# 零售促銷優化：如何提升利潤

> 運用數據、AI 與測試掌握零售促銷優化。逐步學習規劃、衡量增量效益並保護利潤空間。

Source: https://www.electe.net/tc/post/promotion-optimization-in-retail

Site guide: https://www.electe.net/tc/llms.txt

對超市、折扣店、藥妝店和大型量販店而言，促銷活動可能貢獻**總營收的 10% 至 45%**，然而**20% 至 50% 的促銷活動未能帶來明顯的銷售增長，甚至可能導致銷售下滑**。根據[零售促銷優化研究](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content)顯示，另有**20% 至 30% 的促銷活動會稀釋利潤**，因為增加的銷售額不足以彌補優惠成本。

這改變了零售商應該提出的問題。目標不是創造最大的銷量高峰，而是在考量基準需求、蠶食效應、提前購買以及折扣與執行成本後，產生**淨增量利潤**。曝光度同樣重要——顧客若從未看到一項優質優惠，便無從做出回應。

本指南提出一套實用的**零售促銷優化**方法，涵蓋數據準備、分眾、需求建模、情境測試、庫存規則，以及活動後的成效衡量。AI 能讓這套流程更容易被中小企業採用，但前提是團隊必須提供乾淨的數據、合理的限制條件，以及正確的成功定義。

## 零售促銷優化為何攸關當前的成長

零售商可能提高了銷售單位數，利潤卻反而下降。折扣可能補貼了原本就會購買的顧客，將需求從其他產品轉移過來，或是把未來的購買提前拉進當期。因此，促銷成效除了營收與銷量增長外，還取決於**淨增量利潤**與顧客曝光度。

BCG 的研究結果說明了這項區分為何重要。根據[零售促銷分析](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content)記載，**20% 至 50% 的促銷活動未帶來明顯增長，甚至導致銷售下滑**，另有**20% 至 30% 會稀釋利潤**，因為增加的銷售額不足以彌補促銷成本。零售商必須將**增量需求**與原本在正常情況下就會發生的購買區分開來，並確認顧客是否在看到優惠後才以更深的折扣做出回應。

### 成功的商業定義

一套實用的評分卡會將促銷結果拆解為以下部分：

- **基準銷售額**，指沒有優惠情況下的預期需求。
- **促銷總增長**，指活動期間觀察到的銷售增幅。
- **蠶食效應**，指從相關產品轉移過來的需求。
- **提前購買**，指從未來時段提前轉移過來的購買。
- **淨增量銷量**，指扣除上述項目後剩餘的需求。
- **增量利潤**，指淨銷量乘以利潤率，再扣除促銷與執行成本。

這項計算能為分析師提供更好的基礎，用以比較優惠機制、產品、門店、時機與價格點。這也能減少對去年檔期的自動重複套用。一項促銷活動在銷售報告中可能看起來很成功，但在納入蠶食效應、需求提前透支及執行成本後，卻可能無法通過利潤測試。

### AI 為何改變了規劃的對話方式

零售促銷規劃已從人工排期作業發展為一套涵蓋資料準備、門店與產品分群、需求估算、敏感度分析及成效衡量的工作流程，正如[現代促銷優化框架](https://maxccohen.github.io/Book-Chapter-Promotions.pdf)中所述。

採用程度仍不平均。2024 年 DemandTec 市場快照報告指出，僅有 **20% 的零售商能有效優化貿易資金**，而 **54% 的雜貨零售商強烈同意他們使用優化平台來最大化促銷成效**。根據同一資料來源，僅有 **31% 的雜貨零售商強烈同意他們能夠識別出效果不佳或無效的促銷活動**。

AI 是輔助商業判斷，而非取而代之。它讓一個小團隊能夠測試更多情境、標記異常反應，並在無需手動重建試算表的情況下監控結果。對中小企業而言，實際的收益在於**精細化的優惠選擇**：在門店與產品證據支持的情況下採用不同的機制或價格點，而不是到處套用大範圍折扣。

正在建立此基礎的團隊，可以參考這份[零售分析完整指南](https://www.electe.net/post/data-analytics-in-retail-industry)。

## 建立資料基礎並對門店與產品進行分群

促銷模型的可靠性取決於背後的記錄品質。在估算需求之前，須先建立一致的視角，了解賣出了什麼、以什麼價格、在哪個地點、於哪個期間，以及在何種促銷條件下售出。

實務工作流程始於五項相互關聯的活動：

1. **收集交易歷史。**擷取銷售量、營收、產品識別碼、門店或渠道、交易日期及促銷標記。
2. **加入價格歷史。**區分正常價格、促銷價格、降價、多件優惠機制，以及可取得的會員專屬優惠。
3. **納入日曆背景資訊。**記錄可能影響需求的平假日、季節、節日、發薪週期、當地活動及行銷檔期。
4. **整理產品資訊架構。**將 SKU 對應至品類、品牌、包裝規格、產品系列，以及替代或互補商品。
5. **清理並彙整資料。**解決重複識別碼問題、統一日期格式、處理缺失值、移除明顯的資料錯誤，並在有用的產品、門店與時間層級上彙整資訊。

### 為何分群不可省略

市中心的便利商店與郊區的大型量販店，對同一項促銷活動的反應方式不會相同。同一產品在不同地區、渠道或門店類型之間，也可能表現出不同的行為模式。

分群能在模型估算反應之前，先建立可比較的群組。實用的分群訊號包括：

- **門店特徵**，例如門店類型、地區、顧客購物目的與銷售面積。
- **銷售模式**，包括銷量、季節性、促銷頻率與品類組合。
- **產品行為**，例如品牌類型、價格層級、包裝規格、可替代性與利潤結構。
- **營運條件**，包括供貨情況、補貨頻率與當地商品組合。

其分析原理相當直接。若將異質性門店視為相同對待，模型會將不同的需求模式平均混合在一起。這會削弱基準預測的準確性，並可能產生一個對任何特定門店群組都不特別有效的促銷檔期。

### 中小企業的準備狀態檢查

在連接數據分析平台之前，請先確認以下問題：

- **你能否一致地識別每一項產品？**產品代碼應在交易、價格、庫存與促銷資料表中保持一致穩定。
- **你能否區分正常價格與促銷價格？**若無此區分，彈性估算將變得不可靠。
- **你能否掌握供貨情況？**銷售偏低可能代表商品缺貨，而非消費者興趣不足。
- **你能否還原促銷活動的全貌？**門店範圍、時間、折扣幅度、促銷機制與通路等資訊都應可取得。
- **你能否說明資料權責歸屬？**必須有人負責審核定義並調查異常狀況。

對中小企業而言，自動化應負責處理重複性的連接與前置處理工作，同時由業務負責人審核定義。像 ELECTE 這樣的平台可以連接資料來源、自動預處理資訊、產生報表，並透過 AI 監控揭露異常狀況。這讓沒有專責資料工程團隊的組織也能更輕鬆地執行此工作流程。

門店與產品分群應保持可解釋性。如果商品經理無法理解為何兩家門店被歸為同一群組，無論模型多麼精密，該分群方式都無法獲得信任。想進一步探索 AI 應用的團隊，也可以參考這篇關於[以 AI 進行顧客分群](https://www.electe.net/post/customer-segmentation)的指南，了解相關的分群觀點。

## 正確估算需求與價格彈性

促銷分析的起點是一個反事實問題：若沒有此次優惠，該產品原本會賣出多少數量？這項估算即為**基準需求**，它決定了一次促銷究竟創造了增量利潤，還是只是將銷售在時間、產品或門店之間做了轉移。

應根據歷史價格、銷量、日曆資訊、供貨情況與促銷背景來建立基準需求。若僅將促銷週與其前一週相比，在季節性、競爭對手活動、庫存限制或先前促銷影響需求的情況下，可能會產生誤導。乾淨的基準需求也能揭露可見性缺口。若缺乏供貨資訊，可能會以更深的折扣來解決缺貨或陳列位置的問題，而這類問題並非價格所能解決。

### 彈性是防護指標，而非折扣目標

**價格彈性**衡量需求隨價格變動而改變的程度。負值通常代表價格下降時需求會上升,而反應幅度則因產品、零售商、地區、店群及客戶區隔而異。

在資料條件允許的情況下,以**產品 × 零售商 × 地區層級**估算彈性。促銷效果在這些維度之間可能有很大差異,詳見[細粒度貿易促銷衡量指南](https://medium.com/@tigeranalytics/improving-trade-promotion-spend-effectiveness-717ef6e7d6b8)的說明。

平均折扣幅度是一項不佳的決策依據。同樣的折扣可能讓某個 SKU 獲利成長,卻讓另一個 SKU 的利潤受損。品牌類型也會改變可能的反應。一項涵蓋**63,754,458 次促銷**的大規模觀察性研究發現,平均銷售提升幅度為**69.4%**,其中全國性品牌為**88.8%**,自有品牌為**57.2%**。該研究指出,在平均折扣幅度為**18%**時,隱含的促銷價格彈性為**-3.86**,詳見[促銷反應研究](https://www.mit.edu/~maxcohen/Promopaper_Final.pdf)的記錄。

請將這些數字視為市場層級的觀察結果,而非個別 SKU 的目標值。可利用它們來設定區隔與防護基準,再依據自身門市、產品及利潤結構驗證實際反應。

### 納入促銷商品以外的影響

產品很少單獨銷售。某一款咖啡包裝的折扣,可能會將需求從另一款包裝、品牌或規格轉移過來。大型促銷活動也可能提前拉動購買,導致促銷結束後出現銷量下滑,因為消費者正在消耗囤積的庫存。

在模型中納入以下影響:

- **跨品項效應**,涵蓋替代品、互補品及相鄰包裝規格。
- **跨期效應**,包括促銷後的銷量下滑及提前拉動的需求。
- **庫存可得性效應**,避免將缺貨誤判為彈性偏弱。
- **品牌與品類結構**,讓全國性品牌、自有品牌及私有品牌層級保持區隔。
- **利潤門檻**,避免高銷量建議變成虧本方案。

根據上述引用的研究,基於超市資料的研究發現,納入跨品項與跨期效應可提升預測品質,並使品類利潤提高約**17%**。該來源已於前文連結一次,本節不再重複其網址。

針對每個候選促銷方案,顯示預期基準銷量、增量銷量、營收、利潤、蠶食風險、庫存暴露程度,以及對其他價格的敏感度。AI 能快速找出模式,而分析師則負責設定商業防護基準,並檢查預期提升幅度在扣除這些因素後是否仍然成立。

當促銷可能改變補貨需求時,可將需求訊號連結至[以預測優化庫存](https://www.electe.net/post/time-series-forecasting)。

## 運用 AI 與庫存規則規劃、測試並優化促銷

一旦需求預測具備可信度，優化就成為一個受限的決策問題。你並非要求演算法去最大化銷量，而是要求它在滿足商業與營運規則的前提下，選出合適的產品、價格、日期、門市與促銷機制。

一次實用的優化執行，應比較以下情境：

- **較淺的折扣**但涵蓋更廣的品項組合。
- **較深的優惠**但僅針對少數高反應度產品。
- 相同優惠但在不同的時間窗口執行。
- 僅在特定門市群組推行促銷，而非全通路鋪開。
- 透過組合優惠提升客單價，而不必調降每項商品的價格。

### 從情境沙盒開始

在公布活動日曆前，先讓候選方案在沙盒中跑一遍。針對每個情境，比較預期淨增量銷量、貢獻毛利、庫存消耗、預算使用情況與執行複雜度。

敏感度分析之所以重要，是因為預測並非事實。請針對折扣幅度、時間安排、預期反應、供貨情況與蠶食效應等假設進行調整。如果某項建議只有在單一樂觀假設下才顯得有利可圖，那就需要重新檢視，而非直接照單全收。

一個實用的測試矩陣可能包含：

決策變數情境問題商業檢核**折扣幅度**如果優惠幅度變小會怎樣？增量毛利是否能在不偏離目標的情況下提升？**時機**這項優惠在其他時間窗口是否效果更好？季節性或競爭對手活動是否會改變結果？**商品組合**替代品應該一起促銷還是分開促銷？此方案是否能創造品類增量？**門市範圍**哪些門市群集應該獲得此優惠？反應與庫存條件是否具有可比性？**促銷機制**組合搭售是否比直接折扣更好？此機制是否能保護價值並保持可執行性？

### 設計增量測試

盡可能使用對照組。選取具可比性的門市、顧客或地區,不讓其接受該促銷活動,再將其變化與參與促銷的群組進行比較,同時控制基準差異。

追蹤代碼與優惠識別碼應能將曝光與購買行為連結起來。依門市群組、產品、顧客群體及通路對分析結果進行分層。單一的全連鎖平均值可能掩蓋某一區隔的強勁反應,以及另一區隔的利潤損失。

> **實務原則:**不要因為測試組銷量較高就核准促銷活動。只有當增量結果在與對照組比較及利潤計算後仍然成立時,才予以核准。

### 加入庫存與預算規則

在最佳化程序執行前,應先明確設定庫存限制條件。設定最低與最高庫存政策,保護安全庫存,在供應有限時限制促銷數量上限,並排除可用性資料不可靠的產品。

相同的邏輯也適用於商業資金運用。訂定可用的促銷預算、最低毛利貢獻、最大折扣幅度,以及活動之間可接受的重疊程度。良好的[高效庫存管理技巧](https://www.displayguru.co.uk/blogs/news/best-practices-for-inventory-management)能透過提升這些規則背後的營運紀律,來補強此模型。

對中小企業而言,AI 最實用之處在於自動化歷史比較、為情境排序、解釋異常值,以及在活動上線後監控 KPI。它不應取代核准流程。最終方案仍需要商品企劃、財務、行銷及庫存團隊的參與。

## 衡量淨增量利潤並修補曝光落差

僅顯示銷售提升的促銷後報告是不完整的。毛提升幅度看似亮眼,但零售商可能因蠶食效應、需求提前透支、過度折扣或活動成本而虧損。

在宣布成功之前,建立一份能將各項組成部分區分開來的促銷層級損益表:

組成部分衡量內容重要性**總提升量**促銷期間相對基準線的額外銷售單位數顯示可見的反應，但無法說明該反應是否有利潤**互相蠶食**從相鄰或替代產品轉移而來的銷售額避免類別績效被高估**需求前移**因促銷而提前購買的未來需求揭示促銷後的疲弱表現與時間分佈的扭曲**淨增量銷量**扣除互相蠶食與需求前移後的總提升量提供更可信的新需求衡量指標**增量利潤**扣除毛利率、折扣、資金補貼與執行成本後的淨增量銷量判定促銷是否創造了經濟價值

對超市數據的研究發現，促銷活動會使需求在不同產品與時段之間轉移，這正是為什麼[零售促銷優化研究](https://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID3584321_code2182143.pdf?abstractid=3194640&mirid=1)強調將區隔劃分、需求估算、優化與成效衡量視為彼此相連的步驟。

### 使用有意義的提升門檻

某些衡量系統會將微小的表面效果排除在所分配的促銷提升值之外。Oracle 的零售優惠優化文件將 `PROM_LIFT_MIN_VALUE` 設為 **1.05**，意味著提升幅度低於 **5%** 的促銷活動不會被賦予任何提升值，正如[Oracle 的優惠優化文件](https://docs.oracle.com/cd/F17841_01/orscs/pdf/180002/html/implementation_guide/offer-opt.htm)所示。

該門檻並非放諸四海皆準的商業規則。但它說明了一個實用的原則：當正常的需求波動與衡量誤差就足以解釋觀察到的微小變化時，這些變化不應自動被歸功於促銷成效。

除了單位數與營收之外，還要追蹤**增量促銷投資報酬率（ROI）**、**促銷毛利貢獻**、**蠶食效應**以及**每單位增量銷售成本**。若某項促銷雖能帶來銷量，但每單位增量成本偏高，其獲得的資源或許應少於一項聲量較低、但毛利貢獻更強的活動。

### 在進一步降價之前，先解決能見度問題

有些成效不佳的促銷是因為優惠本身條件不佳；另一些則是因為消費者根本沒有接觸到該優惠。根據[關於促銷曝光與零售媒體的報導](https://www.linkedin.com/posts/instoremarketplace_retail-media-grows-but-hard-to-use-offers-activity-7465797960526827520-weEN)，近期報導指出存在**420億美元的促銷落差**，且近半數消費者在最近一次購物時並未注意到相關優惠。

這項發現指向一個更廣泛的漏斗流程：

1. **曝光**，目標受眾是否看到了該優惠？
2. **互動**，他們是否與訊息或版位有所互動？
3. **轉換**，他們是否完成了購買？
4. **增量效果**，該筆購買是否增加了品類需求？
5. **獲利能力**，最終結果是否足以覆蓋投入成本？

統籌應用程式版位、電子郵件、貨架文宣、結帳訊息與零售媒體。在加大折扣力度之前，先確認優惠是否已觸及正確的顧客與管道。

當進出管制、身分驗證或店內互動會影響消費者接收個人化體驗的方式時，實體零售團隊也可以評估與[零售空間訪客身分驗證](https://www.purple.ai/en-us/case-studies/grupo-sanborns)相關的問題。重點不在於不加篩選地蒐集更多顧客資料，而是僅使用衡量所需的必要資訊，清楚說明其用途，並遵循適用的隱私規範。

## 關鍵重點與您的下一個促銷週期

當商業團隊將每個促銷活動視為可衡量的投資時，零售業的促銷優化才能發揮作用。最有效的流程並非追逐最大的銷售高峰，而是找出促銷在扣除折扣成本、產品組合效應、時間點扭曲及執行成本後，仍能創造有價值需求的地方。

在下一個週期開始前，請使用以下檢查清單：

1. **驗證基礎資料。**確認產品識別碼、正常與促銷價格、庫存狀況、日曆背景、利潤率及促銷機制。在建模前先修正缺失或不一致的紀錄。
2. **尊重各區隔之間的差異。**將可比較的門市與產品分組。依產品、零售商、地區、通路及客戶區隔審視反應情況，而非僅依賴全連鎖的平均值。
3. **在優化前設定護欄。**訂定最低毛利貢獻、最大折扣幅度、庫存保護機制、促銷預算，以及可接受的品項重疊程度。
4. **比較情境，而非假設。**在沙盒環境中測試不同的價格、時間窗口、門市範圍及促銷機制。剔除僅在樂觀需求或低蠶食效應下才成立的方案。
5. **衡量完整結果。**將毛額提升與蠶食效應及提前消費效應對齊調節，再計算淨增量銷量、增量利潤、促銷投資報酬率，以及每單位增量銷售的成本。
6. **稽核曝光情況。**若消費者根本沒看到優惠，加深折扣力度可能只是提高了曝光問題的成本。請先檢查應用程式、電子郵件、貨架、結帳流程及零售媒體的投放狀況。

嚴謹的週期能建立學習循環。每次促銷活動都能改善下一次的基準線、區隔定義、彈性估算、曝光計畫及庫存規則。中小企業無需建立龐大的資料科學團隊即可著手進行，只需要一致的資料、明確的財務定義、受控的測試，以及能將結果轉化為行動的易用方式。

---

ELECTE 是一款為中小企業打造、由 AI 驅動的資料分析平台，能串連企業資料、自動化前置處理、產生報告，並運用 AI 代理找出異常與趨勢，協助促銷分析。歡迎造訪 [ELECTE](https://www.electe.net)，探索情境洞察、預測分析及自動化監控如何幫助您依據淨增量利潤而非僅憑銷售提升來規劃促銷活動。