促销影响量化基础：促销弹性定义、基线销量模型、增量销量分解方法

促销影响量化的核心在于将总销量拆解为“如果没有促销也会发生的销量”与“纯粹由促销驱动的增量销量”两部分。本章围绕三个基础概念展开：促销弹性衡量销量对促销力度的敏感度；基线销量模型估计无促销状态下的自然销量；增量销量分解方法则从实际销量中剥离出促销的净效果。

2.1 促销弹性定义

促销弹性（Promotion Elasticity）是量化促销力度与销量变化之间关系的核心指标，定义为销量变化率与促销力度变化率之比：

E = (ΔQ / Q) / (ΔP / P)

其中：

• Q：基准期销量
• ΔQ：促销期间销量变化量
• P：基准期价格或促销力度指标（如折扣率、优惠券面值）
• ΔP：促销力度变化量

实际应用中，促销弹性通常通过对数-对数回归模型估计：

ln(Sales_t) = β₀ + β₁ · ln(Price_t) + β₂ · ln(Promotion_Depth_t) + ε_t

其中 β₂ 即为促销弹性系数。弹性值越大，表示销量对促销越敏感。

2.2 基线销量模型

基线销量（Baseline Sales）指在无促销、无特殊事件干扰下，产品自然产生的销量。常用建模方法包括：

• 历史均值法：取非促销期同周/同月销量均值，简单但忽略趋势与季节性。
• 时间序列分解法：使用 STL（Seasonal-Trend decomposition using LOESS）将销量拆解为趋势、季节、残差分量，基线 = 趋势 + 季节。
• 回归基线模型：引入价格、节假日、温度等控制变量，仅保留非促销期数据拟合。

以下为回归基线模型的典型结构：

Sales_t = α + γ · Trend_t + Σ(δ_m · Month_m) + Σ(θ_w · Weekday_w) + β · Price_t + ε_t

模型仅使用非促销期样本训练，预测值即为基线销量。促销期的基线销量由模型外推得到。

2.3 增量销量分解方法

增量销量（Incremental Sales）定义为实际销量减去基线销量。分解方法的核心在于如何合理分配促销效果与自然波动。主流方法包括：

• 直接减法：Incremental = Actual - Baseline。简单直观，但未考虑促销对基线本身的反馈效应（如提前购买、库存囤积）。
• 因果推断法：使用双重差分（DID）、合成控制法（SCM）或断点回归（RDD）构建反事实销量，更严谨地剥离促销因果效应。
• 多层级分解法：将增量进一步拆分为“品类转换增量”、“品牌转换增量”、“购买加速增量”和“新客增量”。

以下为多层级分解的数学表达：

Incremental = ΔCategory_Share + ΔBrand_Share + ΔPurchase_Timing + ΔNew_Customer

其中：

• ΔCategory_Share：促销使品类整体扩容带来的增量
• ΔBrand_Share：从竞品抢夺的份额
• ΔPurchase_Timing：消费者提前购买带来的短期增量（需后续扣减）
• ΔNew_Customer：首次购买用户贡献的增量

2.4 三种方法的对比与选择