一、实际应用场景描述

在零售与快消行业的 BI（商务智能）分析场景中，运营部门常面临以下问题：

- 是否应该持续对所有商品进行统一折扣促销？

- 促销是否能带来可持续销量增长？

- 频繁降价是否会影响消费者对价格的长期预期？

本示例使用 Python + Pandas + Matplotlib 构建一个促销频次与利润、销量、价格感知关系的分析原型，用于量化评估“频繁统一降价”的长期影响。

⚠️ 说明

- 数据为合成数据，不代表任何真实品牌或市场

- 结论仅用于教学演示，不构成经营建议

二、引入痛点

在实际 BI 与运营分析中，常见问题包括：

1. 策略惯性

- “打折 = 提销量”成为默认假设

2. 缺乏长期视角

- 只看当期 GMV，忽略利润与品牌价值

3. 数据分散

- 促销记录、销售数据、成本数据分布在多个系统

4. 不可复现分析

- Excel 手工汇总，难以回溯与迭代

因此需要：

- 可复现的分析流程

- 可拆分的指标定义

- 可解释的可视化结果

三、核心逻辑讲解（简化模型）

1️⃣ 关键指标定义

指标 含义

promo_freq 促销频次（次/月）

price 实际售价

cost 单品成本

sales_volume 销量

profit 利润

perceived_value 消费者价格感知指数（模拟）

2️⃣ 核心假设（教学用）

- 促销初期：销量 ↑、利润 ↑

- 促销频繁后：

- 销量增幅递减

- 利润下降

- 消费者心理价位下降（perceived_value ↓）

3️⃣ 分析目标

- 统计不同促销频次下的利润变化

- 观察销量与利润的背离趋势

- 验证“频繁统一降价 ≠ 长期收益提升”

四、代码模块化设计

目录结构如下：

promotion_impact_analysis/

│

├── data/

│ └── generate_data.py

│

├── analysis/

│ ├── metrics.py

│ └── visualization.py

│

├── main.py

├── README.md

└── requirements.txt

五、核心代码示例（注释清晰）

1️⃣ 数据生成

"data/generate_data.py"

import pandas as pd

import numpy as np

def generate_promo_data(months=36, seed=42):

"""

生成模拟月度销售与促销数据

"""

np.random.seed(seed)

df = pd.DataFrame({

"month": range(1, months + 1),

"promo_freq": np.random.randint(0, 5, size=months),

"base_price": [100] * months,

"cost": np.random.uniform(40, 60, size=months),

"sales_volume": np.random.randint(800, 1500, size=months)

})

# 促销影响：销量提升但价格下降

df["price"] = df["base_price"] - df["promo_freq"] * 5

df["profit"] = (df["price"] - df["cost"]) * df["sales_volume"]

# 模拟消费者价格感知

df["perceived_value"] = 100 - df["promo_freq"].cumsum() * 0.5

return df

2️⃣ 指标分析

"analysis/metrics.py"

import pandas as pd

def aggregate_by_promo_freq(df):

"""

按促销频次聚合指标

"""

summary = df.groupby("promo_freq").agg(

avg_sales_volume=("sales_volume", "mean"),

avg_profit=("profit", "mean"),

avg_perceived_value=("perceived_value", "mean")

).reset_index()

return summary

3️⃣ 可视化

"analysis/visualization.py"

import matplotlib.pyplot as plt

def plot_impact(summary_df):

"""

绘制促销频次对销量、利润、感知价值的影响

"""

fig, axes = plt.subplots(3, 1, figsize=(8, 9), sharex=True)

axes[0].plot(summary_df["promo_freq"], summary_df["avg_sales_volume"], marker="o")

axes[0].set_title("Sales Volume vs Promo Frequency")

axes[1].plot(summary_df["promo_freq"], summary_df["avg_profit"], marker="o", color="orange")

axes[1].set_title("Profit vs Promo Frequency")

axes[2].plot(summary_df["promo_freq"], summary_df["avg_perceived_value"], marker="o", color="green")

axes[2].set_title("Perceived Value vs Promo Frequency")

plt.xlabel("Promotion Frequency (times/month)")

plt.tight_layout()

plt.show()

4️⃣ 主程序

"main.py"

from data.generate_data import generate_promo_data

from analysis.metrics import aggregate_by_promo_freq

from analysis.visualization import plot_impact

def main():

df = generate_promo_data()

summary = aggregate_by_promo_freq(df)

print(summary)

plot_impact(summary)

if __name__ == "__main__":

main()

六、README 文件（简化版）

# Promotion Impact Analysis (BI Demo)

## 项目简介

本项目基于 Python 构建了一个促销频次与销量、利润及价格感知关系的统计分析示例，适用于商务智能课程演示。

## 运行环境

- Python 3.9+

- pandas

- matplotlib

## 使用方法

bash

pip install -r requirements.txt

python main.py

## 注意事项

- 数据为模拟数据

- 结果仅用于教学分析

七、核心知识点卡片（Key Concepts）

模块 知识点

业务建模 促销频次、价格弹性

指标设计 利润 = (售价 − 成本) × 销量

数据聚合 groupby、均值分析

可视化 多子图时间序列

BI思维 短期指标 vs 长期价值

八、去营销化与中立化说明

- ✅ 不使用“必须减少促销”等绝对结论

- ✅ 不评价企业策略优劣

- ✅ 不推广任何商业平台或工具

- ✅ 强调模型假设与教学目的

九、总结

通过本示例可以观察到：

- 促销在短期内可能提升销量与利润

- 高频促销在长期可能导致利润压缩与价格感知下降

- BI 的价值在于：

用结构化数据，替代经验直觉，做出可解释的业务判断

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！