立即登录 我以前说过，增长是数据分析师最能体现价值的战场。今天拿一个真实场景，聊聊怎么把数据思维扎进增长实验里。
一家快消品公司要推两款全新饮料，没经验、没历史数据，不敢直接铺全国，想先做个实验看看效果。很多人一听"增长实验"，眼睛就亮了。
新手分析师的常规操作大概是这样的：对接字节、腾讯、阿里的大数据平台，构建用户到店、逛货架、选品、加购、结账的完整转化漏斗，进店用户自动打标签做AB分流，再叠加上性别、年龄、收入、兴趣的精准画像，最后跑个AI模型预测自然销量。
听起来很对，对吧？唯一的问题是：这些数据根本拿不到。
没有自有渠道，你能看到的只有进货量。用户是谁、进没进店、拿起来又放下——统统不知道。唯一靠得住的，是业务员定期上门巡检，看看货架上有没有货。
数据贫瘠到这个程度，怎么办？
换个思路。推新品最终是为了卖货，那核心判断就一条：上了这款新品，单店订单量有没有比原来多？模型极简：找店、铺货、看销量、对比。
实验设计似乎也很简单：选几家店，把货铺上，观察一段时间的销量变化，收工。
真这么简单？
第一个要啃的硬骨头，是选店不能随便抓。门店之间的差异可能比人和狗还大，有的位置好、客流大，有的守着死角勉强维生。如果不做预先分析，很容易把自然条件好的店当成产品功劳，或者把潜力店埋没在烂店里。
尤其要警惕"专职店"——只卖你家产品的店。这种店如果太多，样本会严重失真，后续根本没法往外推。
所以试点选店之前，先把手头能拿到的数据盘清楚：位置是社区店、CBD写字楼店还是步行街店；整体业绩好、中、差分三档；饮料这个品类里表现如何；店龄是新店还是老店。前三项靠订单数据，第一项靠巡检记录，都能拿到。关键是用起来——提前分层、打标签，让选品有依据。
维度一多，新问题又来了：到底选多少家？
统计课本会说单组最少30，理想384，95%置信度下误差5%。但那是理想国。现实里，要以店为单位抽样，全部门店加起来可能都没多少；测试周期一长，备货能不能跟上？一家家铺货、一家家谈，业务团队的人效天花板就在那里。
所以定样本量的时候，得先对测试周期内的单店销量有个预期，确保"有货可卖"这件事能成立。否则测出来的不是产品效果，是断货记录。
总量定了，再按维度往里插样本，每个象限尽量覆盖到。如果公司本来就有门店分级体系，一二三级现成的，那能省很多事——但用之前务必检查三个问题：分级标准现在还准不准，有没有出现三级变二级、二级变一级的漂移？分级时考虑了业态多样性吗，别一级门店全是CBD，事后想补其他场景的结论都找不到样本。分级跟饮料品类强相关吗？全品类分级和饮料分级，结果可能天差地别。
这三关过了，分级直接用。这样设计出来的实验，事后评估才有抓手，不会出现"效果不好是因为店选差了""分析不出潜力是因为店都长一个样"这种死无对证的尴尬。更细的好处在于，事后可以按标签拆解：哪种店型、哪个地段、什么业绩水平的门店，对新品响应最好。下一轮实验往哪迭代，方向自然就清晰了。
选完店，什么时候测、测多久？饮料的季节性极强，夏季爆发、天气敏感，一场暴雨可能直接改写一周数据。所以得先把"气候日历"摸清楚：找价格带相近、品类相近、目标人群重叠的既有产品，看它们的历史走势，对季节节奏心里有数。基于这个全局判断，把观察周期拉长，尽量覆盖不同情境。这样事后不仅能回答"卖得好不好"，还能分析"什么时候好、什么时候垮"，为最终的推广节奏定调。
新品上市，宣传、铺货、促销通常是组合拳。这套动作执行得怎么样，直接决定实验结果能不能信。而执行靠的是各地分公司、办事处，参差不齐是常态。
这里藏着个深坑：万一数据不好看，是产品不行，还是执行拉胯，还是分析师模型算错了？没监控，就只能扯皮。"不是产品问题，是你们没铺好"——"怎么没铺好，数据呢？"——"数据分析师没算清楚呗，现在不都AI大数据吗？"这口锅，提前给你备好了。
所以必须盯紧几个关键节点：铺货启动时间、铺完时间、补货时间。把这些时间和订单数据交叉，能看出很多门道：有没有拖了很久不动的？启动后推进缓慢？不看规模闭眼铺？卖断货了不补？
后期验证更要跟上，而且得抓重点：夏天货在货架上还是塞冰柜里？大卖场有没有做堆头，还是只上了普通货架？促销物料到没到店？这些信息从巡检来，和订单数据拼在一起，才能说清道不明的结果到底归因给谁。执行到位的，产品确实卖不动，那是产品问题；执行都走样的，先把内部复盘做清楚，别急着给产品判死刑。
2020年前后，数据分析领域有个通病：学得太像读书了。找些字段完整、清洗干净的公开数据集，跑几轮模型，调几个参数，就以为掌握了真实世界。新人容易把工作当考试，数据集跑顺了便觉得万事大吉。等到真刀真枪的场景里，要么幻想巨头们有万能解药，要么翻书找答案，要么群里急吼吼地问"有没有饮料行业大佬，付费咨询！"
丧失的，是针对具体问题具体分析的能力。
打破对花哨工具的迷信，沉下来理解业务、设计方法，才是正路。数据少的时候能想办法，数据多的时候能驾驭，把简单数据通过业务流程变丰富——这三样合起来，才是一个分析师的硬功夫。
这篇文章聊的是"数据贫瘠"场景下的笨办法。如果感兴趣的人够多，下一篇我们换到数据充裕的战场，聊聊UGC产品怎么分析。