生成数据趋势假设

假设 大促通过高折扣与广覆盖投放吸引了大量价格敏感、低意向的新客；活动后价格回归与优惠门槛提升造成期望落差，同时消息触达频次仍沿用大促节奏，触发消息疲劳与价格锚定效应，导致活动后3天内该促销获客群体的复购显著下滑，并伴随消息退订率上升。

机制拆解

• 流量结构变化：大促期间新客占比上升、渠道更分散，转化靠强折扣驱动，用户对长期价值黏性弱。
• 价格锚定与优惠到期：活动后实际成交价显著高于用户在大促期间形成的心理价，短期复购意愿下降。
• 触达疲劳：活动后消息频次/内容未及时降频与转型（从促销转服务/价值），在非优惠窗口造成干扰感，提升退订。

可检验预期（可量化信号）

• 促销获客队列（大促期间首购人群）在T+3的复购率显著低于历史同类促销或非促销同期获客队列。
• 新客占比、首单使用优惠券比例、来自低意向渠道（如联盟/广点通投放）的占比在大促期显著上升，且这些子群体的T+3复购更低。
• 促销后消息频次越高（或非个性化模板占比越高）的用户，退订率越高；同一时期消息频次与退订率正相关，且在促销获客队列中相关性更强。
• 用户层面的“价格落差”（促销成交价与促销后近似商品或同品成交价的差值或折扣差）越大，T+3复购率越低。
• 消息参与度（打开/点击）在促销后显著下滑，而退订/投诉上升。

验证方法与数据需求

• 数据需求（按用户级别对齐时间戳）：
  • 用户与行为：user_id、注册/首访时间、渠道、设备、地域。
  • 交易：order_id、order_ts、sku、order_amount、coupon_used、discount_rate、是否首单。
  • 流量：session_id、visit_ts、来源渠道、UV标记。
  • 价格：商品促销价、原价、活动后价，个人层面可计算有效折扣。
  • 触达：send_ts、channel（短信/站内/邮件/推送）、template_id、send_cnt、open/click、unsubscribe_ts。
• 预处理：
  • 去重与口径统一：以user_id聚合，首购定义为用户首单；复购定义为首单后T+3内有第二单。
  • 归因与窗口：将“促销获客队列”定义为促销期首购用户；对比“非促销获客队列”（相邻周或历史同期）。
  • 异常处理：剔除退款/取消单、异常UV（爬虫/内网）、多设备合并与时区对齐。
  • 价格落差计算：对同SKU或同类目，计算个人层面的促销成交价与促后7天中位成交价差。
• 分析设计：
  • 队列分析：以首购周为锚点，绘制促销/对照队列的T+1/T+3/T+7复购率。
  • 生存/风险模型：Cox或离散时间Logit，事件=复购，协变量含渠道、折扣、价格落差、首单AOV、类目、地域，分层对比促销 vs 非促销队列的基线风险。
  • 退订模型：Logit/Poisson（每千投递退订数），自变量含近7天消息频次、模板类型、是否促销获客、是否近期无优惠、打开/点击历史，控制用户固定效应或以面板数据做双向固定效应回归。
  • 因果对比：差分中的差分（DiD），处理组=促销获客队列，对照组=历史同期获客队列；结果变量=复购率/退订率，时间=促销前后窗口。
• 可视化与判定标准：
  • 队列留存/复购曲线：促销队列在T+3显著低于对照，且差距在高折扣/低意向渠道子群更大。
  • 退订-频次曲线：按近7天消息频次分箱，促销后斜率上升。
  • 价格落差分层：价格落差分位数与T+3复购呈负相关。
  • 若关键系数（促销获客 × 促后窗口）在回归中显著为负，且消息频次系数显著为正指向退订，则支持假设。

干扰因素与控制

• 季节性与节假日效应：以历史同节日周期为对照，加入周度/节假日固定效应。
• 供给侧波动：缺货/延迟履约影响复购与退订；加入履约时长、售后投诉变量控制。
• 类目结构变化：不同品类复购周期差异大；做品类分层或交互项。
• 营销叠加：其他渠道活动或优惠券到期同时发生；纳入券到期变量与渠道交互。

后续实验建议

• 消息频次与内容A/B：促后3天内对促销获客队列实施频次上限+价值型内容（物流关怀/使用指南/会员权益），对照组保持现状，观察退订与T+3/T+7复购。
• 价格/权益平滑：为促销获客队列提供过渡性小额券或会员积分替代大额折扣，测试价格锚定缓释对复购的影响。
• 渠道筛选：对低意向渠道实施更严的首单优惠门槛或资格筛选，观察LTV与退订的变化。

若以上检验得到一致性证据，则该单一机制（低意向促销获客+价格锚定+触达疲劳）可以解释“UV/下单峰值明显、促后3天复购下滑且退订上升”的现象。

核心假设

• 近期投放策略向“促销/低价导向的效果广告”倾斜，导致渠道A引入更易转化但价格敏感的用户和低价SKU订单。结果表现为：渠道A转化率上升、客单价下降；由于转化率的提升恰好被客单价下降抵消，ARPU基本持平。与此同时，整体付费流量占比上升、自然流量稳定，说明增长主要由付费拉动且存在潜在的低质增量或对自然的蚕食。

机制解释与数据一致性

• 指标分解：在单位周期内，ARPU ≈ 转化率(CVR) × 客单价(AOV) × 人均订单数。若人均订单数稳定，则CVR↑与AOV↓的乘积≈不变，从而ARPU持平。
• 付费流量占比上升：预算倾斜到效果渠道（尤其是渠道A），带来更多价格敏感或新客触达，提升CVR但压低AOV。
• 渠道A特征：更高的优惠使用率/折扣深度、下沉SKU/入门款权重上升、首单福利或再营销强转化策略，均会拉高CVR并压低AOV。
• 可能的自然流量蚕食：付费加力在可转化人群上“抢量”，对整体ARPU贡献有限。

可检验预测

• 渠道A订单中优惠券使用率、折扣深度、低价SKU占比显著高于其他渠道/历史。
• 渠道A新客占比上升、复购率较低；首单价低、生命周期价值(LTV)偏低。
• 渠道A的ARPPU下降或持平，而CVR显著上升；平均毛利率下降。
• 付费-自然之间存在可观的同日/同周品牌字或直接访问的下降关联（蚕食迹象）。
• 若剔除促销订单，渠道A的CVR优势缩小，AOV回升，ARPU上升。

验证方案

• 指标分解与归因：
  • 按渠道/活动/人群分解ARPU = CVR × AOV × 订单频次；检验频次是否稳定。
  • 回归或分层分析AOV对折扣深度、SKU价位、用户新旧的敏感度（含交互项）。
• 促销与SKU结构：
  • 构建订单级模型，因变量为AOV/毛利，核心自变量为优惠使用、折扣深度、SKU价位带、渠道A标记；控制人群与时段固定效应。
  • 对比渠道A与其他渠道的SKU Mix与毛利率。
• 用户层分析：
  • 首单队列的LTV、复购率、客单价轨迹（1/4/8周）；对比渠道A vs 非A。
  • 新客/老客占比变化及其对AOV的贡献分解。
• 增量与蚕食：
  • 进行地理/人群维度的投放A/B或准实验（合成控制/差分法）测算渠道A对自然/品牌流量的蚕食率与增量ROAS。
• 预算与出价策略：
  • 对比tCPA vs tROAS/价值出价在渠道A的CVR、AOV、毛利/订单的差异。

替代解释与排除

• 季节性或品类切换导致AOV下行（需用季节/品类固定效应控制）。
• 归因口径变化（同归因窗/多点归因对齐）。
• 大促/满减机制改变（需加入促销日虚拟变量）。
• 订单频次上升抵消AOV下降（需明确周期内频次是否稳定）。

行动与实验建议

• 在渠道A小流量灰度切换到价值出价（tROAS/毛利优化），观察AOV与毛利/订单的恢复情况及CVR弹性。
• 控折扣深度与首单优惠阈值，梯度实验评估AOV与CVR的权衡曲线，寻找最大ARPU/毛利点。
• 强化加购/捆绑与高价引导（个性化推荐、门槛优惠），提高AOV。
• 建立渠道A的LTV出价因子：用早期信号（首单AOV、SKU、优惠使用、地域）预测LTV，将预算倾斜至高LTV人群。
• 设定防蚕食护栏：品牌词与自然强相关人群的否定/预算上限，配合品牌保护与品专投放分仓观察。

关键监控指标

• 短期：CVR、AOV、ARPU、毛利/订单、折扣深度分布、SKU价位结构。
• 中长期：LTV、复购率、增量ROAS、自然流量被蚕食率、CAC回收期。