需求预测：促销效果评估

可视化演示

展示增量分析A/B测试实验组vs对照组lift、多触点归因Shapley值分配、及促销ROI计算与净利润影响分析。

评估逻辑：先问“多了多少”

促销活动结束那天，老王捧着账本乐了半天——两百斤，破纪录了！可老王的媳妇冷静地问了一句：“周六本来就比平时多卖几十斤，而且邻居装修把人赶过来了。你能说这两百斤全是打折的功劳吗？”老王愣住了。他意识到，要判断促销划不划算，不能只盯着“卖了多少”，得先回答“如果没有促销，本来会卖多少”，这中间的差值才是促销真正的贡献。

这个差值在业务语言里叫“增量”。增量思维是促销效果评估的第一性原理：促销的功劳不是促销期的总销量，而是总销量减去“什么也不做也会发生的销量”。这听起来简单，做起来难——因为那个“什么也不做的世界”并不存在，我们只能通过历史数据或对照组去估计它，这种估计在统计学上叫“反事实基线”。

常见的基线估计方法有三种：取促销前四周同一天的销量均值；用时间序列模型预测（考虑周中周末、节假日、天气）；用同店未促销品类作参照。其中最简单的是第一种，也是老王的账房核算方式——把促销前四个周六的销量平均一下，作为这个周六的“应有水平”。

$$\displaystyle \Delta Q = Q_{\text{promo}} - Q_{\text{baseline}}$$

1. 读懂实际销量 $Q_{\text{promo}}$：促销期间每天销售量的总和，是账本上直接可以看到的数字。老王只要把活动那天的出货单加总即可。

$$\displaystyle Q_{\text{promo}} = \sum_{t \in \text{promo}} q_t$$

2. 估算反事实基线 $Q_{\text{baseline}}$：假设没有促销，同一时间段“本来会发生的”销量。老王用前四个周六的平均销量来估计，这是最朴素的时间序列基线。

$$\displaystyle Q_{\text{baseline}} = \overline{q}_{\text{Saturday}} \times N$$

3. 计算增量 $\Delta Q$：两者相减，得到促销真正带来的净增量。如果增量是负数，说明这次促销不仅没带来新生意，还挤掉了未来的需求。

$$\displaystyle \Delta Q = Q_{\text{promo}} - Q_{\text{baseline}}$$

明白了这一层，老王再回头看那次活动的账本：两百斤记录背后，基线可能是 110 斤，真实的增量不过 90 斤。他苦笑道：“以后再也不拿总销量给自己脸上贴金了。”这一句话，正是所有运营人建立增量思维的开始。

因果推断：给成绩单找参照

老王有了增量意识，但他还是拿不准：就算扣掉了周六效应，万一天气突然转暖，大家吃三文鱼的兴致本来就上涨了呢？怎么证明多卖的 90 斤确实是打折的功劳？老王想了个土办法：他在市场的另一头有个摊位，那个摊位不搞促销，每天的自然销量和主摊位差不多。如果主摊位搞促销后销量猛增，而参考摊位波澜不惊，那增长的来源就显而易见了。

这个土办法在因果推断中叫“对照组”：找一个不参与促销但环境条件相似的对象，作为“没有发生促销的平行世界”。促销组的销量变化里同时包含了“促销效应”和“环境趋势”，对照组只有环境趋势，两者相减就干净地分离出促销的因果效应。这就是双重差分（DID）的基本思想，也是促销效果评估最常用的因果推断工具。

当然，实际操作中对照组不一定总是现成的。分店、同城不同区域的顾客群、不同时间段都可以充当对照。如果没有天然对照，还有合成对照法：用多个相似对象的加权组合，拼出一个“虚拟对照组”。DID 有一个重要前提叫“平行趋势假设”——促销前，两组的销量走势应当大致平行，否则差值里就混入了组间固有差异。

$$\displaystyle \text{DID} = (T_{\text{after}} - T_{\text{before}}) - (C_{\text{after}} - C_{\text{before}})$$

1. 计算促销组自身变化 $\Delta T$：促销组在促销后的平均销量减去促销前的平均销量。这个变化里混着促销效应与时间趋势。

$$\displaystyle \Delta T = T_{\text{after}} - T_{\text{before}}$$

2. 计算对照组自身变化 $\Delta C$：对照组在同一时间段的前后平均销量差。对照组没搞促销，所以这个变化只包含时间趋势和环境因素。

$$\displaystyle \Delta C = C_{\text{after}} - C_{\text{before}}$$

3. 求差中差得到净效应：用促销组的变化减去对照组的变化。老王主摊位多卖的量，减去参考摊位也涨的量，剩下的才是三文鱼打折“逼”出来的额外购买。

$$\displaystyle \text{DID} = \Delta T - \Delta C$$

老王把这个思路记在了小本子上。从此他再做促销评估，再也不只盯自家账本，而是习惯性地挂念着别人的生意：“对门的李记水产今天卖了多少？”旁人笑他操心，他却知道自己找到了看穿因果的眼镜。

A/B测试设计：把顾客掷骰子分组

老王虽然会用对照摊位，但总觉得不够严谨——两个摊位位置不同，客流质量也不一样，万一主摊位路过的本来就是爱尝鲜的年轻人呢？他想起在电视上看到过的“双盲实验”：把顾客随机分成两组，一组给打折券，一组不给，其他待遇完全一样。这样两组顾客在统计学上几乎同质，任何销量差异都只能归于促销本身。

这就是 A/B 测试：促销效果评估的黄金标准。设计 A/B 测试时，有三件事必须做好。第一是随机分流，像洗牌一样把用户均匀分到实验组和对照组，避免年龄、地域、消费习惯的偏斜；第二是样本量计算，每组至少要几千甚至上万人，才能检测出有意义的小差异；第三是显著性检验，用统计方法判断观察到的差异是真实信号，还是随机波动。

很多团队最容易犯的错是“中途偷看”：实验跑了两天，发现 A 组转化率明显高，就迫不及待地全量上线。这就像掷硬币时看到前三次正面就觉得硬币有问题——早期样本太小，任何极端结果都可能只是运气。正确的做法是实验前算好需要的样本量，实验过程中只看不决策，跑满之后再下结论。

$$\displaystyle z = \frac{\hat{p}_1 - \hat{p}_2}{\sqrt{\hat{p}(1-\hat{p})\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

1. 观测两个转化率 $\hat{p}_1$ 与 $\hat{p}_2$：实验组与对照组中发生购买行为的人数占比。它们是促销效果的直观体现。

$$\displaystyle \hat{p}_1 = \frac{\text{购买人数}_1}{n_1},\quad \hat{p}_2 = \frac{\text{购买人数}_2}{n_2}$$

2. 计算合并转化率 $\hat{p}$：把两组数据合并得到的总转化率，用来估计总体方差的合理水平。

$$\displaystyle \hat{p} = \frac{\text{购买总人数}}{n_1 + n_2}$$

3. 构造 z 统计量：转化率之差除以标准误。标准误越小，说明样本量越充足，差异越可信。

$$\displaystyle z = \frac{\hat{p}_1 - \hat{p}_2}{\sqrt{\hat{p}(1-\hat{p})\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

老王听懂了这套逻辑，干脆把主摊位和参考摊位改成了“轮值实验”：单日打折，双日不打折，月末一对比。虽然不如互联网公司那样精确，但至少从“猜”进阶成了“测”。他不禁感慨：“卖鱼卖到要算概率，我这摊子也算上岸了。”

归因模型选型：功劳簿上怎么记

促销效果不错，老王想知道功劳归谁：这次活动发了 300 份传单、在菜市场微信群吼了三天、还有二十多位老熟客帮忙口头转告。最终来买三文鱼的顾客，有人是看了传单来的，有人是群里看到的，有人是朋友拉来的，还有人其实天天都来。如果要把销量“记功劳”，记在哪个渠道头上？

这就是归因模型要解决的分账问题。归因模型决定了一次转化涉及的多个渠道各自获得多少功劳权重，直接影响促销预算未来的分配方向。最简单的规则是末日点击归因——把全部功劳记在消费者下单前最后一次接触的渠道上，好处是实现简单，坏处也很明显：顾客第一次在群里看到活动种草，后来被传单提醒才来买，功劳却全算给了传单，群运营的贡献被埋没了。

另一种极端是线性归因，把所有渠道一视同仁地平均分配功劳，虽然公允了些，却又过于简单，毕竟不同渠道的作用天然不同。更高级的是数据驱动归因，用算法从历史转化数据中学习每个渠道的边际贡献，比如基于 Shapley 值的方法。它最接近真相，但前提是样本量足够大、数据闭环够完整，否则输出结果还不如简单模型稳定。

$$\displaystyle Y_i = \sum_{j=1}^{m} w_j \times X_{ij}$$

1. 定义渠道曝光矩阵 $X_{ij}$：用户 $i$ 在渠道 $j$ 上是否有过曝光或点击，取值为 0 或 1。老王在记账本上给每个顾客勾选“他/她看过传单吗、在群里吗、被朋友推荐过吗”。

$$\displaystyle X_{ij} \in \{0, 1\}$$

2. 分配渠道权重 $w_j$：所有渠道权重大于零且总和为 1。末日点击模型中，最后一个渠道权重为 1，其余为 0；线性模型中，每个渠道权重相等。

$$\displaystyle \sum_{j=1}^{m} w_j = 1,\quad w_j \geq 0$$

3. 计算用户贡献 $Y_i$：将权重与曝光标记相乘并求和，得到该用户转化“应该记在哪个渠道头上”的分配结果，再按渠道加总就是各渠道的功劳。

$$\displaystyle Y_i = \sum_{j=1}^{m} w_j \times X_{ij}$$

老王把三种归因方式都试了一遍，发现得出的“最佳渠道”各不相同。他索性把三种结论都贴在账本上，旁边批了一行字：“没有绝对正确的功劳簿，只有适合当下决策的分配方案。”这句话后来成了他给同行传授经验时的口头禅。

指标体系：不看热闹看门道

那次“八折促销”虽然带来了 90 斤增量，可月底一算总账，老王发现利润不升反降——八折让利太多，每斤少赚了一截；而且因为促销吸引了一大批贪便宜的新客，退货率也升高了。老王叹道：“单看销量就像只看热闹，热闹背后可能是亏本赚吆喝。”他开始意识到，评估促销不能只看一个数，得建一套指标体系。

指标体系设计的核心原则是“北极星指标打头，护栏指标保底”。北极星指标是这次促销最想达成的目标，比如增量销量、增量利润或者新客数；辅助指标帮助理解北极星为什么会变化，比如转化率、客单价、连带购买率；护栏指标则监控促销带来的副作用，比如退货率、售后投诉率、老客流失率。没有护栏，促销可能在拉升销量的同时悄悄侵蚀品牌资产。

指标还可以按维度拆解：按渠道看哪个推广通道的 ROI 最高，按品类看三文鱼带动了多少鲈鱼、带鱼销售，按客群看新客和老客各自贡献了多少增量。拆解的维度越细，越容易定位问题出在哪里——是折扣不够狠，还是宣传没触达对的人。

$$\displaystyle \text{ROI} = \frac{\Delta Q \times m - C_{\text{promo}}}{C_{\text{promo}}}$$

1. 计算增量利润 $P_{\text{inc}}$：用增量销量乘以单位边际利润，即每卖出一斤三文鱼能赚的钱。这里用的是“增量”而非总量，否则会高估促销回报。

$$\displaystyle P_{\text{inc}} = \Delta Q \times m$$

2. 扣除促销成本 $C_{\text{promo}}$：促销总成本不仅包含折扣让利，还包括物料印制、人力投入和渠道投放费用。

$$\displaystyle C_{\text{promo}} = C_{\text{discount}} + C_{\text{material}} + C_{\text{labor}}$$

3. 归一化为 ROI 比率：净利润除以成本，得到每投入一块钱促销费用能换回多少增量利润。ROI 大于 1 说明促销赚钱，小于 1 则是在做亏本吆喝。

$$\displaystyle \text{ROI} = \frac{P_{\text{inc}} - C_{\text{promo}}}{C_{\text{promo}}}$$

老王把指标贴在案板旁边：销量要看，毛利要看，退货也要看。他说这就像看一条鱼新不新鲜——光看个头没用，得翻鳃、按肚子、闻味道，几个指标缺一不可。从那以后，他再也不提“今天我们卖出两百斤”这种外行话了。

报告自动化：让账房先生下班

活动复盘要做的计算越来越多：增量、DID、ROI、渠道归因、指标拆解……老王每周六都要蹲在柜台后面忙活三个小时，还被媳妇笑“算账比卖鱼还累”。他开始琢磨：这些重复性的统计汇总，能不能像电动绞肉机一样，一键自动完成？

报告自动化就是把评估过程从“手工劳作”变成“流水线作业”。数据管道（ETL）负责每天自动从收银系统、会员系统、渠道后台抽取销售数据，清洗掉退款记录和异常值，再计算好当天的销量、增量基线、转化率等指标；定时任务负责每天凌晨自动触发这个管道；拿到数据后，还可以用异常检测算法标出那些异动日期——比如某天销量突然掉了 30%，系统自动标记并推送给运营人员。

自动化报表不仅是把数字堆到一张表上，更要把“所以呢”写出来：销量较基线上涨了 15%，增量主要来自微信群渠道，退货率环比上升了 2 个百分点，建议关注促销商品质量问题。这样决策者早上打开手机就能看到一份“能直接开会讨论”的报告。

$$\displaystyle z_{\text{anomaly}} = \frac{|x_t - \mu|}{\sigma}$$

1. 建立历史基准 $\mu$ 与 $\sigma$：取过去四周同一时段的销量数据，计算均值和标准差，作为“正常波动范围”的参照系。

$$\displaystyle \mu = \frac{1}{n}\sum_{t=1}^{n} x_t,\quad \sigma = \sqrt{\frac{1}{n-1}\sum_{t=1}^{n}(x_t-\mu)^2}$$

2. 计算当期偏移量：用当期值 $x_t$ 与历史均值 $\mu$ 的绝对距离来量化“今天有多反常”。

$$\displaystyle d_t = |x_t - \mu|$$

3. 归一化得到 z 得分：将偏移量除以标准差。如果今天的销量突然暴涨或暴跌，z 值就会超过阈值，系统自动提示老王“出事了”。

$$\displaystyle z_{\text{anomaly}} = \frac{|x_t - \mu|}{\sigma}$$

老王最终请程序员邻居帮忙搭了一个自动报表模板，每天早上八点准时把前一天的经营日报发到手机上。他乐呵呵地说：“这就像雇了个不睡觉的账房先生。”不过他也明白，报表能告诉他“发生了什么”，却回答不了“该怎么办”——那个问题，仍然需要他亲自想。

策略迭代：让促销越做越聪明

有了自动报表，老王的账本越攒越厚。翻看半年的促销记录，他惊喜地发现一些规律：“满 100 减 20”比“八折”更能让顾客连带买配菜；周五傍晚发微信群折扣码，比周六早上发效果翻倍；给三个月没来的老客发专属优惠，比给天天来的熟客发更能唤醒沉默需求。老王说：“以前促销是拍脑袋，现在促销是看台账，越做越有底气。”

策略迭代是促销效果评估的终点，也是下一轮促销的起点。复盘模板是必备工具：每次促销结束，系统自动生成包含增量、ROI、各渠道归因、各客群贡献的报告，运营团队开会对照目标找差距。优惠券设计则可以利用增量预测模型测算不同折扣档位的利润曲线，找到利润最大化的优惠阈值。人群圈选最关键——促销预算应该倾向“给优惠才买”的价格敏感人群，而不是花在“不打折也会买”的品牌忠粉身上。

$$\displaystyle \max_{d} \ \pi(d) = \underbrace{(p - c - d)}_{\text{每斤毛利}} \times \underbrace{\left(Q_b + E(d)\right)}_{\text{促销期销量}} - C_{\text{promo}}$$

1. 构造利润函数 $\pi(d)$：总利润 = 每斤毛利 × 促销期销量 − 促销成本。其中 $d$ 是每斤折扣金额，是我们要优化的变量。

$$\displaystyle \pi(d) = (p - c - d) \times (Q_b + E(d)) - C_{\text{promo}}$$

2. 理解销量响应函数 $E(d)$：增量销量随折扣加深而增加，但增加速度会逐渐放缓（边际递减）。老王发现，打九折多卖 10 斤，打八折可能只再多卖 8 斤。

$$\displaystyle E(d) = k \times \ln(1 + d), \quad k > 0$$

3. 求一阶条件得到最优折扣 $d^*$：对利润函数关于 $d$ 求导并令其为零。导数等于零的点，是边际利润由正转负的临界点，也是利润最大的折扣力度。

$$\displaystyle \frac{d\pi}{dd} = 0 \Rightarrow d^* = \frac{k(p-c)}{Q_b + k} - 1$$

老王把这套逻辑当成了自己的经营圣经。他常说：“促销不害怕失败，只怕失败了还不知道为什么。”每一次评估、每一次复盘，都让下一次促销更聪明一点——他的鱼摊生意也就在这个循环里，从一家小店变成了市场里最赚钱的摊位。

AI 应用场景

Python 演示

import numpy as np class PromotionEvaluator:    def __init__(self, seed=42):        self.rng = np.random.RandomState(seed)        self.sales_promo = None        self.sales_control = None     def simulate_data(self, n_days=28, promo_effect=12):        n_pre = n_days // 2        season = 5 * np.sin(np.arange(n_days) / 4)        self.sales_control = 50 + season + self.rng.normal(0, 4, n_days)        self.sales_promo = 50 + season + self.rng.normal(0, 4, n_days)        self.sales_promo[n_pre:] += promo_effect        return self     def estimate_did(self):        n_pre = len(self.sales_promo) // 2        diff_promo = self.sales_promo[n_pre:].mean() - self.sales_promo[:n_pre].mean()        diff_control = self.sales_control[n_pre:].mean() - self.sales_control[:n_pre].mean()        return diff_promo - diff_control     def estimate_roi(self, margin=12, promo_cost=600):        increment = self.estimate_did()        profit = increment * 28 * margin        return (profit - promo_cost) / promo_cost  if __name__ == "__main__":    ev = PromotionEvaluator(seed=42).simulate_data(promo_effect=12)    inc = ev.estimate_did()    roi = ev.estimate_roi()    print("促销组日均增量: {:.2f} 斤".format(inc))    print("28天促销ROI: {:.2f}".format(roi))

1. self.sales_promo = 50 + season + self.rng.normal(0, 4, n_days)生成促销组每日销量：基线 50 斤 + 季节性波动 + 随机噪声。
2. self.sales_promo[n_pre:] += promo_effect促销期后 14 天叠加真实促销效应，相当于老王打折后每天多卖的斤数。
3. diff_promo = self.sales_promo[n_pre:].mean() - self.sales_promo[:n_pre].mean()促销组促销前后均值差，这是观察到的“总变化”。
4. diff_control = self.sales_control[n_pre:].mean() - self.sales_control[:n_pre].mean()对照组同期前后均值差，用来捕捉天气和季节因素。
5. return diff_promo - diff_control双重差分核心：两组变化之差就是促销的净增量。
6. profit = increment * 28 * margin把日均增量乘以活动天数再乘以每斤毛利，得到整个促销期的增量利润。
7. ev = PromotionEvaluator(seed=42).simulate_data(promo_effect=12)用固定随机种子模拟 28 天数据，设置每天 12 斤的真实促销效应。

常见误区

面试题