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):

数据增长实验落地全流程

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):

数据增长实验落地全流程

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)。

数据增长实验落地全流程

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)。

数据增长实验落地全流程

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)。

数据增长实验落地全流程

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。

数据增长实验落地全流程

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。

 

作者:接地气的陈老师

来源:微信公众号“接地气的陈老师(ID:gh_abf29df6ada8)“

本文由 @接地气的陈老师 原创发布于运营派。未经许可,禁止转载。

题图来自 Unsplash,基于 CC0 协议。

登录后参与评论
给作者一些鼓励吧!
等我一分钟 我去找个夸你的句子
这世上美好的东西不多,牛起来要人命的你就是其一!
不要厉害的这么随意,不然我会觉得我又行了
这就很离谱了,老天爷追着喂饭的主儿~
我要是有这才华,我走路都得横着走!
对你的作品崇拜!
反手就是一个推荐,能量满满!
感谢分享
  1. 关注作者很久了,看到这篇文章的时候想到了很多点子其实真的是可以运用在日常工作中

  2. 读过这个楼主很多文章,确实都还不错,感谢,加油。

  3. 看运营派评论区就像回家一样

    里面个个都是人才

    说话又好听

    超喜欢看评论

  4. 对于一个每天996的运营人来说,简直扎心了。 :x

  5. 作者你好,有没有什么好书推荐看看 :oops:

  6. 顶! :cry:

收藏
评论
返回
营销日历03月29日 更多
中国黄花岗七十二烈士殉难纪念日
1904年中国第一个官办银行批准设立
1950年美国无线电公司制成三色电视
1974年秦始王兵马俑被发现(待)
1997年摇滚乐队五月天成立
加入圈子
全栈运营交流群
加入
抖音运营交流群
加入
小红书运营交流群
加入
视频号运营交流群
加入
公众号运营交流群
加入
APP网站运营交流群
加入