当前位置：首页 > ds >正文

促销量化模型简介和示例

ds 2025/5/6 5:41:14

促销量化模型

“促销量化模型”通常指的是一种用来量化促销活动对销售额影响的模型，它帮助企业评估不同促销策略（如打折、买赠、限时优惠）对销量的提升作用，支持科学定价与市场推广决策。

📊 一、促销量化模型的基本框架

模块	内容
输入变量	商品原价、促销类型、促销力度、促销时长、媒体曝光量、门店分布、季节等
输出变量	销售量 uplift、销售额 uplift、ROI（投入产出比）、毛利变化等
数据来源	历史销售数据、促销活动记录、广告花费、库存情况、外部天气/节假日数据等
常用算法	回归模型（如线性回归、Lasso）、树模型（如XGBoost、Random Forest）、贝叶斯结构、A/B测试等
模型目标	预测促销带来的销量提升；估计不同策略的效果；支持优化促销组合

🧠 二、典型模型类型与实现方式

1. 回归模型

目标变量：销售量 uplift（= 促销销售量 - 非促销预估销售量）
特征变量：促销类型、价格折扣、曝光次数、历史销量、节假日等

示例模型：

from sklearn.linear_model import LinearRegression
X = df[["discount_rate", "promotion_duration", "store_count", "holiday_flag"]]
y = df["sales_uplift"]
model = LinearRegression().fit(X, y)

2. A/B 测试

通过对比促销组与控制组，直接计算 uplift：

$\text{Uplift} = \frac{\text{销售量}_{\text{促销组}} - \text{销售量}_{\text{控制组}}}{\text{销售量}_{\text{控制组}}}$

3. 时间序列预测 + Counterfactual Estimation

使用ARIMA、Prophet等预测非促销情况下的销量（Counterfactual）
比较实际销量与预测值估算 uplift

🔍 三、示例：护手霜电商促销销量建模

假设你要评估“双11”期间护手霜电商活动的效果，建模步骤如下：

1. 数据收集

历史每天销量
促销信息（满减、买赠、打折）
广告曝光、直播流量、社交媒体讨论量
天气、节假日等外部数据

2. 特征工程

df["discount_rate"] = 1 - df["promo_price"] / df["original_price"]
df["is_double11"] = df["date"].isin(double11_dates)

3. 模型构建（例如XGBoost）

import xgboost as xgb
model = xgb.XGBRegressor()
model.fit(X_train, y_train)

4. 效果评估

预测 vs 实际销量
uplift 评估
ROI = 增加销售额 / 促销成本

📈 四、结果可视化建议

销量 vs 时间线：标注促销期，看销量是否明显上升
uplift 对比图：促销 vs 非促销产品对比
ROI 热力图：不同促销策略组合下的回报率

示例

下面是一个护手霜电商促销量化模型的完整示例，用于评估促销活动对销量的影响，并预测在不同促销策略下可能带来的销量提升（uplift）。

🧪 场景设定

我们有一份历史销售数据，字段如下：

日期	销量	原价	促销价	是否促销	曝光量	是否节假日
2024-11-01	100	30	30	0	1000	0
2024-11-11	350	30	21	1	5000	1
…	…	…	…	…	…	…

🧱 1. 构造样本数据

import pandas as pd# 构建简化版销售数据
data = pd.DataFrame({"date": pd.date_range("2024-11-01", periods=10, freq="D"),"sales": [100, 120, 110, 105, 350, 140, 130, 115, 400, 150],"original_price": [30] * 10,"promo_price": [30, 30, 30, 30, 21, 30, 30, 30, 18, 30],"is_promo": [0, 0, 0, 0, 1, 0, 0, 0, 1, 0],"exposure": [1000, 1100, 1050, 1000, 5000, 1200, 1150, 1000, 5500, 1250],"is_holiday": [0, 0, 0, 0, 1, 0, 0, 0, 1, 0]
})

🧮 2. 特征工程：构建促销折扣率

data["discount_rate"] = 1 - data["promo_price"] / data["original_price"]

🤖 3. 构建模型：使用回归预测销量

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_splitfeatures = ["discount_rate", "exposure", "is_promo", "is_holiday"]
X = data[features]
y = data["sales"]X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)model = LinearRegression()
model.fit(X_train, y_train)

🔮 4. 模拟促销策略，评估uplift

模拟在 非促销日，如果进行打8折促销（discount_rate=0.2），销量预计提升多少？

# 选出非促销的样本
non_promo = data[data["is_promo"] == 0].copy()# 构造打8折模拟场景
non_promo["discount_rate"] = 0.2
non_promo["is_promo"] = 1# 预测销量
non_promo["predicted_sales"] = model.predict(non_promo[features])# 与原销量比较，计算uplift
non_promo["uplift"] = non_promo["predicted_sales"] - non_promo["sales"]print(non_promo[["date", "sales", "predicted_sales", "uplift"]])