新品测试最容易被误判的地方，不是点击率不够高，也不是收藏加购不够多，而是投放人员只盯着成交结果，忽略了退款原因。结合我对天猫店铺投放报表、退款明细、客服记录和订单商品信息的复盘，真正能区分投放人员能力的，往往是他能否把“卖出去”进一步追踪到“为什么退回来”，并据此判断问题究竟出在流量、页面、承诺、产品，还是人群匹配。

天猫数据：投放人员选型思路：新品测试应重点评估退款原因

一、核心结论：新品测试不是比谁把成交额做得最高

1. 退款原因是评估投放人员的第二条成绩曲线

如果只看成交额，投放人员可能通过扩大定向范围、提高出价、增加优惠力度，在短期内制造出一张漂亮的报表。但新品测试的真实目标，不是用预算换订单，而是用有限预算确认产品、页面和人群之间是否成立。

因此，我在评估投放人员时，会把指标拆成两条曲线：第一条是成交曲线，观察点击、加购、支付和投入产出；第二条是退款曲线，观察退款发生时间、退款原因、退款责任归属和不同人群的退款差异。

成交说明用户愿意暂时付款，退款原因才说明用户最终是否认可这次购买。尤其是新品，首批订单中常常存在冲动消费、误解购买、低价试错和承诺过度等情况。如果投放人员只汇报“今天成交多少”，却无法解释“这些成交为什么退”，他实际上还没有完成测试。

2. 选投放人员，先看他有没有退款归因能力

我认为，成熟的投放人员不应该把所有退款都归结为“产品问题”或“消费者不理性”。这两种说法都太粗。真正有价值的分析，至少要回答四个问题：退款发生在哪个流量来源？是哪类用户？发生在下单后多久？用户写下的退款理由与客服沟通内容是否一致？

例如，同样是“不喜欢”，可能代表完全不同的情况。有的人是收到商品后发现尺寸不合适，有的人是觉得页面展示效果与实物差距较大，还有的人只是因为优惠券失效后觉得不划算。它们分别对应商品规格、视觉表达和价格承诺三个不同动作，不能使用同一套投放调整方案。

我会要求投放人员在新品测试报告中同时提交“退款原因原文”“归类标签”“可验证证据”“下一步动作”四列。如果报告只有“退款率偏高，建议优化产品”，通常意味着他没有真正深入订单和售后数据。

3. 新品测试的合格标准应从成交量改成信息增量

新品测试预算有限时，最有价值的订单不是单纯带来销售额的订单，而是能帮助团队排除错误假设的订单。一次测试至少应该回答：哪类人愿意点击，哪类人愿意支付，哪类人能接受实际体验，哪类退款原因最集中，以及哪些广告承诺会带来错误预期。

这意味着投放人员的能力不能只用短期投产排序。一个人可能让产品获得1000笔支付订单，却无法解释其中200笔退款；另一个人只获得700笔支付订单，但能识别出主要问题集中在“容量误解”和“颜色差异”，并通过页面修改把退款原因明显压下去。后者对新品长期经营的价值，往往更高。

二、真实场景：为什么天猫新品测试特别容易被退款数据反噬

1. 新品前期的数据存在明显时滞

投放当天看到的支付数据，通常并不等于当天能够看到完整的经营结果。用户可能在下单后等待发货，也可能在收货后使用一段时间才申请退款。不同品类的退款反馈周期差异很大：服饰可能在试穿后快速退回，家居用品可能在安装后才发现不适配，功能型产品则可能在使用几天后才暴露预期落差。

我在做新品复盘时，会把订单按支付日期和退款申请日期分别建立两个视图。按支付日期看，能判断某一批广告带来了多少订单；按退款申请日期看，能判断此前哪一批人群或哪一批素材正在产生后续损失。只使用其中一个视图，都会出现误判。

如果投放人员在新品上线第三天就宣称“这组人群投产最好”，但没有说明该组订单是否已经经过完整收货周期，我会把这个结论标记为暂定，而不是最终结论。

2. 退款原因经常被平台标签压缩

后台常见的退款标签对运营很方便，但对投放归因并不够精细。“七天无理由”“不喜欢”“拍错了”“效果不好”等标签，往往无法直接说明用户为什么改变决定。标签是入口，不是结论。

我通常会把退款标签与客服聊天、评价内容、商品规格、优惠信息和广告素材放在一起核对。例如，商品标注“标准版”，广告素材却用大尺寸场景图展示；用户选择“拍错了”，实际上可能是页面信息层级不清造成的误拍。

还要注意，用户提交的退款理由可能带有策略性。有些用户为了更快退款，会选择最方便的标签，而不是最准确的原因。因此，投放人员不能只做标签汇总，还要抽样阅读客服对话和评价文本。

3. 首批订单可能混入非目标用户

新品刚上线时，低价、优惠券、直播间曝光或平台活动可能快速带来一批尝鲜用户。这批用户有助于制造初始销量，但不一定是产品真正想服务的人群。他们可能对价格极其敏感，也可能对产品功能抱有不切实际的期待。

比如，一个原本定位于通勤使用的收纳产品，在大额优惠刺激下吸引了大量追求极限容量的用户。支付数据看起来不错，但退款原因集中在“装不下”“尺寸不合适”。此时直接把预算扩大到相似人群，往往只会把同一种退款复制得更多。

因此，投放人员必须把用户的购买动机和退款动机放在一起看。用户为什么点击，为什么付款，为什么退货，这三个问题共同构成新品人群质量判断。

4. 退款不一定等于投放失败，但无法解释退款一定是管理失败

任何新品都会存在一定比例的自然退款。颜色偏好、临时改变计划、重复购买、地址变化和七天无理由，都不应被简单归咎于投放。问题在于，投放人员能否区分可控与不可控。

我会把退款原因分成四类：投放可控、页面可控、产品可控和经营不可控。投放可控包括人群错配、素材夸大和利益点吸引错用户；页面可控包括规格说明不清、场景图误导和限制条件隐藏；产品可控包括质量、尺寸、气味、功能稳定性；经营不可控则包括物流意外、用户临时计划变化等。

三、常见误区：很多投放报告看起来专业，实际上无法支持决策

1. 误区一：只看支付投产比，不看退款后投产比

支付投产比适合观察广告当下的成交效率，但它不能代表最终收入。新品测试阶段，如果不同人群的退款周期尚未完成，至少应同时列出支付口径、已收货口径和退款后口径。

假设某组广告消耗1万元，带来支付成交3万元，支付投产比为3；但其中有6000元订单在后续退款，按退款后净成交计算，投产比只有2.4。若另一组广告支付成交2.6万元，退款金额只有2000元，其退款后投产比反而更高。

只看第一组，容易把预算继续投向“高支付、低留存”的人群；加入退款后口径，才能看出第二组可能更适合长期扩大。

2. 误区二：把整体退款率当成投放人员的唯一责任

整体退款率受到产品质量、物流、库存、客服承诺、页面表达和用户结构共同影响。将全部责任压给投放人员，不仅不公平，也会让投放人员为了降低退款而过度收窄人群，最终失去增长机会。

更合理的做法，是看“同一商品、同一履约条件下，不同流量来源的退款差异”。如果自然搜索、老客复购和某广告计划的退款率都接近，而另一广告计划显著偏高，就有理由进一步检查该计划的人群和素材。

反过来，如果所有来源都出现相同的“破损”或“功能不稳定”，那更可能是商品或供应链问题。优秀的投放人员应主动指出这一点，而不是把所有问题包装成换定向即可解决。

3. 误区三：只按退款标签计数，不看退款金额和退款成本

退款率相同，经营损失可能完全不同。一组订单退款10单，每单客单价50元；另一组退款10单，每单客单价300元，二者对现金流的影响不能等量齐观。

除了退款金额，还要考虑广告已经消耗的成本、优惠券成本、运费、包装损耗、仓储处理费以及可能产生的二次销售折损。对于低毛利商品，少量高金额退款就可能吞掉整组广告利润。

我会要求报告增加“退款损失率”这一项：退款商品金额加上可归因的履约损失，再除以该流量来源的支付金额。它比单纯退款订单占比更适合辅助预算决策。

4. 误区四：看到高退款就立刻关计划

立即关停是最简单的动作，却不一定是最正确的动作。有些计划退款率高，是因为它刚好带来了问题暴露最多的真实用户；如果直接关掉，团队可能失去发现产品缺陷的机会。

判断是否关停，需要结合退款原因的可修复性、退款发生速度、样本量和广告计划的边际贡献。如果退款主要来自页面规格不清，通常可以先修页面、加购前增加提醒，再观察新一批订单；如果退款来自明显质量故障，才应优先暂停放量。

我会把计划分为“停止”“限额观察”“继续测试”三种，而不是只有开和关两个选项。决策依据至少包括退款后投产比、主要退款原因占比、原因是否集中、修改动作是否已经完成。

5. 误区五：把“投放人员会做表格”误认为会做分析

表格完整不等于判断完整。真正需要考察的是，投放人员是否能从数据中提出可验证假设。例如，“A素材退款率高”只是现象；“A素材强调极致效果，吸引了追求立即见效的人群，因此‘效果不符预期’在收货后集中出现”才是可以验证的假设。

面试或合作前，我建议给候选人一份脱敏数据，包括广告计划、支付订单、退款订单、退款标签和客服摘要，让他在限定时间内完成复盘。重点不是看报告排版，而是观察他能否识别样本不足、区分相关性与因果、提出下一轮测试方案。

四、专业判断逻辑：如何从退款原因反推投放人员的真实能力

1. 第一步：先建立统一的数据主键

退款分析最常见的技术问题，是订单、广告和商品数据无法对应。广告报表按计划统计，订单按订单号统计，退款按售后单统计，客服又按会话统计。如果没有统一关联字段，最终只能依赖人工拼表，容易出现重复计算和归因遗漏。

在实际执行中，我会至少保留以下字段：订单号、商品编码、支付时间、发货时间、收货时间、广告计划、素材编号、定向类型、优惠方式、退款申请时间、退款金额、平台退款标签、人工归因标签和最终责任部门。

如果暂时没有成熟的数据系统，也可以先用表格完成基础验证，但字段必须固定。相比一开始追求复杂看板，先保证订单能够追溯到广告计划和素材，往往更重要。

（1）投放维度

包括计划、单元、素材、关键词或人群包、出价、投放时段和预算。没有这些字段，就无法判断退款是否集中在某类曝光方式或某条承诺表达上。

（2）交易维度

包括商品编码、规格、售价、优惠金额、支付时间、发货时间、收货时间和是否重复购买。退款原因经常与规格、价格和履约时效共同相关。

（3）售后维度

包括申请时间、退款标签、退款金额、是否退货、是否补偿、客服摘要和人工判定。平台标签用于初筛，人工判定用于形成可执行结论。

2. 第二步：把退款原因转化为可动作的归因标签

退款标签不能直接拿来做投放决策，需要经过一次“从用户语言到业务动作”的转换。比如“买大了”不是完整归因，可能是商品规格选择错误，也可能是图片比例误导，还可能是用户没有理解尺寸单位。

3. 第三步：使用“退款原因集中度”判断是否存在投放问题

整体退款率只能告诉我们结果偏高或偏低，退款原因集中度则能告诉我们问题是否具有方向性。如果退款原因分散在很多低频标签，可能是正常波动；如果某个广告计划中超过一半的退款都指向同一类原因，就值得进行专项检查。

我常用一个简单的判断方法：按流量来源统计前三大退款原因的合计占比，再与全店基准和其他来源进行比较。这里不把某个固定比例当成行业标准，而是看相对差异和样本规模。

例如，全店退款率为12%，某广告计划为15%，表面上只高3个百分点；但该计划的“规格误解”占退款原因的58%，而其他来源只有21%，说明它可能通过特定素材吸引了错误预期用户。此时，调整素材比单纯降低出价更有价值。

4. 第四步：用分层数据避免把不同人群混为一谈

退款原因需要至少按三个层级分层：流量来源、商品规格和购买场景。必要时还要加入新客老客、优惠深度、地区、设备和投放时段。分层不是为了把报表做得复杂，而是为了避免错误归因。

一个广告计划整体退款率不高，并不代表每个商品规格都健康。可能是低价基础款订单很多，稀释了高价升级款的退款问题；也可能是老客退款很低，新客退款很高，但汇总后看不出来。

我建议投放人员遵循“先总览、再分层、后抽样”的顺序。先看总体趋势判断是否异常，再按关键维度寻找集中点，最后抽取原始订单核对原因。直接从单个退款案例推导整体结论，同样不可靠。

5. 第五步：判断投放人员是否能把数据变成下一轮实验

一份好的退款分析，最后必须落到实验设计上。比如发现“容量不足”集中出现，下一轮不能只写“优化详情页”，而应明确测试变量：一组素材增加手持对比图，一组素材增加实际装载示例，一组素材保持原素材作为对照，然后比较点击率、支付转化率和退款原因结构。

如果发现“效果不符预期”集中在某个关键词或兴趣人群，应进一步验证该人群是否由强效果诉求驱动。可以保留产品不变，只替换承诺表达；也可以保留素材不变，只更换定向范围。一次只改变一个主要变量，才能知道改动是否有效。

能提出下一轮实验的人，才是真正具备新品测试能力的人。只会描述上一轮数据的人，更多是报表执行者，而不是测试负责人。

五、案例复盘：支付数据漂亮，退款原因却暴露了错误人群

1. 案例背景与初始结果

下面这个案例经过脱敏和数据扰动，保留了真实复盘中常见的结构。某家居用品新品售价约169元，首轮投放预算为6万元，测试周期14天，投放人员分别使用场景素材、功能素材和低价优惠素材进行测试。

第7天时，低价优惠素材的支付转化率最高，达到5.6%，支付投产比为3.1；场景素材支付转化率为4.3%，支付投产比为2.6；功能素材支付转化率为3.8%，支付投产比为2.2。按照常规汇报方式，低价优惠素材显然是第一名。

但到第21天重新查看退款数据后，低价优惠素材的退款率达到19.4%，其中“尺寸不合适”和“与预期不符”合计占退款原因的67%。场景素材退款率为10.8%，功能素材退款率为11.6%。

如果在第7天直接把预算全部切给低价优惠素材，团队会得到更多支付订单，但也会同步放大规格误解和预期不符。真正值得放大的，可能不是支付转化率最高的素材，而是退款后仍能保留较好贡献的场景素材。

2. 深挖后发现，问题不是价格，而是价格素材改变了用户预期

进一步查看素材内容后发现，低价优惠素材使用了较大的空间场景图，商品在画面中显得比实际尺寸更大；同时文案只突出“限时低价”和“轻松收纳”，没有在首屏清晰展示具体尺寸。

用户并不是完全不能接受这个商品，而是在支付前没有形成准确的尺寸认知。优惠降低了决策门槛，却没有解决信息理解问题，于是大量用户先付款、收货后再退款。

这类问题不能简单说“低价用户质量差”。更准确的说法是：价格素材吸引了大量低决策成本用户，而页面没有及时补充关键限制条件，最终形成支付与实际体验之间的落差。

3. 调整方案与第二轮结果

第二轮没有立即停掉低价素材，而是做了三项修改。第一，在首图和短视频前3秒加入实物尺寸与常见物品的对比；第二，把“轻松收纳”改成具体使用边界，说明适合哪些物品、不适合哪些物品；第三，将优惠素材的人群从泛兴趣扩展改为已浏览相关品类、收藏同类商品和高意向搜索用户。

第二轮测试中，低价优惠素材支付转化率从5.6%下降到4.9%，表面看是变差了；但退款率从19.4%下降到12.7%，退款后投产比从2.18提升到2.56。这个结果说明，降低错误订单，有时会牺牲一部分表面转化，却提高真实经营效率。

4. 这个案例真正考察的不是优化技巧，而是判断顺序

如果投放人员先看投产，再看退款，再看素材承诺，通常能找到问题；如果只看投产，可能会继续放大错误；如果一看到退款就停计划，又可能错过页面修正后的增长机会。

成熟的判断顺序应当是：先确认退款是否真实异常，再确认异常是否集中，再判断责任是否归属于投放，再设计最小改动的验证实验，最后决定加预算、限额观察还是暂停。

这套顺序比“高转化就放量、低转化就换素材”更慢一点，但更适合新品。新品需要的是可解释的增长，而不是不可解释的订单峰值。

六、如何选投放人员：用退款分析能力替代单一业绩崇拜

1. 面试阶段重点问五个问题

我在面试投放人员时，不会只问“你做过最高多少投产”。这个问题容易得到漂亮但缺少背景的数字。更有效的问题，是要求候选人描述他如何处理成交与退款之间的冲突。

1. 如果某个计划支付转化率最高，但退款率也最高，你会先做什么？
   
   重点观察他是否会先确认样本量、退款周期和原因结构，而不是立即加预算或关停。
2. 如果退款标签全部是“七天无理由”，你如何判断是否存在投放错配？
   
   重点观察他是否会结合客服记录、下单动机、优惠深度和素材表达进行二次抽样。
3. 什么情况下你会把问题交给商品或供应链，而不是继续调整广告？
   
   重点观察他能否识别全渠道共同出现的质量、破损和功能问题。
4. 你如何计算退款后的真实投产？
   
   重点观察他是否考虑退款金额、优惠成本、逆向物流和补偿，而不是只做订单数扣减。
5. 你会如何设计下一轮测试？
   
   重点观察他是否能提出单变量实验、观察窗口、样本要求和停止条件。

2. 用一份小型脱敏数据做现场测试

比口头面试更有效的方式，是提供一份包含14天广告数据和21天售后数据的脱敏样本。数据不需要特别复杂，但必须包含不同素材、不同人群、支付订单、退款订单和退款原因。

我会给候选人90分钟，让他输出一页结论和一页行动计划。要求非常明确：指出最值得放大的计划、最需要限制的计划、一个不能归因于投放的问题，以及下一轮只允许做的三个改动。

3. 业绩评价采用“加权指标”，不要只看一个投产数字

我建议新品测试阶段将投放人员的评价拆成四部分：流量效率、有效成交、退款归因和实验执行。具体权重可以根据业务调整，但退款后结果和问题解释能力不应被完全忽略。

例如，可以把支付投产占25%，退款后净投产占30%，主要退款原因识别准确率占20%，实验按时完成与结论复用占25%。这不是固定公式，而是一种避免短期主义的评价框架。

如果团队只按支付投产奖励，投放人员自然会倾向于扩大流量、加深优惠和包装卖点；如果把退款后净结果纳入评价，他才有动力主动筛选人群、修正承诺和减少错误订单。

4. 合作外包时，把退款数据写进交付要求

如果投放工作由外部团队或代运营承担，合同和周报中应明确退款数据的交付口径。至少要规定：数据更新时间、订单观察窗口、退款原因分类、异常阈值、计划调整权限和重大问题的升级机制。

不要只要求“每周提交投产报表”。更合理的交付内容包括：支付结果、退款后结果、原因结构、异常计划、已完成动作和下一轮实验。这样可以减少双方围绕“你带来了多少订单”争论，而转向“这些订单是否可持续”。

同时要约定数据延迟的处理方式。新品上线早期的退款数据不完整，可以先标注暂估值；但后续必须在约定时间回补。没有回补机制，投放人员很容易永久使用早期的漂亮数据来证明自己的判断。

七、不同情况下的行动建议与取舍

1. 退款率高，但原因集中在页面理解偏差

这种情况通常不宜立即全面停投。若商品本身没有明显质量问题，且用户对核心需求仍然存在，可以优先修改首图、详情页、规格表、短视频字幕和客服自动回复。

行动上应当保留一小部分预算作为对照，另一部分预算使用修正后的页面或素材。观察支付转化率、规格相关咨询率、退款申请时间和退款原因结构是否同步改善。

取舍在于，页面信息变清晰后，支付转化率可能短期下降，因为一部分原本会冲动付款的用户在购买前被筛掉。只要退款后投产和有效订单质量改善，这种下降不应被简单判断为失败。

2. 退款率高，且原因集中在商品质量或破损

此时优先级应从投放转向供应链、质检和履约。继续优化人群，只会改变问题暴露的速度，无法解决根因。尤其当不同广告计划、自然搜索和老客订单都出现相同问题时，更不能把责任推给流量。

建议先降低预算和发货节奏，抽取退款样品进行复检，按批次、仓库、物流线路和包装方式排查。若问题可通过包装或质检修复，再恢复小规模投放；若核心功能不稳定，应暂停扩大，先完成产品修正。

取舍是短期销售额会受到影响，但可以避免更多订单进入售后，保护店铺评分、现金流和后续复购。新品阶段最贵的错误，不是少卖几天，而是带着已知缺陷继续买量。

3. 退款率正常，但支付转化率偏低

这种情况说明订单质量可能没有明显问题，但流量规模、素材吸引力、价格结构或页面说服力不足。投放人员不应为了提高支付转化而随意扩大人群，否则可能把本来健康的退款结构破坏掉。

应先区分点击不足和点击后转化不足。点击不足，重点测试卖点、封面、关键词和场景；点击充足但支付不足，重点核对价格、评价、规格、赠品和信任信息。每次只改变一个主要变量，才能看出真实影响。

取舍是增长速度可能较慢，但能够保留较稳定的用户质量。对于毛利较高、复购周期较长或需要口碑积累的新品，这种慢测试通常比快速买量更合适。

4. 支付转化率高，退款率也高，但退款后仍有利润

不能只因为退款率高就否定该计划，也不能因为退款后还有利润就直接放大。需要进一步看退款是否可控、是否集中在某一类原因，以及扩大预算后退款比例是否会继续上升。

如果退款主要是自然退款，且退款后投产稳定，可以继续投放，但要设置预算上限和退款后投产底线。如果退款主要来自页面误导，短期仍有利润不代表长期安全，因为差评、客服压力和店铺信任损失可能在后续放大。

取舍是接受一定退款换取规模，还是先降低退款再扩大。我的判断通常是：可控原因占比高，就先修正；不可控原因占比高且边际利润充足，才可以带着合理退款继续增长。

5. 样本量太小，退款数据还没有收敛

新品前几天最容易出现小样本误判。某计划只有20笔订单，其中3笔退款，退款率就是15%；如果再增加30笔未退款订单，比例就会发生明显变化。因此，投放人员必须在报告中标注样本量和观察期，而不是把暂时结果写成确定结论。

在数据不足时，我会采用“保守动作”：不因单个退款原因大幅加预算，也不因少量退款直接关停；先记录原因，补足收货样本，优先检查是否存在严重质量风险或明显承诺错误。

取舍是牺牲一点即时决策速度，换取更低的误判成本。对于高客单价或高退货处理成本商品，延迟几天往往比错误放量更便宜。

八、落地执行：建立一套投放人员必须完成的退款复盘机制

1. 每日看异常，不能每日下结论

每日可以检查退款申请、客服投诉、物流异常和广告计划变化，但不建议每天根据退款率做重大方向调整。日数据容易受到发货批次、周末流量、活动节奏和售后处理时效影响。

每日检查的目的，是发现需要立即处理的风险，例如质量故障、批量破损、错误发货或素材承诺明显不实。对于一般性的退款波动，应放入滚动窗口观察。

我通常把每日监控和阶段复盘分开：每日处理突发风险，三天看早期趋势，七天看初步收货反馈，十四天或更长周期看退款结构是否稳定。

2. 每周用同一张表追踪变化

新品测试最怕每周换一套统计口径。建议固定一张周复盘表，至少包括广告消耗、支付金额、支付订单、已收货订单、退款金额、退款订单、退款后净成交、前三大退款原因、原因集中度和已完成动作。

如果商品存在多个规格，还要把规格拆开；如果广告素材差异明显，还要把素材拆开。汇总表用于判断整体经营，明细表用于找到可以执行的动作，二者不能互相替代。

3. 给退款原因设置责任边界和动作时限

退款复盘如果没有责任人和完成时间，很快就会变成重复讨论。每个主要原因都应明确由谁牵头、谁提供数据、何时完成修改、用什么指标验证。

• 素材承诺过度：由投放负责人牵头，商品和设计共同确认，通常在下一轮素材测试中验证。
• 规格说明不清：由商品运营牵头，投放负责同步到广告素材和落地页。
• 质量或破损：由供应链和仓储牵头，投放负责暂停或限制相关流量。
• 客服承诺不一致：由客服负责人牵头，统一话术并抽查会话记录。
• 价格与优惠误解：由活动和投放共同核对，确保广告表达与实际领取条件一致。

动作时限不一定越短越好，但必须和风险等级匹配。质量类问题需要立即升级，页面表达问题可以在一到两个工作日内完成，样本不足的问题则应明确继续观察到什么时间点。

4. 用“原因修复率”评价投放人员是否真正推动了改善

投放人员的价值不只在于发现退款高，还在于推动主要原因下降。如果某个原因连续三周被写进报告，却没有任何测试、页面调整或跨部门协同，那么这份报告即使很详细，也没有形成经营价值。

原因修复率可以采用相对简单的定义：某一主要退款原因在修正后的订单中，占比相较修正前下降的幅度。它不是绝对行业标准，但适合做团队内部的过程指标。

需要注意的是，原因下降不一定完全由投放人员单独造成，因此不能机械地把所有改善都归功于投放。更合理的做法，是要求投放人员记录动作、对照组和时间窗口，尽量判断改善是否与自己的调整存在稳定关联。

九、不同投放模式下的选人取舍

1. 适合快速放量的投放人员

这类人员通常对平台流量机制、出价和素材迭代比较熟悉，能够迅速获得点击和支付。对于已经成熟、退款结构稳定、供应链承接能力强的商品，他们的效率可能非常高。

但如果把这类人员直接放到完全陌生的新品上，必须补充退款归因和跨部门协同要求。否则，他们可能擅长把预算打出去，却不擅长识别产品承诺和用户预期之间的偏差。

取舍是速度与信息质量之间的平衡。适合明确标准化商品，不一定适合高教育成本、强体验依赖或规格复杂的新品。

2. 适合新品探索的投放人员

这类人员未必在第一周拿到最高投产，但会认真区分人群、素材、商品和售后原因，愿意根据退款数据修改假设。他们通常更适合处于产品定位、页面验证和首轮人群探索阶段的项目。

评价这类人员时，不能只看短期成交额，应看他是否减少了错误测试、是否建立了可复用的人群判断、是否能从退款原因中提出明确的下一步实验。

取舍是短期增长可能不够激进，但测试结论更扎实。对于需要形成长期口碑的商品，这种能力往往比一周的高投产更重要。

3. 适合复杂品类的投放人员

如果商品涉及安装、适配、使用周期、功能边界或多人决策，投放人员需要理解售前咨询、客服话术、物流和售后流程。单纯熟悉广告后台，可能不足以应对复杂退款原因。

这类人员需要能够看懂客服会话、识别用户购买前的疑虑，并把广告素材与详情页的解释顺序重新安排。例如，先说明适用范围，再展示效果，而不是只用结果画面刺激用户下单。

取舍是人力成本通常更高，前期沟通也更复杂，但能够减少高客单价商品的错配订单和售后争议。

4. 不建议采用的投放人员类型

第一类是只会报喜不报忧的人。他们会主动汇报支付成交，却回避退款数据，或者把所有退款解释为平台活动和消费者行为。

第二类是只会机械套用行业经验的人。他们可能说“退款率高就降价”“点击低就换主图”，但无法说明为什么、改什么、观察多久以及怎样判定结果。

第三类是没有样本意识的人。他们用几十笔订单得出绝对结论，也不区分支付日期和退款日期。这类人容易让新品在错误方向上频繁切换，造成预算和学习机会同时浪费。

十、结尾：新品投放真正要买的是确定性，不是虚高的订单数

1. 最重要的判断

天猫新品测试中，退款原因不是投放完成后的附属数据，而是投放决策的一部分。它连接了广告承诺、用户预期、商品体验和最终收入，是判断流量质量的重要反馈。

我不建议把退款率设成一个脱离品类和订单结构的死标准。更有价值的做法，是观察退款是否异常、原因是否集中、来源之间是否存在差异、问题能否被修复，以及修复后退款是否真的下降。

好的投放人员，不是让所有人都下单，而是让更适合的人下单，并能解释不适合的人为什么退出。

2. 下一步可以直接执行的动作

1. 从天猫商家后台导出新品支付、退款和售后数据，建立统一订单号关联。
2. 将退款标签与客服记录、素材编号、商品规格和优惠方式进行匹配。
3. 按流量来源统计退款率、退款金额率和前三大退款原因。
4. 把原因分为投放可控、页面可控、产品可控和经营不可控。
5. 要求投放人员提交一页原因归因和一页下一轮实验计划。
6. 在支付数据之外，固定汇报退款后有效订单和退款后投产比。
7. 为每个主要退款原因指定责任人、修正动作和复盘日期。
8. 只有在完成收货周期并确认退款结构稳定后，才决定是否扩大预算。

如果只能增加一个选投放人员的考察题，我会问：“请你找出这批退款中最值得被投放团队解决的那一部分，并说明你准备如何验证。”候选人的回答，通常比任何一张高投产截图更能反映他的真实水平。

新品测试的结果从来不是一个单点数字，而是一条从曝光、点击、支付、收货到退款的完整链路。能够把这条链路讲清楚、拆开并持续修正的人，才值得承担新品预算；只会把支付订单做大，却无法解释订单为何消失的人，最多适合执行成熟商品的放量，不适合负责新品的生死判断。

下一轮测试开始前，不妨先把投放报告最后一页改成“退款原因与下一步实验”，而不是“本周投产排名”。当报告开始回答用户为什么来、为什么买、为什么退，以及下一轮如何减少错误订单时，投放才真正从买量工作，升级为新品验证工作。

免费注册

咨询方案

扫码咨询方案