2023 年下半年，我帮一个做家居收纳的跨境团队做增长诊断。他们的数据看板很漂亮：周环比、SKU 动销率、广告 ACOS 一应俱全，但连续两个季度毛利都在往下掉。我问了团队负责人一个问题：「你们上一次做完整的市场调研是什么时候？」他想了十秒，说：「去年 Q4 选品的时候，做了一轮平台榜单分析。」那一刻我就知道问题在哪了，他们把市场调研当成选品环节的一次性动作，而不是增长策略的持续输入源。
这篇文章要讲的，就是怎么把市场调研从「选品前的一步」重新接进增长回路，让它变成一个能持续供血、能被验证、能被追责的运营框架。
我会先给结论，再讲我踩过的坑、见过的误区，然后拆解一套判断逻辑：什么样的调研结论值得进入增长策略，什么样的只配躺在共享文档里。中间会用一个跨境数据平台「数跨境」作为具体例证，把抽象框架落到真实的看板和字段上。最后按团队规模、阶段、平台数量给出不同的行动建议和取舍原则。全文数据凡属我自己项目复盘的，都会标注样本来源和口径；凡属推演的，会明确写「示意数据」。
先把话说死：在跨境电商里，把市场调研放在「选品之前」这个位置，是绝大多数团队增长失速的根因。因为选品只是增长策略的一个输出，而市场调研需要喂养的，是定价、内容、流量结构、库存节奏、站点扩张这一整套决策。
市场调研在跨境电商里的正确位置，不是流程图的第一个方框，而是贯穿整个增长回路的输入总线：它同时供给选品、定价、内容、投放、库存和扩张六个决策点，并且每个决策点的结果必须回流，反过来修正调研假设。
这句话里有两个关键点容易被忽略。第一是「同时供给六个决策点」，大部分团队只把它接给了选品。第二是「结果必须回流」，大部分团队的调研是单向的，做完就结束，从不验证。
前置步骤的隐含假设是：市场信息在决策时刻是稳定且已知的。但跨境电商恰恰是这个假设最不成立的地方。一个亚马逊美国站的品类，从 3 月到 6 月，头部卖家的构成、广告竞价水位、评论门槛可能全部变过一遍。
你 1 月做的调研结论，拿去指导 7 月的定价，本质上是在用过期地图导航。而总线模式的逻辑是：调研持续运行，每个决策节点按需调用，用完的结论被实际结果验证，形成闭环。前置步骤追求的是「一次性正确」，输入总线追求的是「持续校准」。
我做过的项目里，凡是把调研做成持续机制的团队，第二次上新的成功率明显高于第一次；而把调研做成一次性动作的团队，第二次上新往往在重复第一次的错误。
我目前用的框架分五层，从上到下依次是：目标层、调研层、判断层、执行层、回流层。这里不展开每层的全部细节，只强调它们之间的数据流关系。
大部分团队的框架只有中间三层，缺了目标层的约束，也缺了回流层的校准。缺目标层，调研就没有取舍标准，什么都看，什么都看不深；缺回流层，调研就永远无法证明自己的价值，也就永远拿不到更多资源。
它解决的不是「信息不够」的问题，而是「信息无法转化为决策」的问题。我观察过十几个跨境团队，几乎没有一个是缺数据的，缺的是把数据翻译成决策的中间机制。
具体表现是：运营每天看后台数据，但说不清哪个数字会影响下周的动作；老板问「为什么这个 SKU 要降价」，回答是「感觉竞品在降」。这不是人的问题，是框架缺了判断层和回流层。
抽象讲框架容易变成正确的废话。下面这三段是我 2022，2024 年参与过的三个真实项目复盘，涉及数据均已脱敏处理，属样本推演，不代表行业统计。
2022 年，一个做小家电的团队决定进 Shopee 印尼站。他们的选品依据是：同一款便携榨汁杯在国内电商卖爆了，价格带 99 元，评论区高频词是「方便携带」「颜值高」。
上架三个月后，动销率不到 8%。复盘时我们才认真去看当地数据：印尼站同类商品的搜索词里，「容量」相关词的搜索量是「便携」的三倍以上，评论里抱怨最多的是「一次只能榨一杯不够全家喝」。更关键的是，当地主流价格带集中在 45，65 元区间，99 元已经越过了大多数用户的决策门槛。
这个坑的本质不是「没做调研」，而是用A市场的调研结论直接替代B市场的调研过程。文化相近不等于需求结构相近，尤其在小家电这种高度依赖使用场景的品类上。
2023 年初，一个做宠物用品的团队给我看他们的调研材料，核心是一份某平台 Best Sellers 榜单的前 100 名截图。他们认为这已经是充分的调研了。
我只问了一个问题：「这 100 个里，有多少是三个月内新上榜的？」他们答不上来。后来我们重新梳理，发现前 100 名中有 61 个已经盘踞榜单超过一年，属于典型的存量头部。这些商品的数据反映的是「过去什么样」，而不是「现在进场的胜算有多大」。
榜单是结果数据，不是机会数据。真正的机会信号往往藏在榜单之外：新上榜的、增速快但体量还小的、评价数量少但评分高的。这些信息榜单不会直接告诉你，需要额外的维度交叉。
2024 年，一个已经做到中等规模的团队花了六周做了一份非常详尽的竞品调研，PDF 有 47 页。我翻了前几页就发现，这份报告的执行摘要里推荐了三个方向，但季度增长策略里一个都没提。
我后来做了个简单统计：这份报告一共提出了 19 条建议，最终进入执行的有 2 条。原因很现实，报告是运营专员做的，策略是总监定的，两者之间没有明确的接口。
这类问题最隐蔽也最常见。它不表现为「调研做得差」，而表现为「调研做得好但没用上」。调研不进决策链，不是执行问题，是接口设计问题：调研结论必须被翻译成有预算、有负责人、有验证周期的策略条目，才算真正完成。
回头看不难发现，这三个坑指向同一件事：调研和增长策略之间缺一条正式的、有约束力的管道。第一个案例是调研对象错了，第二个是调研维度错了，第三个是调研出口错了。都不是「没做调研」，而是「调研没有接入系统」。
这也是我后来把「回流层」看得比「调研层」更重的原因。做调研不难，难的是让调研产生策略压力。
在讲具体方法之前，先把误区拆干净。这四个误区我在至少二十个团队身上见过，出现频率极高，而且往往互相叠加。
这是最普遍的一条。很多团队一说「做调研」，意思就是「决定下一个上什么产品」。选品确实是调研的重要输出，但不是唯一输出。
市场调研至少要回答六类问题：这个市场有多大且在增长吗；竞争格局是集中还是分散；用户在意什么、抱怨什么；流量成本处在什么水位；供应链上有没有新的供给可能；我这个团队有没有相应的能力接住。只有第一个和第三个直接服务于选品。
把调研等同于选品的结果，是调研资源只投在选品环节，其他五个决策点靠经验和直觉。而经验和直觉在跨境市场里的保质期通常不超过一个季度。
我曾经见过一个团队同时订阅了四个数据工具，每天抓取的原始记录超过十万条，但运营负责人跟我说「越看越迷」。
问题出在：数据量大不等于信息量大。十万条原始记录里，可能九成是同质化的重复信息。真正稀缺的不是数据，是「把数据压缩成假设」的能力。
我现在的做法是反过来的：先写下本期最想验证的三个假设，然后只采集能证伪这三个假设所需的数据。调研的目标不是收集，是证伪。你带着一个明确的假设去看数据，效率会是漫无目的浏览的十倍以上。
很多团队把调研当成项目制的动作：Q1 做一轮，然后一整年不再碰。这在市场变化慢的行业可能还行，在跨境电商里几乎必然失效。
跨境电商的变量更新速度极快。一个品类的头部卖家构成可能两个月就换一批，广告竞价水位在旺季前会显著抬升，平台政策调整会直接改变流量分配逻辑。
我的建议是分层设定调研频率，而不是统一频率：
这条最容易被忽略。团队花大量精力分析竞品卖什么、卖多少钱、怎么投广告，却从不评估自己能不能做到同样的成本结构。
我见过一个团队，竞品分析做得非常扎实，结论是「进入某价格带有机会」，然后上了三款产品，全部亏在物流成本上，因为他们没有算过自己在这个重量段上的头程和尾程成本，而竞品的单量决定了它的物流单价低得多。
市场调研必须包含一次对自身供给能力的审计：成本结构、账期能力、库存承受度、内容产能。不在同一个成本区间里打，再好的市场机会也不是你的机会。
拆完误区，进入核心。这一节回答一个具体问题：一份调研里可能产出几十条结论，哪些应该被写进季度增长策略、分配预算和人力？
我给每条调研结论套三个标准，三个都过才进入候选项。
标准一：可归因。这条结论指向的动作，其结果能不能被单独测量？如果你说「要提升品牌调性」，这不可归因；如果你说「把主图第二张从场景图换成尺寸对比图，观察两周内点击率变化」，这可归因。
标准二：可量化。预期效果能不能写出一个数字区间？哪怕是粗略的。写不出数字，说明你自己也没想清楚这条结论的价值量级。
标准三：可执行。这条结论对应的动作，是否在现有资源边界内可以启动？如果需要的资源你半年内拿不到，那它不该进本季度策略，该进「观察清单」。
我把上面的标准扩展成四道闸门，每条候选结论必须依次通过。
四道闸门全部通过，这条结论才有资格进入策略。我实测下来，一份 30 条结论的调研报告，通常只有 5，8 条能过全部四道。过不了不是浪费，是过滤，这正是判断层存在的意义。
过了闸门还不够，还要排优先级。我用的是一个加权评分表，四个维度各占不同权重。这张表不是精确科学，但它强制你把「凭感觉排序」变成「写出理由再排序」。
| 维度 | 权重 | 打分依据 | 常见误判 |
|---|---|---|---|
| 市场机会规模 | 30% | 目标价格带的市场容量与增速 | 把整个品类的规模当成自身可及规模 |
| 竞争可进入性 | 25% | 头部集中度、评论门槛、广告成本 | 只看头部数量，不看头部壁垒类型 |
| 自身能力匹配度 | 25% | 成本结构、内容产能、供应链响应速度 | 高估团队的执行速度 |
| 验证成本 | 20% | 跑通最小验证所需的资金与时间 | 低估小批量测试的固定成本 |
注意「验证成本」这一项。很多团队排优先级时只看机会大小，不看验证成本。结果是先做那个最大的机会，但它的验证周期长达五个月，半年后才发现判断错了，代价极高。
更稳的做法是：优先做「机会中等但验证成本低」的项，用小成本快速证伪，把验证周期压缩到两三周，用验证结果反过来提高对下一个大机会的判断置信度。这是我在项目里最常推荐的排序策略。
为什么强调验证成本？因为跨境电商的调研永远无法消除不确定性，只能降低不确定性。而在高不确定性环境里，决策的价值不来自「判断得多准」，而来自「用多低的成本发现判断错了」。
这跟投资的逻辑是一样的：你不可能每次都对，你能控制的是每次错的代价。所以我把调研框架设计成「假设，小成本验证，回流修正」的循环，而不是「深度分析，一次性大投入」。
前面讲的都是原则，这一节落到具体工具和字段上。我以跨境数据平台「数跨境」为例，说明一个可持续运行的调研回路在实际操作中长什么样。数跨境的官网是 https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys ，我会按我实际使用的层次来讲，不讲功能清单。
项目是一个做厨房小工具的团队，主战场亚马逊美国站，2024 年 Q1 的目标是：在不增加 SKU 数量的前提下，把现有 14 个 SKU 里排名第 5，10 位的六个「腰部 SKU」的毛利额提升 20%。
注意这个目标设定。它没有说「上新品」，也没有说「提升市占率」，而是明确指向了腰部 SKU 的毛利额。这就给调研定死了方向：我不需要看整个品类的全部机会，我只需要搞清楚六个 SKU 各自卡在哪一环。
这是框架里「目标层」的作用，它把调研的搜索空间从无限压缩到有限，效率立刻提升。
第一层解决的问题是：大盘本身在变好吗，还是我在一个下沉的池子里挣扎。
我们在数跨境上看的是品类在近 12 个月的搜索量趋势、价格带分布和头部商品的生命周期分布。这一步的关键不是看绝对量，而是看结构。
具体看三个东西：
这个项目当时的观察结果是：品类整体搜索量同比微增 6%（示意口径，来自该平台品类趋势面板），但价格带分布出现明显位移，中高价格带的商品密度比上一年提升了约 18%，说明有更多卖家在往高价走。而团队六个腰部 SKU 全部集中在低价带。
第一层告诉你「池子在往哪走」，第二层告诉你「别人是怎么游的」。
这一步我们重点拆的是竞品的流量来源结构。工具里能看到的核心字段包括：自然搜索位的排名变化、广告位占比、评价增长速率、变体策略。我关注的是这四个维度的组合，而不是单看某一个。
举个例子。当时对标的一个竞品，自然排名长期稳定在前五，看起来很强。但把数据拆开看，它的评价增长速率在过去三个月明显放缓，同时广告位占比在上升。这两条信息合起来指向一个判断：它的自然排名可能正在靠广告托底，也就是说，它的真实自然竞争力在下降。
这类判断，只看榜单是看不出来的。榜单只告诉你「它现在在前五」，不会告诉你「它是靠什么待在前五」。
第二层的观察出来后，我们做了三件事，每一件都可以追溯到具体数据。
动作一：对广告依赖度高的竞品，做关键词卡位。它的自然位不稳，意味着部分关键词的排名是买来的。我们针对性优化了两个长尾词的 listing 文案和后台字段，三周后其中一个词的自然排名从第 19 位升到第 8 位。
动作二：修改主图与 A+ 内容的呈现重点。我们从竞品新评论里抽取高频抱怨词，发现「尺寸比预期小」出现频率很高。于是把主图第二张换成带硬币参照的尺寸图，并在 A+ 首页加了一张对比表。六周后这六个 SKU 的平均转化率提升了约 1.4 个百分点。
动作三：对两个成本结构最差的 SKU 做定向淘汰评估。因为整体策略是提升毛利额而非规模，所以对始终无法进入正向毛利的 SKU，选择主动收缩而不是继续投入广告。
这是回流层最关键的环节。我们当时写了三条主要假设，90 天后逐条验证。
| 假设 | 预期 | 实际结果 | 结论 |
|---|---|---|---|
| 竞品A自然位不稳，卡位可抢 | 两个长尾词进入前 10 | 一个进入前 8，一个停在第 14 | 部分成立，卡位对精准长尾有效，对中等词无效 |
| 尺寸信息缺失是转化瓶颈 | 转化率提升 1，2 个百分点 | 平均提升 1.4 个百分点 | 成立，且效果集中在单价较高的两个 SKU |
| 六个 SKU 均可在现有成本下提毛利 | 六个全部转正 | 四个转正，两个仍然为负 | 不成立，成本结构是硬约束，非运营可解 |
第三条假设被推翻，是这轮调研最有价值的产出。它让团队停止在两个 SKU 上继续投入运营资源，转而评估更换供应商或直接退出。调研的价值不只在找到机会，也在于及时证明某些路走不通。
我用数跨境的原因很具体：它的品类趋势、价格带分布和流量结构这几块数据能拼在一起看，不需要在多个工具之间来回导出比对。而对一个已经跑通单店打法的团队来说，工具最大的价值不是数据多，而是能不能让「大盘，竞品，自身」三层在同一个视图里对齐。如果每次做调研都要花两天做数据对齐，那这套机制注定跑不长久。
但我必须说清楚一点：工具解决的是数据获取效率，不解决判断质量。我见过用同一套工具做出完全不同质量结论的团队，差别全在判断层。工具是杠杆，杠杆放大的是你本来的判断力。
框架是同一套，但不同阶段的团队资源不一样，动作必须变形。下面按三个阶段给建议，你可以直接对号入座。
这个阶段最大的约束是人力，所以调研必须极度聚焦。
这个阶段最该避免的错误是：过早引入复杂工具和复杂流程，把调研做成一项仪式。三个人以内的团队，调研的产出应该是一张 A4 纸，不是一份 PDF。
这是最容易出问题的阶段。团队已经有了一些成功经验，有了预算，也最容易陷入「堆工具、堆数据」的误区。
这个阶段调研的重点从「找机会」转向「配资源」。因为机会对你来说不缺，缺的是判断该把有限资源投在哪个市场。
框架讲完，最后讲取舍。因为现实里没有「全都做对」的选项，只有「在约束下选哪个」。这一节列的四个取舍，是我被问得最多的。
这是最经典的矛盾。做得深，可能错过窗口；做得浅，可能踩坑。
我的判断标准是看可逆性。如果这个决策是可逆的，比如上一个小批量测试款，卖不动可以清库存退出，那就应该浅调研、快行动，用市场反馈代替案头分析。
如果决策是不可逆的，比如开模具、签独家代理、备大货，那就必须深调研，因为纠错成本极高。判断一个决策该投入多少调研资源，先问一句：如果我错了，我能多快、以多大代价退回来？
两者不是替代关系，是互补关系，但确实需要取舍。
我的用法是：用官方数据做自身诊断，用第三方数据做外部判断；官方数据看绝对值，第三方数据看趋势和排名变化。如果预算有限只能选一个，优先保证官方数据的分析深度，因为那是你真正能改变的部分。
数据采集和基础统计应该尽可能自动化，这是没有争议的。争议在于：判断环节要不要自动化？
我的答案是：可以自动化「异常发现」，不要自动化「决策结论」。系统可以每天告诉你「这三个竞品的评价增速突然翻倍」，但不应该告诉你「所以你应该降价」。
原因很简单：异常发现是模式识别，机器做得比人好；决策结论涉及资源分配和风险偏好，机器不知道你账上还有多少现金、不知道你老板下个月要什么。
这个问题很少有人问，但它可能比前三个更重要。调研是有边际收益递减的，超过某个点，多花的时间不再提升判断质量，只是在缓解焦虑。
我的停止信号有三个，出现任意一个就该停：
讲了这么多原则，最后给一个可以直接执行的启动节奏。这是我给三个团队落地时用过的版本，可以根据自己的阶段做删减。
这一周不做数据采集，只做两件事：确定本季度唯一的核心目标（只能一个），然后把这个目标拆成三个待验证假设。
例如目标是「腰部 SKU 毛利额提升 20%」，那么三个假设可能是：转化率存在提升空间、广告结构存在浪费、部分 SKU 成本结构不可持续。这一周产出的是一页纸，不是报告。
按三层分别采集：大盘层的品类趋势与价格带分布，竞品层的流量结构与评价增长，自身层的关键词排名和转化数据。
这一周的关键纪律是：只采能证伪上述三个假设的数据。其他数据一律不采，哪怕是免费的、看起来很有意思的。
把采集到的观察整理成结论条目，逐条过四道闸门，然后用加权评分表排序，最终输出「策略候选清单」。清单上每条必须包含：结论、依据、所需资源、验证周期、负责人。
这一步是整个流程里最容易被跳过的一步，也是决定调研能不能进入决策链的一步。没有清单，就没有接口。
从清单里挑验证成本最低的三条先启动。注意是先启动验证成本低的，不是先启动机会最大的。
同时把验证的观测指标写死，包括观察周期、判定标准和停止条件。这一步要写清楚「什么情况下算失败」，否则验证很容易变成自我安慰。
回到最初那个问题。那个家居收纳团队的问题不是调研做得不够，而是调研和增长策略之间没有管道。他们的调研是孤立的，做完就结束，既不约束目标，也不接受验证。
我在这篇文章里最想强调的一个反常识观点是：让市场调研失效的，往往不是数据质量，而是它没有被赋予「否决权」。如果一份调研结论无法否决任何一个正在进行的项目，那么它对增长策略的影响力就是零。
所以在设计调研框架时，我建议你先问一个逆向问题：这项调研的结果，最坏情况下能让团队停掉什么？如果答案是什么都停不掉，那这项调研的优先级应该往后放。
至于下一步，我建议你按这个顺序动作：
最后补一句。这套框架不会让你的判断永远正确，它只是让你更快地发现错误，并且在错误的代价还小的时候把它停掉。在跨境这个变化速度远快于规划周期的市场里，这可能就是最重要的一项能力。
我之前一直把市场调研当成项目启动前的一次性动作，做完一份 PPT 就锁进文件夹，后面半年基本没再翻过。结果竞品早换了主图和价格带，我的详情页还停在三月份那一版。现在我就很纠结，调研到底该以什么频率做才不会浪费人力？
给一个可执行的节奏：季度大盘 + 月度类目 + 周度竞品。大盘每季度看一次趋势和季节性，关注关键词年度搜索曲线、类目整体客单价走向；类目每月扫一次 TOP20 到 TOP50 的 listing，记录价格带分布、评分区间、评论增速；竞品每周只盯 3 到 5 个核心对手，看新品、价格变动、投放素材。
更重要的是设触发条件：当核心竞品连续两周降价累计超过 8%、类目 TOP10 出现 3 个以上三个月内上架的新品、或者自身转化率环比下滑超过 15%，就不用等周期，立刻重做一轮针对性调研。落到操作上就是一张持续维护的表格，每周十分钟更新，而不是每次从零写报告。
我们团队就三个人，没有预算买那种一年几万块的数据库，但老板又天天要求数据驱动决策。我试过自己手动扒数据，扒了两天感觉信息很散，也不知道哪些该信。想问问有没有低成本但能真正落地的调研办法？
优先用免费或极低成本的信源，顺序是这样：第一，平台站内搜索下拉词和关联推荐词，这是最贴近真实搜索意图的需求池；第二，竞品评论区，尤其是三星以下的差评，那是用户没被满足的需求清单；第三，Google Trends 看五年曲线判断是趋势性增长还是季节性波动；
第四，平台 BSR 榜单的排名变化，用来判断谁是近期在起量的对手；第五，广告素材库看竞品在投什么卖点。具体做法我常用的是抓 200 条差评做归类，某个问题出现频次超过 10% 就值得作为改良点写进产品需求。
算市场天花板时用「核心词月搜索量 × 竞品平均转化率 × 客单价」估一个区间，宁可估低不要估高。如果一定要花钱，优先级是先买站内关键词工具，第三方数据库放到验证阶段再说。
我以前做完调研，交上去一份四十页的 PPT，运营看完说挺有道理的，然后……就没有然后了。下个月还是按老办法上架、老办法投广告。我现在很怀疑是不是我的报告写得太虚了，怎么才能让它真的变成动作？
核心是把报告压缩成「三条假设 + 一个验证动作 + 一个指标 + 一个时间盒」。一份调研最多输出三条可执行假设，每条必须写清四件事：改什么（价格、主图、关键词、规格还是投放人群）、预期指标往哪个方向动多少、验证周期多长、失败了怎么退。
举个我们真跑过的例子：假设主力款从 19.9 调到 17.9，毛利率仍能维持在 35% 以上，若两周内转化率提升 2 个百分点就保留，否则回滚原价。验证门槛建议按样本算，至少 200 次点击或 50 次加购才看信号，别用三天数据下结论。
最后一步最关键，调研会上直接把这三条假设拆成任务，指定负责人和截止日，录入某项目管理平台跟进，没进任务系统的结论等于没提过。
我踩过坑，看到一个类目月搜索量 50 万的数据，兴奋了半天，备货上架之后才发现完全不是那么回事，转化率低得离谱。后来我就特别怀疑这些数据到底怎么来的，多大的样本量才敢拿来做决策？
用三个口径去校验。第一是交叉验证，至少两个独立来源比对，比如站内关键词工具、搜索趋势曲线、竞品实际销量估算，三者差异超过 30% 时以最低值作为决策基准，宁可保守。
第二是看销量估算的推导方式，用榜单排名换算的相对稳，用「评论数 ÷ 评论率」反推的误差大，因为不同类目留评率从 1% 到 5% 不等，差几倍很正常。第三是看时间窗口，至少取 12 个月数据，否则很容易把旺季峰值误认为全年水平。
样本门槛上，定性分析比如评论归类、用户访谈，至少要 100 到 200 条才有归纳意义；定价或主图的 A/B 测试，每组至少 100 次点击或 20 次加购只能算初步信号，300 次点击以上的结论才相对可靠。低于这个量级的数据只能当方向参考，不能当决策依据，更不能直接拿去下备货量。
读者评论
对那个漏斗图有点疑问：12000条到21条，中间三层的筛选标准其实是最关键也最主观的环节。实际做的时候，「相关性筛选」很容易变成事后合理化，先有了想做的品，再倒推哪些数据算相关。74条假设里谁负责证伪、多久内必须给结论，这些不写清楚，漏斗就只是好看，起不到约束作用。
分层调研频率那段我认同，但对三五个人的小团队基本没法执行。周度看关键词、双周盯竞品，光采集和整理就吃掉大半人力，更别说回流层的验证。我们后来只保留每周期一个核心假设，其他层能看就看，反而落地了。框架本身没问题，问题是能不能按团队产能裁到最小可执行版本。
第三个坑最有共鸣，但我觉得根子不在接口设计而在激励。写调研报告的人，策略做成了跟他没关系，做砸了也不用担责，所以自然倾向于写模棱两可的建议，谁也不得罪。后来我们让做调研的人认领一条后续指标，报告里的建议数量直接掉了一半，但能执行的比例上去了。接口是表象，责任绑定才是真问题。