Shopee测款方法怎么做：用小成本试出爆款

测款要回答什么问题

测款要回答的第一个问题是这个商品有没有人愿意点。曝光给到之后，点击率如果明显低于同类商品，说明主图和标题没有把价值说清楚。这个判断决定了后面的动作，点击不过关就不必再看转化。数据太差的时候继续投，只是在浪费预算。

第二个问题是点进来的人有没有购买意愿。加购、收藏、咨询这些行为，反映的是买家看到商品之后的真实反应。点击高但加购低，通常意味着图片好看而商品本身不对路。这种情况改价格也很难救，因为需求本身不成立。

第三个问题是买家在犹豫什么。测款期间的咨询内容往往集中在少数几个点上，比如尺寸、材质、发货时间。把这些疑问记录下来，等于提前拿到了详情页该补什么。这些信息在放量之前拿到，价值比多卖几单更高。

第四个问题是这个价格能不能被接受。同样的商品在不同价位上的加购表现会明显不同，测款时可以观察价格调整前后的反应。如果需要在低价才能走量，就要重新算一遍利润。价格站不住的商品，规模越大亏损越大。

第五个问题是这个款值不值得长期做。测款的结论不只是当下卖不卖得动，还包括它有没有复购和延伸的可能。有些款首单能出，但几乎没有回头客，后期只能不断拉新。这类款在测款阶段就要识别出来。

还有一个问题是失败的原因能不能复用。就算某个款被淘汰，它暴露出来的问题也会出现在别的款上。把原因归类记录下来，下一次选品就能提前避开。测款真正的积累在这里，而不是在那几个通过的数字上。

把这些问题写在纸上，测款就从模糊的尝试变成了有目标的验证。每一次看数据，都能对应到具体要回答的那一项。目标越明确，读数据的时候越不容易被无关数字干扰。

还有一个隐性问题是怎么和老款区分。同一个类目里已有商品的表现会成为参照，新款的对比基准不能凭空设定。参照选得不对，好款也会被误判成差款。

测试目标也要按阶段拆开。上架初期看的是能否被点开，中期看的是能否被加购，后期才轮到成交。跨越阶段去要求结果，会让判断提前走进死胡同。

最后要回答的是这个款和店铺的整体方向搭不搭。有些款单看数据尚可，但它带来的买家不属于店铺的目标人群。这类款做起来之后，粉丝结构会变乱。

举个具体的例子。同样是一批厨房小工具，其中两个款点击率都在均值以上，但一个加购率只有百分之一点五，另一个接近百分之六。数据摆在一起，该推哪个一目了然，不需要争论。这就是测款把主观判断替换成客观依据的地方。

再比如某款在付费入口表现很好，在自然搜索里的点击却一般。这说明它更依赖图片的即时刺激，而不是搜索意图的匹配。判断它适不适合长期做，就要看有没有稳定的搜索需求支撑。

还有一个边界情况是季节款。季节款必须在旺季来临前完成测试，否则测试通过时窗口已经过去。这类款的测款周期要整体前移，不能按常规节奏安排。

反过来，常年需求稳定的基础款不需要测得太细。它们的数据波动小，模型容易判断，把精力放在季节款和新品类上更划算。测试的深度要和商品的不确定性匹配。

还有一种情况是连带款。新品是为了搭配已有主推款才开发的，它的价值不完全体现在自身数据上，还要看在组合里的表现。这类款要连同主推款一起观察。

最后要回答的是这个款能不能撑起排名。有些款点击加购都不错，但竞争品太多、价格战激烈，冲排名需要持续大额投入。算清楚这个账，才不会在薄利款上死磕。

目标写得越具体，测试的设计就越简单。比如把目标定为验证主图吸引力，那就只投搜索位、只看点击率，其它变量都固定住。变量一少，结论就干净。

把这一整套问题走完一遍之后，你会发现自己对市场的判断明显变快。因为大部分错误在测试阶段就已经被排除了，剩下的都是值得投入的方向。

测款的顺序是先缩小范围，再决定投入

测款前要准备什么

测款之前要先把候选款收窄到一个很小的范围。很多人一上来就列十几款，结果每一款分到的曝光都很少，谁都读不出结论。候选款控制在三到五个，是比较实际的数量。范围越窄，每个款能拿到的数据越厚。

主图和标题必须在测试开始前定稿。测款期间频繁换图换词，前后的数据就没有可比性，等于白测。定稿意味着你认可这一版的表现，把它当作基准去比较。要改的话，放到下一轮测试里再改。

价格和运费政策也要提前确定。买家看到的总价里包含运费，这一项对加购的影响经常被低估。测试期间价格保持一致，才能把差异归因到商品本身。价格来回变，最后读出来的数据谁也解释不了。

发货时效和库存深度要确认到位。测款虽然量小，但如果买家下单之后迟迟发不出，评价和店铺指标都会受影响。提前和供应链确认好可发的数量，避免测试阶段出现断货。小批量的稳定，比大批量的承诺更重要。

数据记录的表要提前搭好。每个候选款在什么时间、投了多少、拿到多少曝光、多少点击，这些都要有地方落。凭记忆复盘是最容易出错的做法，几天之后细节就模糊了。表格不用复杂，能看到对比就行。

判断标准要在测试开始前写下来。什么样的情况算通过，什么样的情况算淘汰，通过之后怎么放大，这些都要事先想清楚。标准写在结果出来之前，才不会被单次数据的情绪带偏。等数据出来了再定标准，等于没有标准。

准备阶段还要把详情页的骨架做出来。测款不是只放张图就能开始，买家点进来需要看到足够的信息支撑判断。信息太少的详情页，会把加购率压得很低。

图片素材要多备一版。测试过程中如果发现主图不行，手上有没有替代方案决定了能不能及时调整。临时找素材会拖掉好几天，节奏一慢，整轮测试的窗口就过去了。

客服要提前沟通好。测试期间买家往往会问问题，回复慢或者答不上来，直接浪费掉宝贵的点击。把关键问题的标准答法给到客服，回复质量会稳定很多。

还要确认这个款的售后风险。容易碎、容易坏、尺码争议大的商品，测试期的小批量也可能带来集中投诉。风险高的款更适合放在后期测，别和基础款混在一轮里。

一个常见的准备疏漏是没想好怎么放量。测试通过之后需要多少备货、走哪条物流、用什么价格推，这些如果没提前算，通过的那一刻反而会手忙脚乱。准备工作要往后多想一步。

另一个疏漏是没有对标商品。测试的时候如果不知道同类里表现最好的款长什么样，就缺少一个直观的参照。找两三个对标款放在旁边，判断会更有底气。

准备工作还包括确认测试的时间窗口。避开平台大促和店铺自身的活动期，让流量结构保持在平常状态。窗口选得合适，同样一笔钱能拿到的信息更多。

记录工具可以很简单，一张表就够。列上日期、曝光、点击、加购、花费这几栏，每天花几分钟更新。复杂的系统反而会因为难维护而中断。能坚持的记录最有价值。

和供应链确认交期的时候，要问清楚的不是最快能发多少，而是最慢多久能补上。测款通过之后的追加，考验的是补货速度。交期信息不准确，会把放量的节奏打乱。

如果店铺有多个同类老款，测试前要梳理一下它们之间的关系。新品会不会直接抢老款的流量，需不需要做差异化的定位，这些问题想清楚，测款的定位才不会模糊。

最后确认一遍客服和售后的承接能力。测试量虽然小，但集中在几天之内出现，处理不及时一样会伤评分。人手紧张的时候，宁可把测试周期拉长一点。

准备做得越细，测试期间要临时做的决定就越少。测款最怕的不是数据不好，而是数据出来之后不知道该拿它怎么办。事前准备就是替那时候的自己减少犹豫。

点击和加购，是测款阶段最该盯的两项

用什么指标判断

点击率是测款里最先能读到的指标，它几乎不受物流和售后影响。看点击率要和类目均值比，不要只和自己的其它商品比。高于均值两成以上，说明主图和标题已经过关。低于均值明显，先改图和标题，不要急着下结论。

加购率反映的是商品本身有没有打动人。加购的人已经看过详情页，也接受了当前价格，这个动作的含金量高于点击。通常百分之三到八是比较健康的区间，不同类目会有差别。加购率好而转化慢，多半是决策周期问题。

停留时长说明详情页的信息够不够用。停留时间长的商品，买家在做认真的比较，说明内容还有可读性。停留很短就跳出，通常是详情页信息太少或者答非所问。这一项要和点击率一起看，单独看意义有限。

咨询内容是测款里最容易被忽略的富矿。买家问什么，说明什么信息没有传达清楚。同一个问题被反复问起，就应该直接写进详情页。把咨询量降下来，本身就是在降低转化门槛。

首单转化率是验证环节的指标，不要用它来否定一个刚上架的款。新品缺少评价和销量支撑，转化天然偏低。它更适合在点击和加购都不错的前提下，用来判断价格是否需要微调。

收藏量代表的是犹豫型需求。有些人当下不买，但愿意留个记号，这批人后期通过提醒还能触达。收藏随曝光同步增长是正常状态，如果曝光涨了收藏不动，说明商品没有让人记住的点。

除了这几项，还要看指标之间的关系。点击高而加购低，问题在商品或者价格；加购高而转化低，问题在评价、运费或者承诺。两个指标的组合，比单项数值更能指出问题所在。

数据要分时段看。早上、午休、晚上三个时段的流量结构不同，把它们混在一起算平均值，会掩盖掉有价值的差异。分开看能发现哪个时段的人最容易下单。

样本量小的时候要格外谨慎。几十次点击得出的比例，波动范围非常大，不足以支撑结论。这时候可以延长观察，而不是急着根据数字做动作。

图表要看趋势而不是单点。今天的数据比昨天好，可能只是因为流量结构变了。连续几天的方向一致，才说明真的在改变。只看某一天的最高点，容易自我安慰。

把各项指标做成一张每日更新的小表，趋势会比单看数字清楚很多。连续三天点击率往下走，和单日的波动，是完全不同的两件事。趋势能提示你什么时候该介入。

指标还要按候选款横着比。同样的曝光条件下，A 款加购是 B 款的三倍，这个差距比绝对数值更有说服力。横向对比能过滤掉类目整体水平的干扰。

注意区分指标是先行还是滞后。点击、加购反应很快，评价和复购反应很慢。用滞后的指标去判断刚上架的款，只会得出偏低的结论。判断要挑对应阶段的指标。

还有一种指标容易被误用，就是店铺整体的转化率。新品在一个已经跑顺的店里，转化天然会被老客和评价带动。所以要看的是这款相对于同类新品的表现，而不是和全店平均比。

如果某个款的数据特别极端，先检查记录有没有出错。曝光或花费录错一位，算出来的比例会完全变形。异常值先排除数据问题，再考虑是不是真的异常。

指标之间出现矛盾的时候，优先相信和购买决策更近的那一个。加购比停留更接近下单，转化比收藏更接近真实需求。距离决策越近的指标，权重越高。

测试后期可以加一个简单的问题去验证。对咨询过的买家直接问一句最在意什么，得到的答案往往能解释数据里看不懂的部分。少量访谈就能补上数字的盲区。

把这套指标固定下来之后，每一轮测试用的都是同一套语言。团队讨论的时候不会再各说各的话，效率的差别就在这里体现出来。

小预算怎么分配

小预算最容易犯的错是摊得太薄。预算有限的时候，优先让每个候选款都能拿到足够判断的曝光，而不是让所有款都半死不活。宁可少测两款，也要让留下的款有像样的数据。数据不足的测试，结论等于猜。

分配的基本做法是先算出一个款需要多少点击才能判断。按这个量倒推需要的预算，再乘以候选款的数量。算出来的总额如果超过你能接受的范围，就减候选款。这样分配比凭感觉给钱更可靠。

测试的钱不要一次全花完，要留出一部分给中途表现好的款追加。有些款前几天平平，后面才开始起量，一次性把钱砸完就看不清这个过程。留出的比例大概在两到三成之间比较合适。

预算要按完整的天数均匀投放，避免集中在某一天。某一天流量特别大或者特别小，都会让数据失真。均匀投放能让趋势看得更清楚，也方便对比不同款的表现。忽高忽低的投放，读出来的曲线没有意义。

如果同时用付费和免费入口，要把来源分开记录。自然流量的数据受推荐机制影响大，付费流量的数据更可控。混在一起看，就分不清到底是哪个环节起了作用。来源分开，才能知道钱花在哪里有效果。

预算里要留一点给内容制作。测款阶段临时改一版主图、补一小段视频，往往比多加几天广告更有用。这部分投入不大，但决定了测试能不能针对问题及时调整。把所有钱都投在曝光上，反而失去了优化的余地。

分配之前要先明确这笔钱能承受的损失。测款本身就是有失败概率的投入，把它当成学费而不是投资回报。心里有了底线，做决定的时候就不容易被浮亏影响。

不同入口的单价差异要提前摸清。搜索位的点击往往更贵，但意图更明确；推荐位的点击便宜，但转化更分散。知道单价差异，才能把预算安排到对的入口上。

如果预算实在少，可以分两轮走。第一轮只测点击，把图不行的款先筛掉；第二轮再给通过点击筛选的款投预算看加购。分轮的好处是每一分钱都花在最需要的信息上。

投入记录要具体到日期和金额。只记总数，事后没法判断是前期还是后期起作用。记录越细，下一次分配的判断依据就越清楚。

一个实用的做法是先拿一小笔钱做投放测试，测出这个大致的单次点击成本，再回头安排总额。这样算出来的预算更贴近实际，不容易高估或者低估。

预算分配还要考虑商品的利润空间。利润厚的款可以多投一点，因为在同样的点击量下，它能承受更长的验证周期。利润薄的款速战速决，判断线也可以设得更直接。

如果几个候选款的成本结构差别很大，可以按预期贡献来分配，而不是平均分。平均分配看起来公平，实际上会让潜力更大的款得不到足够曝光。资源要往胜率高的方向倾斜。

投放的时间段也要有所选择。买家活跃的时段单价会高一些，但点击质量也更好。预算有限的时候，宁可集中在高价值时段少投几天，也不要在全天平摊。

不要为了把钱用完而在最后一天加大投放。突然放量拿到的数据，和前面的节奏不一样，会污染整轮判断。按每天固定的节奏走完，数据才干净。

如果中途发现某个款明显不行，可以立刻把它的剩余预算挪给表现好的款。这种动态调整不违反测试的公平性，因为前提是数据已经足够说明问题。挪动之前要确认样本量够。

所有花费要按入口、按时段记录清楚。这部分的记录越细，下一次分配预算的时候就越有依据。第一次靠估算，第二次靠数据，效率的提升是很快的。

最后留一点余量应对意外。有时候平台流量突然变贵，或者某个款需要临时补一版图，没有余量就只能中途停下。留出的这部分不是浪费，是让测试能走完的保险。

测多久才算够

测款的时间要以拿到有效样本为准，而不是固定几天。样本不够的时候，数据每天都在跳，早一天晚一天结论完全不同。一般来说，每个候选款积累到几百次点击之后，趋势才会稳定下来。没到这个量就下结论，风险很高。

周期要覆盖一个完整的一周，把周末和工作日的差异包含进去。买家的浏览和下单习惯在一周内有明显起伏，只测工作日的款可能被低估。覆盖完整周期，数据才有代表性。只挑一天测，等于抽签。

如果一周内点击量已经远远超过判断所需，可以提前收口。继续挂着只是消耗预算，不会带来新的信息。什么时候停，看的是样本是否足够，而不是时间到了没有。该停就停，钱要留给下一个测试。

有些类目决策周期本来就长，比如客单价高的耐用品。这类商品需要更长的观察窗口，甚至要看加购之后的二次回访。对它们用快消品的节奏去催，只会误判。周期要按类目特点来定。

测试期间如果出现订单，不要急着把它当作结论。小样本下的成交有随机性，几单的差别很可能只是偶然。把订单数据和点击、加购放在一起看，才能判断是不是真的成立。单看成交量，容易过度乐观。

每轮测试结束之后，要留出一两天做复盘再做下一轮。不整理就直接开新测，上一次的发现很快就会丢掉。复盘的时间不用长，把结论写下来就行。这个过程决定了测款的积累能不能留下来。

判断样本够不够，可以看数据的波动幅度。如果每天的结果差异很大，说明样本还不够；如果连续几天都稳定在一个区间，就可以收口了。波动本身就是判断依据。

测试期间要排除外部干扰。大促前后、平台活动期间、竞品降价的时候，流量结构都会变，测出来的结果不能代表平常状态。尽量挑一个相对平稳的时段来做。

如果中途发现某个款数据明显异常，可以先单独停掉，不必等整轮结束。异常数据留在里面会拉偏整体判断。停下来记录原因，对后面的分析也有帮助。

收口之后不要再往里加预算。已经拿到结论的测试继续投，只是把好款提前放大而已，和测款的目的不同。想放量就单独开一个放量计划来管。

一个容易忽略的边界是新品期的影响。刚上架的款会有一段流量扶持，这段时间的数据偏好，不能代表长期水平。判断时要看扶持期结束之后的那几天。

如果测试期间正好遇到平台调整推荐规则，数据会出现整体性的位移。这时候要把整轮测试的基准重新校准，而不是拿前后不一致的数字硬比。行业波动要单独标注出来。

测试中途上新了别的商品，也可能分走店铺的流量和买家的注意力。同类款之间互相抢曝光，会让所有款的数据都偏低。想测清楚，就尽量让测试期保持单一变量。

对决策周期长的商品，可以把观察窗口分成两段。前一段看点击和加购这些即时反应，后一段看有没有二次回访。两段都过关的款，才值得放量。

周期结束之后要留一份原始数据，不要只留结论。过几个月回头看，原始数据能解释为什么当时的判断是对的或者错的。只留结论的话，后面很难复盘。

测多久也和团队节奏有关。如果每周都要上新，测试周期就得压到一周以内，那就必须把候选款数量压得更少。节奏和深度之间要找到平衡点。

如果实在拿不到足够样本，宁可把这轮测试标记为参考，不要把它当成正式结论。带着不确定性的结论去备货，风险其实和没测差不多。宁可标注清楚，也不要有意模糊。

方式不同，能读出的信号也不同

测完怎么决策

测完之后的第一个决定是放量。点击和加购都稳定在高位的款，可以先把投入放大一档，继续观察一到两周。放量的过程要逐步走，确认数据能延续再往下加。一次加太满，出了问题挽回的余地就很小。

第二种决定是改了再测。表现中等、但能看出问题所在的款，值得改一版主图或价格之后重测一轮。改的时候一次只动一项，才能知道是哪一项起了作用。同时改好几处，等于重新开始一次盲测。

第三种决定是淘汰。点击和加购都明显偏低的款，继续投入只是消耗预算。淘汰要果断，不要因为自己看好或者已经花了钱就硬撑。沉没成本不是继续的理由，判断依据只有数据。

决策要按事先定好的标准执行，而不是看当天的心情。测试之前写下的通过线，这时候就派上用场了。标准执行得越坚决，测款的效率越高。每次临时改标准，都会让这个机制慢慢失效。

通过测试的款要立刻进入交接流程。该补的库存、该优化的详情、该准备的推广素材，都要同步安排。测款只是拿到了入场券，后面能不能卖好，取决于接得顺不顺。测试成果放凉了，等于白测。

被淘汰的款也要写一句结论存档。是主图不行、价格不对，还是需求本身不存在，这些区分对下一次选品很关键。存档做得好，你会发现自己踩的坑越来越集中。避开已知的坑，选品水平就上去了。

决策的记录要简洁到能一眼看懂。每款一行，写清结论和一句原因就够了。堆成一篇报告，反而没人会回头看。简洁的记录才会被真正用起来。

放量的节奏要和供应链同步。数据通过了但货跟不上，销量冲上去又断档，前面的测试等于废掉。确认产能之后再放大投入，节奏才不会乱。

如果一轮测款里有两三个款都通过，要排一个优先级。优先推那个供应链最稳、利润空间最清楚、售后风险最低的款。同时放量几个款，精力和预算都会被摊薄。

测款的结论要拿回选品的源头用。下一次选候选款的时候，先按上一轮的结论做一轮初筛，再把剩下的拿去测。这样流程越走越短，成本也越来越低。

决策会有一个常见的心理陷阱，就是花出去的钱会成为继续投入的理由。已经投入的预算，无论怎么决定都收不回来，它不应该影响接下来的选择。只看还没发生的部分。

如果几个候选款的表现非常接近，不必强行分出高下。可以把它们都推进到下一轮，用更大的样本继续比。样本变厚之后，差距通常会自然显现出来。

放量的时候要把测试期的数据和放量后的数据分开记录。放量之后流量结构会变，数据不再可比。混淆在一起，会让人误以为是商品变差了。分段对比才准确。

把一个款判为淘汰的时候，要给供应链一个明确的信号。不要再为它备料、排产、做素材，避免资源继续沉没。决策要落到具体的动作上，才真正生效。

如果测款通过但流量成本偏高，可以先做小规模的持续投放，同时优化详情页和评价，把转化率抬上去再放大。用更好的转化去承接同样的流量，是更省钱的放大方式。

每一轮决策之后，把通过和淘汰的款放在一起看一眼。如果淘汰的原因高度集中，说明问题出在上游的选品环节，而不是测试环节。这个发现比单款的结论更有价值。

决策做完之后要有下一次的排期。测款是持续的机制，不是一次性的任务。把下一轮的候选款和时间点定下来，这件事才会真正在店铺里运转起来。

测款做得越顺，选品判断越准

常见误区

第一个误区是没有标准就开始测。数据出来了才去想通过线怎么定，结果每个数字都能找出一套解释。这时候人的倾向会接管判断，看好的款总能找到理由留下。标准必须写在结果之前，否则它约束不了任何人。

第二个误区是候选款铺得太多。十几个款同时开测，每个款分到的曝光都很薄。曝光不足的时候数据每天都在跳，谁也读不出可靠结论。宁可这一轮只测三个款，也不要铺开之后一无所获。

第三个误区是测试期间反复改图和改价。改动的当下看起来是在优化，实际上把前后的数据切断了。数据失去可比性，整轮测试就只能作废重来。要改，就把它当成新一轮测试重新开始记录。

第四个误区是用零散的订单数做判断。小样本下的成交偶然性很大，今天多两单明天少三单很常见。把订单量当成唯一的通过标准，容易在错误的方向上放大投入。成交要结合点击和加购一起看。

第五个误区是只盯点击率这一项。点击高说明图好看，但好看不等于好卖。加购率才是商品本身有没有吸引力的直接体现。两个指标背离的时候，要相信加购，而不是相信图片。

第六个误区是把预算一次花完。钱在前几天用光，中途才开始冒头的款就失去了追加的机会。有些款需要先积累一点销量和评价才起量，这个过程本来就慢。留出追加的余地，才不会错过这类款。

第七个误区是测试周期安排得太短。只测两三天，很容易正好避开周末的流量高峰或者低谷。周期没覆盖完整的一周，读出来的数字带有明显的偶然因素。时间不够的情况下，宁可多看几天。

第八个误区是测出好数据就立刻大量备货。测款本身只是小额验证，验证通过不等于需求规模已经被确认。正确的做法是先把投入放大一档再观察一到两周。跳过这一步，风险重新回到测款之前。

第九个误区是淘汰之后不记录原因。这一轮被否掉的款，问题往往会在下一批候选款里再次出现。没有归类，就只能一次次重新试错。把原因写下来，测款的积累才会真正存在。

第十个误区是把测款当成万能钥匙。测款能看出短期反应，但看不出长期的复购能力和竞争格局变化。它是判断的一个环节，不是全部依据。

第十一个误区是只在一个入口测。不同入口吸引的人群不一样，只在一个位置测出来的结果会带上那个位置的偏见。多入口交叉验证，结论才更接近真实需求。

第十二个误区是把测试和正式上架混在一起。一边测一边当成正式商品推，数据会互相污染，判断也跟着失控。测试就按测试的方式来，边界要划清。

第十三个误区是忽略了同类款的横向对比。只在自己几个候选款里比，选出来的最好那款，可能在整个类目里依然平平。参照系要拉大一点。

第十四个误区是测完不复盘就直接开下一轮。跳过整理，上一轮的经验不会自动进入下一轮的判断。花一点时间写下结论，是这件事最划算的部分。

第十五个误区是照搬别人的测款方案。不同类目的流量成本、决策周期、竞争强度都不同，直接套用别人的预算和时间安排，得到的信息未必可靠。方案要按自己的情况调。

第十六个误区是只在自己店铺里做对比。候选款之间分出的高下，只能说明相对关系。放到整个类目里，选出来的款可能依旧没有优势。参照系要放到更大的范围。

第十七个误区是数据不好就急着改商品。有时候问题不在商品，而在测试的设计，比如投放时段不对、入口选错。先排查设计问题，再考虑改商品。

第十八个误区是测完不做记录。没有记录，这一轮的投入就只剩下当下的销量，经验留不下来。下一轮又从零开始摸索，成本永远降不下去。

第十九个误区是把测款的重心放在省钱上。测款的目的是拿到判断，不是把花销压到最低。为了省钱导致样本不足，反而让整个测试失去意义。该花的钱要花到位。

第二十个误区是同时测太多变量。一次改了主图、价格和标题再一起测，数据好也不知道是哪一项起了作用。变量分离是测款设计的基本原则，不能省。

第二十一个误区是回避淘汰。有些款是团队花了心思做的，数据不好也舍不得砍。这种舍不得的代价是库存和推广位被长期占用。判断要跟着数据走，而不是跟着投入走。

把测款做成店铺的固定动作之后，选品的每一次判断都会比上一次更有依据。它不需要很多预算，需要的是每次都用同一套标准去读同一套数据。坚持几轮之后，效果会体现在库存周转和利润上。

常见问题（FAQ）