数据不足的增长实验设计：以新饮料上市为例

数据分析师的工作听起来很光鲜——漏斗模型、AB测试、用户画像，听起来都是高大上的工具。但现实往往没那么美好。当你面对一个全新产品，没有任何历史数据积累，这些工具再好也只能干瞪眼。

今天用一个真实场景，聊聊这种困境下该怎么设计增长实验。

真实的困境

某快消公司准备推两款新饮料，目标是拉动整体销售额。产品是全新的，之前没有任何销售数据可以参考。公司打算先小范围测试，效果好再大面积推广。

问题来了：公司没有自己的销售渠道，只能靠外部门店。能拿到的数据非常有限——基本上只有进货记录，其他几乎一无所知。

这种情况下，传统的数据驱动方法完全使不上劲。门店有没有正常陈列产品、货架位置怎么样、有没有及时补货，这些都得靠人一家家去跑去看。

这才是大多数消费品企业真正面对的情况。

从最简模型开始

最朴素的想法是：新产品的销量总得比不推广时好吧？

基于这个假设，实验可以简化为三步：找几家店、铺货、看销量。听起来粗糙，但很多企业确实就是这么干的。

问题是，这样能得出靠谱的结论吗？

第一步：选对门店

随机选店是大忌。门店之间的差异可能比产品之间的差异大得多。社区店和CBD店的客流完全不一样，步行街店和社区店的消费能力也差很远。选到好店可能高估增长潜力，选到差店则可能直接否定一个好产品。

还有些隐藏的坑。比如某些特殊类型的门店，销量天然就高；或者某些区域门店特别集中，如果样本里这类店占比太高，数据就会严重失真。

所以选试点门店时，需要提前建立多维度的筛选标准：



- 门店位置类型：社区店、CBD店、步行街店等
- 历史业绩表现：高、中、低三档
- 品类表现：饮料这个品类卖得怎么样
- 经营时长：新店还是老店

这些数据从哪来？巡店记录里有位置和陈列信息，历史订单里有业绩和品类表现，经营时长系统里也能查到。关键是把这些数据提前清洗好，打上分层标签。

至于样本量，统计学教科书会告诉你每组至少30个，95%置信度需要384个。但实际问题更复杂：首先门店总数可能就有限；其次测试周期通常不短，意味着要准备大量货物；还有新品上架需要业务方一家家沟通，工作量不得不考虑。

更务实的做法是，先算出单店在测试周期内大概能卖多少，确保货物充足能真正测出效果。在这个基础上，按上面说的几个维度均匀分布样本，保证每个类别都有足够数据支撑后续分析。

如果企业本身有一二三线门店的分类体系，直接用会更方便。这个分类通常已经综合考虑了销售能力、门店规模等因素。但用之前要确认几个问题：分类是否还准确、是否覆盖了所有门店类型、分类逻辑跟饮料销售有没有关系。有些企业按整体业绩分类，结果一二线全是CBD，三四线全是社区店，用这样的分类来测饮料就会出大问题。

门店选对了，后面的数据分析才能站得住脚。效果不好时，才能说清楚是门店本身不行还是产品不行。推广潜力分析是否覆盖了足够多的门店类型？某些级别的店表现差是天然属性还是产品问题？这些如果在前期不想清楚，后期分析就会陷入无穷无尽的扯皮。

第二步：定好周期

产品有自己的销售节奏，饮料尤其如此。夏季是旺季，但同时也受当地气候和短期天气影响。设计测试周期时，先研究同类价格带、同类品类、同类目标群体的销售趋势，建立全局判断。

这个工作不难，调取历史订单数据就能看出门道。根据这个判断，设置足够长的观察窗口，尽量覆盖不同场景。这样事后评估时，既能看到整体表现，也能分析淡旺季、晴天雨天、工作日周末等各种条件下的具体情况。

第三步：监控执行

新品上市时，铺货、陈列、促销这三件事通常同时落地。这些执行动作才是决定测试结果的关键。而执行质量取决于各地分公司或办事处的配合程度。

这里有个核心问题：如果测试效果不好，怎么判断是产品本身不行，还是执行没做到位？



很多数据分析师会遇到这种情况：辛辛苦苦做了分析，提出增长建议，业务方一句“执行没到位”就把所有责任推回来。没有过程数据支撑，连反驳的能力都没有。

更尴尬的是，效果不好时所有人都会质疑数据分析的质量——“肯定是模型没做好”“请个BAT的数据分析师肯定不一样”。锅就这样稳稳地背上了。

所以必须监控业务执行过程，具体包括：铺货什么时候开始、什么时候完成、后续什么时候补货。这些信息结合订单数据，能分析出很多问题：

- 拖了很久才开始启动的门店
- 启动后推进缓慢的门店
- 不看门店规模闭眼铺货的
- 卖空了却迟迟不补货的

后期验证还可以增加一些关键维度：夏季是否把货铺到冰柜而不是普通货架、大卖场有没有做堆头、促销物料是否进店等。这些验证数据同样从巡店检查中获取，和销售数据一起分析。

这样做的好处是，解释结果时更有底气。执行没做到位的门店，数据自然会反映出问题，而不是产品或数据分析背锅。找到真正的问题所在，这才是数据分析的价值。

写在最后

这两年数据分析领域有个现象：学习过程太书本化。很多人学了一堆算法、统计原理、用户画像、漏斗模型、AB测试，用的是现成的干净数据集，跑出漂亮的模型就以为掌握了技能。

真正遇到实际问题，要么幻想有大数据平台来救命，要么死记硬背书上的公式，要么到处问“有没有行业大佬能给点建议，可以付费”。

这些都解决不了问题。

算法和模型只有在具体业务场景中才能发挥作用。数据分析的本质是解决问题，而不是炫技。数据少不是借口，通过优化业务流程让数据变少为多，这才是合格数据分析师的能力。

这篇文章分享的是一个简单场景下的做法。如果数据丰富，分析方法会有很大不同。后续我们会另开一篇，讨论UGC产品场景下的数据分析案例。