，不同机制的促销增量可以被分别估算，自然销量的预测也更干净。

在奶茶店场景里，这就好比给茶配了三套甜度配方：白砂糖、蜂蜜、代糖，你分别标注用量，才能知道哪种糖最受顾客欢迎。同理，促销类型分开建模，你才能回答“同样花一千块促销，满减和买赠到底谁更划算”。

策略优化决策

把促销增量算出来后，下一步是回答真正的商业问题：这场促销值不值？用奶茶例子说，一勺糖能让茶好喝多少，这是一回事；这勺糖的价钱值不值得加，是另一回事。策略优化就是从“效应估计”走向“决策建议”，核心指标是促销 ROI——投入一块钱促销成本，能换回多少增量利润。

这里要注意，ROI 的分子用的是促销增量带来的利润，而不是总销量利润。因为自然销量那部分利润无论如何都会发生，把它算进 ROI 会虚增促销的功劳。正确的做法是：先用反事实模型算出增量销量 ΔQ，乘以单件毛利 m，再减去促销成本 C，最后除以促销成本，得到净回报率。

把这个 ROI 与价格弹性、促销饱和曲线上限结合起来，企业就能制定折扣的“黄金区间”：折扣落在这个区间里，增量还没有饱和，ROI 也还能保持健康；折扣低于区间的下限，消费者无感；高于区间的上限，则要付“过糖税”——增量利润被成本吃掉。

奶茶店老板最后关心的不是“今天卖出多少杯”，而是“这勺糖贵不贵、值不值”。促销策略优化，就是把“好不好喝”的主观判断，变成“划不划算”的量化决策。

落地挑战应对

理论再漂亮，落到真实业务里总有意外。先把最大的挑战摆出来：数据质量。反事实模型依赖历史的非促销期数据来推断自然销量，如果历史数据里促销记录缺失、打折力度字段混乱、日期错位，那造出来的“原味茶”根本不是原味。所以，建立促销日志、清洗异常点、统一折扣口径，是所有上游工作的地基。

第二个挑战是季节与促销的交互效应。夏季奶茶自然就卖得好，此时再来一场大促，销量增长到底是季节的功劳还是促销的功劳？简单的加法模型会把季节和促销各自归因，但实际上它们会互相放大——夏天促销的增量可能高于冬天同样折扣的增量。更稳健的做法是在模型中显式加入“促销 × 季节”的交互项。

第三个挑战是多品类协同。当奶茶和甜品同时促销时，顾客可能被甜品分流，奶茶的增量就受影响；反过来，关联品类一起促销，也可能互相导流。因此，跨品类的联动效应需要在模型中引入交叉项，或用多方程系统统一估计。最后，落地评估常用 WAPE（加权绝对百分比误差）来整体监控预测效果，避免被某个促销周的坏点牵着鼻子走。

回到奶茶店：开店不能只靠感觉，要记录每天的糖浆用量、天气、客流，才能不断校准“茶底 + 糖”的配方模型。促销效应建模落地也是一样，数据干净、交互合适、评估客观，那勺糖的重量才能被稳稳称出来。

AI 应用场景

Python 演示

import numpy as np  def simulate_52w():    rng = np.random.default_rng(42)    weeks = np.arange(52)    season = 15 * np.sin((weeks - 20) / 52 * 2 * np.pi)    trend = 50 + 0.2 * weeks    promo = np.zeros(52)    promo[10:16] = 1    promo[30:36] = 1    discount = np.zeros(52)    discount[10:16] = 0.20    discount[30:36] = 0.25    lift = 200 * discount * promo    noise = rng.normal(0, 3, 52)    return weeks, trend + season + lift + noise, promo, discount, lift  def fit_baseline(weeks, sales, promo):    X = np.column_stack([        np.ones(52),        weeks / 52,        np.sin(weeks / 52 * 2 * np.pi),        np.cos(weeks / 52 * 2 * np.pi),    ])    beta, *_ = np.linalg.lstsq(X[promo == 0], sales[promo == 0], rcond=None)    return X @ beta  weeks, sales, promo, discount, lift = simulate_52w()base = fit_baseline(weeks, sales, promo) naive = float((sales[promo == 1]).mean() - sales[promo == 0].mean())causal = float((sales - base)[promo == 1].mean())truth = float(lift[promo == 1].mean())wape = float(np.abs(sales - base).sum() / sales.sum()) print("朴素差分促销效应: %.1f 件/周" % naive)print("反事实法促销效应: %.1f 件/周" % causal)print("真实增量(模拟值): %.1f 件/周" % truth)print("不含增量时基线WAPE: %.2f" % wape)

1. promo[10:16] = 1把第 11 至 16 周标记为促销期，相当于在茶里加糖的时间窗。
2. lift = 200 * discount * promo模拟促销增量与折扣深度成正比，折扣越深糖越甜。
3. beta, *_ = np.linalg.lstsq(X[promo == 0], sales[promo == 0], rcond=None)只用非促销期数据拟合自然销量模型，保证茶底的“原味”。
4. base = X @ beta外推出全年反事实基线，回答“如果没促销，销量该是多少”。
5. naive = float((sales[promo == 1]).mean() - sales[promo == 0].mean())朴素差分法偷懒地直接比较促销周与非促销周均值，季节偏差混进结果。
6. causal = float((sales - base)[promo == 1].mean())反事实法用模型剔除季节与趋势，只留下促销增量。

常见误区

面试题