3. 促销影响量化基础：价格弹性、广告弹性、交叉弹性等核心概念与计算方式
在联合优化工程中，促销影响的量化是连接业务动作与预测模型的核心桥梁。本章聚焦于三种最关键的弹性指标：价格弹性、广告弹性与交叉弹性。这些指标不仅用于衡量促销效果，更是层级预测模型中特征工程与参数校准的数学基础。
3.1 弹性系数的通用定义与业务含义
弹性（Elasticity）衡量的是因变量（销量/需求）对自变量（价格/广告投入/竞品价格）变化的敏感程度。其通用公式为：
E = (ΔQ / Q) / (ΔX / X) = (∂Q / ∂X) * (X / Q)其中：
- Q：需求量或销量
- X：自变量（价格、广告支出、竞品价格等）
- ΔQ / Q：需求量的百分比变化
- ΔX / X：自变量的百分比变化
3.2 价格弹性（Price Elasticity of Demand, PED）
价格弹性是最核心的促销量化指标，反映价格变动1%时销量变动的百分比。在零售与快消行业，价格弹性通常为负值（涨价导致销量下降）。
3.2.1 计算方式
弧弹性（Arc Elasticity）：适用于离散价格变动场景（如促销前后对比）。
E_p = [(Q2 - Q1) / ((Q2 + Q1)/2)] / [(P2 - P1) / ((P2 + P1)/2)]点弹性（Point Elasticity）：适用于连续价格变动或回归模型中的系数转换。
E_p = β * (P / Q)其中 β 为对数线性回归模型 ln(Q) = α + β * ln(P) + ε 中的系数。
3.2.2 业务应用与参考值
| 品类 | 典型价格弹性范围 | 促销策略含义 |
|---|---|---|
| 日用快消品（牛奶、纸巾） | -0.5 ~ -1.2 | 降价促销效果中等，适合薄利多销 |
| 奢侈品/高端电子产品 | -1.5 ~ -3.0 | 价格敏感度高，折扣可大幅拉动销量 |
| 必需品（药品、基础食品） | -0.1 ~ -0.4 | 缺乏弹性，降价对销量拉动有限 |
3.3 广告弹性（Advertising Elasticity of Demand, AED）
广告弹性衡量广告支出变动1%时销量变动的百分比。与价格弹性不同，广告弹性通常为正值，且存在明显的边际递减效应和滞后效应。
3.3.1 计算方式
基础模型（对数线性）：
ln(Q_t) = α + γ * ln(A_t) + δ * ln(A_{t-1}) + ε其中 A_t 为当期广告支出，A_{t-1} 为滞后一期广告支出。短期广告弹性 = γ，长期广告弹性 = γ + δ。
考虑饱和效应的S形曲线模型：
Q_t = Q_max / (1 + e^{-k * (A_t - A_0)})此时弹性随广告投入水平变化，在拐点处弹性最大。
3.3.2 典型广告弹性参考
| 媒介类型 | 短期弹性 | 长期弹性 | 衰减周期（周） |
|---|---|---|---|
| 电视广告 | 0.05 ~ 0.15 | 0.15 ~ 0.35 | 4 ~ 8 |
| 数字展示广告 | 0.10 ~ 0.25 | 0.20 ~ 0.40 | 1 ~ 3 |
| 搜索广告（SEM） | 0.20 ~ 0.50 | 0.30 ~ 0.60 | 0 ~ 1 |
3.4 交叉弹性（Cross-Price Elasticity of Demand, XED）
交叉弹性衡量产品A的价格变动对产品B的销量的影响。在促销场景中，交叉弹性是评估“蚕食效应”与“连带效应”的关键指标。
3.4.1 计算方式
E_{AB} = (ΔQ_B / Q_B) / (ΔP_A / P_A) = (∂Q_B / ∂P_A) * (P_A / Q_B)符号含义：
- E_{AB} > 0：产品A与产品B为替代品（如可口可乐与百事可乐），A涨价导致B销量上升。
- E_{AB} < 0：产品A与产品B为互补品（如打印机与墨盒），A涨价导致B销量下降。
- E_{AB} = 0：产品A与产品B相互独立。
3.4.2 层级预测中的交叉弹性矩阵
在联合优化工程中，交叉弹性通常以矩阵形式存储，用于多产品促销组合的利润优化。
| 产品\价格变动 | SKU_A | SKU_B | SKU_C |
|---|---|---|---|
| SKU_A | -1.8（自弹性） | 0.45 | 0.12 |
| SKU_B | 0.38 | -2.1（自弹性） | -0.08 |
| SKU_C | 0.10 | -0.05 | -1.2（自弹性） |
上表解读：SKU_A与SKU_B互为强替代品（交叉弹性0.45/0.38），SKU_B与SKU_C为弱互补品（交叉弹性-0.08/-0.05）。
3.5 弹性计算工程流程
在实际工程中，弹性计算通常遵循以下标准化流程：
- 数据清洗与对齐：处理缺失值、异常促销日、节假日效应。
- 模型选择：根据数据粒度选择对数线性回归、岭回归或贝叶斯结构时间序列模型。
- 弹性估计：使用OLS或MCMC方法估计系数，转换为弹性值。
- 显著性检验：p值 < 0.05 的弹性才纳入模型。
- 稳定性验证：使用滚动窗口验证弹性随时间的变化。
- 业务校准：与品类经理经验值对比，异常值需人工审核。
import statsmodels.api as sm
import numpy as np
# 对数线性回归计算价格弹性
X = sm.add_constant(np.log(df['price']))
y = np.log(df['sales'])
model = sm.OLS(y, X).fit()
beta_price = model.params['price']
mean_price = df['price'].mean()
mean_sales = df['sales'].mean()
price_elasticity = beta_price * (mean_price / mean_sales)
print(f"价格弹性: {price_elasticity:.3f}")3.6 三种弹性的联合优化关系
在促销影响量化中，三种弹性并非独立存在。下图展示了它们在联合优化工程中的协同关系：
3.7 弹性在层级预测模型中的嵌入方式
在层级预测模型中，弹性不是静态参数，而是作为动态特征或先验分布嵌入：
- 特征工程层：将弹性值作为回归特征，与时间特征、季节特征共同输入预测模型。
- 参数约束层：在结构化模型中，将弹性作为参数的先验均值（如贝叶斯回归中的先验分布）。
- 后处理校准层：预测结果乘以弹性调整因子，实现“促销响应”的实时修正。