数据增长是数据分析师进行数据分析的重要意义所在，而数据增长实验能够提前发现问题，确保增长。作者在这篇文章中介绍了数据增长实验落地的全过程，以虚假的数据增长、基础增长模型引入，从增长基础、周期、落地等维度深入考虑，相信会为广大数据分析新人童鞋带来许多经验~

之前分享过：做增长，是数据分析师最好的立功方式，今天直接来个例子，看看怎么通过数据设计增长实验。话不多说，整！

问题场景：

某包含多系列产品的快消品公司，希望推出一款全新饮料（2个SKU）以带动整体销售金额。该款为全新推出，缺少经验，因此计划在今年先行实验，观察效果后大面积推广。

问：该如何设计增长实验，以提前发现问题，确保增长？

一、虚假的数据增长

很多新人同学举手，表示这题我会：

1. 对接头条、腾讯、阿里大数据获取全部信息
2. 建立用户到店-货架-选择-加入购物篮-结账转化漏斗
3. 进行ABtest，进店用户自动打码分流进行AAAB对比
4. 建立用户画像精准识别目标用户性别，年龄，收入，爱好
5. 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，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）：

那么，看起来实验设计也很简单了：

1. 找几个店
2. 铺货
3. 观察铺货以后销量
4. 搞掂

是不是真的搞掂了呢？

三、考虑增长基础

第一个问题：找店是随机找，还是有目标找？

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）：

在前期选择试点样本店的时候，提前做好筛选，考虑：

• 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：

• 需要以店为单位抽，有可能所有门店加起来都不够这么多。
• 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。
• 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，而且能极大方便事后的评估。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级门店反而卖得不好，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）。

那么，考虑到这一步够了吗？

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）。

有了全局判断后，可以设一个比较长的观察周期，以尽可能多覆盖各种场景。这样在事后评估分析的时候，也能对各种情况进行分析（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？
• 还是业务自己没做好？
• 还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：

• 铺货启动时间
• 铺货完成时间
• 补充订货时间

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。

五、小结

目前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。