2023年12月，我拿着做了三周的年度规划去跟老板要预算：全年GMV目标4200万，广告预算占比12%，重点押注德国站的家居收纳品类，理由是”2022年这个类目跑出过3.2的广告ROAS”。三个月后，Q1的实际数据把这个规划撕开了一道口子，德国站家居收纳的广告ROAS只有1.6，不到规划假设的一半；客单价从预期的68欧元掉到61欧元；退货率从预估的6%飙到13%。
更难受的不是数字差，而是我发现得太晚。直到Q1结束才看清假设错了，意味着我已经用三个月的真实预算，去为一份写错的规划买单。那次之后我彻底改了做法：年度规划不再靠”去年数据+增长系数”推出来，而是先用一笔可控的广告预算去测、去证伪、去修正。这就是我理解的”用广告投放验证年度规划效果”。
这篇文章我会把这套方法完整拆开：广告投放到底该验证规划的哪些假设、我踩过的那些误区、以数跨境作为数据底座跑验证闭环的实际操作、不同规模卖家的行动建议和取舍逻辑，以及我下一年会怎么把这套机制固化下来。
先把我最核心的判断放在前面：跨境电商的年度规划，本质上是一组尚未被验证的假设，而广告投放是验证这组假设成本最低、速度最快的手段。如果你把规划当结论、把广告当执行，那规划错了你也不知道，知道了也已经晚了。
我复盘过自己和同行做过的十几份年度规划，发现结构其实高度相似，真正决定成败的就是四类假设：需求强度、价格接受度、渠道效率、季节节奏。其余像团队编制、仓储布局、账号矩阵，都是从这四类假设推导出来的下游决策。
需求强度假设回答的是”这个品类在这个市场到底有多少人真的想买”；价格接受度假设回答的是”用户愿意为这个产品付多少钱”；渠道效率假设回答的是”哪个流量入口的获客成本最低”；季节节奏假设回答的是”钱该在几月集中花”。
这四类假设有一个共同特征：它们都无法靠桌面研究得出可信答案，只能靠真实交易数据来验证。行业报告能给方向，竞品工具能给参考，但你的定价、你的素材、你的物流时效，决定了只有你自己的广告数据才算数。
大多数运营只把广告当第一重身份，花钱买订单。这是最浅的用法，也是最容易亏钱的用法。
第二重身份是验证工具：一笔小额投放就能拿到真实的点击率、加购率、转化率、退货率，这些数据直接对应规划里的假设。第三重身份是预算校准器：验证结论会反过来告诉你，原定12%的广告预算占比应该调到8%还是18%，钱应该压在哪个季度。
我现在的习惯是，每年至少拿出全年广告预算的5%-8%作为”验证性投放”，这笔钱不计入ROI考核，只考核一件事：它推翻或确认了多少条规划假设。这笔钱花得不冤，因为它能避免的损失通常是它的十倍以上。
一句话总结：年度规划的可信度，取决于你在规划正式生效前做了多少轮广告验证。零验证的规划是赌博，一轮验证的规划是猜测，三轮以上交叉验证的规划才勉强算判断。
但这里有个重要边界：广告验证不能替代全部规划依据。它擅长验证短周期、可量化、可直接转化的假设，不擅长验证品牌资产、复购心智、供应链长期议价能力这类慢变量。把广告验证当成万能钥匙，同样会翻车。
讲方法论之前，我想把那次翻车完整还原一遍。因为只有看清错误的代价，方法才有说服力。
当时我的规划逻辑非常”标准”：拉2022年德国站全店数据，算出家居收纳品类贡献了全年GMV的31%，广告ROAS均值3.2，退货率6.1%；再叠加一个20%的自然增长系数，得出2024年该品类可以做1300万GMV、ROAS维持3.0以上。
数字推得干干净净，PPT做得漂漂亮亮。但这份规划里藏着一个致命问题：2022年的3.2 ROAS，是在一个竞争更弱、广告成本更低的窗口期跑出来的，而2023年下半年德国站家居收纳的CPC已经涨了将近40%。我用旧窗口的数据去预测新窗口的结果，本质上是线性外推的陷阱。
Q1结束时我把实际数据拉出来对比，偏差大到让我怀疑是不是统计口径出了问题。广告花费比预算超了18%，但GMV只完成规划的62%，贡献毛利甚至是负的。
具体拆开看：CPC从预估的0.42欧元涨到0.61欧元；加购率从6.5%掉到4.1%；最要命的是大件收纳柜的退货率达到21%，因为物流破损和尺寸预期不符，每卖一件亏一件的运费。
这才是最值得说的部分。数据其实每天都在，但我看不到，广告后台看广告、ERP看订单、库存系统看库龄，三套系统互不相通。我每周做的事情是看各平台的报表有没有”异常波动”，而偏差是缓慢累积的，单周看都在”正常范围”内。
真正的问题不是数据缺失，而是数据没有按”规划假设”的口径被组织起来。我没有在年初就把”ROAS 3.2″”客单价68欧””退货率6%”写成可监控的验证项，所以没人负责在每个节点去对照检查。
我算过一笔账：如果Q1就用验证性投放测出真实ROAS是1.6而不是3.2，我可以立刻把德国站家居收纳的预算砍掉60%，转投当时还没被充分竞争的户外储能品类。这一进一出，全年利润差大概在180万到220万之间。
而一套完整的广告验证机制，一年的成本大概是15万到25万（含测试预算、工具订阅和人力）。投入产出比接近1:8，这是我做过的最划算的一笔”信息采购”。
过去两年我跟不少卖家聊过这个话题，发现想用广告验证规划的人不少，但真正验证出有效结论的很少。问题基本集中在这五个误区里。
这是最常见的错误。很多人说”我投了广告啊，数据不就在那儿”，但他们的广告目标是冲GMV、抢排名、清库存。在这种目标下，预算会集中砸在已验证的老品和老词上，跑出来的数据只能证明”老品还行”，无法回答”新品类能不能做”。
验证性投放和冲量投放必须分账户、分预算、分考核指标。验证投放看的是假设偏差、样本量、置信区间；冲量投放看的才是ROAS、ACOS、GMV。混在一起的结果是两件事都做不好。
ROAS是一个受竞争强度、平台算法、季节、素材质量共同影响的动态值，它不是产品属性。2022年跑出3.2，不代表2024年能跑出3.0，甚至不能保证跑出2.0。
我的做法是给每个品类的ROAS假设标注一个”衰减系数”，参考该品类广告CPC的同比涨幅和竞品数量增幅。经验值是：竞争激烈的标品类目，年衰减系数取0.75-0.85；竞争分散的长尾类目，取0.9-0.95。这个系数不是拍脑袋，是用历史数据回测出来的。
有人觉得验证嘛，花个小钱测测就行。但广告数据有很强的随机性，几百次点击跑出来的转化率，置信区间可能宽到没有参考价值。
我的经验阈值：单个验证单元的点击量至少要达到2000次，转化事件至少要有30-50次，结论才有初步参考价值。如果品类转化率是1.5%，那么2000次点击只能带来30个转化，刚刚够线。低于这个量级的测试，本质是在读噪声。
ROAS是一个漂亮的中间指标，但它会骗人。同样2.0的ROAS，退货率5%的品类和退货率20%的品类，真实收益差三倍以上。
我现在评估任何验证结果，都用”退货后贡献毛利”作为最终口径：广告花费减去收入，加上退货成本、物流成本、平台佣金，最后得出这个品类每投入1元广告费真正赚回多少。这个数字才是决定年度预算分配的真正依据。
这是走向另一个极端。有人跑了两周测试，发现某个品类ROAS只有1.2，立刻把全年规划全砍了。但两周数据可能正好撞上平台大促、竞品清仓或者物流延误。
我的判断原则是：单次测试只能提出”待确认的怀疑”，连续三次不同时间窗口、不同素材、不同人群的测试都指向同一方向，才能作为修改年度规划的依据。证据不足时，宁可维持原规划并安排下一次测试，也不要仓促转向。
把经验沉淀下来，我形成了一个固定框架，我称之为”四验模型”：验需求、验价格、验渠道、验节奏。四个维度各有明确的验证方法、观察指标和判定标准。
需求验证要回答的核心问题是：我规划里的销量假设，是基于真实的增量需求，还是基于对存量市场的乐观估计。
具体做法是用一组测试广告去打品类核心词和场景长尾词，观察两个指标：一是点击率，反映需求的显性程度；二是加购率，反映需求的真实意愿强度。如果点击率低于该站点同类目均值，说明这个词背后的需求并没有规划假设的那么强。
我的判定基准：核心词点击率低于0.35%、加购率低于5%，这个品类的需求强度假设需要下修至少30%。反之如果点击率超过0.6%且加购率超过9%，说明需求被低估，可以考虑上调目标。
价格验证最容易做也最容易被忽略。做法很简单：用同一套素材、同一批人群，测两个以上价格点，看转化率随价格的衰减曲线。
我通常测三档：规划主力价、主力价下浮15%、主力价上浮15%。如果下浮15%后转化率提升不足20%，说明价格不是转化的核心障碍，可以维持原价；如果下浮15%带来50%以上的转化率提升，说明原定价明显超出市场接受区间，规划里的客单价假设必须下修。
这里有个我的个人判断：跨境家居、户外这类品类，价格弹性往往比规划者想象的更大，而服装、配饰的价格弹性反而更小。原因是前者用户更倾向比价，后者更依赖款式和风格判断。
渠道验证的目的是找出获客成本最低、转化效率最高的流量结构。我会同时跑搜索广告、展示广告、短视频广告三条线，每条线用小额预算跑满两周。
评估不只看ACOS，我更看重三个指标的组合：单次获客成本、新客占比、以及30天内复购率。有些渠道ACOS看着不错，但拉来的全是复购老客，实际没有带来增量。
我的经验是，搜索广告通常负责承接确定性需求，转化率最高但增量有限；短视频广告获客成本波动大，但新客占比和长期价值往往更好。规划里的渠道预算比例，应该由验证数据决定，而不是由”去年哪个渠道花得多”决定。
节奏验证是四验里最容易被跳过的一环，但它对利润的影响一点不小。同一个品类，3月投放和9月投放的获客成本可能差40%以上。
做法是全年用小额预算做”节奏探针”，每月固定投放一组标准化广告，记录当月的CPC、转化率和获客成本，形成一条全年的时间序列。这条曲线会直接告诉你预算该怎么分布。
我2024年就靠这个发现，德国站家居收纳的需求高峰其实在9-10月而不是原规划的4-5月，仅这一项调整就带来全年约70万的增量利润。
方法论讲完了，接下来是实操。上面说的四验模型，如果靠人工在三套系统之间来回导表，效率极低、错误率极高。我后来把这套流程搭在数跨境上（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys），原因很实际：它能把广告数据、订单数据、库存数据按我需要的口径对齐到同一张表上，而这正是验证闭环的关键前提。
我试过不少数据分析工具，踩过的最大坑是：每个工具单独看都很强，但它们的口径互不相通。广告后台的”转化”是按点击后7天归因算的，ERP的”订单”是按付款时间算的，财务的”收入”是扣除退款后的。三套数字放在一起，怎么算都对不上。
验证工作的第一步不是分析，而是对齐。我现在的做法是：以订单主表为基准，把广告花费按SKU维度、按天粒度摊进去，再把退货按原订单日期回溯扣减。只有这三层对齐之后，算出来的”退货后贡献毛利”才是可信的。
2024年Q2我要验证的是”要不要把户外储能品类加进年度规划”。原规划里这个品类完全没出现，但Q1的搜索广告测试数据显示它的加购率异常高。
我设计了四组测试：两组价格点（399欧元、459欧元）、两组人群（露营场景人群、应急备电人群），每组预算3000欧元，跑满三周。同时用数跨境拉出该品类的历史订单，做退货率和复购率基线。
三周后的结果：露营场景人群在399欧元价位点的ROAS达到2.9，退货率7.2%；应急备电人群在459欧元价位点ROAS只有1.4，但复购率达到11%（主要是配件复购）。这个结果让我做了两个判断：主力人群应该选露营场景，主力价位点定399欧元，同时把配件作为独立利润线单独规划。
下面是我在数跨境里实际使用的验证口径对照表，每个指标都明确了计算方式和数据来源。我建议任何要做广告验证的人，都先把自己版本的这张表写出来再动手。
| 验证指标 | 计算口径 | 数据来源 | 判定阈值 |
|---|---|---|---|
| 验证后ROAS | 广告归因收入 ÷ 广告花费，7天点击归因 | 广告后台 | 低于1.8触发下修 |
| 退货后贡献毛利 | （收入 – 退款 – 佣金 – 头程 – 广告费）÷ 广告费 | 订单表 + 财务表 | 低于0.3判定不可持续 |
| 价格弹性系数 | 转化率变化百分比 ÷ 价格变化百分比 | 多价格点测试 | 绝对值大于1.5为高弹性 |
| 需求强度指数 | 核心词点击率 × 加购率 × 10000 | 广告后台 | 低于20判定需求不足 |
| 渠道增量率 | 该渠道新客数 ÷ 该渠道总转化数 | 订单表 + 用户表 | 低于40%视为存量内耗 |
| 季节节奏偏移 | 月度获客成本最低点与规划高峰月的差值 | 节奏探针数据 | 偏移超2个月需重排预算 |
口径对齐之后，我写了一段小脚本每天自动跑偏差计算，输出到一张”规划假设偏差日报”。这样就不需要靠人去记得每周对表。
import pandas as pd
1. 读取规划假设基线（年初写死的四类假设）
plan = pd.read_csv("annual_plan_baseline.csv")
字段: category, market, plan_roas, plan_aov, plan_return_rate, plan_cpc
2. 读取广告实测数据（滚动30天，按SKU聚合后归到品类）
actual = pd.read_csv("ads_actual_30d.csv")
字段: category, market, actual_roas, actual_aov, actual_return_rate, actual_cpc
3. 计算偏差率（实测 / 规划 - 1），负数代表规划高估
merged = plan.merge(actual, on=["category", "market"], how="inner")
for col in ["roas", "aov", "return_rate", "cpc"]:
merged[f"{col}_deviation"] = (
merged[f"actual_{col}"] / merged[f"plan_{col}"] - 1
)
4. 标记需要触发重新验证的品类：任一指标偏差超过30%
merged["need_revalidate"] = merged[[
"roas_deviation", "aov_deviation",
"return_rate_deviation", "cpc_deviation"
]].abs().max(axis=1) > 0.30
5. 输出偏差日报
merged.to_csv("plan_deviation_daily.csv", index=False)
alert = merged[merged["need_revalidate"]]
print(f"今日需重新验证的品类数: {len(alert)}")这段脚本的价值不在技术含量，而在于它把”我有没有偏离规划”这件事变成了一个每天自动回答的问题。验证机制最大的敌人不是方法不对，而是没人坚持执行。凡是需要靠人记得做的事，三个月后基本都会停。
Q2那轮验证之后，我做了三处改动：把户外储能品类从”未规划”调整为”新增重点品类”，年度目标追加300万；把德国站家居收纳的目标从1300万下调到850万；把Q2的广告预算占比从22%提高到34%，Q3从28%提高到38%。
到Q3结束时，修正后的三个品类达成率分别是94%、101%、96%，而如果按原规划执行，家居收纳那块大概率只能完成60%出头。验证带来的不是”更准的预测”，而是”更早的纠错”。
这套方法不是所有卖家都能原样照搬。我按年GMV规模和业务阶段，给出四套不同的落地建议。
这个阶段的团队通常只有1-3个人做运营，资源极度有限。我的建议是：只验证”需求强度”这一个维度，其他三个先放掉。
具体做法是用5000-8000元人民币的月预算，跑3-5个候选品类的标准化测试广告，每个品类只跑一个主力价位点、一组通用素材，观察点击率和加购率。目标不是找出最优解，而是排除明显不成立的方向。
这个阶段不要追求统计严谨性，也不要买太贵的数据工具。手工在广告后台和订单后台之间导表就够了，重点是养成”投之前先测”的习惯。
这个规模已经可以支撑一套完整的验证体系。我建议拿出年广告预算的5%-8%作为验证性投放，按月组织一轮四验，每轮聚焦一个核心品类。
工具层面，这个阶段必须做数据打通，否则人工导表的错误率会吃掉验证的全部价值。我自己就是在这个阶段开始用数跨境做数据底座，把广告、订单、库存三张表按SKU和日期对齐，再往上跑偏差计算和验证日报。
关键是分配一个人对验证结果负责，而不是”大家都可以看”。没有明确责任人的验证机制，三个月内一定会停摆。
到了这个规模，验证不应该再是”季度项目”，而应该是全年不停机的常态机制。我的建议是建立三类并行实验：新品类孵化实验、价格弹性实验、渠道效率实验，每类每周都有数据产出。
这个阶段还要警惕一个反直觉的问题：规模越大，越容易陷入”验证饱和”，每个假设都验证过，于是开始依赖历史结论，反而对新变化反应迟钝。解决办法是强制保留至少20%的验证预算用于”无明确假设的探索性投放”，专门用来捕捉计划外的机会。
这是我最想强调的一条。很多团队进入新市场时，是先定一个漂亮的年度目标，再去想怎么完成。正确的顺序应该反过来。
我的建议是给新市场设置一个”验证期”：前6-8周只做小额投放，目标只有两个，确认需求真实存在、确认获客成本在可接受区间。验证通过后再签年度目标，验证不通过就果断收缩，不要因为已经定了目标而硬撑。
验证工作本质上是在做一系列取舍。下面这四组矛盾，是我在实操中反复遇到的。
这是最直接的取舍。多花在验证上，就少花在冲量上。我的经验区间是：成熟品类验证预算占3%-5%，新品类占8%-12%，全新市场占15%-20%。
超过20%就开始得不偿失，因为验证的边际收益递减很快；低于3%则基本是走过场，测不出有效结论。这个比例应该随品类成熟度动态调整，而不是全年固定。
我可以在两周内拿到一个粗略结论，也可以花两个月拿到一个精准结论。在大多数情况下，我更倾向选速度，因为这个市场的变化速度比我的验证速度更快。
具体原则是：涉及方向性决策（这个品类要不要做）时优先速度，两周出一个初判；涉及资源配置决策（这个品类给多少钱）时优先精度，愿意多花三到四周。方向错了，精度再高也没用。
这是一个很容易被短期考核指标带偏的取舍。如果验证只考核30天ROAS，你一定会系统性地低估那些转化慢但复购高的品类。
我的做法是给验证结果加一个”90天加权观察窗”：初次验证看30天ROAS，但最终定档要等到90天后看复购和LTV数据。这会让验证周期变长，但避免了很多错误决策。
这张表是我自己做过的对比，供参考。
| 对比维度 | 自建数据看板 | 采购现成工具（如数跨境） |
|---|---|---|
| 初始投入 | 需要1-2名数据开发，2-3个月起步 | 按账号订阅，通常一周内可运行 |
| 口径灵活度 | 极高，完全按自己的业务逻辑定义 | 支持主流口径配置，极端特殊口径需变通 |
| 维护成本 | 持续投入，平台接口变动需随时跟进 | 由服务方维护，自身投入低 |
| 适合阶段 | 年GMV 5000万以上、业务模型高度特殊 | 年GMV 500万-5000万、业务模型通用 |
| 主要风险 | 人员流动导致看板失修，实际使用率下降 | 深度定制受限，需接受一定的标准化约束 |
我的实际选择是：验证期用现成工具快速起步，等业务模型稳定、口径需求明确之后再考虑自建。反过来先自建，很容易在口径还没想清楚的时候就把工程资源烧光了。
方法讲完，最后是落地。我把自己下一年的验证节奏整理成一张时间表，你可以按自己的业务节奏调整。
即使团队很小，也需要明确三个角色，哪怕是一个人兼任：假设定义者（通常是业务负责人）、数据执行者（负责投放和数据整理）、结论审核者（负责判断结论是否成立，这个人必须和假设定义者不是同一个）。
第三个角色最容易被省略，也最不应该被省略。因为验证的最大风险不是测不出结果，而是”测出了自己想看到的结果”。
这四个问题答不上来，说明验证机制还停留在形式上。
回到开头那个问题。2024年Q1我之所以会翻车，不是因为我不够努力，也不是因为数据不够多，而是因为我把规划当成了答案，而不是假设。
这两年的实践让我形成了一个比较硬的观点：跨境电商的年度规划，真正的价值不在于”预测得准”，而在于”纠错得快”。市场变化太快，没有人能预测准。但你可以比别人早两个月发现假设错了，早两个月把钱挪到对的地方。
而广告投放之所以是最好的验证工具，是因为它同时具备三个特性：成本可控、反馈快、直接对应交易结果。它不会告诉你全部真相，但它能最快告诉你哪里不对。
如果你现在正准备写下一年的规划，我的建议是：先别急着写GMV目标，先把你要验证的四类假设列成一张表，然后给每一行写上一个验证方法、一个观察指标、一个判定阈值。这张表写不出来，说明这份规划还没准备好。
如果你已经在执行今年的规划，那更简单：现在就去拉上个月的广告数据，对照年初的假设算一遍偏差率。任何一个关键指标偏差超过30%，都值得你停下来重新验证一次。
验证这件事，越早开始越便宜。
我每年年底做规划，写完之后自己心里也发虚，因为大部分数字都是拿去年业绩乘个增长率拍出来的，老板一问依据就说不清楚。今年我想换个顺序，先花点钱投广告验证假设，再决定全年要不要按这个规划押资源，但又不确定小预算到底能验证出什么。
先把年度规划翻译成可以被广告验证的假设，比如不是写“德国站新品A全年做50万美元”，而是写“德国站新品A的CPA能压到2.5美元以内、落地页转化率不低于12%”。
然后把每个假设拆成最小可验证单元：1个SKU、1个国家、1组主推词，测试期日预算控制在目标月预算的3%~5%，例如计划月投3万美元，就每天投500~800美元跑5~7天。判断门槛要提前定死，每个广告组至少累计50次点击或10个订单，取先到的那个；CPA要低于客单价×毛利率×可承受广告占比这条线。
如果5天数据完全偏离，先别加预算，问题通常出在选品或定价，不在广告本身。
我最纠结的就是时间，跑3天数据波动太大不敢下结论，跑一个季度又赶不上年初定预算的窗口。而且跨境还有物流签收和退货，等利润数据出来感觉黄花菜都凉了。
我会把验证拆成三层，每层的周期和口径不一样。第一层是流量层，曝光、点击率、CPC、加购率，3~5天就能看出趋势；第二层是转化层，CPA和转化率建议看7~14天，样本门槛是每个广告组不少于30次点击或10个订单；第三层是利润层，必须等退货窗口和回款结束，跨境通常要30~45天。
所以操作节奏是：T+7做一次继续或暂停的决策，T+30做一次加预算或砍掉的决策，T+60再确认利润是否成立。另外一定要统一归因口径，7天点击加1天浏览和1天点击加1天浏览，跑出来的订单数能差20%~40%，全店混着看会得出完全相反的结论。
去年我就吃过这个亏，Q1广告投产比特别漂亮，我兴冲冲把全年预算加上去，结果Q2一过完发现是旺季自然流量在托底，广告其实没带来多少增量，全年规划直接失控。
广告报表里的订单不等于广告创造的价值，必须先拆成增量。做法有三个：一是留对照组，同一ASIN停投7天记录自然单基线，或者按城市、子类目分组做对照；二是剔季节性，用去年同期数据或类目大盘指数做基准，别拿旺季的绝对值当常态；
三是拆新客和老客，如果年度规划的目标是拉新，就必须看新客占比，很多报表把复购订单混进来，会让CPA看起来漂亮30%以上。我自己的验收标准是：广告带来的新客数达到规划假设的70%以上，同时TACOS没有超过目标区间上限，才认这个SKU的年度假设成立。只盯ACOS好看就加预算，是复盘里最容易踩的坑。
跑完一轮测试，总有那么几个SKU数据不及预期，我特别容易一刀切全砍掉，但砍完下半年又发现其中有一两个其实是转化环节没做好，白白丢了一年。
先分类再动刀，我一般把结果分四类：CPA达标且有放量空间的，加预算，但按20%~30%的阶梯加，一次加太猛CPC会立刻被抬高；CPA达标但流量天花板低的，保持预算，把精力转到站内搜索和关联流量上；CPA不达标但加购率不错的，问题在转化环节，先查价格、评论数量、详情页和配送时效，别急着砍；
只有CPA和加购率双差的才直接砍掉。调整幅度也别一次改全盘，我通常只动年度规划里20%~30%的SKU和预算分配，并保留Q1末、Q2末两个复盘节点，因为年初广告样本量还小，一次性推翻全年规划，往往到下半年又得改回来，团队执行成本比数字本身更贵。
读者评论
验证性投放单独分账户、单独考核这个做法我认，但实操里最容易走形的是老板看到测试账户也在花钱，第一反应还是问ROAS。我试过把测试预算写进年度预算表并注明不计ROI，结果季度复盘时还是被拿出来算总账。想问下这笔钱在你们内部走什么科目，怎么让管理层接受它可能全亏。
把退货后贡献毛利当最终口径这点我吃过亏。之前有个品类广告ROAS看着还行，退货率一上来净利润直接转负，报表上却一直显示在赚钱。不过退货成本按品类均摊还是按SKU算，差异挺大，我现在是按SKU算，但小样本下波动很夸张，这块你们怎么处理。
四类假设的划分挺清晰，但2000点击、30到50个转化的样本门槛，对客单价高、决策周期长的品类基本不适用。我做过一个平均转化周期两周以上的类目，两周测试窗口根本跑不出有效转化，最后被迫拉长到一个半月。短周期可量化的假设好验证，慢变量那部分有没有更实在的办法。