問題場景：某包含多系列產品的快消品公司，希望推出一款全新飲料（2個SKU）以帶動整體銷售金額。該款為全新推出，缺少經驗，因此計劃在今年先行實驗，觀察效果后大面積推廣。
問：該如何設計增長實驗，以提前發現問題，確保增長？
一、虛假的數據增長
很多新人同學舉手，表示這題我會：
2、建立用戶到店-貨架-選擇-加入購物籃-結賬轉化漏斗
3、進行ABtest，進店用戶自動打碼分流進行AAAB對比
4、建立用戶畫像精準識別目標用戶性別，年齡，收入，愛好
5、建立人工智能大數據模型精準預測自然銷量
現實問題是：沒數據。
因為不是自有渠道，所以只能拿到進貨數，其他的數據不要想了，不存在的，一條都沒有。倒是門店有沒有鋪貨，可以靠巡店督導定期上門檢查。
那么，該怎么辦呢？
二、最基礎的增長模型
最簡單的想法：上新品是為了拉動銷量，所以上新之后，得比上新之前渠道訂貨得多。于是最簡單的模型就出來了（如下圖）：
那么，看起來實驗設計也很簡單了：
2、鋪貨
3、觀察鋪貨以后銷量
4、搞掂
是不是真的搞掂了呢？
三、考慮增長基礎
第一個問題：找店是隨機找，還是有目標找？
很有可能有的店天生就賣得好，有的店天生賣得差。如果事先不對店過往訂貨情況進行分析，就很有可能高估/低估增長能力。
特別要注意專職店是否存在，這類型門店如果數量過多，可能會影響整體判斷（如下圖）：
在前期選擇試點樣本店的時候，提前做好篩選，考慮：
2、門店業績：整體業績好/中/差
3、品類業績：飲料類好/中/差
4、門店時間：新店/老店
這些數據是可以獲取到的，數據1在督導的巡店表里有記錄，數據2，3，4在訂貨單里有記錄，所以完全可獲得。
需要做的是提前對數據進行分析，做好分層和打標簽的工作。
這么多維度交叉起來，引發一個新問題：到底要選多少店做試點。
統計學會告訴你單群體最小樣本30，最好384，這樣95%置信度下抽樣誤差5%——但是這些和眼前的問題工作沒多大關系。
因為眼前的問題是：
第二：測試的是新產品，且測試周期可能很長，意味著貨源可能不夠。
第三：測試的是新上架產品，需要業務方一個店一個點鋪貨，得考慮工作量。
所以，設計樣本數的時候，首先對單店在測試周期內銷量有個預計，保證肯定有貨，這樣才能真正測出來：是否達預期。
定下門店總量以后，再按以上考慮維度往里塞樣本。最后出來的結果，保證每個分類盡可能都有樣本就行。
如果事先有一級、二級、三級門店的分類，則輕松很多。
因為一二三級分類，很有可能已經綜合考慮了銷售能力，門店規模等等因素。但在使用之前得注意幾個問題：
別出現3級>2級>1級的情況，那事后分析就很尷尬了。
避免一級門店全是同一類門店（比如都是CBD店）這樣事后評估，會發現嚴重缺其他門店樣本。
注意，題目企業是個全系列企業，很有可能一二三級是按整體業績分類的，對應到飲料類，又會出現3級>2級>1級的極端情況。
只要不存在以上問題，那1、2、3級分類就直接用吧。
考慮增長基礎，不但讓設計更豐滿，而且能極大方便事后的評估。避免諸如以下這些尷尬的問題：
2、為啥分析不出推廣潛力，因為找的都是同一類的店
3、為啥1級門店反而賣的不好，因為丫天生就賣得不好
并且在事后分析的時候，能對各類型門店標簽下情況進行深入的分析，具體到每一類店鋪標簽的效果。
這樣迭代實驗的時候，也有更清晰的方向，落地的時候，思路也更多（如下圖）。
那么，考慮到這一步夠了嗎？
四、考慮增長周期
第二步：考慮什么時間測，測多久
一般商品都有自己的銷售周期，飲料類的周期更特殊，可能集中在夏季爆發，也有可能受各地氣候的影響，也有可能受天氣短期影響。
因此，在設計測試周期的時候，需要先梳理相似價位、相似類型、相似目標群體對應的飲料的走勢，這樣才能有個全局判斷（如下圖）。
有了全局判斷后，可以設一個比較長的觀察周期，以盡可能多覆蓋各種場景。這樣在事后評估分析的時候，也能對各種情況進行分析（如下圖）。
五、考慮增長落地
第三步：考慮業務落地動作
一款新產品上市，宣傳、鋪貨、促銷三件套往往是一起往上招呼。這些落地動作才是最終決定測試成果的因素。而這些動作，都依賴各地分公司/辦事處的執行，執行力至關重要。
這里有個很深刻的問題：一但測試效果不好……
2、還是業務自己沒做好？
3、還是數據分析師算錯了？
監控了業務執行過程，你才有資格說：業務做得好/不好。沒有監控業務執行過程，人家隨時都能說：數據分析沒算出來。
“現在不都人工智能大數據了嗎，一定是我們的數據分析師太蠢了，招個頭騰阿的數據分析師肯定能算清楚”——這鍋已經為你準備好了，所以一定要掌握清楚。
待掌握的信息包括：
（2）、鋪貨完成時間
（3）、補充訂貨時間
有了這些信息，可以結合訂貨數據做更多分析：
（2）、有沒有啟動了推進很慢的
（3）、有沒有不分規模閉著眼睛鋪的
（4）、有沒有缺貨了不去補的
當然，后期核查要跟上，且核查的時候，可以增加幾個關鍵維度檢查,比如：
（2）、大賣場不做堆頭只做貨架的
（3）、有促銷物資不往門店進的
這些核查數據同樣得從督導手里收回來，同數據一起分析，才更容易看到結果。
這樣，在解釋結果的時候，自然更有底氣：凡是沒有執行的到位的，一概不許甩鍋給產品/數據，自己沒做好的自己反省去。這樣也更有利于找到真正問題答案。
六、小? 結
2020年的數據分析領域最大問題，就是：學習過程書本化，脫離實際。
教數據分析的書、老師、課程，為了讓算法、統計原理、用戶畫像、漏斗模型、ABtest發揮作用，就專門挑一些字段豐富，清洗干凈的數據集，讓算法跑起來。
新人們把工作當讀書，跑幾個數據集就欣欣然自以為得已得已。
兩下相交，導致的結果就是新人們遇到實際問題的時候：不是幻想頭騰阿有靈丹妙藥，就是急著搬書找答案，要么就是跑到各個群問：“有沒有互聯網飲料行業的大佬，急，在線等，可付費！”。唯獨喪失了具體問題、具體分析的能力。
破除迷信，腳踏實地，認真研究業務流程，設計合理的方法，才是解決問題之道。
數據簡單有數據簡單的搞法，數據豐富有數據豐富的搞法，把簡單的數據通過業務流程改進變得豐富，這三者合并才是一個合格的數據分析師該有的能力。
本文由@接地氣學堂原創，運營喵專欄作者。
