线上专属限定款营收模拟程序，仅电商发售款式分流线下客流增加总销量。

线上专属限定款营销模拟程序仅电商发售款式分流线下客流增加总销量一、实际应用场景描述在时尚产业的全渠道零售Omni-channel Retail 战略中品牌面临一个经典难题线上与线下渠道的博弈。典型场景- 线上专属款Online Exclusive品牌在电商渠道天猫旗舰店、抖音小店、小程序商城发售线上专供的限定款式如特殊的联名色、电商特供的平价副线、直播间专属款。这些款式线下门店不卖。- 线下门店款Offline Exclusive门店独占的高端系列、当季新品首发、需要试穿体验的大衣/西装等。- 矛盾点消费者在线下试穿后转头去线上比价购买Showrooming或者线上看到款式到线下试穿后觉得不值这个价而放弃购买Webrooming。品牌的核心焦虑是推出线上专属款会不会把线下门店的客流吸走导致线下销量下滑本程序旨在通过消费者渠道选择行为模拟量化分析线上专属款策略对总销量的净影响——是此消彼长零和博弈还是分流增量112还是左右互搏双输从而为渠道策略提供数据决策依据。二、行业痛点分析1. 左右互搏恐惧品牌担心线上专供款和线下款打架——消费者买了线上款就不买线下款了总销量没变只是渠道变了还平白损失了线下试穿体验带来的转化率提升。2. 客流归因盲区品牌知道线上卖了1000件但不知道这1000件中有多少是原本会去线下买的渠道转移多少是纯增量被线上款设计吸引的新客。3. 库存分配僵局线上线下库存如何分配给线上多备货→线下缺货流失给线下多备货→线上爆款断货差评。缺乏量化模型指导分配比例。4. 渠道协同缺失线上线下的营销预算各花各的没有统一的全渠道视角评估ROI。三、核心逻辑讲解核心目标构建消费者渠道选择行为模型Consumer Channel Choice Model模拟线上专属款策略下的销量分流与增量效应计算对总销量的净影响。关键逻辑链消费者需求 → 渠道接触线上广告/线下逛街→ 款式匹配线上款vs线下款→ 购买决策 → 渠道销量 总销量核心假设与模型1. 消费者类型划分Segmentation消费者类型 占比 行为特征线上偏好型 40% 习惯网购价格敏感追求便利线下偏好型 30% 重视试穿体验服务敏感客单价高全渠道型 30% 线上线下无缝切换被内容驱动2. 渠道转移概率矩阵Transition Probability Matrix描述消费者在看到线上款后的行为变化P \begin{bmatrix}P(\text{线上→线上}) P(\text{线上→线下}) \\P(\text{线下→线上}) P(\text{线下→线下})\end{bmatrix}- 关键参数交叉弹性Cross-Channel Elasticity——线上款的价格/设计变化对线下销量的影响程度。- 若交叉弹性接近0线上线下井水不犯河水款式差异化成功。- 若交叉弹性为负线上款抢走线下客流零和博弈。- 若交叉弹性为正线上款引流到线下协同效应。3. 销量构成分解S_{total} S_{online}^{organic} S_{online}^{diverted} S_{offline}^{organic} S_{offline}^{diverted} S_{new}- S^{organic} 自然流量产生的销量没有线上款时的基准- S^{diverted} 从另一渠道转移来的销量零和博弈部分- S_{new} 线上专属款吸引的全新需求增量部分这才是品牌真正想要的4. 关键指标定义指标 公式 商业含义渠道转移率 \frac{S^{diverted}}{S_{total}} 有多少销量是左手倒右手增量率 \frac{S_{new}}{S_{total}} 线上款带来的纯新增销量占比总销量弹性 \frac{\Delta S_{total}}{\Delta S_{online\_exclusive}} 每增加1件线上款销量总销量变化多少线下客流保留率 \frac{S_{offline}^{organic}}{S_{offline\_baseline}} 线上款推出后线下自然客流保留了多少5. 蒙特卡洛模拟由于消费者行为参数转移概率、增量率存在不确定性采用蒙特卡洛模拟10,000次输出各销量的概率分布。四、代码模块化实现Python# -*- coding: utf-8 -*-线上专属限定款营销模拟程序功能量化线上专属款对线下客流的分流效应与总销量净影响版本1.0.0作者Fashion Tech Engineerimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom typing import Dict, List, Tupleimport matplotlibimport jsonfrom dataclasses import dataclassmatplotlib.rcParams[font.sans-serif] [SimHei]matplotlib.rcParams[axes.unicode_minus] False# 配置模块 dataclassclass ChannelConfig:渠道营销基础配置# 基准销量无线上专属款时的自然销量BASELINE_ONLINE 5000 # 线上渠道月均销量BASELINE_OFFLINE 8000 # 线下渠道月均销量TOTAL_MARKET 20000 # 目标市场总容量月# 消费者类型占比PCT_ONLINE_PREFER 0.40 # 线上偏好型PCT_OFFLINE_PREFER 0.30 # 线下偏好型PCT_OMNI 0.30 # 全渠道型# 渠道转移概率线上款推出后的行为变化# 线上偏好型看到线上款后购买的概率CONV_ONLINE_PREFER 0.15 # 线上渠道转化率CONV_OFFLINE_PREFER 0.02 # 线下渠道转化率线上款对线下偏好的影响# 线下偏好型CONV_OFFLINE_PREFER_OFFLINE 0.20 # 线下渠道转化率CONV_OFFLINE_PREFER_ONLINE 0.01 # 被线上款吸引到线上的概率# 全渠道型关键群体CONV_OMNI_ONLINE 0.12 # 全渠道型在线上购买的概率CONV_OMNI_OFFLINE 0.10 # 全渠道型在线下购买的概率CONV_OMNI_NEW 0.05 # 全渠道型因线上款产生全新需求的概率# 线上专属款参数ONLINE_EXCLUSIVE_REACH 12000 # 线上款触达人数广告自然流量ONLINE_EXCLUSIVE_PRICE 299 # 线上款售价OFFLINE_AVG_PRICE 499 # 线下款均价# 交叉弹性线上款价格变化对线下销量的影响CROSS_ELASTICITY -0.15 # 负值表示线上款降价会抢走线下客流# 模拟参数MONTE_CARLO_RUNS 10000SIMULATION_MONTHS 6 # 模拟月数# 参数波动范围蒙特卡洛CONV_RANGE (0.08, 0.25) # 转化率波动范围CROSS_ELAST_RANGE (-0.30, 0.05) # 交叉弹性范围NEW_DEMAND_RANGE (0.02, 0.10) # 新增需求率范围# 消费者行为模拟引擎 class ConsumerBehaviorModel:消费者渠道选择行为模型def __init__(self, config: ChannelConfig None):self.config config or ChannelConfig()def simulate_single_period(self, online_reach: int None,conv_online: float None,conv_offline: float None,cross_elasticity: float None,new_demand_rate: float None) - Dict:模拟单期如一个月的消费者购买行为:return: 各渠道销量与增量分析cfg self.config# 使用传入参数或默认值reach online_reach or cfg.ONLINE_EXCLUSIVE_REACHconv_o conv_online if conv_online is not None else cfg.CONV_ONLINE_PREFERconv_off conv_offline if conv_offline is not None else cfg.CONV_OFFLINE_PREFER_OFFLINEcross_e cross_elasticity if cross_elasticity is not None else cfg.CROSS_ELASTICITYnew_demand new_demand_rate or cfg.CONV_OMNI_NEW# 1. 线上偏好型消费者40% online_pref_pop int(reach * cfg.PCT_ONLINE_PREFER)# 这部分人看到线上款→直接线上购买online_from_online_pref int(online_pref_pop * conv_o)# 2. 线下偏好型消费者30% offline_pref_pop int(reach * cfg.PCT_OFFLINE_PREFER)# 大部分继续在线下买offline_from_offline_pref int(offline_pref_pop * conv_off)# 小部分被线上款吸引online_from_offline_pref int(offline_pref_pop * cfg.CONV_OFFLINE_PREFER_ONLINE)# 3. 全渠道型消费者30% omni_pop int(reach * cfg.PCT_OMNI)omni_online int(omni_pop * cfg.CONV_OMNI_ONLINE)omni_offline int(omni_pop * cfg.CONV_OMNI_OFFLINE)# 新增需求关键线上款激发的全新购买omni_new_demand int(omni_pop * new_demand)# 4. 基准自然销量不受线上款影响的底色 # 线上自然流量非线上款触达的部分online_organic int(cfg.BASELINE_ONLINE * 0.6) # 60%为自然流量offline_organic int(cfg.BASELINE_OFFLINE * 0.7) # 70%为自然流量# 5. 交叉弹性调整线上款对线下自然销量的侵蚀 # 线上款越有吸引力线下自然客流流失越多offline_cannibalization int(offline_organic * abs(cross_e) * 0.5)offline_organic_adj max(0, offline_organic - offline_cannibalization)# 汇总 total_online (online_from_online_pref online_from_offline_pref omni_online online_organic)total_offline (offline_from_offline_pref omni_offline offline_organic_adj)total_new_demand omni_new_demandtotal_sales total_online total_offline total_new_demand# 渠道转移量零和博弈部分diverted (online_from_offline_pref offline_cannibalization)return {online_total: total_online,offline_total: total_offline,new_demand: total_new_demand,total_sales: total_sales,diverted: diverted,online_organic: online_organic,offline_organic: offline_organic_adj,online_from_online_pref: online_from_online_pref,online_from_offline_pref: online_from_offline_pref,offline_from_offline_pref: offline_from_offline_pref,omni_online: omni_online,omni_offline: omni_offline,omni_new_demand: omni_new_demand,offline_cannibalization: offline_cannibalization}def monte_carlo_simulation(self, n_runs: int None) - pd.DataFrame:蒙特卡洛模拟随机抽样参数多次运行:return: 包含所有模拟结果的DataFramecfg self.confign_runs n_runs or cfg.MONTE_CARLO_RUNSresults []for _ in range(n_runs):# 随机抽样参数conv_o np.random.uniform(*cfg.CONV_RANGE)cross_e np.random.uniform(*cfg.CROSS_ELAST_RANGE)new_demand np.random.uniform(*cfg.NEW_DEMAND_RANGE)result self.simulate_single_period(conv_onlineconv_o,cross_elasticitycross_e,new_demand_ratenew_demand)# 计算衍生指标total result[total_sales]if total 0:result[diverted_pct] result[diverted] / totalresult[new_demand_pct] result[new_demand] / totalresult[online_pct] result[online_total] / totalresult[offline_pct] result[offline_total] / totalresult[total_vs_baseline] total / (cfg.BASELINE_ONLINE cfg.BASELINE_OFFLINE)results.append(result)return pd.DataFrame(results)# 增量分析模块 class IncrementAnalyzer:增量效应与渠道协同分析staticmethoddef calculate_increment_metrics(sim_df: pd.DataFrame, config: ChannelConfig) - Dict:计算核心增量指标baseline_total config.BASELINE_ONLINE config.BASELINE_OFFLINE# 1. 总销量变化avg_total sim_df[total_sales].mean()total_increment avg_total - baseline_totalincrement_rate total_increment / baseline_total# 2. 渠道转移率avg_diverted_pct sim_df[diverted_pct].mean()# 3. 新增需求率avg_new_demand_pct sim_df[new_demand_pct].mean()# 4. 线下客流保留率avg_offline sim_df[offline_total].mean()offline_retention avg_offline / config.BASELINE_OFFLINE# 5. 线上款盈亏平衡点# 线上款需要带来多少新增销量才能弥补对线下的侵蚀avg_cannibalization sim_df[offline_cannibalization].mean()breakeven_new_demand avg_cannibalization# 6. 渠道协同指数1表示协同1表示内耗online_share sim_df[online_pct].mean()offline_share sim_df[offline_pct].mean()synergy_index (online_share * offline_share) / (0.5 * 0.5) # 基准为均匀分布return {baseline_total: baseline_total,avg_total_sales: avg_total,total_increment: total_increment,increment_rate: increment_rate,avg_online_sales: sim_df[online_total].mean(),avg_offline_sales: sim_df[offline_total].mean(),avg_new_demand: sim_df[new_demand].mean(),diverted_pct: avg_diverted_pct,new_demand_pct: avg_new_demand_pct,offline_retention: offline_retention,offline_cannibalization: avg_cannibalization,breakeven_new_demand: breakeven_new_demand,synergy_index: synergy_index,online_share: online_share,offline_share: offline_share}staticmethoddef scenario_comparison(model: ConsumerBehaviorModel,scenarios: Dict) - pd.DataFrame:多场景对比results []cfg model.configfor scenario_name, params in scenarios.items():# 创建临时配置temp_cfg ChannelConfig()for k, v in params.items():setattr(temp_cfg, k, v)temp_model ConsumerBehaviorModel(temp_cfg)sim_df temp_model.monte_carlo_simulation(n_runs2000)metrics IncrementAnalyzer.calculate_increment_metrics(sim_df, temp_cfg)metrics[scenario] scenario_nameresults.append(metrics)return pd.DataFrame(results)# 可视化模块 class ChannelVisualizer:渠道营销可视化staticmethoddef plot_sales_waterfall(single_result: Dict, baseline_online: int,baseline_offline: int,save_path: str waterfall.png):绘制销量瀑布图从基准到最终fig, ax plt.subplots(figsize(12, 7))# 构建瀑布数据steps [(基准线上, baseline_online, #4ECDC4),(基准线下, baseline_offline, #4ECDC4),(线上款增量\n(线上偏好型), single_result[online_from_online_pref], #FF6B6B),(线上款增量\n(全渠道线上), single_result[omni_online], #FF6B6B),(线下款增量\n(全渠道线下), single_result[omni_offline], #45B7D1),(全新需求, single_result[omni_new_demand], #96CEB4),(线下流失\n(被线上抢走), -single_result[offline_cannibalization], #FFEAA7),(线下流失\n(线上偏好型), -single_result[online_from_offline_pref], #FFEAA7)]x_pos np.arange(len(steps))colors [s[2] for s in steps]values [s[1] if i 2 else 0 for i, s in enumerate(steps)]# 前两个是基准不显示在增量部分values[0] 0values[1] 0# 计算累计cumulative [baseline_online baseline_offline]for v in values[2:]:cumulative.append(cumulative[-1] v)# 绘制bars ax.bar(x_pos, [abs(v) for v in values], colorcolors, alpha0.85, edgecolorwhite)# 绘制连接线for i in range(len(cumulative) - 1):ax.plot([i 0.4, i 1.4], [cumulative[i], cumulative[i 1]],k--, linewidth1, alpha0.5)# 标注for i, (name, val, _) in enumerate(steps):if i 2:y_pos cumulative[i - 1] val / 2 if val 0 else cumulative[i] val / 2ax.text(i, y_pos, f{val} if val 0 else f{val},hacenter, vacenter, fontsize9, fontweightbold)# 基准线ax.axhline(ybaseline_online baseline_offline, colorgray, linestyle:, alpha0.5)ax.text(0, baseline_online baseline_offline 100,f基准: {baseline_online baseline_offline}, fontsize10, colorgray)# 最终总量final cumulative[-1]ax.text(len(steps) - 0.5, final 200, f最终总量: {final},fontsize12, fontweightbold, colorred)ax.set_xticks(x_pos)ax.set_xticklabels([s[0] for s in steps], fontsize9, hacenter)ax.set_ylabel(销量件)ax.set_title(线上专属款销量增量瀑布图, fontsize14, fontweightbold)ax.spines[top].set_visible(False)ax.spines[right].set_visible(False)plt.tight_layout()plt.savefig(save_path, dpi150, bbox_inchestight)plt.show()staticmethoddef plot_channel_distribution(sim_df: pd.DataFrame, config: ChannelConfig,save_path: str channel_dist.png):绘制渠道销量分布对比fig, axes plt.subplots(1, 3, figsize(16, 6))baseline_total config.BASELINE_ONLINE config.BASELINE_OFFLINE# 1. 线上 vs 线下销量分布axes[0].hist(sim_df[online_total], bins40, alpha0.7, color#FF6B6B,label线上, densityTrue)axes[0].hist(sim_df[offline_total], bins40, alpha0.7, color#45B7D1,label线下, densityTrue)axes[0].axvline(xconfig.BASELINE_ONLINE, colorred, linestyle--, alpha0.5, label线上基准)axes[0].axvline(xconfig.BASELINE_OFFLINE, colorblue, linestyle--, alpha0.5, label线下基准)axes[0].set_xlabel(销量件)axes[0].set_ylabel(概率密度)axes[0].set_title(线上 vs 线下销量分布)axes[0].legend(fontsize8)# 2. 总销量 vs 基准axes[1].hist(sim_df[total_sales], bins40, color#96CEB4, edgecolorblack, alpha0.7)axes[1].axvline(xbaseline_total, colorred, linestyle--, linewidth2,labelf基准总销量: {baseline_total})avg_total sim_df[total_sales].mean()axes[1].axvline(xavg_total, colorgreen, linestyle-, linewidth2,labelf模拟均值: {avg_total:.0f})axes[1].set_xlabel(总销量件)axes[1].set_ylabel(模拟次数)axes[1].set_title(总销量分布 vs 基准)axes[1].legend(fontsize9)# 3. 新增需求占比分布axes[2].hist(sim_df[new_demand_pct] * 100, bins40, color#FFEAA7, edgecolorblack, alpha0.8)axes[2].set_xlabel(新增需求占比%)axes[2].set_ylabel(模拟次数)axes[2].set_title(线上款纯增量占比分布)mean_new_pct sim_df[new_demand_pct].mean() * 100axes[2].axvline(xmean_new_pct, colorgreen, linestyle-, linewidth2,labelf均值: {mean_new_pct:.1f}%)axes[2].legend()plt.suptitle(线上专属款营销模拟渠道销量与增量分析, fontsize15, fontweightbold, y1.02)plt.tight_layout()plt.savefig(save_path, dpi150, bbox_inchestight)plt.show()staticmethoddef plot_scenario_comparison(scenario_df: pd.DataFrame,save_path: str scenario_compare.png):绘制多场景对比图fig, axes plt.subplots(1, 3, figsize(16, 6))scenarios scenario_df[scenario].tolist()x np.arange(len(scenarios))width 0.25# 1. 总销量bars1 axes[0].bar(x - width, scenario_df[avg_total_sales], width,label总销量, color#96CEB4, edgecolorblack)axes[0].set_ylabel(销量件)axes[0].set_title(总销量对比)for bar, val in zip(bars1, scenario_df[avg_total_sales]):axes[0].text(bar.get_x() bar.get_width()/2, bar.get_height() 50,f{val:,.0f}, hacenter, fontsize9, fontweightbold)# 2. 增量率bars2 axes[1].bar(x, scenario_df[increment_rate] * 100, width,label增量率, color#FF6B6B, edgecolorblack)axes[1].set_ylabel(增量率%)axes[1].set_title(总销量增量率)for bar, val in zip(bars2, scenario_df[increment_rate] * 100):axes[1].text(bar.get_x() bar.get_width()/2, bar.get_height() 0.3,f{val:.1f}%, hacenter, fontsize9, fontweightbold)axes[1].axhline(y0, colorblack, linewidth0.5)# 3. 线下保留率bars3 axes[2].bar(x width, scenario_df[offline_retention] * 100, width,label线下保留率, color#45B7D1, edgecolorblack)axes[2].set_ylabel(保留率%)axes[2].set_title(线下客流保留率)for bar, val in zip(bars3, scenario_df[offline_retention] * 100):axes[2].text(bar.get_x() bar.get_width()/2, bar.get_height() 0.5,f{val:.1f}%, hacenter, fontsize9, fontweightbold)axes[2].axhline(y100, colorred, linestyle--, alpha0.5, label100%无流失)axes[2].legend()for ax in axes:ax.set_xticks(x)ax.set_xticklabels(scenarios, fontsize9, rotation20, haright)ax.spines[top].set_visible(False)ax.spines[right].set_visible(False)plt.suptitle(多场景渠道策略对比, fontsize15, fontweightbold, y1.02)plt.tight_layout()plt.savefig(save_path, dpi150, bbox_inchestight)plt.show()# 主程序 def main():print(*70)print( 线上专属限定款营销模拟系统 v1.0.center(55))print( 量化线上款对线下客流的分流与总销量净影响.center(55))print(*70)# 1. 初始化config ChannelConfig()model ConsumerBehaviorModel(config)analyzer IncrementAnalyzer()visualizer ChannelVisualizer()print(f\n 当前配置)print(f 基准线上月销: {config.BASELINE_ONLINE:,} 件)print(f 基准线下月销: {config.BASELINE_OFFLINE:,} 件)print(f 线上款触达: {config.ONLINE_EXCLUSIVE_REACH:,} 人)print(f 线上偏好型: {config.PCT_ONLINE_PREFER*100:.0f}% | f线下偏好型: {config.PCT_OFFLINE_PREFER*100:.0f}% | f全渠道: {config.PCT_OMNI*100:.0f}%)# 2. 单次模拟演示print(f\n 单次模拟演示...)single model.simulate_single_period()baseline config.BASELINE_ONLINE config.BASELINE_OFFLINEprint(f\n 销量构成明细)print(f ├─ 线上总销量: {single[online_total]:,} 件 f(自然流量: {si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