营销系统刚升级，弃购提醒的发送量却开始下滑。问题是：这是改动造成的，还是需求波动？等月底复盘或许能看清，但回滚时机可能已经错过。Jorge Pellegrini 的研究把 Bayesian Causal Impact（用历史数据和未受干预的参照指标，推算“如果没改系统，本来会怎样”）从事后评估推向早期预警：系统究竟要观察多少天，才能较可靠地判断表现正在恶化。
研究以弃购营销流程的每日发送量为对象，参照进入弃购流程的人数和商品搜索量，并人为注入不同幅度的下降，反复模拟报警。最值得注意的是两种规则的差别：按“有多少天跌破预测下界”报警，监测期越长反而越不灵；按“累计负面影响连续出现多少天”报警，则更稳定，也更贴近日常运营决策。换句话说，预警不只取决于模型是否看见坏影响，也取决于怎样定义“该响铃了”。论文未在所给原文中披露具体检测天数，因此目前更适合把它看作一套评估预警灵敏度与延迟的框架，而非现成阈值。