结论：活动期增长不等于促销创造的增量

活动销量比上周高 40%，其中可能包含节假日、自然趋势、门店扩张、缺货恢复和渠道流量变化。真正增量是“实际发生”与“同一时期如果不促销会发生什么”的差异；后者是不可直接观察的反事实，需要基线或对照估计。

经营判断还不能停在销量。折扣、平台费、广告、履约、退款、提前购买和关联商品下滑都会改变净贡献。一个带来大量订单但整体贡献利润下降的活动，不能只用销售增幅宣布成功。

先把活动事实建到可对账粒度

活动表至少记录 promotion_id、商品、门店或渠道、人群、开始结束、折扣规则、预算、曝光位置和审批版本；订单行保留原价、商家优惠、平台优惠、数量、退款和活动标识。一个订单可能叠加多种优惠，需要按规则分清谁承担成本。

活动标识不能只靠订单备注。将配置、券核销、广告和订单行通过稳定键连接，无法匹配的费用单列。整单优惠按实付、件数或毛利等批准驱动分摊，分摊前后金额守恒，避免为了得到漂亮 ROI 把费用漏在活动外。

简单环比适合需求稳定、无节假日和趋势的少数场景。更稳健的基线可使用同星期历史、季节模型、相似门店或商品、活动前趋势，或未参与活动的对照组。选择取决于数据量与业务变化，基线应给区间而非伪精确单值。

基线特征只使用活动开始前可见信息。若活动期间才知道竞争对手缺货，再把它加入模型会产生事后解释。对新品、退市和样本稀少商品，优先报告不确定区间或组合层结果，不能强行给每个 SKU 一个可靠增量。

未促销门店只有在客群、规模、趋势、库存和渠道曝光相近时才能作为对照。若总部广告覆盖所有门店，对照组也被影响；若活动店本来就在增长，直接比较会高估效果。可以匹配历史趋势、分层或使用差分思路，但仍需检查共同趋势假设。

对照选择和排除规则在看结果前冻结，并保留版本。反例是反复挑选一个能证明活动成功的门店；另一个反例是把缺货的对照商品当作自然需求。基线诊断应展示活动前误差、样本量和敏感性。

消费者可能因折扣提前囤货，活动期销量上升，随后数周低于基线。只观察活动七天会把时间迁移当作新增需求。应按商品正常复购周期设置后观察窗，比较活动前、活动中和活动后累计销量。

提前购买程度与保质期、客单价、折扣深度和家庭囤货能力有关。观察窗不能全公司统一，也不能无限延长。报告短期增量与含后效应净增量，并说明尚未成熟的 Cohort 占比。

主推商品增长可能来自同品牌其他规格下滑，这属于内部替代；也可能带动搭配商品增长。按品类、品牌、价格带和购物篮观察总量与结构，区分商品级 uplift、品类净 uplift 和订单级贡献。

关联不等于因果。购物篮同时出现可能是陈列或季节共同驱动。对关键活动可设计门店、地区或人群级实验，事先定义主指标和护栏，避免活动后从大量切片里挑出有利结果。

增量贡献 = 增量净收入 - 增量商品成本 - 商家优惠 - 增量广告与平台费 - 履约售后成本 - 蚕食损失，并视场景加入库存处置或供应加急。固定成本是否分摊要单独说明，不能在活动之间随意改变。

还要关注现金与库存。清理临期库存即使单件毛利较低，也可能释放仓容和现金；热销品深折扣却可能提前消耗本可原价销售的库存。决策应与活动目标一致，不能用一个 ROI 排序所有活动。

条件允许时随机选择门店、客户或时间窗口，保证对照不接触活动，并提前计算样本与最小可检测变化。无法随机时，可用匹配、分层、差分和时间序列基线，但要列出假设、外部事件和不确定性。

活动规则临时变化、串货、跨店购买和平台算法曝光会造成污染。记录实际触达而非只看计划分组，同时保留 intention-to-treat 与实际参与视角。不能把模型输出称为确定因果。

验收检查活动配置、订单和费用可对账，基线只用事前信息，对照活动前趋势可比，库存与缺货已标记，提前购买与蚕食有观察窗，结果含净贡献和区间。历史回放至少覆盖节假日、大促、新品、缺货和失败活动。

常见反例包括用去年大促对比普通周、忽略退款尾期、把平台补贴全算商家收益、只看主推 SKU、活动未成熟就总结复购。任何关键数据缺失都应显示缺口，不用零填充制造完整 ROI。

活动复盘保存目标、假设、基线版本、实际触达、增量区间、贡献、库存、负责人和下一次调整。按活动类型累计基线误差与后效应，改进预算和选品，而不是只形成一次 PPT。重大预算变更用小规模试验验证边际效果。

BI0 可作为促销、订单、库存与费用整合分析的候选，但活动连接、因果方法、费用分摊和实验编排需按实际数据确认。本文不承诺自动识别真实因果或保证促销增量；数据不足时应输出情景与待验证假设。

预约一次业务场景交流，看看组织化的 AI BI 如何进入你的团队。