Shopee铺货工具铺出去之后：数据回不来怎么办

铺货工具能给出什么数据

先把能给的那部分说清楚。提交状态是最常见的一项，某一条有没有成功铺出去、铺到了哪个店铺、什么时间铺的。这份清单很整齐，批量铺过之后一眼能看出哪几条漏了。不过这份清单只说明了过程走完没有，说明不了走完之后的结果。

第二项是字段完整度。某一批里有哪些商品的必填栏是空的、哪几项属性没有填、图片是否符合规格。这些检查发生在提交之前或提交的过程中，所以它能报出来。它报的是填没填，不是填得对不对，这两件事之间还差着一层判断。

第三项是改动有没有生效。改过标题、调过价格、换了主图之后，工具能回报这次改动在平台上落下了没有。这一项在批量修改的时候尤其有用，因为它省去了逐条核对的功夫。不过它只回报落没落地，不回报改动之后的表现有没有跟着变。

这三项的共同点是都属于传这个动作的伴生信息。动作做完了，信息自然就有了。反过来讲，动作之外发生的事情，它就没有渠道知道了，因为它在那个位置上看不到。位置决定了它的视野，视野之外的部分它既看不到也没法补。

所以把工具给出的数据摆在面前的时候，先分清楚这是状态还是数据。状态回答的是做过没有，数据回答的是做了什么之后产生了什么变化。两者用途不同，不能用前者代替后者。分清楚了之后，才知道哪些结论可以从这份数据里直接得出来。

状态清单还有一个容易被高估的地方，就是它给人的踏实感。看到一列清一色的成功，会自然觉得这一批没问题。这份踏实感来自完整，而完整说的是传的完整，不是经营的完整。完整这件事本身是好的，但要分清完整指的是哪一段。

还有一种情况是状态看起来不完整但其实是正常的。比如某一条被平台拦下来要求补充资料，状态上显示未完成。这不是工具出了问题，而是平台在流程中间加了一道，工具如实回报了而已。

所以看状态清单要有两套理解。一套是把未完成挑出来逐条处理，另一套是把完整的部分当成已备好的样本，等经营侧的数据到了再一起看。两套分开，清单的用途就清楚了。两套理解分开之后，同一份清单就能同时服务于处理和对账。

用久了还会发现，工具的状态清单在批量修改的场景下价值最高。改一百条的标题，手工核对要花很久，靠清单几分钟就能定位哪几条没改上。这是它最实在的一项用处。改的动作越多，这份清单省下的核对功夫就越明显。

把它的用处收拢成一句话，就是在流程内部替你记账。流程里发生了什么，它记得很清楚；流程外发生了什么，它没有账可记。账本的边界，就是它的边界。记账这件事它做得很好，越出账本范围的事它就不记了。

有一个具体的场景能说明这类数据怎么用。一批三十条商品，工具回报里显示二十八条成功、两条被平台拦下来要求补图。这两条先处理掉，剩下二十八条就构成这一批的有效样本。

如果没有这份回报，二十八和三十的差别要等很久以后才会发现。可能是在看整体数据觉得偏低的时候才发现，也可能是永远发现不了，只觉得这一批表现一般。差别很小，影响却不小。

所以状态数据的价值在于它准时并且准确。它不解释为什么，也不预测会怎样，它只是把过程如实记下来。对于一个批次来说，这份记录是后面所有分析的基础。基础打得实，后面的分析才不会建在沙子上。

值得注意的是，状态数据只有在配合批次管理的时候才最有用。如果铺货是一批一批走的，状态回报天然就是按批次的；如果铺货是零散进行的，回报也就成了零散的，可用性会下降很多。

工具给的是第一步，后面三步都要自己接上

它给不了的是哪一类数据

给不了的第一类是这个款有没有人要。铺出去之后有多少人看过、有多少人点了进来，这些发生在铺之后，属于平台那一侧的经营数据，工具在传完之后就不再参与这条商品的事了。

第二类是页面讲得够不够清。买家点进来之后有没有找到他想知道的，有没有反复去看某一栏，有没有干脆退出去。这些行为上的痕迹同样不在工具那一侧，它只知道自己传了什么，不知道传完之后被怎么看。

第三类是价格站不站得住。同一类货在市场上落在哪个价位带、同类卖家最近有没有在调价、这个价位有没有被压着，这些都是市场侧的信息，和传这个动作之间没有直接关系。这一类信息要去市场侧拿，工具那边没有任何途径可以提供。

把这三类摆在一起，能看出它们都指向一件事：这件商品在市场上被怎么对待。工具关心的是这件商品有没有被送出去，送出去之后它被怎么对待，属于另一段范围。工具覆盖的是前面那一段，后面那一段要换一个来源。

这两段之间有明确的接缝，就是提交成功那一刻。接缝之前的事工具全知道，接缝之后的事工具全不知道。缺口不是工具做漏了，而是它的位置只覆盖到了接缝的这一侧。认清接缝在哪里，就不会对着工具反复找它本来就没有的东西。

这三类数据之所以给不了，还可以从数据的产生方式上理解。它们都是在商品被买家接触的过程中产生的，接触这个动作发生在平台上，不在铺货工具的流程里。产生的地方不在它的流程里，它就接触不到这些数据。

需求的信号更靠前一些，它甚至发生在商品上架之前。有人在搜索框里输入某个词，这个行为与某一条具体的商品没有关系，但它决定了这条商品后面会不会有人看。这一层的量属于判断的输入。

价格的信息则更靠外，它来自同类之间相互比较的结果。同一个价位，如果周围全是比它低的，它就站不住；如果周围大多是比它高的，它反而有优势。这个比较发生在市场里，不与传的动作相关。

所以这三类数据分别来自前后左右三个方向，而工具只站在中间那一个点上。站在点上的人看不见四周，这不是能力问题，是位置问题。换个工具也还是这个结果。明白了这一点，就不会再去换工具来找这几类数据。

理解这一点之后，缺口的处理思路就很清楚了。把自己从中间那个点挪开，向前看需求，向外看价格，向里看页面。三个方向各看一眼，缺口就补得差不多了。每看一个方向，都对应一类后面能用得上的判断依据。

有一个边界很容易混淆，就是工具回报里的商品列表。那份列表看起来像是一份数据表，上面有名称、有编号、有状态。但它表达的是铺出去这一批商品的构成，不是它们在市场上的表现。

看这份列表的时候，读到的是这一批有哪些、有没有到位。要读到表现，得换到店铺后台那一套数据，把同一个编号对过去看。两边对上的那一步只能人工做，工具不会替你把它们连起来。

这个连接的麻烦程度取决于批次管理的粗细。批次管得细的，编号一对就清楚了；批次管得粗的，同一批里几十条混在一起，对起来要花时间。前面把批次分清楚，后面这一步才省事。

所以铺货工具给不了的那一类数据，本质上不是能力上限的问题，而是数据分散在两个系统里的问题。它管一边，店铺后台管另一边，中间靠人接。这个接的动作没有捷径可走。分散本身不是错，只是它意味着中间那一段要有人来做。

越靠近传出去那一下它越完整，越靠近经营那一段越缺

数据缺口会带来什么错误判断

最常见的一种是把页面问题当成选款问题。商品铺出去一段时间没有人点，第一反应往往是这个款不行，于是把它砍掉。实际上问题可能出在主图上，同样的款换一张更清楚的主图，点击会明显不同。

第二种是把价格问题当成款式问题。同一批里有两三条明显卖不动，仔细看会发现它们的定价比同类集中段高出一档。款没问题，价格把它压住了。误判之后砍掉的是款，真正该调的是价。

第三种是把时间问题当成表现问题。有的类目需要积累一段评价才有反应，铺出去三天没动静很正常。按三天的结果下判断，会砍掉一批本来需要更长时间的款。分不清这一点，砍掉的可能是还没来得及起来的款。

第四种是把人群问题当成商品问题。同一件货可能碰到的是不对的人，而这一点从商品本身看不出来。要发现它，得拿同类的竞品作对照，看它们的数据变化在不在同一个方向上。换了对照对象之后，同一个数字读出来的意思可能就完全不同了。

这四种误判有一个共同的结构：把看见的那个数直接对应到了最显眼的那个原因上。要避免它，需要把可能的几种原因同时摆出来，再去找证据分一分，而不是抓住第一个想到的解释。

这四种误判之外，还有一种是数量上的误判。把这一批的总体表现当成了每一个款的常态，看到整体平淡就去砍，看到整体不错就去加。实际上批内差异可能很大，只是总体把差别抹平了。

分掉这个误判的办法是把批次内部的每一条单独看一遍，而不是只看平均数。一条一条看会发现，通常有两三条明显在拉高或者拉低整批的水平，它们才是值得关注的对象。关注对象找准了，跟进的时候才不会平均用力。

还有一种是时间点上的误判。同一批商品在不同的时间铺出去，先铺的那几条已经过了积累期，后铺的还在积累。整批一起看数据，等于拿不同阶段的商品放在一起比。把不同阶段的东西混在一起比，比出来的往往不是差别而是时序。

这种误判的修法很简单，就是在记数据的时候把每一条的实际铺出时间也记下来。看的时候按时间分组，同一组内部再比。分批铺的话，本来就有自然的时间分组。多记一列时间，读数据的时候就能少走一段弯路。

把数量和时间这两个维度补上之后，误判的空间就被压缩了不少。误判的根源往往是信息不足之下的过度概括，多一个维度就少一部分概括的余地。维度补上去之后，判断会比过去更接近实际情况。

还有一种误判来自对照对象。同一批里表现相对好的那两条，如果拿去和类目里的头部比，当然显得差；如果是和自己店里的其他批比，可能就是明显更好的一批。对照对象换了，结论就反过来了。

所以看数据之前要先定对照对象。是同一批内部比，还是和上一批比，还是和类目里的其他卖家比。三种比法各有用途，混着用就会得出互相矛盾的结论，人也就不知道该信哪一个。

定下来之后要保持一段时间不变。今天和上一批比，明天和头部比，读出来的东西就没有连贯性。对照对象稳定了，同一个数在不同时间点的含义才是稳定的，判断也才能一层层积累。

这一条和前面几种误判合在一起，其实说明的是同一件事。数据本身没问题，问题出在读数据的方式上。方式固定下来，误判的空间会被压到很小。方式对了，同一份普通的数报也能读出有用的东西来。

铺出去之后的三个盲区

第一个盲区是需求侧。这一批里到底哪一个款是有人主动在找的，哪一个只是搭着别的款上来的。铺货工具不会区分这一点，因为它不参与需求的判断，也没有看需求那一层的数据。

第二个盲区是页面侧。铺出去的页面里，买家最想知道的那一两条信息有没有出现在显眼的位置。这一点从铺的动作里看不出来，要去看买家问什么、在评价里抱怨什么，才能知道页面缺了哪一块。

第三个盲区是收手侧。这一批铺出去之后，什么时候算试完了、什么时候该停、什么时候该把某一条撤下来。工具不会提示收手，它的职责在铺完那一刻就结束了，之后留不留它不参与。

这三个盲区合在一起，覆盖了铺出去之后最需要判断的三件事。它们不是工具做得不够好，而是它们从位置上就不属于工具的范围。认清这一点，就不会反复去找工具里不存在的那个功能。

盲区的存在是常态，处理的办法是在铺之前就把补数据的方式安排好。哪一块由谁来补、多久看一次、看到什么算作结论，这些在开跑之前定下来，铺完之后就不至于一片茫然。安排在前面的成本很低，铺完再临时找来源则会乱成一团。

这三个盲区里，收手那个盲区最容易被拖。需求看不清可以慢慢看，页面不清楚可以慢慢改，但收手这件事如果不事先定条件，就会一直往后拖，因为没有一个触发点告诉你可以停了。

拖下去的后果是链接越积越多。每一条都还没有明确的结论，于是都不能处理，都留在那里等。等到数量积起来，跟进的工作量变成了负担，反过来又压缩了判断的时间。越积越多之后，处理它们本身的成本会盖过判断的价值。

给收手定条件不需要很复杂。可以按时间定，比如铺出去多少天之后做一次结论；可以按样本定，比如看够多少曝光之后做判断；也可以按批次定，一批的结果出来了就必须对上一批做处理。

这三种定法任选一种，关键是事先定下来，而不是到时候再想。事先定好的条件不带情绪，到了时间就执行，不会因为某一条看上去还有希望而一直留着。定在事先的条件执行起来也更干净，不用跟自己的犹豫拉扯。

三个盲区一起看，会发现处理的办法都是提前安排。提前看需求、提前安排补数据、提前定收手条件，三件事都在铺之前做，做完了铺出去的这一批就有了完整的后半段安排。提前安排的这几件事不复杂，难的是想起来要在开跑之前做。

这三个盲区里还有一层关系值得说。需求那个盲区如果不补，另外两个盲区的判断都会跟着偏，因为需求决定了这一批该不该存在。需求判断错了，页面和价格改得再好也只是在一个错的方向上加工。

所以三个盲区的处理顺序是有讲究的。先补需求，再补页面和价格。需求明确了，页面该写什么、价格该定在哪一段，都有了参照；需求不明确的时候，另外两块的调整都是在猜。顺序对了，后面两块的工作量会小很多，因为参照系已经立住了。

顺序之外还有一个频率问题。需求那一块可以按周看，页面和价格那两块跟着批次看就够了。频率分开之后，每次要看的东西不多，做起来负担不重，也就更容易坚持下来。频率定得合理，补数据这件事就变成例行的，而不是临时的。

把顺序和频率都定下来，铺出去之后的那一段就有了结构。有了结构，就不会出现铺完一批之后不知道从哪里入手的情况，每一天该看什么、看多少都清楚。结构立起来之后，这一段工作也就不再依赖当天的状态和记性。

还有一层是这三个盲区的时间特征。需求那一块的信号变化最慢，需要按周甚至更长来看；页面那一块在铺出去之后几天就有反馈；价格那一块则介于两者之间。三个盲区的时间节奏不一样，看的时候也要分开安排。

把时间节奏分清楚，能避免一种常见的错位。有人拿铺出去第二天的价格反应去判断需求方向，或者拿需求的变化速度去衡量页面改得对不对。错位之下，读出来的结论自然对不上。

用别的办法补上这三块

需求那一块，看的是有没有人在找以及量在哪个方向。搜索端的量、同类在几个站点上的疏密、某个价格档里货多不多，这些都属于这一层。知虾站在搜索端与站点端这一层给的就是这些信号。

它看到的是各站点的类目结构与价格带分布，用的是多站点数据、站点分析、关键词分析这几项能力。这些是补需求盲区时的第一手材料，用来看方向，而不是用来看某一条商品的具体表现。

页面那一块，最直接的来源是买家问出来的问题。同一个疑问被反复问到，说明页面上确实没有回答清楚。这一类信息不用花钱，只需要把一段时间的问答和评价攒起来看一看。把这些问题分类记下来，下一次写信息的时候就知道该补哪一栏。

价格那一块，看的是同类集中在哪一段。这个对照比单个竞品的价格更有参考价值，因为单点可能只是个别卖家的做法，集中段反映的是这一类货普遍的接受范围。集中段比单个对照更稳，因为它不太受个别卖家的做法影响。

这三块补完之后，铺出去之后该看的就有了出处。需求看量、页面看问、价格看带，三个出处都不在铺货工具那边，也不需要它来提供。补数据这件事本身就是判断工作的一部分。出处定下来之后，取数据这件事就不再靠临时想起来，而是排进了流程。

需求这一块还需要注意看的口径。同一个方向在不同站点上的量不可直接比大小，因为各站点的体量本身不同。有意义的比法是看相对位置，比如这个方向在该站点上处于同类里的什么档位。

知虾看到的是各站点的类目结构与价格带分布这一层，用相对的方式读它更合适。具体的数字变化快，相对位置则相对稳定，判断方向的时候后者更可靠一些。同样的数据换成相对的方式来看，跨站点比较才站得住。

页面这一块的来源除了问与答，还有买家在页面上的停留行为。停留短、跳出快，通常说明首屏没有给到他想找的东西。这类信号在店铺后台可以看到，攒一段时间就能看出规律。两类信号放在一起看，页面缺什么会显得更清楚。

价格这一块的对照可以分两个层次做。一层是同类整体的集中段，另一层是几个直接竞品的具体价位。前者定大方向，后者用来微调，两者的用途不一样。两个层次各管一段，先大方向后细调，顺序不要反。

三块数据攒起来之后，建议放在同一张表里按批次记录，不要分散在几个地方。分散了之后，等要用的时候往往找不齐，等于没攒。集中在一处，才真的能在判断的时候被用上。放在一处的好处是随手能用，用的时候不必先去找。

这里还可以补充一个判断补得够不够的标准。如果铺完之后能对每一批说清三句话，这一批需求方向在哪里、页面回答了哪几个关键问题、价格落在哪个价位带上，那三块就补到位了。

说不清的那一句，就是还没有补上的那一块。这个标准不需要额外记录，开口说一遍就检验完了。说的时候如果只能给出笼统的说法，比如需求还行、价格一般，那说明补得还很浅。

补得浅的原因通常是看的时候太急。一次只看了一个数、只看了一家竞品、只扫了一眼评价，信息不够支撑一句话。把每一次看的时间稍微拉长一点，补出来的东西质量会不同。把节奏放慢一点，同样是这几类来源，能读出来的东西会更多。

这三块补到位之后，还有一个附带的好处。铺出去之后如果结果不好，能迅速定位到是哪一块的判断出了偏差，而不是笼统地归到运气或者类目不行。定位得准，修正的动作也就准。

还有一种情况是三个来源给出的信号互相矛盾。需求端的量看着不错，但同类在同一个价位带上已经很密。这时候不能只挑支持自己的那一个看，要把两个放在一起权衡。矛盾本身不说明哪里错了，只说明有一个条件还没有被摆进来。

权衡的结果往往是收窄范围，而不是直接放弃。同一个方向里总有一部分价格档还没有那么拥挤，把范围收到那一段上，原本矛盾的信号就能落到一个可以操作的位置。收窄之后再看，两个信号往往就不再打架，而是各自落在了不同的档上。

三个盲区里，工具那一列的格子基本是空的

铺货工具的数据与经营数据怎么合并看

合并的关键是找到两边都能对上的那个共同的对照物。批次是最自然的一个，因为铺出去的时候本来就是一个批次一个批次地铺的，状态清单和结果数据都能按批次来归类。没有这个对照物，两张表就只是各自摆着，谁也印证不了谁。

具体做法是准备两张表。一张记状态，写这一批是哪几条、什么时候铺的、有没有全部成功。另一张记结果，写这一批铺出去之后一段时间的表现，以及从哪些渠道拿到的数据。两张表不必复杂，栏目固定下来，填起来就是几分钟的事。

两张表都按批次编号排列，然后并排放在一起看。这样一对照，就能看出状态完整度和结果之间有没有关系。比如同一批漏了两条会导致这批的样本量偏小，读出来的平均值就不可靠。

合并的时候还要注意口径一致。状态那一侧的时间点是铺出去的时刻，结果那一侧的时间点应该是铺出去之后的第几天。两个时间点不对齐，同一批的数据就没法放在一起比较。口径一旦对不齐，两个数放在一起看只会得出错误的结论。

对齐之后，两张表能回答一个很实际的问题：某一条表现不好，是因为它没有被顺利铺出去，还是因为它传出去了但内容不行。这两种原因的修法完全不同，分清了才不会修错地方。

两张表合并之后，还可以加一列去记当初开跑之前写下的那句判断。加上了这一列，表格就从数据记录变成了对照工具，铺完之后可以直接对着看当初的判断站不站得住。加上这一列，表格就从记录变成了对照，用途不一样了。

这一列的写法要简单，一句话说清这一批本来想验证什么。铺完之后如果结果是支持的，就在旁边记一笔；是不支持的，也记一笔；说不清的，写清是哪几个变量没有收住。写得越简单，铺完之后对着看的时候越容易判断。

攒上十几批之后，这份表会显出一些规律。哪类判断反复得到支持，哪类判断总是说不清，哪些变量一直收不住。规律不是靠分析出来的，是记着记着自然浮出来的。规律出来之后，下一批的判断就有现成的参照可以借。

还有一点是这份表要让跟进的人能看到。如果店里有帮手，状态和结果两张表加上判断那一列，就是一次批次的全部信息。交接和复盘都围着这三样走，不用再额外解释什么。看得见的东西才能被讨论，看不见的判断容易被忽略掉。

合并看的意义，最后落在一个地方：让铺出去这件事有反馈。有反馈的动作会越做越准，没有反馈的动作只会一直重复。铺货工具提供了状态这一半反馈，另一半得自己接上。有了反馈，同样的力气投进去才会往一处累积。

合并之后还有一个使用上的细节，就是看表的时机。不要在铺完立刻就去看经营侧的结果，那时候数据还在积累，看到的波动大多是噪音。等到约定的观察点到了再看，看到的才是能用的东西。

这个观察点最好在开跑之前就定下来，写进那张表里。比如快消类目铺出去之后第五天看一次，节奏慢一些的类目两周看一次。定了之后按点看，不提前也不遗漏。写到表里之后，看数据就不再是一件要临时决定的事。

提前看表的坏处很明显。数据波动大，看到什么都会想去调整，越调越乱，最后连原本铺出去时的样子都改变了。等到观察点再看，中间那一段的耐心就变成了数据质量。按点看的好处在对比之下也很清楚，只是它需要一点耐心。

两张表加上判断那一列，长时间记下去，会成为这家店里最实用的一份积累。它记录的不是某一款卖得好不好，而是这一家店做判断的方式有没有在进步。这份东西换不掉，也抄不走。

补上经营侧的数据之后，返工变少，出结果的时间也变短

数据看不懂时先别加量

数据看不懂的时候，本能反应是加量。心里想的是样本太小看不出规律，多铺一些就看出来了。这个反应在方向明确的时候有用，方向不明的时候反而会让问题更糊。这个反应本身可以理解，但它在方向不明的时候会让局面更复杂。

原因是加量会同时增加三个变量。款式更多了，价位更散了，铺出去的时间点也更杂了。变量一多，同一批内部就没有可比性，铺得再多也读不出差别，只是把一堆说不清的东西放大了。

正确的动作是反过来，先把变量收窄到一个。同一批只试价位这一个维度，别的都固定住；或者只试款式，价位和写法都不动。这样出来的结果，好坏都能归到具体的那一头上。变量收窄之后，需要的样本量反而更小，出结论的速度也更快。

收窄之后需要的量其实不大。几个款就够，因为变量少，差别会看得比较清楚。等到这一个维度读明白了，再放开下一个维度。一次一个，慢慢加上去。这一点和多数人的直觉相反，量少不代表读不出东西。

所以数据看不懂不是加量的信号，而是收窄的信号。这条规则如果能在团队里固定下来，铺货这件事的节奏会稳很多，也不会出现量越铺越大、能用的结论越来越少的局面。把这条规则写在流程里，就不必每次都靠临场判断来定方向。

最后回到这篇文章的题目。铺货工具铺出去之后，数据回不来不是它坏了，而是它在链条上只管传出去那一下，传完之后它就没有位置了。缺口要靠另外几块补上，补的过程本身就是判断在做功。

这里有一个细节值得说清。收窄变量不等于减少铺的数量，两者不是一回事。收窄是把这一批里变动的因素减少，数量仍然可以按能跟住的水平来定。两件事听起来接近，做法上其实差得很远。

比如同一批铺二十条，其中十五条的价位固定在同一段，另外五条放在另一段做对照。变量只有价位一个，样本量也不小，读出来的结论比铺四十条什么都变要清楚得多。这样的安排既保住了样本量，也把变量收住了。

反过来，如果实在想不出来该固定什么，那就先固定不动的部分。把价位、写法、时间点都照上一批的做法复制一遍，只换款式。这样至少能把款式的差别读出来。从最容易复制的地方入手，比空想该固定什么要快。

固定得越多，读出来的东西越具体，但速度也越慢。这是一个取舍，谈不上哪一边更正确。刚开始可以多固定几项，熟练之后再逐步放开，一次放开一个。取舍点可以随着熟练程度调整，不必一开始就定死。

把这条规则和前面几块补数据的办法放在一起，铺出去之后的整条流程就完整了：拿到状态、补上经营侧、合并成表、对着判断看，读不懂就收窄，读懂了再谈加量。这条流程走顺之后，铺出去这件事才算真正有了后半段。

还有一个具体的检查办法。遇到读不懂的时候，把自己这一批的款式、价位、写法、时间点逐项列出来，看有几项在这一批里是变动的。超过两项，读不懂基本就是大概率的事。列出来这个动作很快，却能把读不懂的原因直接摆到台面上。

列出来之后要做的事就是把变动项减到一项。哪一项是这一批最想看的，就留下它，其余的照上一批复制。做这个减法花不了多少时间，但它决定了这一批有没有结论。减法做完，这一批就从一堆变量变成了一次可以回答的提问。

减到一项之后，铺的数量仍然可以按能跟住的水平来。速度不必因为收窄而放慢，只是这一批的方向更单纯了。等这一项读明白，下一批把第二项放开，一次一项地往前走。收窄和减量是两回事，把这一点分清楚，节奏就不会乱。

这个做法在批次多的时候特别有效。每一批只回答一个问题，几批下来手上的问题就都被回答过了，而且每一个答案都能追溯到具体是哪一批得出的，含混的地方很少。批次越多，这种一个批次一个问题的做法累积得越明显。

最后补一句，收窄这件事的难处不在技术，而在心理上。放开多项看起来铺得热闹，收窄到一项则显得慢。能接受这种慢，铺货这件事的积累就会明显高于铺得热闹的那种做法。能忍住这份慢，后面拿到的结论会比急着放开的做法扎实得多。

还有一处细节是收窄之后不要立刻放开。同一批里只留一个变量，至少要跑两轮，确认这个结论在两轮里都成立，再考虑放开下一个变量。一轮的结论有可能是碰巧的。一轮的样本里混进了太多偶然因素，不足以支撑一次结论。

跑两轮的成本并不高，因为每一轮的量本来就不大。两轮下来确认了一个变量，比一轮就放开然后在新变量上又混一次，要省时间得多。这个顺序看着慢，实际上是快的。两轮都支持同一个结论，这个结论才值得被写进下一批的参照里。

常见问题（FAQ）