促销期间销量涨了30%，但你真的知道这30%里有多少是促销带来的，又有多少是“本来就会涨”的吗？本文带你用反事实预测回答这个问题，附完整实现思路。

一、一个让所有零售人都纠结的问题

你做了一次促销，销量涨了30%。老板问：“这次促销效果怎么样？”

你回答：“涨了30%。”

老板继续问：“如果不做促销，会涨多少？”

你沉默了。

这恰恰是促销评估中最核心的难题：我们永远无法同时观测到“做了促销”和“没做促销”两种结果。你看到的增长，可能包含三部分：

· 自然增长：季节到了、市场好了，不做促销也会涨
· 促销增量：真正由促销带来的额外销售
· 透支效应：促销让用户提前消费，后续销量反而下降

把自然增长当作促销效果——这种“伪增长”陷阱，每天都在零售行业上演。某品牌春节前加大广告投放，节后销量显著增长，但追加预算后利润反而下滑——事后才发现，春节本身就是消费旺季。

二、从相关到因果：核心思维转变

传统销量预测回答的是 “是什么” ——根据历史数据预测未来销量是多少。而因果推断回答的是 “为什么” ——某个动作（促销、调价、上新）真正带来了多少变化。

两者的本质区别在于：

相关性分析 因果推断
核心问题 销量会涨多少？ 促销让销量涨了多少？
关键能力 预测 构造“反事实”
业务价值 知道结果 知道归因，优化决策

因果推断通过构建未实施商业动作的“反事实”场景，对比真实结果与反事实结果，计算出商业动作的净效应。

三、反事实预测：让“没发生的事”变得可计算

反事实预测的核心思路是：训练一个模型，预测“如果没有促销，销量会是多少” ——这个值叫基线（baseline）。实际促销销售额减去基线，就是增量销售额（uplift）。

在一家法国连锁店的实际项目中，数据科学家用Prophet和XGBoost构建了反事实预测模型，准确率接近90%。该项目帮助需求规划人员精准评估了过去促销活动的效果，为未来的促销选品和机制设计提供了数据支撑。

DoorDash也采用类似的因果机器学习框架，不是简单追踪谁使用了优惠券，而是估计促销在多大程度上改变了用户的下单意愿——区分“本来就会下单的人”和“被优惠券说服的人”。结果发现，许多打折订单即使没有折扣也会发生，那些折扣只是白白牺牲了利润。

四、四种实现方法（由简到难）

方法一：双重差分法（DID）——最简单，最常用

选择两组数据：实验组（参与促销的商品/用户）和对照组（未参与促销的相似商品/用户）。分别计算两组在促销前后的销量变化，用实验组的变化减去对照组的变化，就剔除了时间效应和群体固有差异。

某电商平台用DID评估学生用户的大额优惠券效果：先分别计算学生和白领在活动前后的销量变化（剔除双十一的时间效应），再用学生的变化减去白领的变化（剥离群体差异），最终得出60元的人均额外销售额——这就是优惠券的净效应。

适合：有明确干预时点、能找到合适对照组的场景。

方法二：时间序列反事实（Prophet/XGBoost）

用促销前的历史数据训练模型，预测促销期间的“如果没有促销的销量”（基线），实际销量减去基线即为增量。

法国连锁店项目就是用这个方法，手工制作时间特征（趋势、季节性、节假日等），让模型学会预测“正常情况下的销量”，再对比促销期间的实际销量。

适合：有较长历史数据、促销是周期性发生的场景。

方法三：倾向得分匹配（PSM）

不是随机分配促销，而是为每个参与促销的商品/用户，匹配一个特征最相似的未参与对象作为对照组，对比两者的差异。

适合：促销是“选择性”投放的（如只给部分用户发券），存在选择偏差的场景。

方法四：元学习器（Meta-Learners）——最精准，最复杂

用机器学习模型直接预测个体层面的增量效应（Uplift），能回答“对谁最有效”。X-Learner、T-Learner、S-Learner等都是常见实现。

某电商平台用X-Learner优化优惠券投放，精准定位高敏感人群，显著提升了营销ROI。阿里也利用因果推断优化天猫营销活动，将投放资源从不敏感人群转移到高敏感人群，既节省成本又提升效果。

适合：数据量大、有个性化投放需求、团队有ML能力的场景。

五、实施中的关键注意事项

数据质量是命门：特征选择需谨慎，避免包含干预标签，严格把控数据质量。如果你的促销记录不完整、价格数据有缺失，任何因果推断方法都会失效。

警惕混淆变量：同时影响“是否促销”和“销量”的因素（如季节性、库存状态）会扭曲因果估计。例如，夏天饮料销量自然高，同时夏天促销也多——如果不控制季节因素，你会高估促销的效果。

结果要翻译成业务语言：技术人员需将结果转化为业务语言，例如“这次促销带来人均60元额外销售额”远比复杂公式更有效。

六、我的API能帮你做什么？

我的销量预测API目前已经内置了反事实基线预测功能。你只需要：

1. 传入历史销量数据和促销日历
2. 指定想要评估的促销时间段
3. API自动输出：基线销量（如果没有促销）vs 实际销量，并计算增量

这一功能基于XGBoost时间序列模型，手工构造了趋势、季节性、节假日等时间特征。免费试用期间可以体验。

七、总结

因果推断不是要取代传统的销量预测，而是在预测之上增加一层“归因”能力——让你不仅知道销量会是多少，更知道为什么会是这样。

从DID到元学习器，方法有繁有简，但核心思维一致：构造反事实，计算净效应。对于中小企业，可以从DID或时间序列反事实入手；对于数据量大、追求精准的企业，元学习器是值得投入的方向。

互动问题：你评估过促销的真实ROI吗？用了什么方法？评论区分享你的经验。

---