编辑导读：对互联网人来说，掌握数据分析能力能为日常工作提供大量支持，不外大多数人仍处于认知阶段。那为了提前发现问题，确保增长，该如何设计增长实验？本文就此展开了梳理讨论，从五个方面进行了分析，对数据分析感兴趣的童鞋不要错过哦。
一、虚假的数据增长
很多新人同学举手，表示这题我会：
对接头条、腾讯、阿里大数据获取全部信息
建立用户到店-货架-选择-加入购物篮-结账转化漏斗
进行ABtest，进店用户自动打码分流进行AAAB对比
建立用户画像精准识别目标用户性别，年龄，收入，爱好
建立人工智能大数据模型精准预测自然销量
现实问题是：没数据。因为不是自有渠道，所以只能拿到进货数，其他的数据不要想了，不存在的，一条都没有。倒是门店有没有铺货，可以靠巡店督导定期上门检查。那么，该怎么办呢？
二、最基础的增长模型
最简单的想法：上新品是为了拉动销量，所以上新之后，得比上新之前渠道订货得多。于是最简单的模型就出来了（如下图）：
三、考虑增长基础
第一个问题：找店是随机找，仍是有目标找？很有可能有的店天生就卖得好，有的店天生卖得差。如果事先不对店过往订货情况进行分析，就很有可能高估/低估增长能力。特别要注意专职店是否存在，这类型门店如果数量过多，可能会影响整体判断（如下图）：
门店位置：社区店/CBD店/步行街店
门店业绩：整体业绩好/中/差
品类业绩：饮料类好/中/差
门店时间：新店/老店
这些数据是可以获取到的，数据1在督导的巡店表里有记录，数据2，3，4在订货单里有记录，所以完全可获得。需要做的是提前对数据进行分析，做好分层和打标签的工作。这么多维度交叉起来，引发一个新问题：到底要选多少店做试点。统计学会告诉你单群体最小样本30，最好384，这样95%置信度下抽样误差5%——但是这些和眼前的问题工作没多大关系。因为眼前的问题是：第一：需要以店为单位抽，有可能所有门店加起来都不够这么多。第二：测试的是新产品，且测试周期可能很长，意味着货源可能不够。第三：测试的是新上架产品，需要业务方一个店一个点铺货，得考虑工作量。所以设计样本数的时候，首先对单店在测试周期内销量有个预计，保证肯定有货，这样才能真正测出来：是否达预期。定下门店总量以后，再按以上考虑维度往里塞样本。最后出来的结果，保证每个分类尽可能都有样本就行。如果事先有一级、二级、三级门店的分类，则轻松很多。因为一二三级分类，很有可能已经综合考虑了销售能力，门店规模等等因素。但在使用之前得注意几个问题：
过往的一二三级分类，是否目前还准。别出现3级》2级》1级的情况，那事后分析就很尴尬了。
一二三级是否考虑类型。避免一级门店全是同一类门店（比如都是CBD店）这样事后评估，会发现严重缺其他门店样本。
一二三级是否和饮料销售有关系。注意，题目企业是个全系列企业，很有可能一二三级是按整体业绩分类的，对应到饮料类，又会出现3级》2级》1级的极端情况。
只要不存在以上问题，那1,2,3级分类就直接用吧。考虑增长基础，不但让设计更丰满，而且能极大利便事后的评估。避免诸如以下这些尴尬的问题：
为啥测试效果不好，因为找的都是很差的店
为啥分析不出推广潜力，因为找的都是同一类的店
为啥1级门店反而卖的不好，因为丫天生就卖得不好
并且在事后分析的时候，能对各类型门店标签下情况进行深入的分析，具体到每一类店铺标签的效果。这样迭代实验的时候，也有更清晰的方向，落地的时候，思路也更多（如下图）。
四、考虑增长周期
第二步：考虑什么时间测，测多久一般商品都有自己的销售周期，饮料类的周期更特殊，可能集中在夏季爆发，也有可能受各地气候的影响，也有可能受天气短期影响。因此在设计测试周期的时候，需要先梳理相似价位、相似类型、相似目标群体对应的饮料的走势，这样才能有个全局判断（如下图）。
五、考虑增长落地
第三步：考虑业务落地动作一款新产品上市，宣传、铺货、促销三件套往往是一起往上招呼。这些落地动作才是最终决定测试成果的因素。而这些动作，都依赖各地分公司/办事处的执行，执行力至关重要。这里有个很深刻的问题：一但测试效果不好……
到底是产品本身没需求？
仍是业务自己没做好？
仍是数据分析师算错了？
监控了业务执行过程，你才有资格说：业务做得好/不好。没有监控业务执行过程，人家随时都能说：数据分析没算出来。“现在不都人工智能大数据了吗，一定是我们的数据分析师太蠢了，招个头腾阿的数据分析师肯定能算清楚”——这锅已经为你准备好了，所以一定要掌握清楚。待掌握的信息包括：有了这些信息，可以结合订货数据做更多分析：
有没有拖了很久不启动的
有没有启动了推进很慢的
有没有不分规模闭着眼睛铺的
有没有缺货了不去补的
当然，后期核查要跟上，且核查的时候，可以增加几个关键维度检查,比如：
大夏天的把货铺在货架而不是塞冰柜的
大卖场不做堆头只做货架的
有促销物资不往门店进的
这些核查数据同样得从督导手里收回来，同数据一起分析，才更容易看到结果。这样，在解释结果的时候，自然更有底气：凡是没有执行的到位的，一概不许甩锅给产品/数据，自己没做好的自己反省去。这样也更有利于找到真正问题答案。
六、小结
2020年的数据分析领域最大问题，就是：学习过程书本化，脱离实际。教数据分析的书、老师、课程，为了让算法、统计原理、用户画像、漏斗模型、ABtest发挥作用，就专门挑一些字段丰富，清洗干净的数据集，让算法跑起来。新人们把工作当读书，跑几个数据集就欣欣然自以为得已得已。两下相交，导致的结果就是新人们遇到实际问题的时候：不是幻想头腾阿有灵丹妙药，就是急着搬书找答案，要么就是跑到各个群问：“有没有互联网饮料行业的大佬，急，在线等，可付费！”。唯独丧失了具体问题、具体分析的能力。破除迷信，脚踏实地，认真研究业务流程，设计合理的方法，才是解决问题之道。数据简单有数据简单的搞法，数据丰富有数据丰富的搞法，把简单的数据通过业务流程改进变得丰富，这三者合并才是一个合格的数据分析师该有的能力。本篇分享的是简单的做法，感兴趣的话，关注接地气的陈老师，下一篇我们分享一个数据很丰富的场景下，该怎么分析的案例，就讲UGC产品，敬请期待哦。#专栏作家#接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。本文原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议。
如若转载，请注明出处：https://www.ozabc.com/keji/141746.html