2023年8月，我接手了某垂直电商平台的优惠券复盘任务。平台刚结束一场为期14天的大促招商季，累计通过站内消息、首页弹窗和支付成功页下发各类优惠券超过4200万张。运营团队给我的预期是“核销率比上季度提升3个百分点”。但当我拆完数据后发现，核销率提升是因为库存深度不足导致低价品被动清仓，和优惠券设计本身没有半点关系。那次经历让我彻底重建了优惠券效果分析的框架，也让我意识到很多团队把“发放效果分析”做成了“核销进度播报”。
这篇文章我会先给核心结论，再还原真实场景，然后拆解五个常见误区，给出我自己的专业判断逻辑，再用三个带数据的案例复盘告诉你：不同阶段、不同预算、不同品类下，到底应该怎么评估和优化优惠券发放效果。
我见过太多运营团队每周都在盯核销率。核销率高，就认为券有效；核销率低，就认为券没用。但在实际数据分析中，核销率只是用户对券的接受度，不是商业效果。真正决定优惠券是否值得发的，是三个核心问题。
第一个问题：优惠券有没有制造出原本不会发生的成交，也就是增量贡献。第二个问题：优惠券带来的成交有没有拉高毛利和客单，而不是单纯透支未来的订单。第三个问题：拿到优惠券的用户，是否有潜力成为复购用户，而不只是羊毛党。
第一层是短期成交贡献：这张券带来多少GMV、多少单量、客单价是否被抬升。第二层是增量贡献：这张券的订单中有多少本来就不会发生，这需要对比组验证，无法只凭整体趋势判断。第三层是中长期用户价值：这批用户三个月内复购多少次，是否因为一次优惠券体验变成了稳定用户。
我把这三点称为“优惠券效果分析的三层漏斗”。后面所有内容都会围绕这三层展开。任何脱离这三层的单点指标分析，都会得出片面的结论。
判断一张券值不值得发，我通常最终只看三个数字。第一个是增量销售比例，也就是核销订单中，真正因为券而新增的订单比例，行业基准通常用对照实验测算，结果普遍落在20%到55%之间。第二个是投入产出比的毛利口径，用优惠券面值加上运营成本，除以这张券带来的增量毛利，理想状态下必须大于1。第三个是90天内用户净值贡献，把新客首单优惠券带来的亏损，用后续90天的毛利净现值来补足。
如果这三个数字都健康，那这张券大概率值得持续投入。如果只有核销率很好看，我不建议因为核销率高就追加预算。
当时平台的情况很典型：大促期间同时跑着七种不同类型的券，包括全站满减券、新客专享券、品类定向券、店铺粉丝券、支付通道券、分享裂变券和凑单场景券。每种券都由不同活动小组负责，各有各的KPI。总预算占大促GMV的2.5%，约合人民币2600万元。
运营给出的结果很好：整体核销率从上季度的6.8%提升到了9.9%，GMV同比增长34%。但当我按券类型做拆解时，发现全站满减券的核销订单占总核销订单的62%，而它的核销率实际上比上季度下降了0.7个百分点。所谓整体核销率提升，只是因为新客专享券和品类定向券的核销率远高于其他券，拉高了整体数字。这就是典型的辛普森悖论。
这次复盘用了五个数据源：券发放记录、券核销记录、订单明细、支付流水、用户基础画像。最大的问题在于口径不一致。比如“核销率”这个指标，券系统按领取后7天内核销计算，财务按整个活动周期内核销计算，活动运营按领取后30天内核销计算。三个口径相差最多有7个百分点。
我第一步做的是统一口径。最终约定：核销率=实际核销张数÷发放且已领取张数，时间窗口为发放后30天。GMV归属按支付时间，而不是订单创建时间。这个动作听起来简单，但直接影响了后面所有对比结论的可靠性。
把口径对齐后，我看到了三组值得注意的数据。第一，领券用户中只有23%实际核销，其余77%领了券但没有使用，这部分是沉默成本。第二，核销用户中又有41%的用户连续领取超过3张不同活动券，这些人大概率是追逐优惠的敏感用户。第三，所有核销订单中，优惠券承载金额占比超过45%的订单，占到了核销订单总量的近30%。
这些数据说明一个事实：优惠券投放不是均匀分布的，而是高度集中于一小部分价格敏感用户。如果不做结构性分析，很容易被“整体核销率提升3个百分点”这样的假设蒙蔽。
核销率代表用户认为这张券值不值得用，不代表着这张券给平台带来了利润。我见过一个极端案例：某团队把满100减50的券发给全体注册用户，核销率冲到18%，但核销用户中有62%本来就有明确购买意愿，只是把优惠券当成了额外折扣。最终这笔券没有带来增量，只带来了毛利损失。
核销率是过程指标，不是结果指标。真正的结果指标是增量销售额、毛利贡献和用户长期价值。如果核销率很高但增量很小，这张券就是给存量需求让利，本质上是在浪费预算。
很多团队做复盘时，拿活动前两周和活动后两周的GMV对比，看到增长就归功于优惠券。但影响GMV的因素太多了：季节因素、竞品动作、库存变化、广告投放、平台排名波动，都会干扰判断。没有对照组，就无法区分哪些增长是优惠券带来的，哪些是自然趋势。
正确做法是每次发券前随机切分一个5%到10%的用户群作为不发放组，用同步对比而不是前后对比。如果团队没有对照组条件，至少也要用倾向得分匹配做历史数据回顾分析。
这是增量分析中最大的坑。用户本来要买，因为看到优惠券而取消了原订单、重新下了一单，这种情况在数据分析里叫“自然购买替换”。我在复盘中多次遇到这类数据：同一用户在发券前一周已把商品加入购物车，发券后第2天下单时用了券。这些订单被系统计为“券带来的成交”，但实际上是用户已经决定的购买。
判断这类订单的方法是看加入购物车时间与券使用时间的先后关系。如果用户加入购物车时间早于领券时间超过24小时，那么优惠券大概率只是缩短了决策周期，而不是创建了新增需求。
优惠券的效果评估时间窗口不是越长越好。窗口太长会把用户自然复购的贡献混进来，窗口太短又无法捕获优惠券对消费决策的滞后影响。我在实际项目中一般拆成四个窗口段分别看：领取后24小时内、3日、7日、30日。
24小时看冲动消费力，3日看活动热度，7日看常规促销节奏，30日看用户资产沉淀。这四个窗口的核销分布明显不同，不看结构只看总量，会掩盖很多渠道效率差异。
一张优惠券从发放到彻底失效，通常经历早期、高峰期、衰退期、残值期四个阶段。早期核销率可能很低，因为用户从看到券到决定用券有认知和决策时间。高峰期的核销密度最高，往往是发券后的第2到第3天。衰退期从第5天开始。残值期则是最后一天集中使用的“末班车效应”。
很多团队把一张券整个周期的核销数据平均计算，导致最优决策被“平均”掉。比如某张券高峰期核销率是20%，残值期核销率是0.5%，平均下来是9%。如果只看到9%，就容易错误判断高峰期需要追加投放或调整策略。
任何优惠券效果分析的起点都是构造一个尽可能干净的对照组。我偏好的方式是随机分层抽样：在发券前，把目标用户按照历史客单价、最近一次购买时间、购买频次三个维度分层，然后在每一层内随机抽取5%作为不发放组。
如果没有实验条件，退而求其次是用倾向得分匹配。说到底，分析优惠券增量贡献，本质上是在回答一个反事实问题：如果这批用户没有收到券，他们的购买行为会怎样？对照组给你答案。
示例里的分析代码结构大致如下：
— 计算处理组和对照组的转化率差异（示意 SQL）
SELECT
cohort_group,
COUNT(DISTINCT user_id) AS user_cnt,
COUNT(DISTINCT CASE WHEN paid_order_id IS NOT NULL THEN user_id END) * 1.0
/ COUNT(DISTINCT user_id) AS conversion_rate
FROM (
SELECTuser_id,
cohort_group,
paid_order_id
FROM experiment_table
WHERE experiment_id = 'coupon_exp_202310'
) t
GROUP BY cohort_group;
— 增量转化 = 处理组转化率 – 对照组转化率
— 增量订单 = 处理组用户数 * 增量转化
新客、沉睡用户、活跃用户对优惠券的反应完全不同。新客的成交往往来自券的拉动，增量贡献最高，但一次性亏损也最高。沉睡用户的激活成本通常低于新客获取成本，增量贡献中等。活跃用户本身就会购买，优惠券很可能只是让利，增量最低。
有效的分析方式是把三类人群完全拆开计算，不要混在一起。我在实际项目中经常看到有人把新客和存量用户混合算ROI，得出一个看似不错的整体数字，但实际上新客部分亏损严重，存量部分利润被侵蚀，只是两边的问题在平均数中被掩盖了。
领取后24小时、3天、7天、30天分别代表不同的分析价值。24小时内核销的订单，多是高转化意图用户，贡献的是确定的即时成交。3天内核销的订单，是优惠券缩短决策周期带来的提速效应。7天到30天的核销，更多是优惠券激发潜在需求后的长尾转化。
我建议在数据报表中固定保留这四个窗口的明细，而不是只给一个总数。因为增量订单的来源窗口不同，投放策略的调整方向也不同。如果主窗口是24小时内，说明用户决策快，可以缩短券的有效期来制造稀缺；如果主窗口是7天以上，说明用户需要更多时间考虑，券效期需要适当拉长。
我看到最多的计算方法错误就是用券带动GMV除以券面值成本。比如一张10元券带来100元GMV，就认为ROI是10倍。但从财务角度，你得看这100元GMV的毛利率，以及这10元券是不是把原本利润空间吃掉了。如果商品毛利率只有20%，那么100元GMV对应毛利20元，减去10元券成本，实际增量毛利只有10元。再扣除运营和支付成本，实际可能还在亏损。
加上增量比例后，计算方法更需要调整。假设这张券的核销订单转化率为12%，对照组转化率为7%，增量比例约为42%。那么每100张10元券被核销，真正属于增量的订单约为42单，其余58单是自然购买替换。增量毛利要按42单来算，而不是100单。
| 口径 | 公式 | 示例数值 |
|---|---|---|
| GMV口径ROI | 券带动GMV ÷ 券面值成本 | 1000元 ÷ 100元 = 10倍 |
| 毛利口径ROI | 券带动毛利 ÷ 券面值成本 | 200元 ÷ 100元 = 2倍 |
| 增量毛利口径ROI | 增量订单毛利 ÷ 券面值成本 | 84元 ÷ 100元 = 0.84倍 |
从表格中的对比可以直观看出，同样的券用不同口径计算，结论完全不同。GMV口径的10倍ROI很好看，但增量毛利口径下实际是亏损的。这也是为什么很多团队越做越亏却不自知。
如果只看单次活动的增量毛利，新客专享券往往是最难看的。一张50元的新客券核销后，首单毛利大概率覆盖不了券面成本。但新客的价值在于未来多次复购的积累。我建议按90天为一个评估周期，倒推新客的累计毛利贡献。
具体做法是取一次新客券活动发放的全部用户，跟到发放后90天的所有成交，计算累计毛利，再减去发放成本和其他运营成本。只有当90天累计净值贡献为正时，这张新客券才算是达到预期。做好这一步，才可能把优惠券分析从“单次活动评估”升级到“用户资产管理”。
这是我在复盘中最典型的一个案例。当时平台发行了500万张满50减20的通用券，核销率看起来不错，达到了8.2%，带动1.1亿元GMV。从GMV口径看，ROI接近2倍，运营部门当时判定为“成功实验”。
但我按增量逻辑重算了这笔账。随机对照组显示这批通用券的增量转化率只有2.3%，远远低于全站平均6%的已购用户自然转化率。计算下来，500万张券中的核销订单里，只有28%是真正因为券产生的增量订单，其余72%是原本就会发生的自然购买。
最终增量净亏损约263万元。原因很简单：满50减20的力度对于年客单价超过300元的核心用户来说，并没有真正拉动新消费，只是让原本要买的用户便宜了20元。
案例中关键计算公式如下：
增量订单数 = 处理组订单数 – 对照组订单数 * 处理组用户数 / 对照组用户数
增量毛利 = 增量订单数 * 平均单笔毛利 – 核销张数 * 券面值
净利润 = 增量毛利 – 运营成本
这个案例让我明白一个道理：全站通用券是在向自然流量让利，而不是在创造销售增量。它更适合作为清库存或品牌推广的手段，不适合作为常规的业绩增长工具。
另一个完全相反的案例来自新客专享券。当时平台发行了30万张满101减30的新客券，核销率21.3%，首单的毛利表现非常糟糕，平均单笔毛利只有18元，而券面成本是30元，相当于每单亏12元。如果只看单次活动的毛利口径，这是亏损项目。
但我将这批首次成交用户跟踪了90天。数据发现，新客首单后30日内有22.4%的人产生了第二次购买，60日内有31.7%产生第三次购买，90日内累计有41.2%的用户产生至少一次复购。这批复购用户带来的累计毛利，已经把首单的亏损全部覆盖，还实现了正收益。
我按90天口径重新计算了新客专享券的用户净值贡献。首单亏损12元，复购带来的平均累计毛利42元，去重计算后每人净贡献为正。这个案例修正了我对优惠券亏损的认知，也让我在后续评估中坚持使用用户生命周期视角。
新客券的分析难点在于归因窗口的边界。我在实际中会把“新客”定义为第一次下单且90天内未收到其他渠道相同补贴的用户，避免重复计算导致的数据虚高。
第三个案例是母婴品类定向券。平台向最近30天浏览过母婴品类但没有购买记录的用户发放了200万张满199减30定向券，核销率15.6%，表面业绩非常好。增量比例8.9%，在三个案例中处于中间位置。
但进一步拆解后发现一个红线问题：券的核销订单中，有39%是从原价更高的同类商品换到了券可用的中低价商品。这部分用户本来就要买母婴用品，只是被定向券引导到了特定商品池，产生了“消费降级型替换”。这对于品牌方和平台毛利都有负面影响。
蚕食效应的判断逻辑是：对比用户历史购物车商品的客单价和用券支付商品的客单价，如果用券商品价格明显低于历史购物车清单均价，就存在蚕食风险。我们最终建议运营团队在定向券的可用商品池中纳入中高客单价商品，并设置最低毛利保护价，由此将蚕食比例从39%压缩到了12%。
品类定向券不能只看核销和增量，还必须看价格迁移方向。好的定向券应该引导用户升级消费，而不是让用户从高毛利商品滑到低毛利商品。
新消费品牌通常预算有限，用户基数小，优惠券效果容易被少量羊毛党扭曲。我的建议是发券前先用历史购买数据圈定种子客户池，只对池内用户定向发券，不做全量投放。这样核销率和增量都能保持健康，还可以把节省下来的预算投入到复购召回中。
同时建议每两周做一次增量测试，用5%的用户做对照组，持续沉淀品牌自己的增量基线。没有基线的优惠券投放，就像在没有地图的情况下开车。
成熟平台的优势是数据基础设施强、存量用户体量大，完全有条件把每次发券都变成一个实验。建议按券种、折扣档位、适用人群、有效期四个维度建立实验矩阵，每次只改变一个变量，持续积累策略数据。
我在实际操作中会把实验设计标准化，从样本量计算、实验时长、最小可检测效应到决策规则都提前写清楚，避免活动结束后再临时拍脑袋。
线下场景的优惠券效果分析和线上有个关键区别：核销带来的客流波峰和门店产能之间的关系。如果发券导致周六客流爆增但周日客流惨淡，那只是把未来需求提前透支，而不是增量。我建议线下团队把核销数据和门店产能数据对齐，分析每个时段内的增量单量是否超过了门店产出的边际成本。
同时建议引入到店核销间隔这个指标，控制用户从领券到到店的时间在合理范围内，减少券的有效期造成的经营波动。
低毛利品类比如日百、生鲜、3C配件，毛利率可能只有10%以下，优惠券很容易直接把利润空间吃成负数。我建议这类品类把优惠券优先用于拉高客单价的“满减凑单”场景，而不是“直接立减”场景。立减券是实打实的费用，满减券至少能换到客单价提升的数据反馈。
同时要设定折扣深度上限。从我们观察的数据来看，低毛利品类的优惠券折扣深度超过15%以后，增量提升就不明显了，但毛利损耗持续扩大。守住这个边界比追求高核销率更重要。
如果团队没有专门的数据分析师，我建议从一张最小可用数据表开始：券批次ID、发放渠道、目标用户人群、领取时间、核销时间、订单金额、商品成本、用户是否为新增。这张表的SQL逻辑不复杂，但能覆盖增量分析、毛利分析、时间窗口分析和用户分层分析的大部分需求。
先把这张表跑稳定，再逐步叠加对照组数据。很多团队一开始就想做复杂模型，结果连基础数据一致性都没做好，反而浪费了更多时间。
全量投放的覆盖范围大、用户感知强，但会带来大量无效曝光和羊毛党；定向投放精准度高、增量比例高，但受众基数有限。我的取舍原则是看活动的核心目标。如果是新品冷启动或平台PR节点事件，可以适度扩大覆盖面，追求曝光效果。如果是常规业绩增长目标，必须收缩到精准人群，追求增量效率。
实际复盘中，我常建议采用双层投放结构：核心层是精准高意向用户，用高面值券；外围层是泛人群，用低面值券。既保证基础曝光，又控制成本。
优惠券是目前少数能快速拉动GMV但也会快速侵蚀毛利的工具。短期GMV好看会带来销售团队和管理层的即时满足，但长期看，毛利压力最终会反噬平台生态。我的取舍标准是：如果品牌处在必须抢占市场份额的阶段，可以容忍短期毛利下降，但需要设置毛利的亏损上限，同时用用户留存数据做持续评估。
一旦发现核销用户复购率低于自然用户阈值，说明这张券吸引的是一次性用户，应该果断调整策略。
优惠券对用户体验的伤害主要来自两个场景：一是领券后实际不可用，二是券后价格和日常价格差异不大，造成被欺骗感。为了控制风险而限制可用范围，又容易导致体验变差。我建议在券面文案中明确适用品类、折扣上限和叠加规则，把用户预期控制在合理范围内，避免在支付环节被拦截。
用真实场景数据作为设计依据是更稳妥的方式。先查过去30天各品类优惠券的核销失败原因，再决定新券的限制规则。
大促期间没有时间做完整实验。我的建议是建立“快慢双轨”评估机制。快速轨道适用于618、双11等节点：用实时数据仪表盘监控核销率、客单价、库存深度等核心指标，发现问题立即调整预算分配。慢速轨道适用于日常运营：用完整实验来积累增量贡献和用户生命周期数据，为快速轨道提供预判规则。
两者相辅相成。没有快速轨道，大促期间容易反应迟钝；没有慢速轨道，快速轨道就缺少判断基准。
优惠券力度越大，核销率和增量刺激越强，但也会拉低用户对商品的价值感知。价格锚点一旦被破坏，用户下次不拿到同样折扣就不愿下单，形成折扣依赖。我建议把折扣力度控制在价格锚点的合理区间内，也就是券后价格不应该低于过去30天内商品的最低成交价的85%。
同时要控制同一商品的发券频率，同一商品30天内不应超过两次大型优惠券活动。这个频率限制是我在多次数据复盘中总结出来的经验阈值，超过这个阈值，用户会把打折当成常态价格。
我在这次4200万张优惠券的复盘中最深的感受是：优惠券不是一个短期的销售工具，而是一个需要精细管理的用户资产。每一次发券，都是在用户心中重新定价你的商品，也是在重新筛选你的用户结构。真正有价值的分析，不是证明这张券发得有多成功，而是理解它改变了哪类用户的行为、消耗了多少利润、沉淀了多少长期资产。
如果你现在正准备开始一次优惠券效果分析，我的建议是：第一步先建立增量分析框架，第二步确定对照组的方案，第三步统一核心指标口径。用这三个词作为起点：增量、毛利、用户净值。先跑通一个最小可用的分析模型，然后把它固定成日常运营的必做动作，比追求任何高级算法都更有价值。
我最近负责了一次优惠券发放活动，但面对一堆数据不知道怎么看。是看核销率、客单价还是订单量？总觉得单个指标说不清楚，有没有一个系统的指标体系？
判断一次发券活动的成败，不能只看“核销率高不高”，而要看“钱是否赚回来了”。我在一次美妆电商大促中曾负责发券分析，当时满减券核销率做到了38%，远超同组，然而财务一算，利润反而比上个月降了6%。原因是核销用户中大部分原本就会下单，券只是直接把利润对冲掉了。
正确做法是建立一套核心指标体系，并用“增量贡献”去拆解结果。具体指标至少包括：核销率、发券渠道转化率、券后客单价、订单增幅、新增用户数、实际花费成本、单券获客成本、增量订单占比、净利润变化。重点看增量，总订单量要减去自然订单量和“消费提前”订单量。自然订单量可以用同期未收到券的对照组推算；
消费提前订单量可以观察活动前后7天老客订单频率是否出现低谷。此外要做类型对比：满减券适合提升客单价，折扣券适合提升转化率，直减券适合拉新但容易带来亏损。我建议用“净收益=增量销售额-券面成本-边际履约成本”作为核心指标。最后的判断标准是：如果券的投入产出比大于你规定的阈值，比如1:3，才算是成功。
否则核销率再高，也只是给用户送钱。
我做了50万张优惠券，核销率接近40%，但最终销售额只比以前多了几千块，几乎没赚到钱。到底是哪里出了问题？是用户被券刺激了但把原有消费提前了？还是有用户用多个账号套券？
发了很多券却带不动销售，通常不是券面金额不够，而是“被薅羊毛”或“消费透支”掩盖了真实增量。我做过一个线下连锁餐饮的券包活动，发放了10万张“满100减30”券，核销率31%，销售总额看起来增长了15%。
但按手机号去重后发现，有近两千个账号在活动开始前3分钟集中领券并核销，用了同一批虚拟号段和同一收货地址，这就是典型的养号党。把这些数据剔除后，增量订单占比从宣传上的40%掉到了实际17%。“消费透支”则更隐蔽：老客原本每周买一次，拿到券后改为两周内集中买两次，活动后出现两周低迷。
所以在分析时，必须做三重拆分。第一，拆分新老客，老客订单要看是否只是把未来需求提前释放。第二，拆分渠道，用渠道标签和活动码识别羊毛党，按设备ID、IP、行为频次做聚类。第三，拆分时间窗口，比对活动前、中、后各30天订单分布。
我见过最离谱的一次，某平台发券后销售额涨了25%，但下月销售额同比掉了20%，因为用户都等到发券时才买。应对策略是控制发券频率、设置每用户限领数量、提高使用门槛、用新客专属券和老客返场券区分目标。最后要牢记：销售额上涨不等于生意变好，要算净盈利和用户终身价值。
我想知道到底哪些用户对优惠券最敏感？RFM模型怎么用？总不能所有用户都发同样的券吧？有没有实操方法？
找到“给券就买、不给券也买”和“给券才买、不给券不买”这两种人，是优惠券投放的核心。我用过最有效的方法是“RFM模型+券敏感度打分”，操作分四步。第一步，搭建RFM层：按最近购买时间、购买频率、客单金额给用户分群，把用户分成8个组。
第二步，做敏感度测试：选一个沉默观察期，例如两周，随机抽10%的用户发不同面额和门槛的券，其余不发，对比测试组和对照组两周内的下单率和复购率变化，算每个分组的“增量响应率”。第三步，给每个组画像：我曾在某零售项目中得到数据，高客单低频的老客对“满199减100”响应率最高，增量销售贡献占62%；
低客单高频的新客对“无门槛立减10元”响应率最高，但亏损风险也大。第四步，制定发券策略：对高价值高敏感用户发大额满减券，对高价值低敏感用户发小额会员权益，对低价值高敏感用户发小额直减，对低价值低敏感用户直接放弃发送或只做触达。
这里有个新手常犯的错：总想着用同一张券通吃所有用户，结果高价值用户嫌弃门槛低，低价值用户觉得面额小。发券不是普渡众生，而是精准投放。另外，发券时间也很讲究，最好在用户流失前7天或购物车沉淀期发送。我测过在购物车有商品但3天未下单的用户中发送“满100减20”，比全量发送的核销率高4.2倍。
我发了一万张优惠券，最终核销只有1000多点，费力不讨好。券的有效期、到达率、使用门槛可能都有问题，但我不知道优先排查哪个，有没有数据分析的思路？
核销率低的诊断思路，要从“发放，领取，核销”三个环节做漏斗拆解，不要上来就怀疑券面金额。先看发放后领取率：如果邮件/短信送达率低，或者用户根本看不到优惠券，那问题在触达环节。我在一次APP推送中，发现优惠券卡片处于首页腰部，点击率不到0.3%，后来改成启动弹窗后领取率从9%涨到34%。
再看领取后核销率：如果领取率高但核销率只有10%，重点排查有效期、使用门槛、适用商品和门店覆盖。我有一次做某连锁咖啡的“买一赠一券”，有效期设成3天，结果核销率只有8%。一查后台，券发出的前两天正好是周二周三，而这家咖啡店的销售高峰在周末。
我们把有效期延长到15天，并确保覆盖两个周末，核销率直接升到21%。门槛也很关键：满100减20对比满199减20，前者核销率23%，后者只有10%，用户的心理差是“近在咫尺”和“遥不可及”。还要检查是否被竞品截流，用户领券后打开你的小程序要4步，而隔壁平台APP里直接就有同款券，他会先用谁的？
所以核销率分析要做到“一图看漏斗，列表看卡点”，把每一步的流失率和一个参考值对比，差额最大的环节就是整改点。建议你在活动后台埋点：发券时间、领券渠道、券点击时间、有效期内核销时间、核销商品品类。一周后复盘时按时间轴和品类交叉分析，大概率能找到真实原因。
读者评论
文章把核销率与增量贡献区分开来，这一点很有价值。尤其是对照组和反事实分析的思路，能避免把自然购买误判成优惠券带来的成交。
统一核销时间窗口、GMV归属和数据来源是很容易被忽略的基础工作。文中提到不同口径相差7个百分点，说明复盘前先统一指标定义非常必要。
分阶段观察领取后24小时、3日、7日和30日的表现比较实用，前3天集中核销的结论也能直接指导提醒和召回策略。
文章对新客、价格敏感用户和自然购买用户的区分较清楚，但90天净值还需要结合退货、履约和渠道成本，实际落地时数据要求会比较高。
案例数据较丰富，能说明高核销不一定代表高收益。不过部分行业基准和案例结果缺少样本量、显著性等信息，若用于决策还应补充实验置信度。