1. 课程导论
1.1 促销效果评估的四大核心痛点
在零售与消费品行业，促销活动是驱动短期销售增长的核心手段，但绝大多数企业的促销评估仍停留在“增量=促销期销量-基线销量”的粗放阶段。这种简单减法忽略了因果混淆、渠道交互与长期衰减，导致以下四大痛点：
| 痛点 | 典型表现 | 业务后果 |
|---|---|---|
| 因果混淆 | 促销期恰逢自然增长旺季，或竞品同步促销，增量被高估 | ROI 虚高，预算浪费在“搭便车”活动上 |
| 归因碎片化 | 线上满减、线下堆头、社群券码各自独立评估，无统一归因框架 | 渠道间重复计算或漏算，总增量与财务对不上 |
| 忽略长期效应 | 只看促销周销量，忽略后续 4-8 周的透支效应（库存转移） | 短期冲量但季度总销量无增长，库存成本上升 |
| 特征维度缺失 | 仅用“是否促销”二元变量建模，忽略折扣深度、时长、商品价格带等因果特征 | 无法回答“打 7 折 vs 买一送一哪个更有效” |
关键洞察： 上述痛点本质上是“效果量化”与“特征归因”的割裂。传统方法先做增量测算，再单独跑回归找驱动因子，两阶段误差叠加，导致决策置信度极低。
1.2 联合优化的必要性：为什么不能分步做？
分步法（先算增量，再建模特征）存在三个不可逆的缺陷：
- 误差传递放大： 第一步的增量估计偏差会直接污染第二步的特征系数，且无法在第二步中被纠正。
- 反事实缺失： 促销效果的本质是“同一商品在同一时间被促销 vs 不被促销”的因果对比，分步法无法构建有效的反事实对照组。
- 特征交互被忽略： 折扣深度与促销时长、商品品类与渠道类型之间存在强交互效应，分步线性模型无法捕捉。
联合优化的核心思想是：将促销效果量化（因果推断）与驱动因子建模（特征重要性）整合到同一个端到端框架中，让增量估计与特征归因共享同一套反事实生成机制，从而消除误差传递、提升可解释性。
类比理解： 分步法像先测体温再开药，但体温计本身有误差；联合优化像同时做诊断与药效预测，用同一个模型校准两者。
1.3 课程目标与学习路径
本课程面向数据科学家、营销分析经理与增长负责人，目标是在 30 个章节内交付一套可落地的工程化方案：
| 维度 | 具体目标 | 交付物 |
|---|---|---|
| 因果推断 | 掌握双重机器学习（DML）、合成控制、断点回归在促销场景的适用条件与实现 | 可复用的增量评估 Pipeline |
| 特征建模 | 构建促销因果特征体系（折扣弹性、时长衰减、渠道协同系数） | 特征重要性排序与 SHAP 解释 |
| 联合优化 | 实现“增量估计→特征归因→预算分配”的闭环决策引擎 | 促销组合推荐与 ROI 模拟器 |
| 工程落地 | 提供 Python 代码、数据模拟器与离线/在线评估方案 | GitHub 仓库 + 可执行 Notebook |
1.4 案例背景：某快消品牌的促销困局
本课程全程围绕一个真实脱敏案例展开——“FreshDaily” 乳制品品牌（年营收 12 亿元，SKU 约 200 个，覆盖商超、便利店与电商渠道）。FreshDaily 面临以下典型问题：
- 促销频率高但 ROI 逐年下降： 每周至少 3 档促销，但 2024 年 ROI 同比下滑 18%。
- 渠道间“抢量”严重： 线下 7 折活动导致电商渠道销量下降 12%，整体增量被蚕食。
- 管理层质疑增量真实性： 财务部门发现促销期销量增长但季度总销量持平，怀疑存在“寅吃卯粮”。
- 缺乏特征级指导： 市场部无法回答“满减 vs 直降哪个更适合酸奶品类”“促销时长 3 天还是 7 天更优”。
我们将以 FreshDaily 的 2024 年 1 月—2025 年 3 月全渠道销售数据为基础，构建联合优化模型，并输出可操作的促销策略建议。
数据说明： 案例数据经过脱敏与噪声注入处理，保留真实业务模式但无法反推原始商业信息。所有代码与结果仅用于教学演示。
1.5 课程结构速览
30 章内容分为五个模块，确保从理论到工程的无缝衔接：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础与数据 | 1-5 | 因果推断基础、数据模拟器构建、EDA 与反事实框架设计 |
| 增量量化 | 6-12 | DML、合成控制、断点回归、工具变量在促销场景的实现 |
| 特征建模 | 13-20 | 因果特征工程、异质性处理效应、SHAP 与 PDP 解释 |
| 联合优化 | 21-26 | 端到端 Pipeline 构建、预算分配优化、A/B 测试验证 |
| 工程与总结 | 27-30 | 离线/在线评估、代码仓库、案例复盘与扩展思路 |
学习建议： 如果你对因果推断已有基础，可以直接从第 6 章开始；但建议至少阅读第 3-5 章的数据模拟器部分，因为后续所有案例都基于同一套生成逻辑。