新品上市是企业验证市场的关键一步，但很多数据分析师习惯性地假设手头有足够的数据，结果在实际工作中处处碰壁。本文以一款新饮料的上市为例，聊聊数据匮乏时怎么做增长实验。

新品上市通常没有历史数据可参考。常规思路是建立完整的用户转化漏斗，做AB测试，打标签，建预测模型。但现实很骨感——如果没有自有渠道，只能拿到销售数量，其他数据一概没有。这种情况，增长实验怎么玩？

最朴素的做法是找几家店铺货，然后观察销量。这看似简单，但问题随之而来：店铺是随机选的还是精心挑的？有些店天生卖得好，有些天生卖得差，如果不提前分析，很可能高估或低估产品潜力。尤其要警惕一种情况——专职店占比过高，这类店铺的表现不能代表普通门店。



基于这个教训，店铺选择需要提前做好筛选。四个维度值得关注：店铺位置（社区店、CBD、步行街）、店铺整体业绩（好中差）、品类表现（饮料类好中差）、店铺新旧程度。这些数据从哪里来？监督检查表记录店铺状态，订单数据反映历史表现，都不难获取。

确定店铺数量时，统计学上的最小样本量（30家或384家）在实际操作中往往不适用。新品测试周期长，货物供应有限，还要考虑业务方逐店铺跟进的工作量。真正要做的是先预估单店在测试周期内的销量，确保货物充足，再根据上述维度分层抽样，保证每类门店都有样本。

如果企业已有门店分级体系（一二三线城市或ABC级），直接用会更高效。但使用前要确认三点：分级是否仍然准确、是否覆盖了不同类型门店、是否与饮料品类表现相关。很多企业的分级按整体业绩计算，可能出现A级门店都是同类业态的情况，这会影响后续推广潜力的判断。

做完店铺筛选，还需要考虑测试周期。饮料销售有明显的季节性，夏季是旺季，也可能受短期天气影响。设计实验周期时，应该参考同价位、同类型产品的历史趋势，尽可能覆盖多种场景。这样事后分析时才能判断：是产品本身不行，还是季节没选对？



最后一个关键点是业务执行监控。新品上市通常伴随宣传、铺货、促销三件事，执行质量直接决定测试结果。问题在于：如果效果不好，究竟是产品问题、执行问题，还是数据分析问题？没有过程数据，一切都无法判断。

需要记录的关键节点包括：铺货启动时间、配送完成时间、补货时间。配合订单数据，可以分析出很多问题：是不是拖了很久才开始？是不是配送磨磨蹭蹭？是不是没货了也不补？后期验证时还要关注：饮料有没有放在冰柜里、堆头有没有做、宣传物料进店了没有。



这些执行层面的细节，必须通过门店巡检来收集。没有过程数据支撑，数据分析师很容易背锅——“一定是模型没建好”“找互联网公司的人来做肯定不一样”。只有掌握了执行过程，才有底气说清楚：数据表现差，到底是因为没做到位，还是产品本身有问题。

说到底，很多数据分析人员的问题在于把工作想得太理想化。书本上的漏斗模型、AB测试、用户画像都很漂亮，但需要干净丰富的数据来支撑。遇到实际问题就傻眼了，要么幻想有大数据公司来救场，要么照搬书上的答案，要么满世界找“有没有做过饮料的老板”。

真正的能力是把简单的数据通过业务流程变得丰富。数据不够，就想办法用业务流程补；没有现成标签，就自己建立标签体系；没有过程数据，就通过巡检收集。一个合格的数据分析师，不在于会用多高级的算法，而在于能在约束条件下找到可行的方案。