數(shù)據增長實驗，數(shù)據分析進階必會技能！
做增長，是數(shù)據分析師最好的立功方式，今天直接來個例子，看看怎么通過數(shù)據設計增長實驗。話不多說，整！
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(fā)現(xiàn)問題，確保增長？
很多新人同學舉手，表示這題我會：
1、對接頭條、騰訊、阿里大數(shù)據獲取全部信息
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AA\AB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(shù)據模型精準預測自然銷量
?
現(xiàn)實問題是：沒數(shù)據。因為不是自有渠道，所以只能拿到進貨數(shù)，其他的數(shù)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？
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：
1、找?guī)讉€店
2、鋪貨
3、觀察鋪貨以后銷量
4、搞掂
?
是不是真的搞掂了呢？
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(shù)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：
門店位置：社區(qū)店/CBD店/步行街店
門店業(yè)績：整體業(yè)績好/中/差
品類業(yè)績：飲料類好/中/差
門店時間：新店/老店
?
這些數(shù)據是可以獲取到的，數(shù)據1在督導的巡店表里有記錄，數(shù)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(shù)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(fā)一個新問題：到底要選多少店做試點。統(tǒng)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：
第一：需要以店為單位抽，有可能所有門店加起來都不夠這么多。
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(yè)務方一個店一個點鋪貨，得考慮工作量。
所以設計樣本數(shù)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(guī)模等等因素。但在使用之前得注意幾個問題：
1、過往的一二三級分類，是否目前還準。別出現(xiàn)3級》2級》1級的情況，那事后分析就很尷尬了。
2、一二三級是否考慮類型。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(fā)現(xiàn)嚴重缺其他門店樣本。
3、一二三級是否和飲料銷售有關系。注意，題目企業(yè)是個全系列企業(yè)，很有可能一二三級是按整體業(yè)績分類的，對應到飲料類，又會出現(xiàn)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：
1、為啥測試效果不好，因為找的都是很差的店
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？
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(fā)，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）。
?
第三步：考慮業(yè)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(zhí)行，執(zhí)行力至關重要。
這里有個很深刻的問題：一但測試效果不好……
到底是產品本身沒需求？
還是業(yè)務自己沒做好？
還是數(shù)據分析師算錯了？
?
監(jiān)控了業(yè)務執(zhí)行過程，你才有資格說：業(yè)務做得好/不好。沒有監(jiān)控業(yè)務執(zhí)行過程，人家隨時都能說：數(shù)據分析沒算出來。“現(xiàn)在不都人工智能大數(shù)據了嗎，一定是我們的數(shù)據分析師太蠢了，招個頭騰阿的數(shù)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：
鋪貨啟動時間
鋪貨完成時間
補充訂貨時間
?
有了這些信息，可以結合訂貨數(shù)據做更多分析：
有沒有拖了很久不啟動的
有沒有啟動了推進很慢的
有沒有不分規(guī)模閉著眼睛鋪的
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：
大夏天的把貨鋪在貨架而不是塞冰柜的
大賣場不做堆頭只做貨架的
有促銷物資不往門店進的
這些核查數(shù)據同樣得從督導手里收回來，同數(shù)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(zhí)行的到位的，一概不許甩鍋給產品/數(shù)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。
?
2020年的數(shù)據分析領域最大問題，就是：學習過程書本化，脫離實際。教數(shù)據分析的書、老師、課程，為了讓算法、統(tǒng)計原理、用戶畫像、漏斗模型、ABtest發(fā)揮作用，就專門挑一些字段豐富，清洗干凈的數(shù)據集，讓算法跑起來。新人們把工作當讀書，跑幾個數(shù)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(lián)網飲料行業(yè)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(yè)務流程，設計合理的方法，才是解決問題之道。數(shù)據簡單有數(shù)據簡單的搞法，數(shù)據豐富有數(shù)據豐富的搞法，把簡單的數(shù)據通過業(yè)務流程改進變得豐富，這三者合并才是一個合格的數(shù)據分析師該有的能力。
.
? ??