优惠券大概是运营手里最容易被误读的工具。活动一上线，订单曲线抬头，复盘会上就有人把这条曲线当成券的功劳。可只要多问一句，这些订单里有多少是不发券也会发生的，会议室往往就安静下来。
在 ThinkingAI 服务全球超 1500 家企业、超 8000 款产品的过程中，优惠券和补贴的账几乎每周都会被翻出来重算。争的从来不是要不要发券，而是这笔钱到底换回了多少真正多出来的订单。这篇文章把这件事拆成三步，先看清订单增长的来源，再选对评估增量效果的方法，最后算清楚补贴成本与增量 ROI，让发券从拍脑袋变成可以复盘的决策。
一、优惠券带来的订单，有多少是真正的增量
先把增量的定义钉死。增量订单，指的是因为你发了券才会发生、不发券就不会发生的那些订单。 活动期间的总订单里，混着四种完全不同的东西。
- 自然需求。用户本来就要买，只是恰好赶上活动。
- 提前消费。用户把下个月甚至下个季度的购买计划挪到活动期间，总量没变，只是时间前移。
- 渠道转移。用户从别的渠道、别的购买方式转到了这张券上。
- 真正增量。用户原本不会买，因为券才下了单。
只有第四种才是券创造的价值。前三种只是把已有的生意换了个地方记账，其中提前消费还要在活动结束后还债。
判断有没有增量，核心在可比性。除了发券这一个变量，用来对照的两组人不能存在别的系统差异。 两个最常见的错误都栽在这里。
第一个错误是前后对比。用活动期间对比活动之前，看起来涨得很猛。但活动往往挑在大促、周末、新品上线、竞品涨价这些节点，这些因素自己就会把订单推上去，涨的那部分不能全记在券头上。
第二个错误是拿活动人群对比大盘。进入活动的人，通常本身就是活跃用户、加购未下单用户或者高价值用户，购买意愿天生高于大盘。拿这批人去对比大盘，等于用一群本来就更容易买的人来证明券有用。
这两类对比得出的数字，方向可能是对的，幅度大概率被高估。评估增量，本质上是要给发券造一个反事实场景，也就是不发券会发生什么。 这个反事实只能靠实验和数据建模逼近，不能靠直觉。
二、谁会被优惠券真正撬动
同一场活动里，用户对券的反应可以分成四类。真正值得发券的只有其中一类。
- 说服型。不发券不会买，发券就买，这类用户贡献增量。
- 自然转化型。发不发券都会买，券对他只是白送的折扣。
- 无动于衷型。发不发券都不买，券对他没有作用。
- 反感型。不发券可能会买，发了券反而不买，可能是嫌流程麻烦，也可能是觉得被套路。
很多团队挑发券对象时只看一个指标，发券后的购买率。这个指标会把预算带偏。用一组数字看得很清楚。
假设有两个人群，各 1000 人，商品原价 100 元，券后价 80 元。
人群甲不发券购买率 7％，发券后 12％。人群乙不发券购买率 14％，发券后 16％。
单看发券后的购买率，乙的 16％ 高于甲的 12％，直觉上应该优先发给乙。把四种组合都算一遍。
- 两个人群都发券，收益是 1000 × 12％ × 80 加 1000 × 16％ × 80，等于 22400 元。
- 两个人群都不发券，收益是 1000 × 7％ × 100 加 1000 × 14％ × 100，等于 21000 元。
- 只发给甲，收益是 9600 加 14000，等于 23600 元。
- 只发给乙，收益是 7000 加 12800，等于 19800 元。
只发给甲收益最高，只发给乙反而最低。原因在于 决定价值的是增量率，不是购买率。甲的增量率是 5 个百分点，乙只有 2 个百分点。乙看起来转化更高，是因为他本来就会买，券只是替他省了钱。
这张图可以直接贴在复盘会上用。发券预算应该优先投给说服型人群，对自然转化型人群收紧力度，对反感型人群主动排除。 人群包分得越细，同样的预算能撬动的增量越多。
三、评估增量效果的四种方法，怎么选
评估方法没有绝对优劣，取决于能不能在发券之前把人群随机分开，以及活动是不是已经全量上线。
1、随机对照实验
把目标用户随机分成两组，一组发券，一组不发，其他条件完全一致。随机是这套方法唯一的力量来源，它让两组在可观测和不可观测的特征上都趋于一致，差异才能归给券。
实操上有三点要盯住。样本量要提前估算，样本太小，随机分组的运气成分会盖过真实差异。分流要按用户维度做，同一个用户反复进出实验组会污染结果。还要留意用户之间的相互影响，社群分享、代下单、家庭共用账号都会让对照组的干净程度下降。
把这件事工程化，就是常说的 A/B 实验。ThinkingAI 的 A/B 实验 Agent 把分流、显著性判断和结论沉淀放在一条链路里，团队不用每次活动都手工搭一遍对比逻辑。
2、留出对照组
活动已经决定全量上线，来不及做随机分流时，可以留出一个小比例人群不参与，通常 5％ 到 10％，这批人就是留出组。它的作用是提供一条同期基线，把活动期间的自然增长扣掉。
留出组不能太小，否则统计波动会很大。还要防止它被其他渠道污染，比如留出组用户照样能从平台通用券、会员权益、直播间拿到同样的优惠，这条基线就失去意义了。
3、双重差分与倾向得分匹配
连留出组都没有，活动已经全量铺开，只能靠历史数据补救。
双重差分比较的是实验组和对照组在活动前后的变化差，前提是两组在活动前的变化趋势大致平行。倾向得分匹配则是从没被触达的用户里，挑出与触达用户在关键特征上高度相似的人，拼出一个虚拟对照组，常用的匹配特征包括近期浏览次数、加购次数、历史消费金额、注册时长和城市等级。
这两种方法都只能控制已经记录下来的差异。用户身上那些没被埋点记录、却会影响购买的因素，它们处理不了。 所以结论强度要打折，适合做趋势判断和方向验证，不适合拿来做精确的预算分配。
4、增益模型
增益模型要预测的不是谁会买，而是谁在发券和不发券两种情况下的行为差异最大。做法上大致两类，一类是分别给发券组和不发券组建模，再把两个预测结果相减；另一类是改造单个模型，让它直接输出增量。
模型的直接产物就是前面那四类人群的划分。它的价值是把预算从购买率高的人身上，挪到增量率高的人身上。 但模型依赖数据质量，训练样本里的对照组必须干净，否则模型学到的只是购买倾向，不是增量。
选择顺序可以按这张图走。能用随机对照实验就别用其他方法，剩下三种都是在约束条件下的替代方案。
四、补贴成本怎么算，增量 ROI 才真实
增量算出来了，还要把成本算全。很多活动的账算错，不是增量算错，而是成本漏项。
1、容易漏掉的三类成本
- 发放与履约成本。短信、应用推送、页面资源位、客服咨询、系统开销，这些不进券面额，但真实发生。
- 叠加成本。券与满减、会员价、新人礼、平台补贴叠加使用时，实际让利往往超过券面额本身。
- 退款与沉没成本。用户用券下单后申请退款，券通常不会退回，这部分让利已经沉没，但在核销数据里看起来是一次成功的转化。
2、增量 ROI 与单位增量成本
把口径统一成三个指标，一起看。
- 增量毛利，等于增量订单数乘以单均毛利。
- 增量 ROI，等于增量毛利减去补贴成本，再除以补贴成本。
- 单位增量成本，等于补贴成本除以增量订单数。
只看核销率和券成本，看到的是活动的热闹程度；把增量放进分子和分母，看到的才是这门生意的真实回报。 单均毛利和单位增量成本的对比尤其好用，它直接回答了一个问题，每多拿一个增量订单，是赚还是亏。
3、一笔完整的账
假设一次活动触达 10 万人，实验组 9 万 5000 人，留出组 5000 人。留出组每 100 人贡献 6 单，实验组每 100 人贡献 9 单，每 100 人增量 3 单，整场活动的增量订单约 2850 单。
活动核销 8000 单，券面额 10 元，券成本 8 万元。加上触达与履约成本 1 万 5000 元，补贴总成本 9 万 5000 元。单均毛利 30 元，增量毛利为 85500 元。
增量 ROI 等于增量毛利减补贴成本再除以补贴成本，结果是负 10％。单位增量成本约 33 元，高于单均毛利 30 元。
结论很直接。这场活动表面上有 8000 单核销，按增量口径算下来每单净亏约 3 元。 如果只看核销单量和券成本，这笔活动看起来完全正常；换成增量口径，它应该被收窄甚至停掉。
账要算准，前提是券、订单、退款、用户标识能在同一个口径下对齐。ThinkingAI 的 数据分析 Agent 支持用自然语言直接问数并自动归因，能把分散在不同表里的活动数据拉到一起，省掉大量手工对数的时间。
五、把评估结论变成发券决策
算完一次账不算结束。真正有价值的是把评估变成能反复使用的决策规则。
1、什么情况下继续加码
- 增量 ROI 为正，且单位增量成本低于单均毛利。
- 增量集中在少数人群，说明人群包还有收窄空间，收窄后同样的预算能换来更多增量。
- 活动结束后的自然销量没有明显回落，说明新增需求是真实的，不是把未来的订单提前搬过来。
2、什么情况下收窄或停发
- 增量率接近零，增量订单几乎全部来自自然转化型人群。
- 反感型人群占比高，发券后购买率反而低于不发券的同期水平。
- 退款率明显上升，或者活动结束后两到四周自然销量出现大幅回落。
- 单位增量成本持续高于单均毛利，且连续两到三次活动没有改善。
3、让评估能持续跑起来
单次活动的评估结论很容易随着人员变动流失。要让评估沉淀成机制，需要三件事。
第一，给每一次发券打上统一标识，把批次、人群包、触达渠道、核销、订单和退款串到同一条记录里。第二，维护一个固定的留出池，每次活动按比例保留，长期积累下来就是一组可对比的基线。第三，每次活动沉淀一份固定模板，包含增量订单、补贴成本、增量 ROI 和单位增量成本四项，任何人接手都能直接跑。
ThinkingAI 的 智能运营 Agent 负责把人群圈选、策略触达和执行接起来，配合 行动闭环 把评估结果送回下一轮策略调整。评估不再是一次性的复盘动作，而是持续运转的循环。
六、FAQ 常见问题解答
发优惠券一定会带来更多订单吗
不一定。券只在说服型人群身上产生增量。如果活动覆盖面广、人群没有分层，大量预算会花在本来就会购买的用户身上，订单数字上涨，利润反而下降。
订单涨了但利润没涨，怎么判断这笔活动值不值
用增量口径算两笔数，增量 ROI 和单位增量成本。单位增量成本低于单均毛利，活动才有继续做的价值。核销单量和券成本都无法回答这个问题。
没有条件做随机对照实验怎么办
可以先留出小比例对照组，哪怕只有 5％。连留出组都来不及，就用双重差分或倾向得分匹配做补救，但要接受结论强度下降，不要用它做精确的预算分配。
核销率高是不是说明券效果好
不是。核销率高可能只是因为券发给了本来就会买的人。判断效果看增量率，也就是发券组与不发券组购买率之间的差值。
优惠券应该全量发还是只发一部分
先小范围实验。在小样本上验证增量率，找到真正被撬动的人群，再逐步放量。全量发券的最大风险是补贴了大量自然转化型用户，而且这个错误在核销数据里看不出来。
评估周期要留多长
覆盖一个完整的购买周期，并把活动结束后两到四周的自然销量走势一并观察。只看活动期内的数据，很容易把提前消费误判成新增需求。
