电商经营工作台经营决策中枢
经营路径

情报 → 判断 → 选品 → 上架

经营主流程

AI 情报
每日 AI 情报开源项目与 Skills
今日工作台方法库经营 Agent任务记录PDD 采价记录候选商品上架商品价格换算物流价格浏览器任务订单管理
智能客服
在线客服入口客户入口管理客服会话售后确认客服知识

治理与复盘

规则库规则建议运行日报任务控制台策略配置
登录

经营与 AI 决策视角

电商经营工作台
AI情报工作台选品池上架
返回方法库

方法详情

优惠处理定义—可比样本校正—利润增量判促法

先明确优惠的处理变量、结果变量和混杂因素,再用可比样本估计增量贡献毛利,可以减少把平台自然流量、节日需求或商品差异误认为促销效果的概率。
领域:数据分析数据分析方法可创建经营任务候选可创建经营任务
可执行性
92
CEO:可创建经营任务候选

决策路径

系统审核结论

可创建经营任务候选

决定是否展示创建经营任务入口。

我的处理状态

可创建经营任务

只代表人工跟进意图,不会单独解锁创建入口。

下一步

可以创建经营任务

下面可以直接创建选品或经营任务。

来源

平台:GitHub开源工作流

作者/项目:PyWhy

去重使用的来源链接:

https://github.com/py-why/dowhy

适用范围

市场:US

平台:淘宝、拼多多(参考DoWhy因果推断工作流迁移)

类目:全类目, 母婴优先, 排除Electronics, 排除High-return fashion

审核分解

来源可信度:19/20

步骤清晰度:22/25

结构化程度:19/20

边界清晰度:14/15

执行可行性:18/20

我的处理状态

当前:可创建经营任务。处理状态用于记录人工判断;是否能创建经营任务,仍以页面上方“系统审核结论”为准。

创建数据分析助手

这个入口会创建经营任务配置,绑定当前方法和领域;不会写入商品候选池,也不会立即运行。

优惠处理定义—可比样本校正—利润增量判促法

领域:数据分析。后续会按当前输入对象、检查频率和输出格式执行。

已创建任务

当前方法还没有创建数据分析助手。

CEO 审核结论

识别、估计和反驳流程可标准化,适合形成分析 任务;因不可观测混杂风险,最终预算决策必须由经营负责人审核。

创建促销评估 Agent,强制先登记处理、结果、混杂因素和利润阈值,再运行估计。若重叠、平衡或反驳检验失败,自动输出无法判断,不生成确定性放量建议。

执行步骤

  1. 1.将具体优惠机制定义为处理变量,例如优惠券是否可见或实际领取资格,而不是笼统使用促销期标签。
  2. 2.将订单贡献毛利或用户期内贡献毛利设为主结果,同时记录转化率、客单价、退款和补贴成本。
  3. 3.在观察优惠结果前登记混杂因素,包括历史购买、商品价格、自然排名、广告曝光、库存、节日和用户新老状态。
  4. 4.绘制简化因果图并检查是否错误控制了优惠后的中介变量。
  5. 5.通过匹配、加权或回归调整构造可比样本,检查倾向得分重叠和协变量平衡。
  6. 6.估计平均及关键分层效应,执行安慰剂处理、随机共同原因或样本子集反驳检验。
  7. 7.仅当增量贡献毛利置信区间达到预设护栏且退款、库存未恶化时批准扩大优惠。

判断指标

  1. 1.增量转化率
  2. 2.增量订单贡献毛利
  3. 3.平均处理效应置信区间
  4. 4.倾向得分重叠率
  5. 5.标准化协变量差异
  6. 6.反驳检验稳定性
  7. 7.退款率变化
  8. 8.库存消耗增量

输入数据要求

  1. 1.用户或会话级优惠资格、展示、领取和核销记录
  2. 2.曝光、点击、购买、退款及订单贡献毛利
  3. 3.历史购买、用户新老状态和可用的非敏感行为特征
  4. 4.商品价格、库存、自然排名和广告流量
  5. 5.节日、平台活动和其他同期营销标记
  6. 6.促销前登记的因果图与决策阈值

排除规则

  1. 1.排除Electronics和High-return fashion商品。
  2. 2.排除无法区分优惠资格、展示和核销的数据。
  3. 3.排除处理组与对照组倾向得分严重不重叠的估计。
  4. 4.排除促销期间同步发生但无法标记的大规模广告、断货或价格变更样本。
  5. 5.排除先查看结果再选择分析窗口、指标或人群的做法。
  6. 6.排除仅依据成交额提升而忽略折扣、平台补贴归属、履约和退款成本的方案。

风险与适用边界

  1. 1.观察数据仍可能存在未记录混杂,不能把统计调整当作随机实验。
  2. 2.平台发券机制可能依据不可见算法选择用户,造成选择偏差。
  3. 3.优惠可能产生跨期提前购买或用户相互影响,违反常见因果假设。
  4. 4.分层过多会增加偶然显著结果。
  5. 5.DoWhy是通用框架,指标定义和数据质量责任仍在商家。

来源摘要与执行说明

DoWhy提供模型化因果假设、识别因果效应、估计效应以及反驳检验的结构化流程。可迁移步骤包括绘制因果关系、声明处理和结果变量、倾向校正及安慰剂或随机共同原因检验;框架不能替代随机实验,也不提供淘宝、拼多多专用数据采集。

输出格式:促销因果评估卡:处理定义、样本范围、因果图、平衡诊断、平均及分层效应、置信区间、反驳检验、利润护栏和扩大/停止建议。

执行示例:分析母婴用品优惠券时,任务区分获得资格、看到优惠和实际核销三种状态,用促销前购买频率、商品、自然流量及库存建立可比样本。若成交上升但扣除折扣和退款后的增量贡献毛利区间跨过零,则结论为不扩大而不是依据GMV放量。