雙十一效果被高估了嗎：行銷組合分析怎麼把促銷檔期的干擾算清楚
雙十一或週年慶這類大型促銷檔期，業績會明顯衝高，而行銷團隊通常也會在同一時間加碼廣告，這兩件事同時發生，會讓模型很難分辨業績上升到底是促銷本身的效果，還是廣告投入的效果，結果往往是廣告的貢獻被高估。要解決這個問題，關鍵不在模型多複雜，而在有沒有把促銷與季節性當成獨立變數處理。
這篇接續行銷組合分析的基礎，專門處理檔期干擾這個最容易讓新手模型失真的部分。
為什麼促銷檔期特別容易讓模型失真
促銷檔期同時牽動三件事：價格下降、廣告花費上升、消費者本來就有的購物意圖被集中觸發。如果模型裡沒有一個變數專門代表「這是促銷週」，這三個效果就會全部混在廣告花費的係數裡，讓廣告看起來比平常有效很多倍。
更麻煩的是，促銷檔期前後常有預購與延後購買的現象。有些消費者會提前知道檔期即將到來而延後購買，檔期一到集中下單；也有些人會在檔期後因為手邊已經買夠而減少消費，這種前低後高、後又補償性走低的型態，如果沒有特別處理，會讓模型誤判平常週的基期。
建立促銷與季節控制變數
| 變數 | 建立方式 | 用途 |
|---|---|---|
| 促銷週標記 | 當週是否為主要促銷檔期，零與一標記 | 把促銷本身的效果與廣告效果分開 |
| 價格折扣幅度 | 當週平均折扣百分比 | 促銷力度不同，效果也不同，不能只用有無標記 |
| 檔期前兩週標記 | 促銷開始前兩週單獨標記 | 捕捉消費者延後購買的現象 |
| 檔期後兩週標記 | 促銷結束後兩週單獨標記 | 捕捉補償性走低，避免誤判為長期下滑 |
| 月份或週序號 | 行事曆月份、第幾週 | 捕捉與行銷無關的自然季節波動，例如寒暑假 |
折扣幅度比單純的有無標記更重要，因為週年慶打七折和年中特賣打九五折，帶來的業績提升幅度完全不同，如果只用零與一標記促銷週，模型會把兩種檔期當成同一件事，估計出來的促銷效果就會失真。
把促銷效果和廣告效果拆開的做法
- 先把促銷週、折扣幅度、檔期前後標記等變數放進模型，讓它們先解釋掉屬於促銷本身的業績波動
- 再把各管道的花費變數加進去，此時它們解釋的是扣除促銷效果之後，剩餘的業績變化
- 比較加入促銷變數前後，各管道係數的變化幅度，通常加入後係數會下降，這才是比較接近真實的貢獻
- 如果加入促銷變數後某個管道係數大幅下降甚至轉負，代表這個管道原本的貢獻主要來自搭促銷順風車，而非自身效果
這個順序很重要。如果先放廣告花費、後放促銷變數，模型在解釋業績時會先把能解釋的都塞給廣告花費，促銷變數只能撿剩下的部分，得到的廣告係數依然偏高。控制變數應該優先放入，行銷變數放在後面，才能得到比較保守也比較可信的估計。
檔期前後的預購與遞延效應怎麼處理
如果產業有明顯的預購行為，例如家電或傢俱在檔期前就開放預購，可以考慮把預購訂單依實際下單週歸屬，而不是全部算在出貨或到貨的那一週，這樣業績的時間點才能真實反映消費者決策的時間點，也才能正確對應到當時的廣告花費。
- 確認業績資料的認列時間點：下單週、出貨週還是入帳週，三者可能差好幾週
- 檔期前後各抓兩到三週做敏感度測試，觀察係數是否穩定
- 如果遞延效應明顯，可以把促銷檔期前後合併成一個較長的觀察窗，而不是切成互不相干的單週
驗證模型是否合理的簡單方法
控制變數加入之後，可以做一個簡單的檢驗：把模型估計的「非促銷週基期業績」和實際上非促銷週的平均業績做比較，兩者應該相近。如果模型估計的基期業績遠低於實際觀察值，代表促銷效果被低估，可能是折扣幅度變數沒抓好；如果遠高於實際值，則可能是廣告效果被高估，吸收了太多本來屬於促銷的貢獻。
另一個檢驗方式是找一段沒有促銷的平常時期，單獨用這段資料重新估計一次係數，和全年資料估計出來的係數比較，如果差異很大，代表促銷期的資料對整體模型的影響過大，需要更仔細地拆分變數。
把促銷洞察轉成下一次檔期的規劃
把促銷與廣告效果拆開之後，最有價值的產出不是一組更準確的係數，而是一份可以指導下一次檔期規劃的判斷：折扣幅度到多少邊際效益開始下降、廣告花費在促銷期間的邊際貢獻是否比平常高或低、檔期前的預熱廣告有沒有真的墊高後續轉換。這些判斷可以直接寫成下一季的檔期作戰手冊，例如建議折扣幅度維持在某個區間、預熱期廣告該提前幾週開始、檔期後是否需要銜接一波挽回型溝通來緩解補償性走低的業績缺口。模型的價值最終要落在這種具體的操作建議上，否則再精細的係數估計都只是停留在報表裡的數字。
常見問題
小型檔期也需要單獨建立促銷變數嗎？
建議至少對全年業績占比較高的前三到五個檔期建立變數，太小的檔期可以合併處理，避免變數過多稀釋模型的估計能力。
促銷期間廣告係數變成負的正常嗎？
如果原本高估的促銷順風車效果被拿掉，係數下降是合理的，但變成負值通常代表資料期間太短或共線性嚴重，需要檢查資料量是否足夠。
折扣幅度資料很難取得，只能用有無標記代替嗎？
可以先用有無標記起步，但務必在模型說明裡註明這個限制，並優先在下一版模型補上折扣幅度資料。
檔期效果每年都一樣嗎？
不一定，消費者對促銷的反應會隨競爭環境與經濟狀況改變，建議每年重新估計係數，而不是沿用去年的結論。
延伸閱讀：沒有資料科學家也能起步：用試算表做第一版行銷組合分析、流量成長了，訂單沒動：把成長歸因錯的六種常見誤判、預算怎麼分配：新客與再行銷的比例判斷。若想讓團隊的報表真正走到決策，可以參考冠誠數位行銷服務項目，或直接預約諮詢。