# 零售促销优化:如何提升利润

> 用数据、AI和测试掌握零售促销优化。学习如何逐步规划、衡量提升效果并保护利润率。

Source: https://www.electe.net/zh/%E9%82%AE%E5%AF%84/promotion-optimization-in-retail

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

促销活动能为超市、折扣店、药妆店和大型零售商贡献**10%至45%的总营收**,但**20%至50%的促销活动没有产生明显的销量提升,甚至可能导致销量下降**。另有**20%至30%的促销活动稀释了利润率**,因为增加的销量不足以弥补促销成本,据[零售促销优化研究](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content)显示。

这改变了零售商应该提出的问题。目标不是制造最大的销量峰值,而是要产生**净增量利润**——在扣除基线需求、蚕食效应、提前购买以及折扣成本和执行费用之后的利润。曝光度同样重要。购物者若从未见过一份优质促销,就无法对其作出回应。

本指南提供一套实用的**零售促销优化**方法,涵盖数据准备、客群细分、需求建模、情景测试、库存规则以及活动后的效果衡量。AI可以让中小企业更容易实现这一流程,但前提是团队要为模型提供干净的数据、合理的约束条件,以及正确的成功定义。

## 为什么促销优化对当下的零售增长至关重要

零售商可能销量增加,利润却减少。折扣可能补贴了原本就会购买的顾客、从另一款产品那里转移了需求,或者把未来的购买提前拉到了当期。因此,促销效果的衡量不能只看营收和销量提升,还要看**净增量利润**和顾客曝光情况。

BCG的研究结果说明了这一区别的重要性。**20%至50%的促销活动没有产生明显的销量提升,甚至导致销量下降**,另有**20%至30%稀释了利润率**,因为增加的销量无法弥补促销成本,这一点在[零售促销分析](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content)中有详细记录。零售商需要将**增量需求**与本来就会在正常条件下发生的购买区分开来。他们还需要核实购物者是在看到促销信息之后才做出更深折扣的回应的。

### 成功的商业定义

一份实用的评分卡会将促销结果拆分为以下几个部分:

- **基线销量**,即没有促销时的预期需求。
- **总促销提升**,活动期间观察到的增长。
- **蚕食效应**,从相关产品转移过来的需求。
- **提前购买**,从后续时期转移过来的购买。
- **净增量销量**,扣除上述部分后剩余的需求。
- **增量利润**,净销量乘以利润率,再减去促销和执行成本。

这种计算方式为分析师提供了更好的基础，用于比较促销机制、产品、门店、时机和价格点。它还能减少对去年日历的自动重复照搬。一项促销活动在销售报表中可能看起来很成功，但在计入蚕食效应、需求前移和执行成本后，却未能通过利润测试。

### AI 为何改变了规划方式

零售促销规划已经从手工日历工作发展为一套涵盖数据准备、门店与产品聚类、需求预测、敏感性分析和效果测量的工作流程，正如[现代促销优化框架](https://maxccohen.github.io/Book-Chapter-Promotions.pdf)中所描述的那样。

采用程度仍然参差不齐。2024 年 DemandTec 的一项市场快照报告显示，只有 **20% 的零售商能有效优化促销资金**，而 **54% 的杂货零售商强烈认同他们使用了优化平台来最大化促销效果**。同一来源显示，只有 **31% 的杂货零售商强烈认同自己能识别出效果不佳或无效的促销活动**。

AI 是支持商业判断，而不是取而代之。它让一个小团队能够测试更多场景、标记异常反应，并在无需手动重建电子表格的情况下监控结果。对中小企业而言，实际的收益在于**精细化的促销选择**——在有门店和产品数据支持的地方采用不同的机制或价格点，而不是在所有地方一刀切地打折。

正在打造这一基础的团队可以参考这份[零售分析完整指南](https://www.electe.net/post/data-analytics-in-retail-industry)。

## 建立数据基础，对门店和产品进行细分

促销模型的可靠性取决于背后的记录数据。在预测需求之前，先建立一个一致的视图，明确卖出了什么、以什么价格、在哪个地点、在哪个时间段，以及在什么促销条件下售出。

实际的工作流程从五项相互关联的活动开始：

1. **收集交易历史。**记录销量、收入、产品标识符、门店或渠道、交易日期以及促销标记。
2. **添加价格历史。**在可获取的情况下，区分常规价格、促销价格、降价、多件优惠机制和会员专属优惠。
3. **纳入日历背景信息。**记录可能影响需求的工作日、季节、节假日、发薪周期、当地活动和促销窗口期。
4. **整理产品信息。**将 SKU 映射到品类、品牌、包装规格、产品系列以及替代品或互补品。
5. **清洗与汇总。**解决重复标识符问题、统一日期格式、处理缺失值、剔除明显的数据错误，并在有意义的产品、门店和时间维度上汇总信息。

### 为何细分不可省略

市中心的便利店和郊区的大型超市不会以同样的方式对同一促销活动做出反应。同一产品在不同地区、渠道或门店类型之间的表现也可能各不相同。

聚类分析可以在模型预测响应之前创建可比较的分组。有用的细分信号包括：

- **门店特征**，例如门店类型、区域、顾客购物目的和销售区域。
- **销售模式**，包括销量、季节性、促销频率和品类组合。
- **产品行为**，例如品牌类型、价格档次、包装规格、可替代性和利润构成。
- **运营条件**，包括可获得性、补货周期和本地商品组合。

其分析原因很简单。如果将异质门店视为相同，模型会把不同的需求模式平均化。这会削弱基线预测，并可能生成一份对任何特定门店群体都不能特别有效的促销日程。

### 中小企业的准备情况自查

在连接数据分析平台之前，先核实以下问题：

- **你能一致地识别每个产品吗？**产品编码应在交易、价格、库存和促销表中保持一致。
- **你能区分常规价格和促销价格吗？**如果没有这种区分，弹性估算就会变得不可靠。
- **你能看到可获得性吗？**销量低可能表明商品缺货，而不是顾客兴趣不足。
- **你能还原促销活动吗？**门店范围、时间、折扣幅度、促销机制和渠道都应可查。
- **你能说清数据归属吗？**必须有人负责审批定义并调查异常情况。

对中小企业而言，自动化应处理重复性的连接和预处理工作，而企业主负责验证定义。像ELECTE这样的平台可以连接数据源、自动预处理信息、生成报告，并通过AI监控发现异常。这使没有专职数据工程团队的团队也能更轻松地开展这项工作。

门店和产品分组应保持可解释性。如果一位销售人员无法理解为什么两家门店被归入同一组，那么无论模型多么精密，这种细分都无法获得信任。想深入了解AI的团队也可以查阅这篇关于[AI客户细分](https://www.electe.net/post/customer-segmentation)的指南，获取相关的细分视角。

## 正确估算需求和价格弹性

促销分析始于一个反事实问题：如果没有促销，产品原本会卖出多少件？这个估算值就是**基线需求**，它决定了一次促销究竟创造了增量利润，还是只是在时间、产品或门店之间转移了销量。

基线应基于历史价格、销量、日历、可获得性和促销背景来构建。如果季节性、竞争对手活动、库存限制或此前的促销活动影响了需求，那么仅将促销周与紧邻的前一周相比较可能会产生误导。清晰的基线还能暴露可见性缺口。如果缺少可获得性数据，可能会用更深的折扣去解决一个价格本身无法解决的缺货或陈列问题。

### 弹性是一道防线，而非折扣目标

**价格弹性**衡量需求随价格变化而变化的程度。负值通常意味着价格下降时需求上升，而反应幅度因产品、零售商、地区、门店群组和客户细分而异。

在数据支持的情况下，按**产品×零售商×地区层级**估算弹性。促销效果在这些维度上可能有很大差异，详见[细粒度贸易促销测量指南](https://medium.com/@tigeranalytics/improving-trade-promotion-spend-effectiveness-717ef6e7d6b8)。

平均折扣深度是一种糟糕的决策规则。同样的折扣可能对某个SKU产生盈利反应，却在另一个SKU上摧毁利润。品牌类型也会改变可能的反应。一项涵盖**63,754,458次促销**的大规模观察性研究发现，平均销售提升为**69.4%**，其中全国性品牌为**88.8%**，自有品牌为**57.2%**。该研究报告称，在平均折扣深度为**18%**时，隐含的促销价格弹性为**-3.86**，详见[促销反应研究](https://www.mit.edu/~maxcohen/Promopaper_Final.pdf)。

请将这些数字视为市场层面的观察结果，而非SKU目标。用它们来设定细分和防护规则，然后根据你自己的门店、产品和利润结构验证反应情况。

### 纳入促销商品之外的影响

产品很少是孤立销售的。一款咖啡包装的折扣可能会将需求从另一款包装、品牌或规格中转移过来。大型促销活动也可能提前拉动购买，导致促销结束后出现需求下滑，因为消费者在消耗囤积的库存。

在模型中纳入以下影响：

- **跨商品效应**，涵盖替代品、互补品和相邻规格。
- **跨期效应**，包括促销后下滑和提前拉动需求。
- **可得性效应**，以避免将缺货误判为弹性不足。
- **品牌与品类结构**，使全国性品牌、自有品牌和私有品牌层级保持区分。
- **利润门槛**，防止高销量建议演变为亏本促销。

根据上文引用的研究，超市数据研究发现，纳入跨商品和跨期效应可提高预测质量，并使品类利润提升约**17%**。该来源已在前文链接过一次，本节不再重复其URL。

针对每个候选促销方案，展示预期基线销量、增量销量、收入、利润、蚕食风险、库存敞口以及对替代价格的敏感度。AI可以快速识别模式，而分析师负责设定商业防护规则，并检查预期提升在扣除这些因素后是否仍然成立。

当促销可能改变补货需求时，将需求信号与[利用预测优化库存](https://www.electe.net/post/time-series-forecasting)联系起来。

## 用AI和库存规则规划、测试并优化促销活动

一旦需求预估变得可信,优化就成为一个受约束的决策问题。你并不是要求算法去最大化销量,而是要求它在满足商业和运营规则的前提下,选出合适的产品、价格、日期、门店和促销机制。

一次实用的优化运行应该比较以下几种方案:

- **更小幅度的折扣**,覆盖更广的商品组合。
- **更大幅度的优惠**,针对一小部分高响应度的产品。
- 同一优惠在不同的时间窗口内进行。
- 仅在选定的门店群组中开展促销,而非覆盖整个网络。
- 一种能提升客单价、但不降低每件商品价格的组合套装。

### 从场景沙盒开始

在发布日历之前,先在沙盒环境中运行候选方案。针对每个场景,比较预期的净增量销量、边际贡献、库存消耗、预算使用情况以及执行复杂度。

敏感性分析很重要,因为预测并非事实。要对折扣力度、时间安排、预期响应、货品可用性以及蚕食效应的假设进行变动测试。如果某项建议只有在一种乐观假设下才显得有利可图,那它就需要重新审查,而不能自动获得批准。

一个有用的测试矩阵可能包括:

决策变量场景问题商业校验**折扣幅度**如果优惠力度更小会怎样？增量利润是否在不偏离目标的情况下提升？**时间安排**该优惠在其他时段是否效果更好？季节性因素或竞争对手活动会改变结果吗？**品类组合**替代品应一起促销还是分开促销？该方案是否会带来品类层面的增量？**门店范围**哪些门店集群应该获得该优惠？响应情况和库存条件是否具有可比性？**促销机制**组合套餐是否比直接折扣更好？该机制是否能保护价值并保持可执行性？

### 设计增量测试

尽可能使用对照组。选择不参与促销的可比门店、客户或地区，然后在控制基线差异的同时，将其变化与参与促销的组进行比较。

跟踪代码和优惠标识符应将曝光与购买行为关联起来。按门店集群、产品、客户群体和渠道对分析进行细分。单一的连锁店平均值可能会掩盖某个细分市场的强烈反应，同时掩盖另一个细分市场的利润损失。

> **实用准则：**不要因为测试组销量更高就批准促销。只有当增量结果经受住与对照组的比较以及利润计算的检验时，才批准该促销。

### 添加库存和预算规则

在优化运行之前，库存约束应明确列出。设定最低和最高库存政策，保护安全库存，在供应有限的情况下限制促销数量上限，并排除可用性数据不可靠的产品。

同样的逻辑也适用于商业资金。明确可用的促销预算、最低利润贡献、最大折扣深度，以及各活动之间可接受的重叠程度。良好的[高效库存管理技巧](https://www.displayguru.co.uk/blogs/news/best-practices-for-inventory-management)可以通过改善这些规则背后的运营纪律来完善该模型。

对于中小企业而言，人工智能在自动进行历史比较、对方案进行排序、解释异常值以及在上线后监控关键绩效指标（KPI）方面最为有用。它不应取代审批流程。最终方案仍需要商品、财务、营销和库存团队的共同参与。

## 衡量净增量利润并修复曝光缺口

只显示销售提升的促销后报告是不完整的。总提升看起来可能很可观，但零售商可能因蚕食效应、需求前置、过度折扣或活动成本而蒙受损失。

在宣布成功之前，先建立一个按促销划分的损益表，将各组成部分分开：

组成部分衡量内容为何重要**总增量销量**促销期间相较于基准线的额外销售单位数显示可见的反应，但无法说明该反应是否带来盈利**蚕食效应**从相邻或替代产品转移过来的销量防止品类业绩被夸大**需求前置**因促销优惠而提前购买的未来需求揭示促销结束后的销量疲软和时间错位问题**净增量销量**扣除蚕食效应和需求前置后的总增量销量提供更可信的新增需求衡量指标**增量利润**扣除利润率、折扣、资金投入和执行成本后的净增量销量确定促销是否创造了经济价值

针对超市数据的研究发现，促销活动会在不同产品和时间段之间转移需求，这正是[零售促销优化研究](https://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID3584321_code2182143.pdf?abstractid=3194640&mirid=1)强调将细分、需求预测、优化和效果衡量作为相互关联的步骤的原因。

### 使用有意义的提升阈值

一些测量系统会将微小的表面效应排除在已分配的促销提升值之外。Oracle 的零售优惠优化文档将 `PROM_LIFT_MIN_VALUE` 设为 **1.05**，这意味着提升幅度低于 **5%** 的促销活动不会被分配任何提升值，详见[Oracle 的优惠优化文档](https://docs.oracle.com/cd/F17841_01/orscs/pdf/180002/html/implementation_guide/offer-opt.htm)。

该临界值并非通用的商业规则。但它说明了一个有用的原则：当正常需求波动和测量噪声足以解释微小的观察变化时，不应自动为其记功。

除了跟踪销量和收入之外，还要跟踪**增量促销投资回报率**、**促销毛利贡献**、**蚕食效应**以及**每增量单位移动成本**。一个以高单位增量成本带来销量的促销活动，可能不如一个利润贡献更强但声量较小的活动值得投入更多预算。

### 先解决可见性问题，再进一步降价

一些效果不佳的促销活动是因为优惠本身缺乏吸引力，另一些则是因为购物者根本没有接触到它。根据[有关促销曝光与零售媒体的报道](https://www.linkedin.com/posts/instoremarketplace_retail-media-grows-but-hard-to-use-offers-activity-7465797960526827520-weEN)，近期报道指出存在**420 亿美元的促销缺口**，且近一半的购物者在上次购买时并未注意到相关优惠。

这一发现指向了一个更广泛的转化漏斗：

1. **曝光**，目标受众是否看到了该优惠？
2. **互动**，他们是否与该信息或展示位置产生了互动？
3. **转化**，他们是否完成了购买？
4. **增量效应**，该购买是否增加了品类需求？
5. **盈利能力**，净结果是否覆盖了投入成本？

协调好应用内展示位、电子邮件、货架传播、结账提示信息以及零售媒体等各个环节。在加大折扣力度之前，先确认该优惠是否触达了正确的客户和渠道。

当访问、身份或店内互动会影响购物者接收定向体验的方式时，线下零售团队也可以评估与之相关的问题，例如[零售空间中的访客身份验证](https://www.purple.ai/en-us/case-studies/grupo-sanborns)。这里的重点并非不加区分地收集更多客户数据，而是只使用测量所必需的信息，明确传达其用途，并遵守适用的隐私要求。

## 关键要点与你的下一个促销周期

当商业团队将每次促销活动都视为可衡量的投资时，零售促销优化才能真正发挥作用。最有效的流程追求的不是最大的销售峰值，而是要识别出促销在扣除折扣成本、产品组合效应、时间分布扭曲和执行成本之后，仍能创造真正价值的需求。

在下一个周期开始前，请使用这份检查清单：

1. **验证基础数据。**确认产品标识、原价与促销价、库存可得性、日历背景、利润率以及促销机制。在建模之前，修正缺失或不一致的记录。
2. **尊重细分市场之间的差异。**对可比较的门店和产品进行分组。按产品、零售商、地区、渠道和客户细分市场审查响应情况，而不是依赖整个连锁的平均值。
3. **在优化前设定安全边界。**明确最低利润贡献、最大折扣幅度、库存保护措施、促销预算以及可接受的品类重叠程度。
4. **比较各种方案，而非依赖假设。**在沙盒环境中测试不同的价格、时间窗口、门店范围和促销机制。剔除那些只有在乐观需求预测或低蚕食效应下才能成立的方案。
5. **衡量完整结果。**将总提升量与蚕食效应及提前消费效应进行核对，然后计算净增量销量、增量利润、促销投资回报率，以及每单位增量销售所对应的成本。
6. **审查曝光情况。**如果购物者根本没看到促销信息，加大折扣力度可能只是让曝光不足这个问题的代价变得更高。首先检查应用程序、邮件、货架、结账环节以及零售媒体的投放情况。

严谨的循环流程会形成一个学习闭环。每一次促销活动都会改进下一次的基线、细分市场定义、弹性估计、曝光计划和库存规则。中小企业不需要组建庞大的数据科学团队才能起步，它们需要的是一致的数据、明确的财务定义、受控的测试，以及一种能将结果转化为行动的简便方式。

---

ELECTE 是一款面向中小企业的人工智能数据分析平台，能够连接业务数据、自动完成预处理、生成报告，并利用人工智能代理发现异常和趋势，用于促销分析。访问 [ELECTE](https://www.electe.net)，了解场景洞察、预测分析和自动化监控如何帮助您围绕净增量利润（而不仅仅是销售提升）来规划促销活动。