普通报表擅长回答“发生了什么”，例如本周销售额比上周下降 8%，转化率从 3.2% 变成 2.9%。回归分析进一步把多个变量放进同一个框架，回答“在控制其他条件后，某个变量与结果的平均关系如何”，例如在访客、客单价和活动状态相近时，转化率变化与销售额变化的关联程度。它适合帮助我排序线索、比较情景和建立预测，但不能仅凭系数证明因果，也不能替代实验。最好的用法是先用报表发现问题，再用回归验证关系，最后结合成本和库存形成行动。

不能直接这样推断。大促期间广告、自然流量、折扣、品牌关注度和库存可能同时增加，相关系数会把这些共同变化混在一起；广告还可能被主动分配到本来就更有潜力的商品，形成选择偏差。我会先按渠道、商品、活动和非活动时期拆分，再在模型中控制访客、价格、活动、库存等变量，观察广告系数是否稳定。若目标是预算增量，我还会设计分组测试、地理对照或其他准实验，并用增量销售减去广告与优惠成本后判断是否值得扩量。回归可以提供线索，但“多投一元带来多少增量”需要更强的识别证据。

变量不是越多越好，首先要满足预测时点可获得、定义稳定、与业务机制相关三个条件。常见的基础变量包括历史销量、有效访客、转化率、客单价、渠道、星期、节假日、活动阶段、可售库存和价格。天气、评价或用户标签只有在数据及时、覆盖稳定并且确实改善回测结果时才值得加入。我会先建立移动平均或季节性基准，再逐步加入变量，通过时间切分回测比较 MAE、RMSE、峰值误差和偏差方向。如果新增变量只让训练集 R² 上升，却不能改善未来回测，或者上线时无法及时取得，就应当删除或降级为辅助分析字段。

缺货会让实际销量成为“需求和供给约束共同作用的结果”，因此它不能在所有日期都直接代表真实需求。若商品页面仍有访问和加购，但可售库存为零，低销量更可能说明供给受限。我会记录可售库存、缺货小时、到货时间和页面可购买状态，给缺货日期加标记，并分别比较有货日与缺货日。预测库存需求时，可以参考有货时期的流量、加购和转化关系，或者建立需求与供给分开的分析框架。经营建议也要区分：需求弱时减少采购，供给受限时补货或提供替代品。忽略库存变量，可能把最需要补货的商品误判为不值得投入。

只看 R² 和显著性不够。R² 主要反映样本内解释程度，加入变量后通常不会下降；显著性受样本量、相关结构和误差假设影响，也不等同于经营重要性。我会同时检查时间切分回测、样本外 MAE 或 RMSE、预测偏差、促销高峰误差、不同渠道和商品分组的稳定性，以及多重共线性和数据泄漏。还要把系数换算为实际单位，看它是否足以覆盖成本、是否符合业务机制。对于预测区间，我会观察实际值落入区间的比例；对于投放决策，我会进一步评估增量与成本。可靠模型不一定每次都准确，但它的误差来源应当透明，换周期后也不应轻易改变主要判断。

在本文示例中，我把 E数通作为统一数据分析和经营看板入口，用来连接数据、管理指标、组织筛选关系、展示趋势并协同复盘。它可以帮助团队减少反复导出和复制粘贴，把结果更快放回业务场景。工具不能自动替代统计设计：结果变量如何定义、变量是否泄漏、怎样按时间回测、相关性是否能解释、是否需要实验，都仍然需要分析人员和业务负责人共同判断。比较稳妥的方式是让 E数通承载日常数据准备、可视化和结果沟通，在需要更复杂估计时结合专业建模流程，再把可解释的输出回写到经营看板。这样既提升效率，也保留方法边界。

我会先把预测区间与不同错误的成本联系起来。若缺货损失远高于库存积压，可以在核心商品上向上区间倾斜；若商品保质期短或现金流紧张，则应以中位数或谨慎情景为主。投放预算可以采用分段释放：先按基准情景投放，设置转化率、可售率和履约时效阈值，达到条件再增加预算，没有达到则暂停扩量。采购可以把中位数作为基础计划、上区间作为可选补单，并提前确认供应商响应时间。每周还要记录预测区间、实际值和触发动作，持续校准区间宽度。这样不确定性不会停留在报告中，而会变成可执行的安全边界和升级规则。