需求预测：促销效应

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

促销困局：被“假繁荣”带偏的进货量

老王的水果店平时每天能卖 30 斤苹果。上周六他搞了“买一送一”，一天卖出 90 斤，老王高兴得合不拢嘴。第二天他果断进了一百斤苹果，结果只卖了 25 斤。老王盯着剩下的苹果发呆：是顾客不爱吃苹果了吗？当然不是——只是昨天该买的、不该买的、打算下周买的，都在打折那天提前买完了。

这 90 斤里，藏着三层秘密：第一层是“本来就会有的 30 斤”，这是老顾客雷打不动的日常消费；第二层是“被打折吸引来的新增需求”，比如本来打算买梨的人看见苹果便宜就改了主意；第三层是“从未来借来的需求”，有人把下周要吃的量提前囤进了冰箱。可以说，促销日的销量就像一杯加了三份浓缩的咖啡——它确实提神，但你不能把它当成日常的饮水量。

把这个场景放进数据里，问题就变得尖锐了：如果预测模型把促销日的 90 斤当成“正常需求水平”，它会立刻高估明天的需求。促销一结束，预测值和实际值就会大幅偏离。在零售需求预测中，这种“促销日被冲高、促销后被透支”的模式是最常见、最棘手的干扰源，行业里称之为促销效应。处理不好它，再高级的深度模型也会被带偏——毕竟，数据里的“假繁荣”越多，模型看到的规律越失真。

所以破解促销效应的第一步，是承认一个事实：促销日的高销量不是“纯天然”的。要预测明天，得先把今天打折带来的水分挤干，让数据回归到“没有促销时的朴素模样”。对老王来说，这意味着他需要一个能告诉“如果不促销，明天大概能卖多少”的帮手。这正是接下来我们要做的事。

促销编码：给模型一张“促销日历”

老王想了个笨办法：他在账本上给每个促销日画一个红勾，平时留白。这样月底盘点时，他一眼就能看出来哪些天搞过活动。小雅（老王的程序员外甥女）看完账本后，也照着这个办法帮 AI 学会了分辨“今天有没有促销”——不过它不画红勾，而是把促销日记成 1，把普通日记成 0。

在机器学习中，这串 0 和 1 被称为促销指示变量。它是最基础、最常用的促销编码方式：把第 t 天是否有促销事件转化为一个数值特征，方便模型把它当做一个“开关”来学习。模型发现：开关从 0 变成 1 的那几天，销量平均会多出 β 个单位——这个 β 就是促销的“平均拉动幅度”。

$$\displaystyle P_t = \begin{cases} 1, & \text{第 } t \text{ 天有促销} \\ 0, & \text{其他情况} \end{cases}$$

1. 定义 $P_t$：$P$ 是促销（Promotion）的缩写，下标 $t$ 表示第几天。$P_t$ 的含义是“第 $t$ 天有没有促销”这个标记。

$$P_t = \text{"第 } t \text{ 天是否促销"}$$

2. 值为 1 的情形：当第 $t$ 天老王贴出了促销牌，$P_t$ 就等于 1，表示这一天有促销活动。

$$P_t = 1 \quad (\text{有促销})$$

3. 值为 0 的情形：其余不搞促销的日子，$P_t$ 保持 0，表示没有促销活动。

$$P_t = 0 \quad (\text{无促销})$$

4. 模型如何使用：模型把整串 0 和 1 作为输入特征，学习“开关从 0 拨到 1”时销量平均增加多少，这个增加量就是促销系数。

$$\Delta Y = \beta \cdot P_t$$

当然，0-1 编码只是第一步。现实中的促销有直降、满减、买一送一，甚至还有“全场五折”这种大杀器。0-1 编码把所有促销都看作同一力度，显然会丢失信息。更精细的做法是按促销类型编码（直降=1、满减=2、买赠=3），或直接用折扣深度（八折=0.8、五折=0.5）当连续变量。但无论怎么升级，“0 代表不促销、1 代表促销”的指示变量始终是地基——它是让模型认识促销的第一块认知拼图。

老王看着账本上的红勾恍然大悟：原来让 AI 理解促销，就像教一个孩子认日历——你得先把“特殊的日子”标出来，孩子才知道哪天和平时不一样。标得越细，孩子对“这个日子有多特别”的理解就越准确。

基线估计：算出“不促销也能卖多少”

老王盯着账本上的红勾想：如果把这些日子遮住，剩下的普通日子的销量大概就是我“不搞促销的正常水平”吧？他翻了翻，上个月有 20 天没促销，销量分别是 28、31、29、30……平均下来差不多 30 斤。这就是他心里的“日常销量”。

在需求预测里，这个“不促销时的自然销量”叫基线销量。它不是算命，而是可以从数据中估计的。最简单的估计方法，就是取非促销日的历史平均；更聪明一点的做法，是用指数平滑——让基线既吸收最近的变化，又不被促销日的尖峰带偏：

$$\displaystyle \hat{B}_t = \alpha \cdot X_{t-1} + (1-\alpha) \cdot \hat{B}_{t-1}$$

1. 识别 $\hat{B}_t$：带着“小帽子”的 $B$ 表示估计值，即模型认为的第 $t$ 天“不促销也能卖出去”的自然销量。

$$\hat{B}_t = \text{今天的基线估计}$$

2. 理解 $\alpha$：平滑系数，取值在 0 到 1 之间。它代表老王有多相信“昨天的实际销量”。

$$0 \le \alpha \le 1$$

3. 检查 $X_{t-1}$：昨天的真实销量。注意，如果昨天是促销日，这一项要先把促销增量剔掉，否则会把促销的“假高”带进基线。

$$X_{t-1} = \text{真实销量} - \text{促销增量}$$

4. 保留历史记忆：$(1-\alpha) \cdot \hat{B}_{t-1}$ 是昨天的基线按权重保留下来，相当于模型的“长期记忆”。

$$\text{记忆项} = (1-\alpha) \cdot \hat{B}_{t-1}$$

5. 整体效果：今天的基线 = 新信息与老记忆的折中。这个平滑过程能像熨斗一样，把促销日凸起的尖峰熨平，还原出平滑的自然需求曲线。

$$\hat{B}_t = \alpha \cdot X_{t-1} + (1-\alpha) \cdot \hat{B}_{t-1}$$

在实际建模中，基线还会加入星期因素和季节因素——比如周末需求天然比工作日高 20%，夏天水果整体走量快。这些因素写成回归项或乘性因子，都能让基线更贴近真实。但核心思想不变：基线必须“躲开”促销日，只看自然状态下销量应该有的样子。

老王把这个方法记在本子上：基线不是拍脑袋的平均数，而是一条会呼吸的曲线——跟着星期起伏，跟着季节爬坡。有它在手，老王终于有了一个衡量促销的“参照物”，接下来就能把促销日的销量拆开看个明白了。

效应分解：把一桶水拆成两股源头

促销日上午十点，老王店里的苹果已经卖掉大半。他看着不断跳动的销量数字，心里默念：这 90 斤里，哪些是“本来就会买的”，哪些是“促销拉来的”？回想一下：今天的基线大约是 30 斤，那多出来的 60 斤，自然就是促销的功劳了。

这个“总销量减基线”的朴素操作，正是促销效应分解的核心。把每一天的销量看作两块积木的叠加——底层是基线，上层是促销增量。写成公式就是：

$$\displaystyle Y_t = \hat{B}_t + \beta \cdot P_t + \varepsilon_t$$

1. 识别 $Y_t$：第 $t$ 天账本上记录的实际总销量，比如老王昨天看到的 90 斤苹果。

$$Y_t = \text{实际总销量}$$

2. 识别基线 $\hat{B}_t$：基线销量，即便今天完全不促销、不搞活动，也依然会有人来买的自然销量。

$$\hat{B}_t = \text{基线销量}$$

3. 识别促销项 $\beta \cdot P_t$：促销增量项。$\beta$ 是促销系数，表示“促销一次平均多卖多少”；$P_t$ 是 0 或 1，所以促销日这整项生效，非促销日自动消失。

$$\beta \cdot P_t = \begin{cases} \beta, & P_t = 1 \\ 0, & P_t = 0 \end{cases}$$

4. 识别噪声 $\varepsilon_t$：随机误差，比如忽然下暴雨、隔壁超市关门，这些没法建模的偶然因素都归到这里。

$$\varepsilon_t = \text{随机波动}$$

在实际项目中，$\beta$ 不是拍脑袋定的，而是通过历史数据拟合出来的。把过去几个月的销量、促销标记一起喂给线性回归或树模型，模型会自己学到“促销平均拉动多少销量”。更高阶的做法是把多个促销变量（折扣深度、促销类型）同时放进模型，让分解更精细——本质仍是这同一个加法框架。

老王看着分解结果，第一次觉得账算明白了：90 斤苹果里，30 斤是老顾客的日常需求，60 斤才是促销真正吸引来的额外生意。他不需要再对着总销量发愁，因为每一块销量都有了来路。

增量评估：这笔促销到底赚不赚

能拆出 60 斤增量后，老王反而更纠结了：这 60 斤苹果确实多卖了，可“买一送一”意味着有一半是白送的，再加上印传单的钱，到底赚了没有？邻居老李给老王出了个主意：算算“多卖的部分值多少钱”和“少赚的让利多少钱”，一比就知道。

这正是促销增量评估的思路：先算增量销量，即所有促销日实际销量超过基线的部分之和：

$$\displaystyle \text{增量销量} = \sum_{t \in \text{促销期}} \left( Y_t - \hat{B}_t \right)$$

1. 认识求和符号：$\sum$ 表示求和，把一段时期内的数据逐日累加。

$$\sum_{t=1}^{n} a_t = a_1 + a_2 + \cdots + a_n$$

2. 计算括号里的差值：第 $t$ 天的实际销量减去当天基线，得到“当天多卖的量”，也就是促销贡献。

$$Y_t - \hat{B}_t = \text{当天增量}$$

3. 限定累加范围：只累加那些搞了促销的日子，避免把普通日的正常波动也混进来。

$$t \in \{\text{促销日}\}$$

有了增量销量，还差最后一步：把它换成钱。假设每斤苹果净利润 3 元，这次促销多卖 60 斤，增量毛利就是 180 元；但让利、传单、人工总共花了 80 元。投入 80 元换回 180 元毛利，值不值？用促销 ROI 来衡量：

$$\displaystyle \text{ROI} = \frac{\text{增量毛利} - \text{促销成本}}{\text{促销成本}}$$

1. 计算增量毛利：只计算“比不促销多卖出去”的那部分产品带来的毛利，这是分子里最关键、也最容易被错用的数。

$$\text{增量毛利} = \text{增量销量} \times \text{单位毛利}$$

2. 核算促销成本：让利损失、物料、广告等所有花在本次促销上的钱，都要折算进来。

$$\text{促销成本} = \text{让利} + \text{物料} + \text{人力}$$

3. 做差再相除：先用增量毛利减去促销成本得到净收益，再除以成本就得到每一块钱投入的回报率。ROI 大于 0 才值得做。

$$\text{ROI} = \frac{\text{增量毛利} - \text{促销成本}}{\text{促销成本}}$$

老王算了半天，发现“苹果买一送一”的 ROI 只有 0.6——表面热闹，实际不如不做。他感慨道：促销不是看卖得爽不爽，而是看“比不促销多赚了多少”，以及“多赚的钱够不够填上让利的坑”。这才是增量评估的灵魂。

滞后效应：促销过后的“贤者时间”

老王又发现一个规律：每次促销结束后的两三天，店里都格外冷清。不是顾客不来了，而是打折时大家都囤够了。老王管这叫“吃完大餐后的贤者时间”——肚子饱了，后面几顿自然吃不下。

这个现象在行业里叫滞后效应。促销不仅影响当天，还会影响未来几天：促销当日拉高销量，随后的几天把“未来的需求”提前消耗掉，销量低于基线。如果模型只看当天，就会高估促销的净收益——因为它漏掉了促销欠下的“未来账”。

把滞后效应写进模型，只需在方程里多放几个昨天的、前天的促销变量：

$$\displaystyle Y_t = \hat{B}_t + \beta_0 P_t + \beta_1 P_{t-1} + \beta_2 P_{t-2} + \varepsilon_t$$

1. 即时拉动 $\beta_0 P_t$：今天的促销对今天销量的即时影响，通常是一个较大的正数。

$$\beta_0 P_t \quad (\text{今天促销才生效})$$

2. 滞后项 $\beta_1 P_{t-1}$：昨天如果搞了促销，对今天销量的影响。因为顾客昨天刚囤过货，这个系数往往为负。

$$\beta_1 P_{t-1} \quad (\text{昨天促销才生效})$$

3. 滞后项 $\beta_2 P_{t-2}$：前天促销对今天的影响，幅度通常更小，且在三天后会逐渐消失。

$$\beta_2 P_{t-2} \quad (\text{前天促销才生效})$$

4. 噪声项 $\varepsilon_t$：吸收无法解释的偶然波动。

$$\varepsilon_t = \text{随机项}$$

5. 净效果计算：把三个促销系数全部相加，才是促销在整个时间窗上的净增量，单独看任何一天都会误判。

$$\text{净效果} = \beta_0 + \beta_1 + \beta_2$$

在实际系统里，滞后窗口会扩展到 7 到 14 天，参数也可以通过分布滞后（如指数衰减权重）来压缩。理解了滞后效应，老王就能回答那个经典问题：“促销是不是寅吃卯粮？”答案是：如果透支远超新增，那确实是——而模型的作用，就是把“卯粮”也算清楚。

交叉溢出：苹果打折，香蕉跟着沾光

一段时间后，老王发现了个有趣现象：每次苹果搞促销，隔壁香蕉的销量也会往上蹿一截。一开始他以为是巧合，后来发现每次促销都这样。原来顾客本来是来买打折苹果的，看到香蕉又新鲜又黄亮，顺手就带了一串回家。

一个品类的促销影响另一个品类的销量，这叫跨品类溢出效应。当两个品类是互补关系时（苹果和香蕉常一起吃），促销会带来正溢出；如果是替代关系（红富士和嘎啦果），促销则会抢走对方的生意，造成负溢出。忽略溢出效应，会低估促销的涟漪范围。

$$\displaystyle Q_{B,t} = \hat{B}_{B,t} + \gamma \cdot P_{A,t} + \varepsilon_t$$

1. 识别 $Q_{B,t}$：品类 B 在第 $t$ 天的实际销量，比如香蕉的当日销量。

$$Q_{B,t} = \text{香蕉当日销量}$$

2. 识别 $\hat{B}_{B,t}$：品类 B 自己的基线销量，即在没有任何促销干扰时，香蕉自然能卖出的数量。

$$\hat{B}_{B,t} = \text{香蕉的自然销量}$$

3. 理解溢出项 $\gamma \cdot P_{A,t}$：品类 A 的促销对 B 的溢出项。$\gamma > 0$ 说明 A 促销带旺了 B（互补），$\gamma < 0$ 说明 A 促销挤掉了 B 的生意（替代）。

$$\gamma \cdot P_{A,t} \quad (\gamma>0 \text{ 互补，} \gamma<0 \text{ 替代})$$

4. 噪声项：随机波动，吸收意料之外的因素。

$$\varepsilon_t = \text{随机项}$$

在真实系统中，溢出矩阵可以覆盖几十个品类：比如“薯片和啤酒”互相带动，“可乐和雪碧”互相争夺。建模时一般把品类两两的溢出系数放进一起训练，或用图神经网络捕获高阶传播。老王受此启发，把“红富士打折、嘎啦少进货”写进了自己的采购口诀——促销不是一个摊子的事，而是一张全村的地图。

落地实战：从账本到自动补货

老王折腾了大半年，总算把这套方法理顺了。小雅帮他把所有经验写进了一个自动补货小程序：每天凌晨，程序自动读取昨天的销量、今天的促销计划、天气预报和节假日安排；先剔除促销日的干扰估计当天基线，再叠加上促销增量、扣掉滞后透支、算上跨品类溢出，最后给出一个备货建议。

这条链路正是零售业促销效应预测落地的标准流程：数据清洗与促销标注 → 基线估计 → 增量建模（含滞后、溢出）→ 预测集成与部署 → 促销复盘校准。每一步都有坑：促销标注不完整，模型会漏掉效应；基线不及时更新，促销后就会高估需求；只部署不监控，遇到“全场五折”这种极端促销，误差会瞬间爆表。

落地的实操建议有三条：第一，把促销日历提前录入系统，让模型在预测前就知道哪天有活动；第二，用“预测-实际”差值做一个监控看板，促销日和非促销日分开盯；第三，每次大促之后做一次归因复盘，用最新数据重新校准促销系数——促销的“脾气”会随季节、市场竞争不断变化。

老王的水果店从此告别了“拍脑袋进货”。促销在他眼里不再是洪水猛兽，而是一套可预测、可衡量的规律：基线是底、增量是浪、透支是余波、溢出是涟漪。只要看懂了这些，每一次打折潮都能被稳稳接住。

AI 应用场景

Python 演示

import numpy as np  def simulate_sales(n=60, promo_days=(15, 16, 17, 40, 41), seed=7):    # 模拟一家水果店的日销量.    # 销量 = 基线(季节波动) + 促销增量 + 促销后透支 + 随机噪声.    rng = np.random.default_rng(seed)    t = np.arange(n)    baseline = 20 + 3 * np.sin(2 * np.pi * t / 12)    is_promo = np.zeros(n, dtype=bool)    for d in promo_days:        is_promo[d] = True    lift = np.where(is_promo, 10.0, 0.0)    drag = np.zeros(n)    for d in promo_days:        if d + 1 < n:            drag[d + 1] -= 4.0        if d + 2 < n:            drag[d + 2] -= 2.0    noise = rng.normal(0, 1.2, n)    return baseline + lift + drag + noise, baseline, is_promo  def estimate_promo_effect(sales, is_promo):    # 用对比法分解促销效应.    # 非促销日的平均销量当作基线, 促销日超出基线的部分就是平均增量.    normal = sales[~is_promo]    baseline = normal.mean()    promo = sales[is_promo]    avg_lift = promo.mean() - baseline    total_lift = (promo - baseline).sum()    return baseline, avg_lift, total_lift  def main():    sales, baseline, is_promo = simulate_sales()    b, lift, total = estimate_promo_effect(sales, is_promo)    promo_days = np.where(is_promo)[0]    after_days = np.minimum(promo_days + 1, sales.size - 1)    after_avg = sales[after_days].mean()    print("基线销量(非促销日均值): %.1f 份" % b)    print("促销平均增量: +%.1f 份" % lift)    print("促销期总增量: +%.1f 份" % total)    print("促销次日平均销量: %.1f 份 (比基线低 %.1f)" % (after_avg, b - after_avg))    print("结论: 促销当日有增量, 但次日销量低于基线, 说明存在需求透支.")  if __name__ == "__main__":    main()

1. baseline = 20 + 3 * np.sin(2 * np.pi * t / 12)生成一条有季节波动的自然销量曲线，作为“如果不促销会怎样”的答案。
2. lift = np.where(is_promo, 10.0, 0.0)促销日模拟多卖 10 份，这就是人为埋入的“促销增量”。
3. drag[d + 1] -= 4.0促销后第一天销量被透支 4 份，模拟顾客提前囤货。
4. normal = sales[~is_promo]用布尔索引取出所有非促销日的销量，作为估计基线的素材。
5. avg_lift = promo.mean() - baseline促销日均值减去基线，得到“促销平均带来多少增量”。
6. after_days = np.minimum(promo_days + 1, sales.size - 1)取每个促销日的次日，并防止越界。
7. print("促销次日平均销量: ...")输出次日均值，若明显低于基线，就验证了滞后透支。

常见误区

面试题